采煤机摇臂齿轮箱故障诊断研究现状及展望

尹玉玺，周常飞，史春祥，徐卫鹏，慕 杰，许志鹏

(1.煤炭科学研究总院，北京 100013；2.天地上海采掘装备科技有限公司，上海 201400)

采煤机作为煤炭开采的基础设备，其工作环境常伴随着粉尘、腐蚀、高温高湿、地下水渗淋以及随机性的基础激励和煤岩冲击等因素，以目前煤矿广泛采用的电牵引滚筒式采煤机为例，截割部是采煤机最主要的故障源，而其中摇臂齿轮箱故障占截割部机械故障的76.27%[1]。且在开采作业时与液压支架、刮板输送机及其他辅助采煤设备配套使用，周围环境对其故障信号采集干扰极大，原始信号信噪比极低，因此如何高效、精确、智能地识别其健康状态是智能采煤系统和智能化采煤机发展的关键问题。

为促进采煤机摇臂齿轮箱故障诊断技术的进一步发展，加快智能化采煤机研制步伐，推进煤炭智能化开采目标建设，本文综述了采煤机摇臂齿轮箱故障机理和故障诊断技术研究现状，分析了现有诊断技术的不足，并对后续发展方向进行了展望，以期为发展先进采煤机故障诊断技术提供借鉴和参考。

1 摇臂齿轮箱故障诊断概述

故障诊断以设备运行状态信息为抓手对设备进行状态监测、故障识别和趋势预测。目前应用于采煤机摇臂齿轮箱的故障诊断方法主要包括故障机理分析及基于油液分析和温度监测的传统故障诊断方法、基于信号处理的故障诊断方法和基于数据驱动的机器学习智能故障诊断方法。故障机理分析可揭示摇臂齿轮箱内部元件的相互作用机制和内部故障与外部响应间的对应关系，为故障诊断方法提供理论依据，在具体诊断工作中，各诊断方法可相互独立工作完成诊断，亦可互相组合以提高故障诊断结果精度。其关系如图1所示。

图1 故障诊断技术及逻辑关系

2 摇臂齿轮箱故障机理研究现状

2.1 轴承故障机理

通过虚拟样机对轴承进行动力学建模研究其内部载荷分布和故障状态的动态响应特征是分析摇臂齿轮箱轴承故障机理的主要手段。赵丽娟等[2]建立了大采高采煤机截割部刚柔耦合模型，综合考虑轴承径向载荷与转速的影响，得到了低速重载滚动轴承与轴体间的动态响应。毛君等[3]针对摇臂壳体与各轴上轴承滚动体与其内外圈实时接触力难预测问题建立了轴承—摇臂耦合模型，并分析得出轴承与摇臂壳体的接触力响应曲线。上述理论分析可为摇臂齿轮箱轴承结构的优化提供一定指导，但未能反映轴承故障导致的动力学性能变化，有鉴于此，王振乾[4]从采煤机设备结构、受力情况和轴承游隙等方面系统分析了截割部轴承失效故障机理，并提出了相应的解决措施。李晓昆等[5]以薄煤层采煤机轴承为研究对象建立传动系统动力学模型，并分别仿真得到了轴承正常、内圈故障、滚动体故障和外圈故障等4种状态下的振动响应。

2.2 齿轮故障机理

采煤机常采用直齿圆柱齿轮和具有大减速比的行星齿轮啮合传动以适应重载工况，摇臂齿轮箱齿轮常见故障形式包括磨损、裂纹、断齿和偏心等。赵丽娟等[6]以SL1000型采煤机摇臂末级传动齿轮为例，分析了正常齿面与3种不同齿面磨损程度模型的轮齿啮合运动状态和齿面接触应力。徐丹等[7]对裂纹故障下采煤机高速区齿轮系统的动态特性进行了分析，结果表明啮合力边频带能量密集度随损坏程度增大而增大。刘晓乐等[8]采用虚拟样机技术对MG900/2215-GWD型采煤机截割部两级行星齿轮进行不同程度断齿故障的啮合力和动态响应仿真分析。郭凤云等[9]建立了采煤机齿轮传动系统样机模型，并对其进行动力学仿真获得了摇臂高速齿轮在不同几何偏心程度故障下的啮合力曲线。

