煤矿带式输送机电机振动故障检测技术研究

煤矿带式输送机电机振动故障检测技术研究摘要：为提高煤矿带式输送机电机振动故障检测的精准性与实时性，本研究设计了一种分布式振动故障检测系统，对机械故障、电气故障及耦合故障特征进行深入分析，结合频谱分析、包络解调和智能算法，实现对故障类型及程煤矿带式输送机作为矿山生产关键设备电机振动故障直接影响系统稳定和安全振动故障不仅导致设备寿命缩短增加维护成本用还可能引发安全事故威胁煤矿稳定精准识别和及时诊断振动故障成为保障煤矿带式输送机安全运行的核心环节丽为实现煤矿智能运维和减少设备故障隐患提供技术支撑用1煤矿带式输送机电机振动故障类型与特征机械故障在煤矿带式输送机电机振动故障中占据重要位置通常表现为轴承、转子、齿轮等机械部件损耗或变形导致不正常的振动轴承故障多因润滑不足、颗粒污染、疲劳破损或过度载荷引起表现为非周期性冲击信号尤其在包络谱中体现为特征频率的幅值增大1可通过特征频率的幅值变化识别#转子不平衡是另一典型故障通常由制造偏差、材料不均匀或运转中磨损引起开产生径向振动信号频谱特征集中在转频及倍频分量上用此外联轴器对中不良引发的轴心偏移会产生轴向和径向振动容易在频谱中出现倍频分量其特征在于载荷变化时振动幅值明显波动齿轮磨损或啮合不良会产生周期性冲击信号表现为低频和高频成分叠加且随故障加重信号幅度不均匀增加用电气故障在煤矿带式输送机电机的振动异常中表现突出通常包括定子绕组短路、转子断条和气隙不均用定子绕组短路故障多源于绝缘层老化、湿气侵蚀或过载引起的局部过热开导致局部磁场不均衡使振动信号在转速频率上产生谐波成分呈现周期性波动2用转子断条故障因材料疲劳或长时间高负荷运转造成开使转子磁场不对称在转频及分数倍频上生成频谱特征开此特征在负载增加时尤为显著气隙不均引发的电气故障表现为磁拉力不均匀分布产生特定频率的振动信号其频率通常在电机的基频和倍频之间变化用此类故障还会因电流波动导致振动加剧形成稳定的谐波振幅信号电气故障检测通常结合频谱和包络分析技术开能够识别频率分量变化和特定谐波的振动特征定位问题来源提升故障诊断准确性13#1.3耦合故障耦合故障是煤矿带式输送机电机振动故障中的复杂类型开通常由机械故障和电气故障相互作用引发振动特征具有较强的非线性和交互性用典型的耦合故障包括转子不平衡与定子绕组短路的联合作用开或轴承磨损与气隙不均同时存在开这些故障类型在振动信号中表现为多频率分量叠加与相位耦合141用具体而言开转子不平衡导致径向振动与定子磁场不对称产生的电磁力相互作用形成变幅周期性振动同时在频谱中呈现基频、倍频及分数倍频成分用此外开轴承磨损引起的冲击信号在频域上与电气故障产生的谐波叠加使振动信号更复杂且难以分离用耦合故障检测需要综合时域和频域特征提取技术并辅以时频分析方法分解不同频率成分识别耦合特性利用故障特征模式的统计分析可以准确辨识耦合故障来源和类型为煤矿设备高效维护提供依据用2振动故障检测系统设计采用分布式架构的振动故障检测系统主要由数据采集层、数据处理层和应用层构成#数据采集层配置ICP加速度传感器、NI-9234数据采集卡和工业级计算机开实现对电机振动信号的实时采集数据处理层基于提取和故障诊断三个功能单元采用TCP/IP协议实现数据传输应用层提供人机交互界面用集成报警、数据25.6kHz以满足电机典型故障频率分量的采集需求数据缓存采用双缓冲机制每个数据块包含1024个采样点系统整体框架如图1所示各功能模块通过事件触发机制协同工作确保数据流实时性和完整性用振动故障检测系统2.2传感器布置与信号采集针对带式输送机驱动电机的结构特点开采用4个ICP加速度传感器采集振动信号传感器参数如表1所示用传感器布置采用正交布置方案在电机驱动端和非驱动端的径向和轴向各安装一个传感器安装位置通过有限元分析优化确定信号采集采用24位A/D转换器动态范围达到108dB采样精度0.002ms²#为保证采集信号可靠传感器安装采用螺栓固定方式开扭矩值设定为25N.m用信号调理电路采用可