CN105976021B - 一种带式输送机滚筒组件故障诊断方法 - Google Patents
一种带式输送机滚筒组件故障诊断方法 Download PDFInfo
- Publication number
- CN105976021B CN105976021B CN201610350471.4A CN201610350471A CN105976021B CN 105976021 B CN105976021 B CN 105976021B CN 201610350471 A CN201610350471 A CN 201610350471A CN 105976021 B CN105976021 B CN 105976021B
- Authority
- CN
- China
- Prior art keywords
- signal
- fault
- neural network
- barrel
- failure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种带式输送机滚筒组件故障诊断方法,其针对滚筒体故障和轴承组件故障采用特征频率分析与神经网络方法进行故障诊断。首先利用振动传感器采集滚筒组件不同故障状况下的振动信号,再用EMD阈值方法对振动信号进行降噪处理,提取降噪信号的频域参量进行故障特征频率分析以判断轴承组件健康状况,另外提取时域参数构成特征向量作为神经网络系统的输入参量,由神经网络专家系统利用训练样本进行仿真训练,得到一套规则形成神经网络专家系统诊断机制,并根据诊断机制,基于提取的特征向量进行滚筒体故障诊断。所述方法能够实现对滚筒组件故障的诊断,有效提高滚筒组件故障诊断的效率。
Description
技术领域
本发明涉及带式输送机故障诊断领域,具体是一种带式输送机滚筒组件故障诊断方法。
背景技术
带式输送机是一种摩擦驱动以连续方式运输物料的机械。主要由机架、输送带、托辊、滚筒、张紧装置、传动装置等组成。滚筒是带式输送机的动力节点,其安全性与可靠性直接关系到整个输送系统的安全性与稳定性。它主要包含轴、筒体、轮毂、辐板、胀套、轴承组件等结构。在带式输送机的实际运行中,滚筒体及其轴承组件故障时有产生,这对输送系统的安全运行产生了重大威胁。
带式输送机滚筒组件的故障形式主要包括辐板和筒壳连接处出现裂纹,长期作用下滚筒体、辐板被压裂破坏,滚筒中出现凹陷等局部变形过大,胀套连接螺栓变形过大甚至被剪断,轴承组件的内外圈转动体故障。而滚筒所在工作环境较为复杂,使用超声,激光等非接触式诊断方法效果甚微;并且高速运转的滚筒故障特征信息难以有效采集,使滚筒故障的早期诊断更加困难。目前,国内尚未对滚筒组件故障诊断进行有效研究。
发明内容
本发明的目的就是为了填补国内对于滚筒组件故障诊断的空白,提供了一种滚筒组件故障诊断方法,以实现对滚筒组件故障的早期诊断。
为了解决上述技术问题,本发明通过以下技术方案得以解决:
一种带式输送机滚筒组件故障诊断方法,包括如下步骤:
第一步:利用振动传感器采集滚筒故障的故障振动信号,故障类型设置包含辐板与筒壳连接处裂纹故障,辐板裂纹故障,滚筒体筒面受压变形故障,胀套连接螺栓剪断故障以及轴承组件内外圈滚动体故障;
第二步:采用EMD阈值处理对故障信号进行降噪;
第三步:将降噪后的故障信号导入matlab,计算得到故障振动信号的方差、方均根、偏度、峭度、波峰因子以及频率参数,将方差、方均根、偏度、峭度、波峰因子这五个时域特征参数组成特征向量,并将提取的特征向量作为神经网络专家系统的输入参量;
第四步:根据轴承组件的结构数据计算得到内外圈滚动体故障特征频率,另一方面神经网络系统利用训练样本进行仿真训练,完成对滚筒体故障识别模型的建立,得到一套规则形成神经网络专家系统诊断机制;
第五步:根据第三步中得到的振动信号的频率是否含有第四步中的故障特征频率信息来判断轴承组件是否有故障以及故障类型,另一方面神经网络专家系统根据诊断机制,基于提取的特征向量识别滚筒体是否存在故障,故障出现的位置,以及损伤的程度。
由上述对本发明的描述可知,本发明具有以下效果:
本发明的一种带式输送机滚筒组件故障诊断方法,利用振动传感器采集预设各种类型故障滚筒的振动信号,采用EMD阈值降噪提高信噪比,利用故障特征频率方法和神经网络专家系统方法进行综合诊断,得到结果;
本发明的一种带式输送机滚筒组件故障诊断方法,对带式输送机滚筒组件故障进行诊断,不仅解决了工作人员依靠经验判断故障所带来的困难,而且提高了故障诊断的效率。
附图说明
图1为故障诊断方法流程图。
具体实施方式
为了更进一步阐述本发明为实现预定目的所采取的技术手段,请参阅以下本发明的详细说明与附图,然而附图仅提供参考与说明用,并非用来对本发明加以限制。
如图1所示,为一种带式输送机滚筒组件故障诊断方法的流程图,包含信号的采集,降噪处理,特征参量的提取,以及神经网络专家系统诊断等。
第一步:利用振动传感器采集故障滚筒组件的振动信号,故障类型设置包含辐板与筒壳连接处裂纹故障,辐板裂纹故障,滚筒体筒面受压变形故障,胀套连接螺栓剪断故障以及轴承组件内外圈滚动体故障;
