矿用带式输送机托辊健康监测方法研究

摘要

因具有运量大、运输距离长、运输效率高以及可连续运输等优势，带式输送机在矿业生产有着广泛应用，并已成为煤炭生产中的关键运输装备之一。随着煤炭生产对产量和效率要求的提高，矿用带式输送机正向着高速化、大型化方向发展。由于矿用带式输送机处于矿山运输的枢纽环节，因而保障其运行安全、防止恶性事故发生对煤矿安全生产具有重要意义。作为典型的大型旋转机械，矿用带式输送机所包含的大量托辊组是引发火灾事故的主要隐患源；而传统的定期和事后维护往往成本高、实时性差、安全隐患高、托辊部件服役潜能难以充分发挥。因此，有必要对矿用带式输送机托辊进行状态监测，通过信号分析手段及时发现托辊的异常状态并预测其剩余使用寿命，以便进一步制定合理的维护策略来消除隐患和最大化托辊服役时间。 本文在国家自然科学基金项目“基于多时间尺度模型的变工况大型旋转机械健康管理研究”和江苏省自然科学基金项目“煤矿大型带式输送机多时间尺度健康状态监测方法研究”的资助下，以矿用带式输送机托辊为研究对象，结合信号处理、特征提取、故障诊断、健康评估与寿命预测等相关理论和技术，开展矿用带式输送机托辊的健康监测方法研究，以形成基于振动信号分析的矿用托辊故障诊断、识别与剩余寿命预测技术，为保障矿用带式输送机的运行安全以及制定托辊部件的最优维护策略提供理论支撑和技术解决方案。主要内容包括： (1)在对矿用带式输送机及其托辊结构进行介绍的基础上，分析了矿用托辊故障的演化特点、故障特征频率和故障振动模型；通过仿真手段分析了托辊在不同故障状态下的时域与频域信号特征，为后续基于频谱结构挖掘研究托辊的健康监测方法奠定了基础。与此同时，还针对本课题的研究内容设计了模拟实验，获得了相应的实验数据。 (2)为了对矿用带式输送机托辊实施健康状态监测，以便在发生故障时对托辊故障进行及时且有效地诊断，开展了矿用带式输送机托辊故障诊断方法研究。针对在故障（特别是早期故障）发生时托辊监测信号具有故障特征信息微弱、易受噪声干扰以及故障共振频带难以准确确定的特点，提出了基于频谱搜索算法亦称频谱结构信息（Structural Information of Spectrum，SIOS）算法的托辊故障诊断方法。利用托辊故障发生时故障成分与噪声成分在监测信号频谱中表现形式的不同，构建了托辊监测信号的SIOS用于实现故障特征信息与噪声信息在频谱意义上的分离。最后，通过识别SIOS算法诊断参数的占优频率成分，实现矿用带式输送机托辊故障的有效诊断。 (3)为了运用在长期生产实践中所积累的托辊故障样本来对矿用带式输送机托辊故障进行快速诊断，开展了托辊的快速故障模式识别研究。首先，根据在不同故障状态下托辊监测信号频谱的结构差异性，结合图像识别技术提出了基于频谱图像的故障特征提取方法；其次，考虑到当实际测试案例与已知故障案例的运行工况不同时会出现故障识别精度下降的情况，结合基于转频的频谱矫正技术，提出了基于矫正频谱图像的故障特征提取方法；最后，运用二维主成分分析（Two-dimensional Principal Component Analysis，2DPCA）方法和最近邻分类算法（Nearest Neighbour Classifier，NNC）对所述图像特征进行降维处理和模式分类，实现了矿用带式输送机托辊的快速故障识别。 (4)针对矿用带式输送机托辊因传统的定期和事后维护存在成本高，部件服役潜能未能得到充分挖掘的问题，开展了托辊的退化状态评估与剩余使用寿命（Remaining Useful Life，RUL）预测研究。首先，结合SIOS算法在捕获托辊故障特征信息上的优势，通过构建用于描述托辊性能退化的健康指标，提出了基于SIOS算法的托辊退化状态评估方法；其次，考虑到在全寿命周期内实施RUL预测存在精度低、难度大等情况，对托辊健康退化过程提出了两阶段划分策略；并结合正常阶段下自零空间观测器模型构建了相应的检测指标，形成了基于自零空间观测器的初始退化点（Initial Degenerate Point，IDP）检测方法，实现了两阶段划分中分界点的检测与确定；最后，在对托辊退化过程进行建模描述的基础上，使用基于SIOS算法所构建的健康指标并结合粒子滤波算法实现了矿用带式输送机托辊的RUL预测。 论文最后对全文工作进行了总结，并对课题的未来研究方向进行了展望。

