本发明属于采煤机摇臂机械传动系统故障诊断技术领域，具体涉及一种采煤机摇臂机械传动系统故障精确定位方法。
背景技术：
采煤机是现代综采工作面的核心装备之一，其工作环境恶劣，在运行时极易受到来自硬煤、矸石等巨大冲击载荷影响，同时还持续遭受水汽、煤尘等的腐蚀，加之工人对设备管理、操作、维护的不恰当，致使采煤机机械传动装置故障频发。轻则影响煤矿企业生产效率，重则导致设备损坏、生产中断，造成重大的经济损失甚至人员身亡。根据神东矿区近年来进口采煤机摇臂机械传动装置故障率的统计，其故障率占采煤机故障率的34.2％，且有呈现逐年上升的趋势。国内外采煤机具有比较全面的电气和液压方面故障诊断系统，但是由于采煤机机械传动装置具有工况复杂、传动链长和结构复杂等特点，其机械传动装置故障诊断仍是难题。
采煤机机械传动装置故障会引起润滑油或设备温度、电机电流、机械振动等物理量的异常变化。因此，目前主要通过铁谱分析、温度检测和振动检测方法对其进行故障诊断。铁谱分析的最大制约因素是人的主观判断，主要靠分析人员的经验来判断及采样，制谱过程不规范往往造成严重误判。温度检测方法很难实现早期故障诊断，并且不能实现机械传动装置故障精确定位。振动检测方法可以在不停机的情况下，了解设备的运转情况，对故障进行早期诊断和精确定位等，被广泛应用于机械传动装置的故障诊断与故障预测。
技术实现要素：
本发明针对上述问题提供了一种采煤机摇臂机械传动系统故障精确定位方法。本发明通过正常与故障摇臂频谱图对比分析得到故障部位振动频率，对故障做初步定位；正常与故障摇臂的连续复morlet小波包络解调谱对比分析得到故障部位转动频率，从而实现采煤机摇臂机械传动系统故障精确定位。
本发明解决其技术问题所采用的技术方案为：一种采煤机摇臂机械传动系统故障精确定位方法，其特征在于，该方法包括以下步骤：
步骤一、采集正常及故障状态下的摇臂振动信号，利用小波变换方法对采集到的振动信号进行降噪处理；
步骤二、将降噪后的振动信号进行fft变换得到振动信号的频谱图；
步骤三、正常与故障摇臂频谱图对比分析得到故障部位的振动特征频率，对故障部位进行初步定位；
步骤四、正常与故障摇臂的连续复morlet小波包络解调谱对比分析得到故障部位转动频率；
步骤五、自适应连续复morlet小波包络解调分析结合fft变换精确定位所发生故障的部位。
所述步骤三的具体步骤为：
步骤301、计算振动特征频率，包括齿轮的转动频率和啮合频率，转动频率计算公式为：fr＝n/60，其中，n为主动轮的转速，啮合频率计算公式为：fm＝z×fr，其中，z为齿轮齿数；
步骤302、对正常摇臂和故障摇臂的振动信号频谱图进行对比分析，得出幅值变化大的振动特征频率或振动特征频率的倍频即为故障特征频率；
步骤303、将步骤302中所得出的故障特征频率和步骤301中计算的振动特征频率对比，若故障特征频率是特征频率的倍数关系，则判断步骤302中所找出的频率所对应齿轮中一个或某几个出现故障。
所述齿轮的振动特征频率为啮合频率和转动频率。
所述步骤四的具体步骤为：
401、基于最小shannon熵同时优化morlet小波基的最佳中心频率fc和最优带宽参数fb，在实现morlet小波与故障振动冲击信号最佳匹配的同时，实现振动信号最佳时频分辨率；
402、根据正常与故障摇臂频谱图对比分析得到的故障振动特征频率和尺度-频率关系计算出morlet包络解调分析的最佳尺度；
403、根据确定的最优参数，对正常与故障摇臂的振动信号进行morlet包络解调谱对比分析，从而得到故障部位转动频率。
所述402的具体步骤为：尺度和频率具有以下关系：
fi＝fc×fs/ai
其中，fi是实际频率，fc是morlet小波的中心频率，fs是采样频率，ai是小波变换的尺度。
本发明的有益效果是：
1、本发明能够利用采煤机正常和故障摇臂的振动信号进行对比分析，得出故障部位特征频率，实现故障部位初步定位；
2、通过本发明方法可以获得morlet小波的最佳中心频率、带宽和尺度参数，运用最佳morlet小波参数对正常与故障摇臂振动信号进行包络解调谱对比分析，可以准确得到故障转动频率，解决了morlet小波最佳参数获取难的问题。
3、本发明根据正常与故障摇臂的频谱图对比分析得到的故障振动特征频率和自适应连续复morlet小波包络解调谱对比分析得到的故障部位转动频率，可以准确实现故障部位精确定位。
综上，本发明对保障采煤机的安全运行和将预防性的定期维护变为预知性维护，以及对煤矿安全高效生产、提高维护效率和降低维护成本具有重要的现实意义。
附图说明
图1为本发明流程示意图；
图2(a)为本发明的mg1480采煤机正常摇臂振动频谱图；
图2(b)为本发明的mg1480采煤机故障摇臂振动频谱图；
图3为仿真信号时域波形图；
图4为仿真信号中心频率与shannon熵关系图；