综合来看，对于采煤机摇臂齿轮箱动力学模型故障机理分析的研究工作仍较为不足，虽可满足采煤机齿轮箱故障诊断基本需要，但目前故障动力学模型多只针对子传动系统单独分析且建立在诸般假设之上，缺乏整体性的精细模拟，同时对于强噪声复杂工况下的采煤机而言，早期微弱故障难以辨识，断齿崩刃等故障势必已对齿轮箱造成不可逆的严重损伤。今后应将研究重心置于摇臂整机动力学模型精确模拟及点蚀、裂纹等轻度损伤和多元耦合故障动力学模型故障机理的研究上。

3 摇臂齿轮箱故障诊断方法研究现状

3.1 传统诊断方法

油液分析是采煤机故障诊断中的关键组分，油液的化学特性和污染物数据通常预示着采煤机出现某种形式的故障，目前常见油液分析检测技术手段主要包括理化性能、原子光谱、红外光谱、铁谱和颗粒计数的检测分析。常见油液分析技术见表1。

油液分析是早期故障最有效的反馈方式，可及早判别出已发生或潜在的故障，有效规避摇臂齿轮箱故障事故，但目前在线智能化程度不高，需操作人员依据所测相关数据凭经验判断设备是否发生故障，考虑到操作人员个体差异，诊断结果易出现误判或漏判的情况。因此未来油液分析诊断技术应致力于在线化、智能化和集成化的“三化”研究，“自动故障诊断”和“在线磨损检测”将会是油液分析诊断技术发展的重要方向。

摇臂齿轮箱故障部位的异常温度特征会在摇臂壳体体现，特别是在大功率采煤机发展趋势的现状下，齿轮箱传动系统发热问题更是突出，采用红外热成像技术对整个温度场数据值及变化趋势进行分析可有效地实现故障诊断。徐卫鹏[10]建立了摇臂齿轮温度场数学模型，并借助相关分析软件对摇臂齿轮稳态温度场进行有限元分析，得到其温度场和热流密度云图，其研究为摇臂齿轮箱温度监测诊断方法提供了基础理论支撑。暴红星等[11]基于FLIR-T440红外热成像技术，同时结合现场使用经验研发出一套故障率低，测试准确性高的采煤机摇臂温度场测试诊断系统。目前该技术因受制于工况环境而在采煤机实时应用上尚显不足，但因温度对故障位置信息具有高度敏感性，可做补充手段以精准判别故障源。

表1 常见油液分析技术

3.2 基于信号处理的方法

一般而言，从动态信号中提取出有效的故障特征信息是进行摇臂齿轮箱故障诊断的前提条件，因此需要借助信号处理进行特征提取和故障识别。常见的振动信号处理方法有时域分析法和频域分析法，它们多适于平稳信号的分析，而采煤机实际工况信号属于强噪音、非平稳信号，仅通过时域分析或频域分析很难分析其信号特征，捕捉此类复杂非平稳随机振动信号的时变特性则需利用时频分析及现代信号处理等高级振动信号处理方法。

时频分析可将一维时间序列信号映射到二维时间频率尺度上来分析特定时间内信号的频率变化，这样既保留了时域特征也提取了频域特征，可保证信号故障信息最大化利用。短时傅里叶变换(STFT)以连续短时窗口分析实现信号的时频分析，包文杰等[12]提出一种基于快速路径的自适应STFT时频分析法实现了行星齿轮箱的故障诊断。然而对于信号的时频分析，选定分析窗口越大，时间分辨率越低，频率分辨率越高，适合分析低频慢波信号；选定分析窗口越小，时间分辨率越高，频率分辨率越低，适合分析高频快波信号。而STFT的时间和频率分辨率均固定，不能随着频率的高低实现动态调整，因此选择一个合适的窗函数十分困难。小波分析则采用一定范围频率的函数族作为基函数可实现动态可调的时频分辨率。邓郁旭等[13]采用小波分析联合改进神经网络，提升了采煤机截割部传动系统故障诊断精度。此外，基于小波分析衍生出的小波包分析将小波分析未细分的高频部分进一步精细划分，其可对信号进行更细致的分析。刘旭南等[14]采用Coif 4小波对采煤机截割部传动系统故障数据进行了小波包分解，有效诊断了传动系统的故障零件和类型。然小波分析由于小波基函数一旦确定便无法更改，不能随分析信号特点而改变，故难以选取合适的小波基函数与故障特征频率相匹配，因此小波基函数的合理选择是进行小波分析的难点。