第二步:采用EMD阈值处理对故障信号进行降噪;
EMD将信号分解成一系列不同时间尺度的IMF分量,当最后一个IMF分量为单调函数而不能再从中提取满足IMF条件的分量时停止分解,得到若干层IMF分量hi(t);
然后为每个IMF分量确定一个阈值Hi,利用该阈值对每个IMF分量降噪;
其中hhi(t)为降噪之后的IMF分量;
再利用降噪后的各IMF分量进行重构,得到降噪后的信号。
第三步:将降噪后的故障信号导入matlab,计算得到故障振动信号的方差、方均根、偏度、峭度、波峰因子以及频率参数,将方差、方均根、偏度、峭度、波峰因子这五个时域特征参数组成特征向量,并将提取的特征向量作为神经网络专家系统的输入参量;
方差是反应信号相对于信号均值的稳定程度的物理量;其中xi为输入信号,n为信号值的总数;
方均根反应信号的能量大小;
偏度定义上是样本的三阶标准化矩,反应信号分布相对于均值不对称的程度;μ为信号平均数,σ为信号标准差;
峭度是归一化的四阶矩,反应信号的分布特性;
峰值因子定义为信号峰值与信号方均根值的比值;
其中为信号峰值;
得到的特征向量表示为:X′=[Xvar,Xrms,Xskew,Xkur,Xcf];
第四步:根据轴承组件的结构数据计算得到内外圈滚动体故障特征频率,另一方面神经网络专家系统利用训练样本进行仿真训练,完成对滚筒体故障识别模型的建立,得到一套规则形成神经网络专家系统诊断机制;
轴承内外圈滚动体故障特征频率计算公式为:
内圈故障特征频率
外圈故障特征频率
滚筒体故障特征频率
其中Z为滚动体个数,fr为转频(Hz),d为滚动体直径(mm),D为轴承节径(mm),α为接触角。
第五步:根据第三步中得到的振动信号的频率是否含有第四步中的故障特征频率信息来判断轴承组件是否有故障以及故障类型,另一方面神经网络专家系统根据诊断机制,基于提取的特征向量识别滚筒体是否存在故障,故障出现的位置,以及损伤的程度。
Claims (2)
1.一种带式输送机滚筒组件故障诊断方法,其特征在于:该方法包含如下步骤:
1)利用振动传感器采集滚筒不同故障状况下的振动信号;
2)采用EMD阈值处理对故障信号进行降噪;
3)计算降噪后的信号的时域频域参数,由时域特征参数组成特征向量,并将提取的特征向量作为神经网络专家系统的输入参量;
4)根据轴承组件的结构数据计算得到内外圈滚动体故障特征频率,另外神经网络专家系统利用训练样本进行仿真训练,完成对滚筒体故障识别模型的建立,得到一套规则形成神经网络专家系统诊断机制;
5)由故障特征频率分析法对轴承组件进行故障诊断,而神经网络专家系统根据诊断机制,基于提取的特征向量进行滚筒体故障诊断;
步骤1)中的故障状况包含以下几种情况:辐板与筒壳连接处裂纹故障,辐板裂纹故障,滚筒体筒面受压变形故障,胀套连接螺栓剪断故障以及轴承组件内外圈滚动体故障;
步骤2)中的EMD阈值降噪为:
EMD将振动信号分解成一系列不同时间尺度的IMF分量,当最后一个IMF分量为单调函数而不能再从中提取满足IMF条件的分量时停止分解,得到若干层IMF分量hi(t);
然后为每个IMF分量确定一个阈值Hi,利用该阈值对每个IMF分量降噪;
其中hhi(t)为降噪之后的IMF分量;
再利用降噪后的各IMF分量进行重构,得到降噪后的信号;
步骤3)中信号的时域参数包括:
方差是反应信号相对于信号均值的稳定程度的物理量;
其中xi为输入信号,n为信号值的总数;
方均根反应信号的能量大小;
偏度定义上是样本的三阶标准化矩,反应信号分布相对于均值不对称的程度;μ为信号平均数,σ为信号标准差;
峭度是归一化的四阶矩,反应信号的分布特性;
峰值因子定义为信号峰值与信号方均根值的比值;
其中为信号峰值;
得到的特征向量表示为:X′=[Xvar,Xrms,Xskew,Xkur,Xcf];
步骤4)中神经网络专家系统通过训练样本得到专家系统的知识库;步骤4)中轴承内外圈滚动体故障特征频率计算公式为:
内圈故障特征频率
外圈故障特征频率
滚筒体故障特征频率
其中Z为滚动体个数,fr为转频,d为滚动体直径,D为轴承节径,α为接触角。
2.根据权利要求1所述的一种带式输送机滚筒组件故障诊断方法,其特征在于,知识库中包含用于做出滚筒体故障诊断的故障特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610350471.4A CN105976021B (zh) | 2016-05-24 | 2016-05-24 | 一种带式输送机滚筒组件故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610350471.4A CN105976021B (zh) | 2016-05-24 | 2016-05-24 | 一种带式输送机滚筒组件故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105976021A CN105976021A (zh) | 2016-09-28 |
