前言：想要寫出一篇引人入勝的文章？我們特意為您整理了神經網絡下的齒輪箱故障診斷范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：煤礦機械齒輪傳動系統在低速重載等惡劣工況下極易發生故障，齒輪箱部分尤為突出。因此展開對惡劣工況下的齒輪箱故障診斷研究具有重要的意義。以齒輪箱中齒輪為研究對象，通過提取與齒輪箱振動相關的故障特征，經過神經網絡的學習訓練實現對齒輪箱故障的分類。經檢驗，該診斷神經網絡對齒輪箱故障有很高的辨識度。

關鍵詞：齒輪傳動系統；齒輪箱；神經網絡；故障診斷

引言

煤礦機械作為煤礦生產中的核心設備，承擔著煤炭開采、運輸的重要任務。由于煤礦機械的傳動系統的結構復雜性、工作環境的惡劣性導致煤礦機械的傳動系統極易發生故障。據統計，在煤礦機械傳動系統中，齒輪故障占63%，軸承故障占16%，軸類故障占13%，其他故障占8%，由此可知，決定煤礦機械傳動系統壽命的關鍵部件是齒輪箱中的齒輪。

1煤礦機械設備的故障分析

煤礦機械通常工作在強振動、高負載、重腐蝕的惡劣環境中，且需要長時間持續運行，這樣的工況條件會導致煤礦機械故障的產生。根據某礦區2015～2017年煤礦機械的關鍵設備故障統計表，在采煤機和刮板輸送機上發生故障的比例超過60%。采煤機和刮板輸送機均屬于大型綜合類煤礦機械裝備，任何部件出現故障，都會迫使采煤工作停止。通過研究煤礦機械的故障特征，找到更好的解決措施，以此來降低機械設備的故障率。某礦區3a內采煤機、刮板輸送機故障類型統計分別如表1、表2所示。根據表1、表2可知，采煤機和刮板輸送機在3a中共出現570起故障。通過對故障進一步細化，發現由齒輪傳動系統故障引起的設備故障占很高的比例。結合采煤機和刮板輸送機的工況對該類故障進行簡要分析：采煤機的截割部一直以懸臂狀態工作，且負載變化不均勻導致設備在運行過程會出現劇烈振動，會對傳遞動力的齒輪箱造成極大的損害，同時由于牽引部的彈性變形及摩擦引起的采煤機負載變化也會加劇零部件的振動，很大程度上也會導致采煤機故障；采煤機工作在刮板輸送機的軌道上，采煤機的劇烈振動會直接作用在刮板輸送機上，并且在開采過程中，煤塊的掉落也會對刮板輸送機齒輪箱產生沖擊，這些因素都會導致刮板輸送機出現故障。據統計，在煤礦機械的齒輪傳動系統中，齒輪故障、軸承故障、軸類故障、箱體故障、其他類型故障分別占比為62%、17%、10%、7%和4%。由此可知，齒輪箱故障是影響齒輪傳動系統正常運行的關鍵性因素。

2影響煤礦機械齒輪箱壽命的因素

根據齒輪箱的故障成因，可將影響齒輪箱壽命的因素分為內部因素、外部因素和其他因素。（1）內部因素內部因素包括齒輪損傷、軸承損傷以及傳動系統的載荷特性。齒輪箱的齒輪在傳動時，輪齒會受到周期性交變載荷的作用，最大應力發生在輪齒根部。在實際生產中，齒輪傳動系統會長期超負荷運行，加劇了齒輪和軸承的損傷。（2）外部因素齒輪箱有效的潤滑不僅可以提高傳動系統的傳動效率，而且可以減弱傳動過程中直接接觸對齒輪齒面造成的損傷，降低傳動系統的溫度，改善傳動系統的運行狀況。由于煤礦機械的惡劣工況，通常在潤滑劑中會混入雜質，使潤滑劑發生變質造成潤滑效果降低，最終導致齒輪傳動系統產生齒輪膠合、軸承腐蝕、點蝕等故障。（3）其他因素齒輪的加工誤差會造成齒輪傳動壽命降低，影響齒輪傳動系統的穩定性；齒輪箱的裝配誤差會產生偏心現象，在齒輪嚙合時導致受力不均，使齒輪根部的應力集中現象更為明顯；沖擊載荷會使傳動系統速度劇烈變化；維護不及時同樣會影響齒輪箱的壽命。

