井下运输机械滚动轴承故障的检测与诊断分析

摘 要 井下环境正遭受到严重的干扰，加之施工环境日趋恶劣，井下运输机械滚动轴承故障的检测与诊断工作已经成为大势所趋。在此环节中，为了提升检测效率与诊断效率，采取高频共振解调工艺可取得显著成效。文章通过分析井下运输机械滚动轴承故障的检测方法，并在此基础上详细介绍井下运输机械滚动轴承故障的相关诊断措施，以期能为相关人士带来参考建议。

关键词 井下运输机械；滚动轴承；故障；检测；诊断

中图分类号：TH165 文献标识码：A 文章编号：1671-7597（2014）17-0107-01

滚动轴承属于井下运输机械中较为薄弱的一个部件，通常会出现保持架折损、疲劳等故障。当滚动轴承损坏之后，会使被支撑轴出现错位问题，致使齿轮打齿情况的发生，导致齿轮箱失去其功效。鉴于此，提升井下运输机械滚动轴承故障的检测与诊断频率，根据故障信息进行及时处理，已经成为改善井下运输机械整体运行状态，提高其运作效率的根本性手段，具有较高可行性。

1 井下运输机械滚动轴承故障的检测方法

一般说来，井下运输机械滚动轴承故障的检测程序主要包括四个环节，分别是采集轴承故障信号、提取故障信息、识别故障状态、诊断故障等。而其中最为关键的环节即为提取故障信息和识别故障状态，在诊断故障环节，需要以非平稳的信号作为参考标准，并从中提取出所需向量。传统轴承的运作关键是提取频域波形及振动信号的特征量，在创建判别函数的基础上，实现对轴承实际工作形态的准确识别。但是，滚动成周在工作状态与基本结构等方面都具有一定的复杂性，加之刚度、间隙、摩擦力以及荷载等条件存在着明显差异，以至于采取分析域频谱的形式无法准备评价滚动轴承实际情况。为了提升井下运输机械滚动轴承故障的整体检测效率，本文在判断滚动轴承故障类型与工作状态时，以EMD法和神经网络的滚动轴承检测法作为基本方法提取其故障信号特征中的向量，并在此基础上创建函数模型[1]。

例如，在常用的减速器中，3JS型减速器出现故障的频率最高，因此在本次检测过程中，笔者将其视作重点检测对象。3JS型减速器包括三队齿轮和四根轴，具有三级减速功能，其总减速比高达23.68。由于齿轮箱系统本身较为复杂，因此如果轴承和齿轮等部位出现故障，就可能会有异常性信号源产生。鉴于此，在对其进行检测时，必须提前采集各个检测点的数据，通过在时域上对比各检测点的数据，选出一个最佳检测点，并在此基础上查看故障产生的部位与严重性。

2 井下运输机械滚动轴承故障的相关诊断措施

目前，井下运输机械滚动轴承故障的检测与诊断过程当中，神经网络基本模型是最为常见的一种方式。神经网络基本模型属于时间序列分析方法的一种常见类型，待模型参数成功凝结为系统状态的信息之后，神经网络基本模型即可直接反应动态系统的规律。但是，该方法在故障信号平稳性方面却没有直接保障，因此在创建模型前，需借由EMD方法处理轴承信号。

EMD方法为自适应旋转投影分解法的一种常见类型，其依据主要是信号的局部特征，把信号划分为IMF之后，即可实现诊断目的。然而，如果EMD方法仅以自身信号作为基本依据，尽管所得IMF的整体数量极其有限，但信号中的物理信息却能够被直接表现出来，且IMF分量的平稳性也能够得到保障。同时，以EMD的原始信号实施分解操作，所得IMF分量较为平稳，如果在此基础上创建神经网络基本模型，再通过自回归模型AR参数创建函数模型，即可实现判别滚动轴承故障类型与故障状态的目标。鉴于此，有机结合神经网络方法和EMD方法，具有较高可行性与利用价值[2]。

神经网络方法和EMD方法在诊断井下运输机械滚动轴承故障的时候，以EMD的特征向量分解层与提取层、神经网络的训练层以及EMD的振动信号作为主要对象。笔者将详细介绍EMD的分解层与振动信号层。

1）EMD的分解层。当滚动轴的局部发生故障之后，轴承有关零件就会对故障位置产生间断性撞击，并发生出一股冲击力，以至于轴承座出现共振现象，且产生冲击振动力，导致平稳状态下的振动信号发生改变，变为非平稳振动信号。如果采取EMD方法，对于非平稳振动信号当中出现的平稳化可进行有效处理，通过处理其数据信号之后，使之变成平稳信号，且该平稳信号包含着不同尺度。由于平稳信号在分解环节具有一定的自适应特征，无法直接反应故障信号基本性质，加之故障信号所处位置为高频度，因此需要在深入分析IMF分量的基础上，从中提取出有效的故障资料[3]。而EMD分解之后，会形成数条IMF分量，且这些分量分别代表着一组平稳信号。在此背景之下，在对正常轴进行有效识别时，所选特征向量必须为不同的能量。

2）EMD的振动信号层。该信号层不仅能够实现对振动信号的直接检测，还可以对滚动轴工作状态的相关信息、机械作业过程当中的结构信息与运动部件信息等进行反映。由于这些信息的本质均为背景噪音，再起影响之下，会对机械故障的检测与诊断操作造成不利影响，也无法有效提取出振动信号资料。而采取EMD法除了能够直接处理振动信号之外，还能使故障信息直接呈现出来，便于技术人员进行对阵处理，提升机械诊断效率。

3 结束语

井下运输机械实际运行过程当中，滚动轴承起着十分重要的作用，然而在应用环节，受撞击性强以及负荷量大等因素的影响，以至于滚动轴承经常出现磨损等问题，导致井下运输机械无法正常作业。为了提升井下运输机械整体运作效率，加强其滚动轴承故障的检测与诊断频率显得极其重要。这就需要相关检测人员严格把握每一种检测方式，通过不断创新与研究新型诊断方式，找出故障原因，并进行对症处理，从而确保井下运输机械得以正常运作。

参考文献

[1]康守强，王玉静，杨广学，宋立新.基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法[J].中国电机工程学报，2011，31（14）：96-102.

[2]苏文胜，王奉涛，朱泓，郭正刚，张志新，张洪印.基于小波包样本熵的滚动轴承故障特征提取[J].振动、测试与诊断，2011，31（02）：162-166.

[3]胡爱军，马万里，唐贵基.基于集成经验模态分解和峭度准则的滚动轴承故障特征提取方法[J].中国电机工程学报，2012，32（11）：106-111.