基于VMD的群智能采煤机截割部轴承故障实时诊断方法

技术领域

本发明涉及采煤机轴承故障诊断领域，具体为一种基于VMD的群智能采煤机截割部轴承故障实时诊断方法。

背景技术

由于煤矿井下开采环境复杂且极具危险性，工作人员的生命安全无法得到保证，因此实现煤矿无人化智能开采已经成为了现代采矿界的热点之一，在目前的智能化开采技术发展过程中，对采煤机故障进行实时诊断是一大技术难点。

采煤机由于机械、电气、液压零部件众多，在实际使用过程中，其故障类型和种类繁多，常见故障主要分为机械故障、电气故障及液压系统故障3种类型。采煤机机械内部存在着海量的零部件，不同部件之间互相影响，一旦出现故障，都会使得整个机体的正常工作受到影响，轻则影响机器健康，重则导致系统停机甚至机械损坏造成安全事故，产生严重的安全隐患，因此重点关注其机械故障。

采煤机截割部承担着动力传动与综采工作面截割煤壁的任务，轴承作为采煤机截割部的关键部件，其运行状况直接影响采煤机正常持续工作。由于采煤机的工作环境十分复杂和恶劣，再加上人为操作的失误，采煤机的截割部在工作过程中经常出现设备故障等问题，导致煤矿开采时采煤机的故障损坏十分严重，这直接引起中国采矿成本的直线上升，决定煤矿机械传动系统寿命的关键部件是截割部中的轴承。研究如何有效地预测截割部轴承的剩余使用寿命，对降低采矿成本、维护社会稳定有着至关重要的作用，因此采煤机截割部轴承故障诊断具有极大研究意义。

目前现有的故障诊断方法，大部分是利用采煤机运行结束后的记录数据进行事后判断的，这对于采煤机长时间工作的特点十分不利，采煤机故障一旦发生且没有及时进行处理，很大概率会导致采煤机更进一步的损毁，导致停工、停产。现有的实时故障诊断的方法存在精度不高、判断失准和判断实时性不高的问题，主要是由于故障诊断方法中参数设置受人为干预过多而导致的，因此本发明的目的在于提出一种精度高、速度快、实时诊断、模型参数优化的采煤机故障诊断方法。

发明内容

本发明为了解决现有的采煤机实时故障诊断方法存在精度不高、判断失准和判断实时性不高的问题，提供了一种基于VMD的群智能采煤机截割部轴承故障实时诊断方法。

本发明是通过如下技术方案来实现的：一种基于VMD的群智能采煤机截割部轴承故障实时诊断方法，首先将采集到的原始振动信号进行小波分解，剔除其冗余噪声，然后利用变分模态分解法根据频谱的不同来分解振动信号，最后根据不同故障条件下的信息熵对故障进行判断。具体包括如下步骤：

一、将轴承故障进行分类：轴承内包括三个部件：外圈、内圈和滚动体，每一个精密零件正常运作都是轴承能正常运转的关键前提。当故障发生时，不仅需要判断当前轴承是否存在故障，还需要精确定位到轴承故障的部位以进行准确和及时的处理。因此在本发明中，将采煤机的截割部轴承故障主要归类为外圈故障、内圈故障和滚动体故障三种；

二、小波分解与重构：

煤矿井下环境复杂，采煤机运行时会产生大量干扰，这些干扰导致振动传感器采集得到的振动信息掺杂着大量噪声，使得最终的故障诊断结果发生偏差，因此需要先将传感器信号中的有效数据提取出来，剔除无效噪声；

信号f(t)的连续小波变换定义为：

式中φ(t)是母小波，a为伸缩因子，b为平移因子；令式1中伸缩因子a＝2

在多分辨分析的基础上采用信号塔式多分辨分解与综合算法：

其中

通过计算得到各层细节分量与近似分量，细节分量为高频下的，近似分量为低频下的；对细节分量进行阈值处理，进行小波重构，即可得到去噪后信号；

三、变分模态分解：

变分模态分解称为VMD法，将振动传感器信号的故障诊断问题构造成为变分约束问题，通过对变分问题的求解来实现信号根据自身频域特征的自适应分解；变分模态分解各IMF分量根据：

u

进行分解，式中A

式中α为惩罚因子，λ为language乘子；

四、人工蚁群-模拟退火算法进行参数优化：

VMD算法在实际工程中很难应用，主要是因为其算法中惩罚因子α和分解层数k为人为预设参数，这两个参数的选取极大的影响了VMD分解的效果，在工程上的使用受到制约。本发明提供了人工蚁群-模拟退火双层群智能算法对变分模态分解参数进行优化，具有全局搜索能力强、搜索速度快的优点，寻优时需要确定一个合理的优化范围。

人工蚁群模拟退火算法以蚁群系统为基础，引入模拟退火算法机制，对每一时刻t的实际重力视运动矢量进行优化处理；假设蚂蚁数量为m，蚁群搜索限制在edge中，蚁群寻找最优值的迭代次数为n，初始化蚁群a

引入转移概率参数p

p

转移状态T

其中ρ∈(0,1)为信息挥发因子，Δτ

其中ΔD＝D

T

人工蚁群模拟退火算法具有全局搜索能力强，搜索速度快的优点，根据人工蚁群-模拟退火双层群智能算法对预设参数进行进一步优化，以达到最优的分解效果；

五、根据信息熵进行故障诊断：

针对上述变分模态分解后的时域信号进行特征提取，其中对各无量纲时域参数对故障的敏感性和稳定性进行比较，如下表，均方根值表现最佳，因此选用均方根值作为特征参数，计算其信息熵，以确定采煤机轴承故障类型。