CN105976021B true CN105976021B (zh) | 2018-10-19 |
Family
ID=56955834
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610350471.4A Expired - Fee Related CN105976021B (zh) | 2016-05-24 | 2016-05-24 | 一种带式输送机滚筒组件故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105976021B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704695B (zh) * | 2017-10-13 | 2021-05-28 | 北京工业大学 | 一种滚动轴承外圈缺陷全尺寸定量诊断方法 |
CN108204892B (zh) * | 2018-01-24 | 2020-02-07 | 重庆邮电大学 | 基于柔性阵列式压力传感器的辊轮组设备故障检测方法 |
CN109029940A (zh) * | 2018-06-15 | 2018-12-18 | 成都赛基科技有限公司 | 基于信号原子驱动小波再生核机器学习的机械多故障诊断方法 |
CN111829433A (zh) * | 2019-04-18 | 2020-10-27 | 中国科学院沈阳自动化研究所 | 一种涂胶显影设备运动参数检测装置及方法 |
CN112504678B (zh) * | 2020-11-12 | 2022-12-23 | 重庆科技学院 | 一种基于知识蒸馏的电机轴承故障诊断方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103178615A (zh) * | 2013-02-05 | 2013-06-26 | 广东电网公司 | 电力设备故障监控方法及其系统 |
CN103425052A (zh) * | 2013-08-21 | 2013-12-04 | 江苏大学 | 一种径向主动磁轴承控制器及构造方法 |
CN104898641A (zh) * | 2015-04-20 | 2015-09-09 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
-
2016
- 2016-05-24 CN CN201610350471.4A patent/CN105976021B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103178615A (zh) * | 2013-02-05 | 2013-06-26 | 广东电网公司 | 电力设备故障监控方法及其系统 |
CN103425052A (zh) * | 2013-08-21 | 2013-12-04 | 江苏大学 | 一种径向主动磁轴承控制器及构造方法 |
CN104898641A (zh) * | 2015-04-20 | 2015-09-09 | 东软集团股份有限公司 | 一种车辆故障检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于改进小波神经网络的滚动轴承故障诊断;姜涛 等;《华中农业大学学报》;20140131;第33卷(第1期);第131页-135页 * |
滚动轴承组合故障的诊断方法;马新锋 等;《煤矿机械》;20120531;第33卷(第5期);第260页-262页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105976021A (zh) | 2016-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105976021B (zh) | 一种带式输送机滚筒组件故障诊断方法 | |
Jiang et al. | Multiscale convolutional neural networks for fault diagnosis of wind turbine gearbox | |
Ding et al. | Remaining useful life estimation using deep metric transfer learning for kernel regression | |
CN107036816B (zh) | 一种航空发动机轴承故障诊断方法 | |
Yan et al. | Multi-scale enveloping spectrogram for vibration analysis in bearing defect diagnosis | |
Kankar et al. | Fault diagnosis of rolling element bearing using cyclic autocorrelation and wavelet transform | |