编程增益放大器增益范围为1～100倍可调带通滤波器的截止频率为0.5Hz~10kHz开确保采集信号有效用参数项目振动信号处理采用多尺度分析方法开对原始信号进行小波包分解开选用db4小波函数分解层数为4层得到16个频带的信号分量对每个频带信号进行包络解调提取调制特征开解调过程中采用Hilbert变换方法用特征提取采用时域-频域-时频域三类特征结合的方式时域特征包括均方根值、峭度、偏度等统计量频域特征通过FFT变换获取主要提取特征频率幅值、频率中心、功率谱熵等参数时频域特征基于小波包能量特征计算各频带的归一化能量比值#所有特征参数进行归一化处理采用Z-score标准化方法开消除量纲影响用特征提取的数学模型可表示为：功率谱密度drij为小波包系数组合可以全面反映电机振动故障的特征信息为故障诊断提供数据基础用3.1传统诊断方法传统的电机振动故障诊断方法主要包括频谱分析、包络分析和统计特征分析用频谱分析基于快速傅里叶变换(FFT)开通过分析振动信号的频域特征识别故障类型重点关注转子频率(fn、轴承故障特征频率(BPFQBPFI以及定子槽频率(fsn等特征分量#包络分析采用希尔伯特变换对调制信号解调能有效提取轴承、齿轮等部件冲击特征#对于电机振动信号包式中开X(t)为原始信号×(t)为希尔伯特变换统计特征分析从时域角度提取均方根值、峭度、峰值因子等特征参数开建立如下特征向量：3.2智能诊断算法智能诊断算法主要采用深度学习和模式识别技术构建多层次的故障特征提取和分类模型用深度学习采用八层卷积神经网络结构开包含五个卷积层和三个全连接层输入层采用归一化的时频图特征图数量从64递增至512卷积核大小为3×3开采用ReLU激活函数和BatchNbmalization优化训练过程用模式识别技术结合支持向量机(SM和随机森林(RF)算法建立两级分类器第一级进行故障类型识别第二级进行故障程度评估用融合诊断策略采用Darpster-Shafer证据理论构建基本概率分配函数(BPA:式中开w为各诊断方法的权重系数通过模糊层次分析法(FAHP确定诊断系统的结构参数如表2所示网络层次8度进行用准确性评估采用混淆矩阵和ROC曲线计5000组测试数据上的平均诊断准确率达到94.8%用可靠性分析采用蒙特卡洛仿真方法开通过添加不同信噪比(-5~20dB的高斯白噪声开评估诊断算法的抗干扰能力用实时性分析基于工业级计算平台(Inteli7-数据长度(512~8192点)条件下的计算延时系统关键性能指标如表3所示用%内存使用量准确率波动范围%实验平台选择某煤矿地面煤仓带式输送机驱动电机(型号YBF2-315L-4#防爆型三相异步电动机额定功率200kWH额定转速1485r/min作为测试对象用采用NI-9234数据采集卡和4个ICP-8530C加速度传感器传感器布置严格遵循正交布置方案考虑煤矿井下环境特殊性所有设备采用防爆认证产品开传感器信号线采用铠装屏蔽电缆开系统主机安装在防爆箱体内开箱体防护等级达IP65#数据采集系统的工作环境温度为-20~+40℃相对湿度≤95%满足煤矿井下恶劣环境要求曲平台核心参数如表4所示用表4实验平台核心参数配置防爆等级防爆箱4.2故障试验方案根据煤矿带式输送机运行特点开设计试验工况包括空载启动、额定负载(输送量500th)、过载运行(输送量650th)三种工况(表5)用在每种工况下分别模拟轴承故障(轴承型号SKF6324#外圈点蚀障用试验在煤矿生产环境中进行开考虑输送机启停过设置为25.6kH重复测试3次确保数据可靠用表5故障试验工况设置输送量(t/h)空载启动0不对中采用24h运行方式验证系统在煤矿生产环境下的性能用在正常生产期间开系统对10台带式输送机驱动电机同步监测开累计采集数据量超过100GB#验证结果表明开系统对轴承故障的早期识别率达到923%(故障特征频率幅值超过基频0.1倍时可识别)开气隙偏心故障识别率达到908%(偏心量超过额定气隙5%时可识别)开联轴器不对中故障识别率达到91.5%(不