上述时频分析方法均受限于海森堡测不准原理，且并不是自适应的方法，1998年华裔科学家Norden E.Huang等人提出的希尔伯特黄变换(HHT)则另辟蹊径，其是一种基于数据本身的算法，它能完全自适应地产生“基函数”，即经验模态分解分解过程产生的IMF分量，具有完全自适应性。张思思等[15]提出一种改进经验小波变换与希尔伯特边际谱结合的故障特征提取方法，经改进经验小波变换处理得到的信号分量信噪比高、数目合理，与HHT相结合可对信号频谱趋势进行自适应划分。尽管HHT是处理复杂非平稳信号的得力工具，但仍存在端点效应，包络拟合和边界问题等未妥善解决，未来应加强改进HHT算法基础理论研究，可利用小波分析先对信号进行去噪，再与HHT相结合的方法以提高故障识别精度。

除上述振动信号处理算法外，现代信号处理方法也在故障诊断领域取得不错成绩，如盲源分离[16]、高阶谱分析[17]、现代谱分析[18]和几何分形理论[19]，同时除振动信号外，基于声发射[20]、图像处理[21]等信号的方法也可有效诊断故障信息，但目前针对采煤机摇臂齿轮箱多源信息融合诊断的研究工作较少。

3.3 基于数据驱动的方法

随着智能矿山建设的快速推进，大数据和人工智能技术在采煤机开始广泛应用，基于数据驱动的机器学习智能诊断技术愈受青睐，其无需建立复杂的系统动力学模型，利用大量历史数据来构建和优化学习模型，就可取得良好的诊断效果。如图2所示，按机器学习故障诊断发展历程脉络将其分为传统机器学习智能诊断方法和深度学习智能诊断方法，此外深度学习智能诊断方法近年来又引入了迁移学习用以解决数据不足的难题。

图2 机器学习故障诊断发展历程

3.3.1 传统机器学习智能诊断方法

传统机器学习智能诊断技术是相对于深度学习模型的深层次网络而分类的，其发展较早，理论较为完备，最广泛应用于采煤机摇臂齿轮箱故障诊断的方法是人工神经网络(Artificial Neural Network，ANN)和支持向量机(Support Vector Machine，SVM)。同时利用智能优化算法对故障特征进行筛选判别，并与ANN、SVM相结合可快速寻找模型最优解参数而提高故障诊断准确率。

ANN由于具有优良的非线性学习能力和容错性能而在故障诊断领域得到广泛应用。常用网络如BP神经网络、极限学习机、自组织映射网络和概率神经网络等。方伟中[22]基于改进BP神经网络实现了采煤机截割部传动系统的故障诊断。赵凡超等[23]用多隐层小波极限学习神经网络实现了滚动轴承故障识别。贺岩松等[24]采用自组织特征映射神经网络实现了轴承的故障识别。冯东华[25]提出EMD能谱熵与概率神经网络相结合的采煤机摇臂齿轮诊断方法。

SVM的核心是结构风险最小和间隔最大化，尤适于处理高维度、中小量级的采煤机故障数据。刘冲[26]提出采用主成分分析和交叉验证法优化支持向量机的新方法有效实现了采煤机的故障诊断。但SVM本是为解决二分类问题而提出的算法，对于多类模式识别策略还需进一步研究，如集成多个SVM模型结果的一对一，一对多分类方法，以及有向无环图[27]和二叉树[28]等方法。

近年来，智能优化算法也越来越多应用于ANN及SVM机械故障诊断模型的参数优化问题上，如遗传算法、蚁群算法、粒子群算法、鱼群算法、蜂群算法和萤火虫算法等[29]，利用智能优化算法优化机器学习模型参数以提高其性能对故障诊断具有重要意义。

3.3.2 深度学习智能诊断方法

随着新一代信息技术的快速发展，井下采煤机收集到的数据量比以往任何时候都要多，日益增长的数据量为采煤机故障诊断提供更充分的信息，进而更有可能提供准确的诊断结果，传统机器学习已不适于此类大数据场景，而深度学习采用深层次结构可对海量数据深度挖掘后自动表示抽象特征并进一步直接建立学习到的特征与目标输出间的关系来实现故障精准诊断。目前深度学习故障诊断算法模型主要包括堆叠自编码器(Stacked Autoencoder，SAE)、深度置信网络(Deep Belief Network，DBN)、卷积神经网络(Convolutional Neural Network，CNN)和残差网络(ResNet)。

