神经网络下的齿轮箱故障诊断

摘要：煤矿机械齿轮传动系统在低速重载等恶劣工况下极易发生故障，齿轮箱部分尤为突出。因此展开对恶劣工况下的齿轮箱故障诊断研究具有重要的意义。以齿轮箱中齿轮为研究对象，通过提取与齿轮箱振动相关的故障特征，经过神经网络的学习训练实现对齿轮箱故障的分类。经检验，该诊断神经网络对齿轮箱故障有很高的辨识度。

关键词：齿轮传动系统；齿轮箱；神经网络；故障诊断

引言

煤矿机械作为煤矿生产中的核心设备，承担着煤炭开采、运输的重要任务。由于煤矿机械的传动系统的结构复杂性、工作环境的恶劣性导致煤矿机械的传动系统极易发生故障。据统计，在煤矿机械传动系统中，齿轮故障占63%，轴承故障占16%，轴类故障占13%，其他故障占8%，由此可知，决定煤矿机械传动系统寿命的关键部件是齿轮箱中的齿轮。

1煤矿机械设备的故障分析

煤矿机械通常工作在强振动、高负载、重腐蚀的恶劣环境中，且需要长时间持续运行，这样的工况条件会导致煤矿机械故障的产生。根据某矿区2015～2017年煤矿机械的关键设备故障统计表，在采煤机和刮板输送机上发生故障的比例超过60%。采煤机和刮板输送机均属于大型综合类煤矿机械装备，任何部件出现故障，都会迫使采煤工作停止。通过研究煤矿机械的故障特征，找到更好的解决措施，以此来降低机械设备的故障率。某矿区3a内采煤机、刮板输送机故障类型统计分别如表1、表2所示。根据表1、表2可知，采煤机和刮板输送机在3a中共出现570起故障。通过对故障进一步细化，发现由齿轮传动系统故障引起的设备故障占很高的比例。结合采煤机和刮板输送机的工况对该类故障进行简要分析：采煤机的截割部一直以悬臂状态工作，且负载变化不均匀导致设备在运行过程会出现剧烈振动，会对传递动力的齿轮箱造成极大的损害，同时由于牵引部的弹性变形及摩擦引起的采煤机负载变化也会加剧零部件的振动，很大程度上也会导致采煤机故障；采煤机工作在刮板输送机的轨道上，采煤机的剧烈振动会直接作用在刮板输送机上，并且在开采过程中，煤块的掉落也会对刮板输送机齿轮箱产生冲击，这些因素都会导致刮板输送机出现故障。据统计，在煤矿机械的齿轮传动系统中，齿轮故障、轴承故障、轴类故障、箱体故障、其他类型故障分别占比为62%、17%、10%、7%和4%。由此可知，齿轮箱故障是影响齿轮传动系统正常运行的关键性因素。

2影响煤矿机械齿轮箱寿命的因素

根据齿轮箱的故障成因，可将影响齿轮箱寿命的因素分为内部因素、外部因素和其他因素。（1）内部因素内部因素包括齿轮损伤、轴承损伤以及传动系统的载荷特性。齿轮箱的齿轮在传动时，轮齿会受到周期性交变载荷的作用，最大应力发生在轮齿根部。在实际生产中，齿轮传动系统会长期超负荷运行，加剧了齿轮和轴承的损伤。（2）外部因素齿轮箱有效的润滑不仅可以提高传动系统的传动效率，而且可以减弱传动过程中直接接触对齿轮齿面造成的损伤，降低传动系统的温度，改善传动系统的运行状况。由于煤矿机械的恶劣工况，通常在润滑剂中会混入杂质，使润滑剂发生变质造成润滑效果降低，最终导致齿轮传动系统产生齿轮胶合、轴承腐蚀、点蚀等故障。（3）其他因素齿轮的加工误差会造成齿轮传动寿命降低，影响齿轮传动系统的稳定性；齿轮箱的装配误差会产生偏心现象，在齿轮啮合时导致受力不均，使齿轮根部的应力集中现象更为明显；冲击载荷会使传动系统速度剧烈变化；维护不及时同样会影响齿轮箱的寿命。

