基于SOM网络方法诊断矿用皮带机齿轮结构故障的研究

基于SOM网络方法诊断矿用皮带机齿轮结构故障的研究
侯文平
【期刊名称】《《机械管理开发》》
【年(卷),期】2019(034)009
【总页数】3页(P178-180)
【关键词】皮带机; 齿轮; 轴承; 故障诊断
【作者】侯文平
【作者单位】山西晋城兴唐煤业有限公司山西晋城048000
【正文语种】中文
【中图分类】TH132.41
引言
矿用皮带机在工作期间，虽然齿轮、轴承、轴等运转产生振动信号，但是在煤矿井下的工作环境复杂，其他噪声较多，振动信号常被淹没，无法正常提取有效的皮带机齿轮结构故障特征信息。

目前一些学者利用频域分析方法诊断单故障[1]，虽然
在某些领域取得了较好成就，但是矿用皮带机齿轮结构故障是一种多故障混合信号，不能够有效获取其故障特征信号。

韩东颖等[2]将频域与时域进行综合，采用这样
的分析方法对多故障进行诊断，但遗憾的是无法全部消除端点对其诊断的影响。

张天骐等[3]在多故障诊断中采用了盲源分离方法，但其缺点是获取故障信号所需的
传感器数量多于或等于故障源的数量，而现实中根本无法判断故障源数量，导致了
传感器数量、布置的不确定性，进而会影响故障诊断的准确性。

针对上述诊断矿用皮带机齿轮结构多故障难题，提出一种基于SOM（自组织映射）网络方法，对矿用皮带机齿轮结构故障进行诊断。

SOM网络方法可以根据故障特征输入信号的不同而响应，能够自主学习，不需要监督操作。

矿用皮带机齿轮结构故障的特征信号具有不对称性，且该多故障信号的脉冲性较强，故障振动信号概率密度拟合函数大多呈山峰，此时采用SOM网络方法诊断多故障的优势明显。

1 齿轮结构故障
通过煤矿使用反馈，皮带机齿轮结构较常发生故障的是齿轮和轴承，这两个部件故障发生率较高[4]，通过调查和收集资料，对某矿的皮带机齿轮结构使用过程中的
各个部件故障比例进行了统计，其结果详见表1所示。

齿轮容易发生断齿、损伤、裂纹等故障，轴承故障类型根据位置不同可以分为外圈式故障、滚动式故障和内圈式故障。

表1 矿用皮带机齿轮结构故障比例零件名称齿轮轴承齿轮箱轴其他结构发生故障所占比例/% 59 21 6 11 3
2SOM网络诊断故障方法
SOM网络结构层分别由信号输入层和特征输出层组成，详见图1所示。

网络输入层是用来接收故障信号的，输入信号的数量决定了网络的神经元数量，并将接收到的信息传输至特征输出层；特征输出层具有分析比较的功能，将输入进来的信息进行综合分析、判断，寻找类别规律，并整理分类。

特征输出层节点按照一定的排列方式对应信号输入层，权值将信号输入层和特征输出层进行联结。

图1 SOM网络结构层
SOM网络方法可以根据训练，自主对齿轮结构故障特征进行分类，并会记忆各个特征的差异，特征输出层的节点与输入层的每一种信号是一一对应关系，根据接收到的故障信号自动被激活，相应分类归纳，进而实现对齿轮结构故障判定。

3SOM 网络诊断步骤
基于SOM网络方法诊断矿用皮带机齿轮结构故障总体上分为了两个阶段，即SOM网络方法对故障样本标准的学习、训练，对齿轮结构故障的采集、分类，详细的诊断流程如下页图2所示。

步骤1：皮带机齿轮结构对发生具体的故障进行采样，提取特征信号预处理。

图2 利用SOM网络诊断皮带齿轮结构故障步骤
步骤2：采用小波阀值去噪后的标准故障特征信息进行提取，通过建立的高斯混合分布模型[5]转换为标准的特征向量，此过程中模型参数也在评估和分析。

