[发明专利]一种矿用钻机变速箱故障智能诊断方法

说明书

技术领域

本发明属机械设备故障智能诊断领域，具体涉及一种矿用钻机变速箱故障智能诊断方法。

背景技术

变速箱是矿用钻机动力传输的核心装置，其故障常常导致钻机停机，造成巨大的经济损失，甚至威胁人身安全。同时煤矿井下工作环境恶劣，极易发生各种变速箱故障。因此，需要对钻机变速箱进行有效的状态监测，在故障早期迅速判断出故障位置及类型，采取必要的应对措施来保证钻机正常工作，从而保障采煤施工的安全进行。为准确诊断矿用钻机变速箱的故障类型，亟需开发一种行之有效的智能诊断技术，可以通过监测数据判断变速箱的运行状态，诊断故障类型。

变速箱零部件繁多，结构复杂，其监测信息中蕴含大量的非线性、非平稳信号。经验模式分解依据信号自身的特点将原始信号分解为多个基本模式分量的形式，将信号中不同尺度的频率成分区分出来，降低随机噪声的影响，有效提取了信号中微弱的故障特征信息。

监测信号的统计特征从不同角度反映变速箱当前的运行状态。不同的特征对不同的故障形式往往起着不同的作用。有的特征对某种或某几种故障敏感，利于故障诊断；也有的特征和某种故障不相关，反而损害诊断精度。距离评估技术是计算特征对故障的敏感程度。依据敏感程度的大小决定对统计特征的取舍。

变速箱的典型故障样本很难获取，通常只能收集到大量未知变速箱状态的监测数据。如何利用极其有限的典型故障数据识别大量未知状态数据成为变速箱故障智能诊断的一大难题。直推式支持向量机（Transductive support vector machine,TSVM）从已知故障样本出发，诊断大量的未知状态样本，其特色为同时训练少量的已知故障样本和大量的未知状态样本，在混合学习的过程中，将测试样本集的样本分布信息转移到最终的分类器中，从而实现分类准确率的最大提升。

发明内容

针对现有技术中的不足，本发明的目的在于提供一种矿用钻机变速箱故障智能诊断方法，利用经验模式分解提取微弱故障信息，通过距离评估技术选取敏感特征，运用直推式支持向量机智能诊断变速箱的多种齿轮故障。

为了实现上述目的，本发明采取的技术方案是：

1）采用经验模式分解方法将矿用钻机变速箱监测信号分解为多个基本模式分量的形式，提取微弱故障信息；

2）计算每个基本模式分量的时域统计特征和频域统计特征，并利用距离评估技术选取对故障敏感的统计特征，构造输入向量；

3)运用多分类直推式支持向量机对变速箱运行状态进行分类，智能诊断矿用钻机变速箱的多种齿轮故障。

上述方法中，所述的采用经验模式分解方法将矿用钻机变速箱监测信号分解为多个基本模式分量的形式，提取微弱故障信息，包括以下步骤：

步骤1，计算矿用钻机变速箱监测信号x(t)的上、下包络线均值m(t)。

步骤2，从x(t)中减掉m(t)得到h(t)

步骤3，将h(t)作为原始信号，重复步骤1～2，直至m(t)=0时终止，得到第一个基本模式分量s₁(t)。

步骤4，重复步骤1～3，将监测信号x(t)分解为多个基本模式分量和一个余项的形式：

x(t)=Σi=1nsi(t)+rn(t)]]>

其中，s_i(t),i=1,2,...,n为基本模式分量，r_n(t)为余项。

上述方法中，所述的计算基本模式分量的时域统计特征和频域统计特征，并利用距离评估方法选择对故障敏感的统计特征，构造输入向量，包括以下步骤：