与现有技术相比本发明具有以下有益效果：本发明所提供的一种基于VMD的群智能采煤机截割部轴承故障实时诊断方法，利用小波算法对数据进行预处理，再利用人工蚁群-模拟退火双层群智能优化算法对预设参数进行自适应优化，计算信息熵以达到最佳故障诊断精度和最快的诊断速度。该模型与传统的故障诊断方法相比精度更高、速度更快，且可以用于工程实践。

附图说明

图1为本发明实施例的振动信号时域波形图。

图2为本发明实施例的振动信号频域图。

图3为本发明实施例小波分解示意图。

图4为本发明实施例对细节分量部分进行滤波，再将各分量进行重构后与原始数据的对比图，即消噪前后对比图。

图5为本发明实施例正常工作状态下的振动信号图。

图6为本发明实施例外圈故障状态下的振动信号图。

图7为本发明实施例内圈故障状态下的振动信号图。

图8为本发明实施例滚动体故障状态下的振动信号图。

图9为双层群智能算法EMD分类结果图：其中1为外圈故障，2为内圈故障，3为滚动体故障，4为正常工作状态。

图10为EMD分类结果图：其中1为外圈故障，2为内圈故障，3为滚动体故障，4为正常工作状态。

图11为本发明的算法流程图。

具体实施方式

以下结合具体实施例对本发明作进一步说明。

一种基于VMD的群智能采煤机截割部轴承故障实时诊断方法，首先将采集到的原始振动信号进行小波分解，剔除其冗余噪声，然后利用变分模态分解法根据频谱的不同来分解振动信号，最后根据不同故障条件下的信息熵对故障进行判断，如图11所示，具体包括如下步骤：

一、将轴承故障进行分类：轴承内包括三个部件：外圈、内圈和滚动体，每一个精密零件正常运作都是轴承能正常运转的关键前提。当故障发生时，不仅需要判断当前轴承是否存在故障，还需要精确定位到轴承故障的部位以进行准确和及时的处理。因此在本发明中，将采煤机的截割部轴承故障主要归类为外圈故障、内圈故障和滚动体故障三种；

二、小波分解与重构：

煤矿井下环境复杂，采煤机运行时会产生大量干扰，这些干扰导致振动传感器采集得到的振动信息掺杂着大量噪声，使得最终的故障诊断结果发生偏差，因此需要先将传感器信号中的有效数据提取出来，剔除无效噪声；如图1和图2所示；

信号f(t)的连续小波变换定义为：

式中φ(t)是母小波，a为伸缩因子，b为平移因子；令式1中伸缩因子a＝2

在多分辨分析的基础上采用信号塔式多分辨分解与综合算法：

其中

通过计算得到各层细节分量与近似分量，细节分量为高频下的，近似分量为低频下的；对细节分量进行阈值处理，进行小波重构，即可得到去噪后信号，如图3和图4所示；

三、变分模态分解：

变分模态分解称为VMD法，将振动传感器信号的故障诊断问题构造成为变分约束问题，通过对变分问题的求解来实现信号根据自身频域特征的自适应分解；变分模态分解各IMF分量根据：

u

进行分解，式中A

式中α为惩罚因子，λ为language乘子；

四、人工蚁群-模拟退火算法进行参数优化：

VMD算法在实际工程中很难应用，主要是因为其算法中惩罚因子α和分解层数k为人为预设参数，这两个参数的选取极大的影响了VMD分解的效果，在工程上的使用受到制约。本发明提供了人工蚁群-模拟退火双层群智能算法对变分模态分解参数进行优化，具有全局搜索能力强、搜索速度快的优点，寻优时需要确定一个合理的优化范围。

人工蚁群模拟退火算法以蚁群系统为基础，引入模拟退火算法机制，对每一时刻t的实际重力视运动矢量进行优化处理；假设蚂蚁数量为m，蚁群搜索限制在edge中，蚁群寻找最优值的迭代次数为n，初始化蚁群a

引入转移概率参数p

p

转移状态T

其中ρ∈(0,1)为信息挥发因子，Δτ

其中ΔD＝D

T

人工蚁群模拟退火算法具有全局搜索能力强，搜索速度快的优点，根据人工蚁群-模拟退火双层群智能算法对预设参数进行进一步优化，以达到最优的分解效果；

五、根据信息熵进行故障诊断：

针对上述变分模态分解后的时域信号进行特征提取，其中对各无量纲时域参数对故障的敏感性和稳定性进行比较，如下表，均方根值表现最佳，因此选用均方根值作为特征参数，计算其信息熵，以确定采煤机轴承故障类型，如图5～图8所示。

选择10组数据作为样本，对4种不同状态样本进行变分模态分解和基于双层群智能算法的变分模态分解，分别计算出分解后每组的特征向量均方根的值，用来作为参考。可以看出使用传统的变分模态分解方法，轴承处于不同状态时其特征值有部分交叉，难以区分，但是使用基于双层群智能算法的变分模态分解，轴承处于不同的状态时其对应的值分布曲线清晰且独立，分别在各自特征范围内波动，相互之间明显具有区分度，输入即可判断测试数据的故障类型，如图9和图10所示，其中1为外圈故障，2为内圈故障，3为滚动体故障，4为正常工作状态。

本发明要求保护的范围不限于以上具体实施方式，而且对于本领域技术人员而言，本发明可以有多种变形和更改，凡在本发明的构思与原则之内所作的任何修改、改进和等同替换都应包含在本发明的保护范围之内。