矿井提升机天轮轴承的机械故障诊断方法

提升系统是矿井生产中重要的机械设备,天轮轴承是提升系统中的核心环节,为了克服经验模态分解过程中常见的模态混叠现象,提出了一套新型的天轮轴承故障诊断方法,即基于噪声辅助数据分析技术的集合经验模态分解法(EEMD)。该方法极大地提高了提升机天轮机械故障诊断过程的准确性。     

基于EEMD降噪和HMM的采煤机摇臂滚动轴承故障诊断

提出一种集合经验模态分解(EEMD)降噪与隐马尔科夫模型(HMM)的采煤机摇臂滚动轴承故障诊断方法。采用基于峭度准则的EEMD对采集到的振动信号进行降噪预处理,筛选出包含主要特征频率的本征模态函数(IMF),通过求取IMF信息熵提取出敏感特征集,结合训练好的HMM分类模型,对滚动轴承故障类型进行诊断识别。实验数据分析表明,所提出的基于EEMD降噪和HMM的故障诊断方法可以准确区分滚动轴承故障类型,对于4种状态轴承的识别率达到90%以上,是一种有效的采煤机摇臂滚动轴承故障诊断方法 。     

基于改进的HHT边际谱齿轮箱故障诊断

针对信号经验模态分解(EMD)过程中存在波形混叠现象,提出一种基于聚合经验模态分解(EEMD)和Hilbert边际谱相结合的方法对齿轮箱故障进行故障诊断。首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理,提高EEMD分解的精确度;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对2种工况信号进行Hilbert变换并计算得到边际谱,确定故障信号的故障频率。研究表明该方法在避免EMD分解带来的模态混叠现象方面具有可行性,能提高齿轮箱故障诊断的准确率。     

基于振动信号分析的采煤机摇臂轴承故障诊断研究

针对采煤机摇臂轴承故障频发,严重影响采煤工作面安全生产的现状,进行了基于振动信号分析的采煤机摇臂轴承故障诊断研究。为准确识别采煤机摇臂轴承故障,采用集合经验模态分解方法(EEMD)对原始振动信号进行分解,提取前8个本征模态函数的能量占信号总能量的比例作为故障特征信息,并输入到支持向量机(SVM)进行故障模式识别。试验结果表明,结合集合经验模态分解和支持向量机的故障诊断方法,适用于处理采煤机摇臂轴承产生的非平稳、非线性振动信号,总体故障识别率达到88.33%,可实现轴承故障的准确诊断。     

基于EEMD和相关峭度的齿轮故障诊断

振动信号中冲击特征的出现是齿轮发生故障的一个重要表现,然而由于强噪声的影响,冲击特征很难被有效识别。为准确识别故障,提出了基于聚类经验模态分解(EEMD)和相关峭度的齿轮故障诊断方法。该方法首先利用EEMD方法将振动信号分解为若干本征模态分量(IMF),然后选出最大相关峭度对应的本征模态分量,最后对该IMF进行包络分析,进而识别故障。     

带式输送机驱动滚筒轴承故障特征提取分析研究

针对带式输送机驱动滚筒轴承的故障信息难以采集的问题,利用LabVIEW与MATLAB软件混合编程,设计了一套驱动滚筒轴承故障提取算法程序。将小波阈值降噪与集合经验模态分解(EEMD)包络解调算法相结合,用以提取原始信号中的故障信息,并通过实验验证了该程序的可行性与实用性。     

轴承故障对提升机天轮系统响应特性影响

根据Lagrange方程建立了天轮系统的动力学模型,理论上分析了轴承正常和故障时天轮系统的响应特性。为了验证理论模型的正确性,根据提升机天轮工作原理搭建了模拟提升机的实验台,分别测试了轴承正常、轴承故障时的振动信号,实验结果和理论结果基本一致,验证了理论模型的正确性。通过理论和实验分析可知,轴承故障时产生的冲击振动会传递给天轮及其连接部件,使天轮系统出现周期性振动,从而加剧提升系统运行过程中的振动,导致钢丝绳动张力变大。     