图5为仿真信号带宽与shannon熵关系图；
图6为fc＝0.5,fb＝5/16.5/95时，小波时频图；
图7为fc＝0.2/0.5/0.8,fb＝16.5时，小波时频图；
图8为mg1480中心频率与shannon熵关系图；
图9为mg1480带宽与shannon熵关系图；
图10(a)为正常摇臂的morlet包络解调谱图；
图10(b)为故障摇臂的morlet包络解调谱图。
具体实施方式
为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳的实施例，对依据本发明申请的具体实施方式、结构、特征及其功效，详细说明如下。
实施例一
如图1所示，一种采煤机摇臂机械传动系统故障精确定位方法，其特征在于，该方法包括以下步骤：
步骤一、利用小波对采集到的振动信号进行降噪处理；
步骤二、将降噪后的振动信号进行fft变换得到振动信号的频谱图；
步骤三、正常与故障摇臂频谱图对比分析得到故障部位的振动特征频率，对故障部位进行初步定位；
步骤301、齿轮的故障主要反映在齿轮的转动频率和啮合频率上面，转动频率计算公式为：fr＝n/60，其中，n为主动轮的转速，啮合频率计算公式为：fm＝z×fr，其中，z为齿轮齿数，fr为齿轮的转频；
步骤302、对正常和故障摇臂的振动信号频谱图进行对比分析，得出幅值变化较大的振动特征频率或振动特征频率的倍频；
步骤303、将步骤302中所得出的故障特征频率和步骤301中计算的振动特征频率对比，若步骤302中所找出的频率是步骤301中计算的特征频率的倍数关系，则判断步骤302中所找出的频率所对应齿轮中一个或某几个出现故障；
以采煤机mg1480为例，具体介绍该方法为：
步骤a、根据步骤301计算所得的采煤机mg1480齿轮的转动频率和啮合频率如表1；
表1mg1480齿轮特征频率
步骤b、对比正常和故障状态状态下的摇臂传动系统频谱图，如图2(a)、(b)，可以看出频谱图中472.5hz附近对应的幅值从0.218变为9.681，变为原来的44.4倍，1890hz附近对应的幅值从0.7769变为5.05，变为原来的6.5倍，1890hz为472.5所对应的4倍频；
步骤c、将步骤b所找出的频率对比步骤a计算所得的表1，判断故障出现在z18、z19、z20、z21其中一个或多个齿轮；
步骤四、基于最小小波shannon熵同时优化morlet小波基的最佳中心频率fc和带宽参数fb；
在脉冲信号的监测中，需要突出特征分量并抑制不相关的分量，即需要优化带宽参数，以使morlet小波基函数与特征分量具有最大的相似性。小波shannon熵是一个很好的评估标准。小波shannon熵值反映了概率分布的均匀性。最不确定的概率分布(等概率分布)具有最大的熵值，当熵值最小时，相应的morlet小波基函数与特征分量匹配。小波shannon熵计算公式如下：
式中
下面用模拟信号验证该方法可以得到信号的最佳时频分辨率。模拟故障冲击信号由频率为1/10、1/15、1/10的3个频率信号合成，采样频率为1hz，采样点数是1000，其时域波形如图3所示。中心频率fc的取值范围为[0.05,0.7]，步长为0.05，fb的取值范围为[0.5,50]，步长为0.5。中心频率与小波shannon熵及带宽参数与小波shannon熵之间的关系曲线分别如图4和5所示。当取小波shannon熵的最小值时，相应的morlet小波基与冲击分量最匹配。
取fb分别为5、16.5、95，fc分别为0.2、0.5、0.8，morlet连续小波变换的时频图如图6和7所示。从图6可以看出，fc＝0.5,fb＝5时信号的频率分辨率比fc＝0.5,fb＝95时的差，fc＝0.5,fb＝95时信号的频率分辨率比fc＝0.5,fb＝16.5时的差。从图7可以看出，fc＝0.2,fb＝16.5时信号的频率分辨率比fc＝0.5,fb＝16.5时的差，fc＝0.8,fb＝16.5时信号的频率分辨率比fc＝0.5,fb＝16.5时的差。因此，当fc＝0.5,fb＝16.5时，信号的时频分辨率最佳。此时获得的中心频率和带宽参数使小波和冲击分量达到最佳匹配，并用该方法确定的参数用于包络解调，解调后的信号具有最佳的时频分辨率。
以mg1480为例：采样频率为51.2khz，信号采样点204800。中心频率fc范围为[0.1,3.0]，步长为0.1，带宽参数fb的范围为[0.1,2.0]，步长为0.1。图8和图9分别显示了小波shannon熵和中心频率，以及小波shannon熵和带宽之间的关系曲线，从图中可以看出，当fc＝1.0，fb＝0.7时，小波shannon熵值最小，对应的morlet小波基匹配实际信号的冲击分量最好。
