论文部分内容阅读
滚动轴承作为采煤机摇臂传动系统中的关键部件,其健康状态关系着整个采煤机的稳定运行。滚动轴承的故障往往会导致一系列故障发生甚至造成重大财产损失。因此,对采煤机摇臂传动系统滚动轴承的故障诊断方法研究具有非常重要的意义,可以起到确保井下采煤机开采安全和减少经济损失的作用。在井下实际的工况中,由于采掘煤岩层的变化导致开采煤层的起伏,采煤机作业常伴随着噪声干扰以及工作载荷突变的情况,所以采集到的振动信号是非常复杂的,往往掺杂噪音信号的干扰,甚至会出现背景噪声淹没正常振动信号的情况。如何对强背景噪声和负载转速变化下的原始信号进行特征提取和信号分析成为了井下设备故障诊断的研究难点。本文在总结了前人对于深度学习和滚动轴承故障诊断研究工作的基础上,建立了基于卷积神经网络的采煤机摇臂传动系统滚动轴承故障诊断模型。本文首先综述了滚动轴承故障诊断领域的研究现状,着重介绍了基于卷积神经网络和图像识别的滚动轴承故障诊断方法。然后针对采煤机摇臂传动系统中的滚动轴承在此工况下所采集到的故障振动信号难以高效地提取和分析其中的故障特征的问题,提出一种基于反卷积自编码器的特征提取模型。接着,针对煤矿井下所采集的振动信号样本故障数据量较小的问题提出了改进VGG16卷积神经网络模型。最后将二者结合建立了采煤机摇臂传动系统滚动轴承故障诊断模型,并对每一部分设计了相应的实验来验证算法和模型的有效性。实验结果证明:反卷积自编码器结合改进VGG16的故障诊断模型平均识别准确率达到了 87.843%,最高识别准确率达到了 99.142%。从实验结果可以看出本文所提出的基于反卷积自编码器和改进VGG16的滚动轴承故障诊断方法在变转速、变负载、高噪声工况下的滚动轴承故障诊断问题中的应用效果。该方法不但可以免去常用故障诊断方法中繁琐耗时的信号预处理过程,减少了诊断时间,而且识别准确率大幅提升,有效的提升了采煤机摇臂传动系统滚动轴承的故障诊断效率。具有一定的实际应用价值。