基于隶属度函数和小波变换的轴承故障诊断方法研究

提出了一种基于隶属度函数和小波变换的轴承故障诊断方法。针对轴承的类型,搭建了新的轴承故障实验台,采集了其轴承故障振动信号。利用隶属度函数确定实测故障信号与理论特征故障频率的相似度,利用小波变换提取故障的频率。将故障隶属度和小波变换相结合,应用到对轴承故障诊断之中,确定轴承故障类型与产生机理。实验结果表明,该方法是可行的。     

强背景噪声下滚动轴承轻微磨损故障特征提取方法

针对轴承轻微磨损故障信号容易被强背景噪声淹没，故障特征微弱难诊断的问题，提出了强背景噪声下滚动轴承轻微磨损故障特征提取方法。利用VMD对轴承振动信号进行分解，基于峭度最大准确选择最优本征模态函数，以最优本征模态函数的功率谱熵最小为目标，设定提前终止准则，实现VMD参数自适应优化选择。轴承早期故障信号经参数优化后的VMD方法分解为多个本征模态函数，选择峭度最大的本征模态分量进行包络解调分析，结合快速傅里叶变换得到包络谱，实现故障特征频率的提取。通过对加强背景噪声的不同型号轴承的实测故障信号分析，结果均表明该方法能够在强背景噪声干扰下有效提取轻微磨损故障信号的故障特征，实现轴承轻微磨损故障的准确诊断，验证了该方法的有效性。     

基于小波分析的提升机轴承故障诊断

以某矿主井提升机上天轮滚动轴承为研究对象,以小波分析为理论基础,在MATLAB软件中对试验采集的振动信号进行小波分解重构,利用Hilbert变换进行包络解调分析并进行细化频谱分析,可以准确有效地检测出轴承中的故障信息成分,进而判断轴承故障。通过现场检修,验证了试验结论的正确性,说明小波分析在轴承的故障诊断中是可行有效的。     

煤矿提升机天轮故障分析及监测方法研究

为了确保煤矿提升机的安全运行,采用故障树对煤矿提升机天轮故障进行分析,建立了煤矿提升机天轮故障树,确定3种故障特征:轴承故障导致的天轮噪声过大、井架安装不正导致的井架倾斜和天轮安装不正导致的天轮偏摆过大。研究了煤矿提升机天轮故障监测方法,对提升机天轮的运行状态进行了监测,并构建了系统的软、硬件部分,对采集的天轮振动信号处理进行了研究。研究结果为煤矿提升机天轮的正常运转提供了技术支持。     

提升机天轮运行状态自动监测系统研究

针对提升机天轮轴系的故障特点,采用故障监测与诊断技术对天轮轴承温度、位移和振动参数进行在线监测和故障预报诊断,从而及时发现故障,保证天轮安全运行。     

提升机天轮状态监测与故障诊断系统

针对提升机天轮故障诊断问题,设计了一种基于LabVIEW的远程状态监测与故障诊断系统。该系统主要有数据采集、无线传输、实时监测与诊断、离线分析等功能,通过对天轮测点的振动、偏摆、温度状态的实时监测,诊断出天轮的故障,为天轮的检修与维护提供了依据。     

基于时频图像的齿辊式破碎机中电机轴承故障特征提取方法

齿辊式破碎机中实际运行中电机轴承的振动信号耦合严重，故障脉冲往往显得微弱，故障识别难度大，特别是滚动体和内圈故障的区分。将图像纹理特征提取技术引入故障诊断，提出一种基于时频图像的轴承故障特征提取方法。首先，将聚合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)加入Wigner-Ville时频分析(Wigner-Ville Distribution，WVD)中获得无交叉项干扰的振动时频表征;其次，引入局部二值模式(Local Binary Patterns，LBP)增强时频灰度图像纹理特征，生成对应的LBP谱图;接着，以LBP灰度直方图作为特征量，压缩特征维数后利用主成分分析法(Principal Components Analysis，PCA)约减特征量;最后，将低维特征量输入BP神经网络进行故障分类。在轴承故障诊断实验中，通过和其他算法的对比分析验证了该方法具有较高的故障识别精度，且99.5%的精度充分说明了方法有效性，为准确提取齿辊式破碎机中电机的轴承故障特征提供了一种可靠手段。     