SAE能够自动降维表示输入监测数据的健康信息，在特征提取方面无需过多专家知识，毛君等[30]提出了基于SAE的采煤机截割部减速器故障诊断方法；DBN由受限玻尔兹曼机堆叠组成，通过逐层贪婪算法对整个网络进行微调，有效解决深层网络梯度消失问题，谢娜等[31]提出了基于改进DBN的采煤机摇臂传动系统故障诊断方法；CNN可捕获数据变化特性而直接从原始监测数据中学习特征，无需进行频域变换等预处理，包从望等[32]采用快速Kurtogram算法与CNN对采煤机减速器实现了故障诊断；ResNet是在CNN基础上开发出的泛化性能更高的架构模型，其残差结构和Batch Normalization处理可有效缓解梯度消失问题且自带正则化属性，从而提高诊断精度，李长文等[33]构建了深度ResNet的采煤机摇臂齿轮故障诊断模型。当前深度学习在井下采煤机大数据处理方面的优势已初露端倪，下一步应针对具体情况实际分析，设计适于采煤机故障数据的合理网络结构，如合适网络层数的选择以控制模型复杂度，避免过拟合、合适参数及核函数选择等，此外重点关注深层次网络易出现的梯度消失及过拟合问题。

深度学习诊断模型的关键要求就是需要大量完备故障数据来训练健壮的深度学习模型，但在采煤机实际工况下则面临大量数据无标、故障状态数据稀缺和数据质量难以保证等挑战。迁移学习则可为此类难题提供一种全新策略，张旭辉等[34]基于预训练模型加反向微调策略提出了一种深度迁移学习的采煤机摇臂传动系统故障智能诊断方法，但其并未在采煤机实测故障数据上进行验证。因此在采煤机实测故障数据不充足、不平衡情况下如何利用深度迁移学习及生成对抗网络(GAN)等将其它设备的完备故障数据跨机迁移至采煤机故障诊断领域问题值得深入研究。

4 结 语

本文综述了故障机理、传统诊断、信号处理和机器学习等方法在采煤机摇臂齿轮箱故障诊断领域的研究进展及不足之处。主要存在以下问题：重故障表象而轻故障机理研究、重单一故障而轻复合故障分析、重强烈故障而轻微弱故障识别、重仿真数据而轻实测数据收集、重单一算法而轻多方算法融合、重单信息源而轻多源信息融合。

为满足智能化采煤机发展需要，故障诊断技术未来应着力于以下几个方面的研究：

1)故障机理精确建模。当下故障动力学模型建立在诸多假设之上，难以精确模拟真实响应特性从而无法有效指导采煤机的故障诊断，因此应针对采煤机特殊服役环境深入分析故障机理和故障演化动力学模型。

2)多元故障耦合分析。轴承齿轮的磨损、裂纹、剥落等多故障耦合现象才是常有之态，单一故障的诊断分析在工程上推广应用时往往由于泛化能力差而精度不高，极易出现漏诊或误诊现象，故应加强采煤机摇臂齿轮箱多故障耦合模式识别问题的研究。

3)早期微弱故障识别。强烈故障信号虽易识别但同时也预示着机械故障已进入中晚期发展阶段，而在矿井强噪背景下采煤机摇臂齿轮箱早期微弱故障难以辨识，今后方向应由强烈故障诊断向微弱故障诊断偏移，研究行之有效的噪声过滤及强噪背景特征提取算法以实现早期微弱故障识别。

4)基础故障数据收集。任何算法均需在数据中挖掘出有效信息用以诊断，然较其他领域，采煤机数据收集工作明显不足且开放性很差，应鼓励相关煤企、机构建立标准采煤机故障诊断数据库，实现数据共享、模型共享、算法共享，同时依托高校和科研院所等的技术优势共同开展采煤机故障诊断研究工作。

5)先进算法融合创新。无论是信号处理、机器学习或是传统诊断方法都有其优点和不足，应根据实际数据特点增强多方算法深度融合，对各种算法取长补短，面对数据不足情况，加强迁移学习和生成对抗网络算法在采煤机的迁移应用，同时引领创新，并积极关注其他领域成熟算法在采煤机摇臂齿轮箱故障诊断落地应用的可实施性。

6)多源信息融合研究。充分利用多源信息互补优势，推进振动信号与油液、温度、超声波和图像等多信息融合诊断技术，提升采煤机摇臂齿轮箱故障诊断精度与鲁棒性。