步骤五、根据正常与故障摇臂频谱图对比分析得到的故障振动特征频率和尺度-频率关系计算出morlet包络解调分析的最佳尺度；
尺度和频率具有以下关系：
fi＝fc×fs/ai
其中，fi是实际频率，fc是morlet小波的中心频率，fs是采样频率，ai是小波变换的尺度。
采煤机mg1480的采样频率为51.2khz，中心频率fc＝1.0。因此，再根据图2可得morlet小波变换的最优尺度为108。
步骤六、根据确定的最优参数进行morlet包络解调谱分析。
mg1480采煤机正常摇臂与故障摇臂之间的morlet小波包络解调谱的对比如图10(a)与10(b)所示。从表2所示数据，可以看出，关键频率约为17.5hz、25hz和它们的2倍频，故障状态下17.5hz的振幅比正常状态下大得多，达到92.21倍。因此，故障很可能位于17.5hz的转动频率。因此，在z17和z18中的一个或两个齿轮均生故障；
表2mg1480关键频率的morlet包络解谱值对比
步骤七、综合正常与故障摇臂的自适应连续复morlet小波包络解调谱对比分析得到的故障部位转动频率和fft变换得到的故障初步定位，实现故障部位精确定位。
以mg1480采煤机为例：步骤c中判断故障出现在z18、z19、z20、z21其中一个或多个齿轮，步骤六中判断在z17和z18中的一个或两个齿轮均生故障，对比步骤c和步骤六精确定位到故障发生在上述两步骤所判断可能存在故障的共同齿轮z18处。
morlet小波函数为平方指数衰减函数，其波形与机械传动装置故障信号相似，有良好的时频局部化能力，故在小波包络解调中，morlet小波作为采煤机机械传动装置故障诊断小波基具有有效性。具体的，本发明能够针对采煤机摇臂振动信号先利用fft结合齿轮的啮合频率做初步的故障定位；本发明基于最小shannon熵同时优化的morlet小波形状参数fc和fb，利用优化的参数包络解调的信号具有最佳时频分辨率，解决了复morlet变换最优参数获取难的问题；本发明通过正常与故障摇臂的频谱图对比分析得到的故障振动特征频率和自适应连续复morlet小波包络解调谱对比分析得到的故障部位转动频率，可以准确实现故障部位精确定位。
本发明有助于预防采煤机机械传动装置故障的发生、保障采煤机的安全运行和将预防性的定期维护变为预知性维护，对采煤机制造企业大幅提升其售后服务效率，以及对煤矿安全高效生产、提高维护效率和降低维护成本具有重要的现实意义。
1.一种采煤机摇臂机械传动系统故障精确定位方法，其特征在于，该方法包括以下步骤：
步骤一、采集正常及故障状态下的摇臂振动信号，利用小波变换方法对采集到的振动信号进行降噪处理；
步骤二、将降噪后的振动信号进行fft变换得到振动信号的频谱图；
步骤三、正常与故障摇臂频谱图对比分析得到故障部位的振动特征频率，对故障部位进行初步定位；
步骤四、正常与故障摇臂的连续复morlet小波包络解调谱对比分析得到故障部位转动频率；
步骤五、自适应连续复morlet小波包络解调分析结合fft变换精确定位所发生故障的部位。
2.按照权利要求1所述的一种采煤机摇臂机械传动系统故障精确定位方法，其特征在于：所述步骤三的具体步骤为：
步骤301、计算振动特征频率，包括齿轮的转动频率和啮合频率，转动频率计算公式为：fr＝n/60，其中，n为主动轮的转速，啮合频率计算公式为：fm＝z×fr，其中，z为齿轮齿数；
步骤302、对正常摇臂和故障摇臂的振动信号频谱图进行对比分析，得出幅值变化大的振动特征频率或振动特征频率的倍频即为故障特征频率；
步骤303、将步骤302中所得出的故障特征频率和步骤301中计算的振动特征频率对比，若故障特征频率是特征频率的倍数关系，则判断步骤302中所找出的频率所对应齿轮中一个或某几个出现故障。
3.按照权利要求2所述的一种采煤机摇臂机械传动系统故障精确定位方法，其特征在于：所述齿轮的振动特征频率为啮合频率和转动频率。
4.按照权利要求1所述的一种采煤机摇臂机械传动系统故障精确定位方法，其特征在于：所述步骤四的具体步骤为：
401、基于最小shannon熵同时优化morlet小波基的最佳中心频率fc和最优带宽参数fb，在实现morlet小波与故障振动冲击信号最佳匹配的同时，实现振动信号最佳时频分辨率；
402、根据正常与故障摇臂频谱图对比分析得到的故障振动特征频率和尺度-频率关系计算出morlet包络解调分析的最佳尺度；
403、根据确定的最优参数，对正常与故障摇臂的振动信号进行morlet包络解调谱对比分析，从而得到故障部位转动频率。
5.按照权利要求4所述的一种采煤机摇臂机械传动系统故障精确定位方法，其特征在于：所述402的具体步骤为：尺度-频率具有以下关系：
fi＝fc×fs/ai
其中，fi是实际振动频率，fc是morlet小波的中心频率，fs是采样频率，ai是小波变换的尺度。
技术总结