落地式多绳摩擦式提升机天轮装置异响分析及解决方案

针对提升机天轮装置在运行中出现的异响问题,从轴瓦的受力入手,对异响形成的原因进行分析,一般与轴瓦连接螺栓的断裂有关。从提高轴瓦螺栓抗剪切力、改善轴瓦耐磨特性等角度,提出加装定位键、应用锌基合金轴瓦、改善天轮装置结构等解决方案,对于旧结构天轮装置的升级改造及返厂维修有一定的指导意义。     

基于改进阈值小波结合稀疏自动编码器的煤矿提升机轴承智能故障诊断方法

提升机是煤矿生产的关键设备,轴承作为提升机的核心旋转部件,其良好的健康状况是设备安全运行的必要保障。针对滚动轴承振动信号数据不稳定、耦合度高而导致特征提取和故障类型识别困难等问题,提出一种基于改进阈值小波结合稀疏自动编码器的煤矿提升机轴承智能故障诊断方法。实验结果表明,该方法可以有效提高小样本条件下轴承故障诊断的效率。     

基于深度迁移学习的提升机主轴故障在线诊断系统研究

实际工业场景下的提升机状态监测与在线故障诊断,存在缺少足量有标签故障样本以及变工况导致的测试样本与训练样本间分布差异的问题,限制了智能故障诊断算法应用于实际工程。文章提出一种面向实际提升机的融合边缘节点的迁移故障诊断架构,包括多源信息采集层,边缘节点层,网络层和中央云服务器层。以提升机轴承为对象,提出基于ResNet与多核联合分布差异的深度迁移故障诊断算法,实现变工况下的提升机轴承故障状态识别,采用两种轴承故障数据进行算法有效性与适应性验证,结果表明所提出算法能够达到理想的迁移故障诊断准确率。最后,设计构建了提升机检测诊断平台,部署于煤矿地面中央云服务器中心,实现了对矿井提升机运行状态的监测与在线诊断。     

EMD与能量算子解调在提升机齿轮箱故障诊断中的应用

提升机齿轮减速箱一旦发生故障,其振动信号表现出强烈的非平稳性,表现为复杂的调制现象,因强烈的噪声干扰,给故障特征提取带来了困难。介绍了基于经验模态分解(Empirical Mode Decomposition, EMD)与Teager-Kaiser能量算子（Teager-Kaiser Energy Operator,TKEO）解调相结合的提升机齿轮箱故障诊断方法,该方法结合了EMD自适应滤波和Teager-Kaiser能量算子非线性故障特征提取的优点。EMD方法可将齿轮箱振动信号分解成若干个局部频率从高到低不同频段的IMFs（Intrinsic Mode Functions）,各个IMF突出了原始信号的某些局部特征,再对相对高频段且含有齿轮啮合频率及谐频的IMFs进行能量算子解调,成功提取了提升机齿轮箱中间轴旋转频率fr2的故障特征频率,诊断出了提升机齿轮箱中间轴上齿轮Z2和Z3的点蚀故障。分析结果表明,该方法能有效诊断出提升机齿轮箱的故障。     

提升机远程诊断系统及SGWT振动分析研究

按提升机远程故障诊断系统功能的要求,构建该系统,设计系统硬件、使用和开发数据处理软件。论述了系统的在线工作站和远程诊断中心的工作原理,着重探讨了系统用SGWT及相关软件处理轴承振动信号的方法,指出了远程中心对复杂信号识别和处理技术是实现远程诊断的基础和关键。系统的远程诊断结果表明:该方法克服了传统小波降噪信息丢失的缺陷,既可以有效地去噪,又可清晰地分离逼近、细节信号,对细节信号进行Hilbert包络和谱分析,可有效地识别轴承振动的故障频率。