步骤3：SOM网络提取高斯混合分布模型中的标准特征向量，将该标准向量训练后，择优进行标记和分类，进而确定故障类型。

步骤4：矿用皮带机齿轮结构的故障特征信号采用传感器收集，将该故障特征信号作为即将检测的样本信息，然后对其预处理去噪。

步骤5：在去噪后的待检测信号样本利用高斯混合分布模型预算和估计评判，这就得到了下一步将要检验的特征向量信息。

步骤6：待检特征向量信息输入到SOM网络结构的输入层，识别故障类型、位置。

为了得到精准和纯正的故障特征信息，采用小波阈值去噪方法对故障信息中的无关信息过滤，图3是对故障信息去噪前后的波形图。

根据图3可以得出，图3-2信
号更加纯正，说明提取的故障信息中很多无关信息被过滤了，这也说明了小波阈值去噪方法可以有效去除故障中的无关因子，保证特征信号提取的准确性。

4 实验研究
实验所采用的皮带机齿轮结构中齿轮和轴承既有正常的，又有故障齿轮和轴承。

实验所用的皮带机齿轮结构简易图如图4所示，该结构中间轴上有故障齿轮，电机
转速设为固定值，在轴承座上等不同位置分别安设有传感器，以便采集故障特征信号。

图3 SOM网络诊断齿轮结构故障去噪前后的波形图
图4 实验用的皮带机齿轮结构简图
为了验证SOM网络方法诊断皮带机齿轮结构故障的效果，分别把齿轮故障和轴承故障进行组合，能够得到9种不同类型的故障，在实验中将正常运行的振动信息
作为标准的参考值，这样共计10个类别。

为了方便说明和区分，用A0代表正常
类别，其余故障类别用A1—A9表示。

在实验中，SOM网络方法采集了50组振
动信号，并对该信号进行识别和诊断。

根据SOM网络方法诊断步骤，采用高斯混合分布模型对获取的振动信号进行参数估计，使得到信号输入特征向量。

SOM网络诊断齿轮结构故障振动信号概率密度拟合结果如图5所示。

从图中能够得出，概率密度函数与振动信号直方图拟合度
较高，说明高斯混合分布模型对参数预估正确，SOM网络方法能够准确的判定出齿轮结构的故障类型[5]。

图5 SOM网络诊断齿轮结构故障振动信号概率密度拟合结果
利用实验对样本测试结果表明，SOM网络方法诊断皮带机齿轮结构故障准确度高达99.7%，说明该方法可行，也是有效的。

良好地解决了皮带机齿轮结构故障难题。

SOM网络方法诊断矿用皮带机齿轮结构故障，可行性高，技术先进，能够为维修人员对皮带机故障查找提供精准的类别、位置，减少了维修人员的劳动强度和工作量，有效避免了因皮带机齿轮结构故障造成的安全事故，为矿井生产高效率生产奠定了基础。

5 结论
1）在皮带机齿轮结构故障中，齿轮和轴承故障比例最高，齿轮主要有断齿、损伤、裂纹等故障，轴承主要有内外圈、滚动故障。

2）SOM网络结构由信号输入层和特征输出层构成，输入层功能主要是收集故障
信号，输出层主要是得出最终结果。

SOM网络方法诊断齿轮结构故障有6个步骤，
每个步骤分工明确，相互配合，形成最有效的判定结果。

3）实验验证了利用SOM网络方法诊断齿轮结构故障概率密度函数与振动信号直方图拟合，说明SOM网络方法诊断故障准确率高，可显著改善矿井困扰多时的齿轮结构故障诊断难题。

参考文献
【相关文献】
[1] 赵丽娟，刘晓东，李苗.齿轮故障诊断方法研究进展[J].机械强度，2016，38（5）：951-956.
[2] 韩东颖，李庚，时培明.基于EMD和分形盒维数的旋转机械耦合故障诊断方法研究[J].振动与冲击，2013，32（15）：209-214.
[3] 张天骐，马宝泽，强幸子，等.基于GA-AW-PSO的动态盲源分离轴承故障检测研究[J].系统仿真学报，2018，30（6）：2306-2314.
[4] 都玉辉，庞新宇，杨兆建.采煤机齿轮箱故障诊断方法[J].工矿自动化，2017，43（12）：94-98.
[5] 夏辉丽，郭亚男，余发军.基于稀疏分类算法的矿物传送设备故障诊断方法[J].工矿自动化，2016，42（2）：43-46.。