3神經網絡實現齒輪箱故障的智能診斷

煤礦機械的齒輪箱在無故障狀態下也會產生振動，若齒輪箱的齒輪發生斷齒、點蝕、膠合和磨損或者傳動系統缺少潤滑、軸承故障，會導致煤礦機械設備的振動頻率發生變化，齒輪箱結構如圖1所示。在齒輪箱齒輪的故障診斷中，通常都是通過安裝在設備上的傳感器采集振動信號，然后對采集到的信號進行處理，評估設備狀態，確定設備的故障位置和類型，診斷流程圖如圖2所示。齒輪箱故障診斷從本質上而言就是提取內部各元件的敏感參數，形成與故障模型的非線性映射關系。由于BP神經網絡模型的具有小樣本預測的能力及模式識別等優越特性，故在齒輪故障診斷中采用BP神經網絡模型。（1）BP神經網絡模型參數的確定①輸入層、輸出層的確定在構建神經網絡時，若輸入層參數過多，會造成診斷網絡結構臃腫，產生過多的噪聲；若輸出層參數過少，則無法保證診斷網絡所需信息量。選取與齒輪箱振動相關的6個敏感特征作為診斷網絡的輸入；將齒輪箱正常、故障、嚴重故障（斷齒）運轉的3種狀態作為診斷網絡輸出量。②隱含層數和隱含層節點數的確定由于采用2層或更多的中間層會耗費更多的訓練時間而益處極少，故選擇了3層結構網絡。最佳隱含層節點數（2）BP神經網絡齒輪箱故障診斷在BP神經網絡的故障模式識別中，選用峭度X1、脈沖X2、峰值X3、裕度X4、一階與二階旋轉頻率比X5和一階與二階嚙合頻率比X6作為診斷網絡的輸入，部分訓練數據如表3所示。將正常M1、故障M2和嚴重故障M3種模式作為網絡輸出，如表4所示。為提高訓練網絡的收斂速度與精度，將完整訓練數據進行歸一化至[0,1]進行訓練。通過MATLAB完成診斷網絡的訓練，具體訓練參數設置：采用tansig函數作為神經元激活函數，學習速率0.1，動量因子0.95，期望誤差0.0001，訓練次數1000。模型訓練誤差如圖3所示，經過247次訓練后均方差小于0.009%，說明擬合效果良好。在神經網絡模型達到期望后，用表5中的檢測樣本對診斷網絡進行檢測。診斷結果如表6所示，由表6可知，實際數據與理想數據誤差很小，可以將3種故障識別；通過計算均方差可知，該網絡具有很高的故障辨識度，達到了對齒輪箱故障診斷的要求。

4結語

基于神經網絡對煤礦機械的齒輪箱進行故障診斷研究，得到以下結果：（1）振動信號的變化可以很好地反映齒輪箱狀態，通過提取與振動相關的敏感參數，如峭度、脈沖等，可以更具針對性地對齒輪箱進行故障診斷；（2）將與振動相關的6種敏感特征作為神經網絡的輸入層，將齒輪箱3種狀態作為神經網絡的輸出層。實驗證明，采用BP神經網絡形成的診斷網絡達到了對齒輪箱的故障狀態診斷的要求，且具有很高的辨識度。

參考文獻：

［1］韓洋.煤礦機械齒輪傳動系統壽命評價體系研究［D］.太原：太原理工大學，2018.

［2］韓蕓芳.煤礦機械傳動齒輪質量及使用壽命研究［J］.煤炭技術，2014，33(2):7-9.

［3］劉婷.煤礦機械齒輪和軸承故障診斷研究［J］.煤炭技術，2018，37(9):307-309.

［4］張華杰.煤礦機械齒輪和軸承故障診斷研究［D］.西安：西安科技大學,2013.

［5］王建都.齒輪及軸承振動信號測試及故障診斷［J］.機械研究與應用，2018，31(6):182-184.

［6］王勇,師款.基于BP神經網絡技術的采煤機齒輪箱早期故障診斷［J］.煤礦機械，2019，40(4):158-160.

［7］黃秋勇.基于遺傳算法優化BP神經網絡的提升機制動系統故障診斷［J］.煤炭技術，2016，35(10):284-286.

作者：李瑞君 武利生 單位：太原理工大學