目录

第一个书签之前

致　谢

摘　要

Abstract

变量注释表

1 绪论

1.1 课题来源（Subject Source）

1.2 选题背景及意义（Background and Significance）

1.3 国内外研究现状（Overseas and Domestic Research Status）

1.3.1 旋转设备健康监测理论研究概况

1.3.2 带式输送机健康监测研究概况

1.3.3 存在的主要问题

1.4 研究内容及目标（Research Contents and Objectives）

1.4.1 研究内容

1.4.2 研究目标

1.5 技术路线与总体框架（Technical Strategy and Framework）

1.5.1 研究技术路线

1.5.2 论文总体框架

1.6 本章小结（Summary of this Chapter）

2 带式输送机托辊故障特性分析

2.1 引言（Introduction）

2.2 矿用带式输送机（Mine Belt Conveyor）

2.2.1 矿用带式输送机基本结构

2.2.2 矿用带式输送机托辊概述

2.3.1 带式输送机托辊故障演化特点

2.3.2 托辊轴承的故障特征频率

2.3.3 托辊轴承故障振动模型

2.3.4 托辊轴承故障仿真分析

2.4 本文所用实验平台（Test Benches Used in this Dissertation）

2.4.1 凯斯西储大学实验数据

2.4.2 旋转机械模拟故障实验

2.4.3 带式输送机托辊故障实验

2.4.4 轴承加速寿命测试实验

2.5 本章小结（Summary of this Chapter）

3 基于频谱搜索的托辊故障诊断研究

3.1 引言（Introduction）

3.2 频谱搜索算法（SIOS Algorithm）

3.2.1 频谱峰值搜索

3.2.2 构建频谱结构信息

3.2.3 算法参数的确定

3.3 基于频谱搜索算法的故障诊断（Fault Diagnosis based on SIOS Algorithm）

图3-3 基于SIOS算法的故障诊断流程

3.4 仿真信号分析（Simulation Signal Analysis）

图3-4 仿真信号：(a)周期冲击；(b)谐频干扰；(c)随机冲击干扰；(d)背景噪声；(e)混合信号

Figure 3-4 The simulated signal: (a) periodic impulse signal; (b) harmonic interference; (c) random impulses; (d) noise; and (e) mixed signal

图3-5 图3-4中轴承故障混合信号频谱

Figure 3-5 The spectrum of the simulated signal in figure 3-4

图3-6 图3-4中仿真信号的SIOS谱峰数量图

Figure 3-6 SIOS-N(i) of the simulated signal in figure 3-4

图3-7 图3-4中仿真信号的SIOS谱峰能量图

Figure 3-7 SIOS-E(i) of the simulated signal in figure 3-4

表3-2 SIOS算法在不同频率栅格上的计算耗时对比

Table 3-2 Computational time comparison of the SIOS algorithm with different frequency grids

3.5 实验验证与分析（Experimental Validation and Analysis）

3.5.1 加速寿命试验数据分析

3.5.2 西储大学轴承数据分析

3.5.3 带式输送机托辊实验数据分析

3.6 本章小结（Summary of this Chapter）

4 基于图像特征的托辊故障识别研究

4.1 引言（Introduction）

4.2 频谱图像特征提取方法（Spectrum Image Feature Extraction）

4.2.1 频谱图像特征提取

4.2.2 矫正频谱图像特征提取

4.2.3 频谱图像特征降维处理

4.3 最近邻分类算法（Nearest Neighbour Classifier）

4.4 基于图像特征的托辊故障识别（Fault Identification of Conveyor Idler with Image Feature）

图4-4 基于频谱图像特征的托辊故障识别流程图

Figure 4-4 Flowchart of idler fault identification based on spectrum images

4.5 实验验证与分析（Experimental Validation and Analysis）

4.5.1 基于频谱图像特征的故障识别

4.5.2 基于矫正频谱图像特征的故障识别

4.5.3 诊断结果分析与讨论

4.6 本章小结（Summary of this Chapter）

5 托辊退化评估与剩余寿命预测研究

5.1 引言（Introduction）

5.2 基于SIOS算法的托辊退化状态评估（Degradation Assessment of Conveyor Idler based on SIOS Algorithm）

5.2.1 托辊退化状态评估与状态监测

5.2.2 仿真分析与实验验证

5.3 托辊退化过程两阶段划分方法（Two-stage Division for Degradation Process of Conveyor Idler）

5.3.1 两阶段划分策略概述

5.3.2 退化评估中IDP的确定方法

5.4 基于状态空间模型与粒子滤波的剩余寿命预测（RUL Prediction based on State-space Model and Particle Filtering）

5.4.1 粒子滤波算法概述

5.4.2 托辊寿命退化过程建模

5.4.3 基于粒子滤波的寿命预测方法

5.4.4 实验验证与分析

5.5 本章小结（Summary of this Chapter）

6 结论与展望

6.1 主要研究工作与结论（Main Research Work and Conclusions）

6.2 主要创新点（Main Innovations）

6.3 研究展望（Future Work）

参考文献

作者简历

学位论文原创性声明

学位论文数据集