3神经网络实现齿轮箱故障的智能诊断

煤矿机械的齿轮箱在无故障状态下也会产生振动，若齿轮箱的齿轮发生断齿、点蚀、胶合和磨损或者传动系统缺少润滑、轴承故障，会导致煤矿机械设备的振动频率发生变化，齿轮箱结构如图1所示。在齿轮箱齿轮的故障诊断中，通常都是通过安装在设备上的传感器采集振动信号，然后对采集到的信号进行处理，评估设备状态，确定设备的故障位置和类型，诊断流程图如图2所示。齿轮箱故障诊断从本质上而言就是提取内部各元件的敏感参数，形成与故障模型的非线性映射关系。由于BP神经网络模型的具有小样本预测的能力及模式识别等优越特性，故在齿轮故障诊断中采用BP神经网络模型。（1）BP神经网络模型参数的确定①输入层、输出层的确定在构建神经网络时，若输入层参数过多，会造成诊断网络结构臃肿，产生过多的噪声；若输出层参数过少，则无法保证诊断网络所需信息量。选取与齿轮箱振动相关的6个敏感特征作为诊断网络的输入；将齿轮箱正常、故障、严重故障（断齿）运转的3种状态作为诊断网络输出量。②隐含层数和隐含层节点数的确定由于采用2层或更多的中间层会耗费更多的训练时间而益处极少，故选择了3层结构网络。最佳隐含层节点数（2）BP神经网络齿轮箱故障诊断在BP神经网络的故障模式识别中，选用峭度X1、脉冲X2、峰值X3、裕度X4、一阶与二阶旋转频率比X5和一阶与二阶啮合频率比X6作为诊断网络的输入，部分训练数据如表3所示。将正常M1、故障M2和严重故障M3种模式作为网络输出，如表4所示。为提高训练网络的收敛速度与精度，将完整训练数据进行归一化至[0,1]进行训练。通过MATLAB完成诊断网络的训练，具体训练参数设置：采用tansig函数作为神经元激活函数，学习速率0.1，动量因子0.95，期望误差0.0001，训练次数1000。模型训练误差如图3所示，经过247次训练后均方差小于0.009%，说明拟合效果良好。在神经网络模型达到期望后，用表5中的检测样本对诊断网络进行检测。诊断结果如表6所示，由表6可知，实际数据与理想数据误差很小，可以将3种故障识别；通过计算均方差可知，该网络具有很高的故障辨识度，达到了对齿轮箱故障诊断的要求。

4结语

基于神经网络对煤矿机械的齿轮箱进行故障诊断研究，得到以下结果：（1）振动信号的变化可以很好地反映齿轮箱状态，通过提取与振动相关的敏感参数，如峭度、脉冲等，可以更具针对性地对齿轮箱进行故障诊断；（2）将与振动相关的6种敏感特征作为神经网络的输入层，将齿轮箱3种状态作为神经网络的输出层。实验证明，采用BP神经网络形成的诊断网络达到了对齿轮箱的故障状态诊断的要求，且具有很高的辨识度。

参考文献：

［1］韩洋.煤矿机械齿轮传动系统寿命评价体系研究［D］.太原：太原理工大学，2018.

［2］韩芸芳.煤矿机械传动齿轮质量及使用寿命研究［J］.煤炭技术，2014，33(2):7-9.

［3］刘婷.煤矿机械齿轮和轴承故障诊断研究［J］.煤炭技术，2018，37(9):307-309.

［4］张华杰.煤矿机械齿轮和轴承故障诊断研究［D］.西安：西安科技大学,2013.

［5］王建都.齿轮及轴承振动信号测试及故障诊断［J］.机械研究与应用，2018，31(6):182-184.

［6］王勇,师款.基于BP神经网络技术的采煤机齿轮箱早期故障诊断［J］.煤矿机械，2019，40(4):158-160.

［7］黄秋勇.基于遗传算法优化BP神经网络的提升机制动系统故障诊断［J］.煤炭技术，2016，35(10):284-286.

作者：李瑞君 武利生 单位：太原理工大学