Li et al. | Intelligent fault identification of rotary machinery using refined composite multi-scale Lempel–Ziv complexity | |
Jia et al. | GTFE-Net: A gramian time frequency enhancement CNN for bearing fault diagnosis | |
CN104596766B (zh) | 一种轴承早期故障确定方法及装置 | |
CN109858104A (zh) | 一种滚动轴承健康评估与故障诊断方法及监测系统 | |
Yan et al. | Fault diagnosis of rotating machinery equipped with multiple sensors using space-time fragments | |
Chen et al. | A fault pulse extraction and feature enhancement method for bearing fault diagnosis | |
CN103018043A (zh) | 变转速轴承故障诊断方法 | |
CN109255333A (zh) | 一种大型风电机组滚动轴承故障混合诊断方法 | |
CN110361193A (zh) | 用于风力发电机组变桨轴承故障识别的方法 | |
Changzheng et al. | Fault diagnosis for large-scale wind turbine rolling bearing using stress wave and wavelet analysis | |
Zhou et al. | Structural health monitoring of offshore wind power structures based on genetic algorithm optimization and uncertain analytic hierarchy process | |
Li et al. | A chaotic system-based signal identification Technology: Fault-diagnosis of industrial bearing system | |
Liu et al. | Intelligent cross-condition fault recognition of rolling bearings based on normalized resampled characteristic power and self-organizing map | |
Peng et al. | A visual vibration characterization method for intelligent fault diagnosis of rotating machinery | |
Zhu et al. | A transformer model with enhanced feature learning and its application in rotating machinery diagnosis | |
Liu et al. | Fault diagnosis of rotating machinery based on convolutional neural network and singular value decomposition | |
Chen et al. | A lightweight and robust model for engineering cross-domain fault diagnosis via feature fusion-based unsupervised adversarial learning | |
An et al. | Hidden Markov model based rotate vector reducer fault detection using acoustic emissions | |
Xing et al. | Detection of magnitude and position of rotor aerodynamic imbalance of wind turbines using Convolutional Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181019 Termination date: 20210524 |
|
CF01 | Termination of patent right due to non-payment of annual fee |