采煤机的相关故障诊断探讨

【摘 要】在煤矿生产中，采煤机是一件不可缺少的采煤设备，同时在煤矿的开采程度逐渐扩大的情况下，由采煤机故障所引发的事故频繁，煤矿生产安全受到了严重的影响。针对这一问题，我们应当准确的诊断出采煤机故障，进而达到提高采煤机械设备的可靠性与安全性，以便于问题的及时有效解决。本文以现有的研究成果为基础，利用小波诊断技术进行采煤机故障判断，以取得良好的采煤机应用效果。

【关键词】煤矿生产；故障诊断；小波分析

前言：

煤炭需求随着经济发展而逐渐增加，而作为煤炭核心生产设备——采煤机，因其工作负荷负荷的变动较大、工作环境恶劣，外加相对复杂点的采煤机结构，致使设备发生经常性的损坏和过载现象，而引发故障的原因也是极其复杂的。因此，采煤机故障一旦发生，势必会造成煤矿产量降低，情况严重的甚至会使采煤系统瘫痪，造成严重的人力物力资源浪费。

1 常见的采煤机械故障

现今采煤机械故障诊断已经由直觉眼看、耳听和手摸逐渐发展到利用先进的采煤的信息处理技术及算法诊断的阶段。模糊数学、专家系统、人工神经网络和小波分析等故障诊断方法已经得到了普遍的应用，而其经济效益也较高。对于采煤机故障发现、安全运行、保证经济效益具有极为重要的意义。

1.1 常见的机械故障

机械故障主要可分为轴承故障和齿轮故障两种。

在采煤机械故障中轴承故障出现的较为频繁，究其原因有以下几点：当采煤机负荷不均及负荷较大时，会造成滚动体破裂或制成轴承磨损，从而对链轮轴和链轮与其他相应零件的损伤；利用采煤机摇臂进行频繁升降，因条件差和各传动轴受力不均衡和受力过大等原因影响，极易造成轴承故障；轴承安装不正、系统污染、载荷较大时，而与之相配合的支承座和轴极易产生变形现象，造成轴承故障的发生；轴承自身缺陷及设计制造等问题，都会导致导致轴承损坏，其中因疲劳剥落所引起的损伤最为典型。

因机械变速部件造成的齿轮故障有以下几方面原因：当齿轮承受过度负荷时，根部所承受的弯曲应力最大，其所造成的过载尤其是冲击载荷的同时，极易造成齿轮和相应部分的断裂。同时周期性应力过高，也是造成疲劳断裂的原因之一。而轮齿工作间存在金属氧化物、其他磨料或金属微粒时，会引发严重的磨料磨损；当齿面两相啮合且发生相对滑动运动时会造成油膜破裂，在轮齿表面压力及摩擦力作用下，发生高温反应，造成接触区局部金属熔焊，使金属发生局部撕裂。通常，油粘度过低、运行温度过高、相对滑动的速度较高、接触面积较小、转速过低及单位齿面载荷过大等，都会导致油膜破裂致使齿面擦伤；而在齿面接触应力达到一定的疲劳极限时，就会导致齿轮表面脱落，而剩余齿轮有效工作面积无法承担外部荷载时，极易造成整个齿轮断裂；啮合过程中的齿轮，在齿面的接触区内正压力会引发表面层的剪应力，在其临界材料超过最大极限值时，齿面会产生裂纹。

2 采煤机故障诊断方法

2.1 故障诊断方法——专家系统

该方法可将专门知识与专家经验充分运用到采煤机的故障诊断中，以专家思维模式进行设备故障分析，专家系统主要由推理机和专家知识库等组成。知识库质量和容量是决定专家系统故障处理能力的关键，同时推理引擎的性能及结构关键影响因素。经验与事实是专家系统知识库的主要构成部分，在该领域内公认事实构成了共用数据体，规则的判别主要是由经验来决定的，从专家处理相应问题决策中并从中提炼出相应的规则，而并不是简单的逻辑推理。同时专家系统的推理路径极为清晰且具有易于用户参与等优点。而专家系统也存在一定的缺陷，该方法对于专家思维过程描述较为缺乏，且其学习能力较差，难以使专家系统完备，造成了对专家系统发展的严重制约；由于只是推理的速度慢及效率差，不易做到适时性的检测控制。

2.2 故障诊断方法——人工神经网络

在人工神经网络方法中它是由大量的处理单元以某种拓扑方式相互连接而成的复杂网络，并经由神经元进行采集信息的作用函数和连接权值的并联运算。它通过对各单元之间权值的调整来实现设备的网络结构设计、故障模式分析和学习算法的研究等，尽量复杂数学模型的建立。它在一定程度上是对人脑神经网络的模拟与简化，且在其身上有部分人脑基本特征的体现，如记忆、学习和归纳。在人工神经网络中其具有诊断性、适应性较强等优点。神经网络知识存在缺乏直观性、解释机制难以建立等问题。

2.3 故障诊断方法——模糊数学

它运用数学研究方法及处模糊现象处理一门新的数学分支，该方法为相关故障诊断提供了不精确性与不肯定性问题新的处理方法，模糊数学发涉及到了自然科学、纯粹数学、人文科学、管理科学和应用数学等方面，它是最有利的模糊信息人脑思维处理工具。该方法不但对“硬”科学方面适用，同时对“软”科学方面也较为适用。该方法在模糊识别、模糊决策、信息检索、模糊控制、生物学等方面都有了初步的应用。且在人工智能、信息处理、生态学、语言学、医疗诊断、自动控制、管理科学、哲学研究和心理学等领域中获得了显著效果。

2.4 故障诊断方法——小波分析

在当前的工程学科和应用数学中，小波分析得到了全新的发展，它使计算机科学、应用数学、图像处理、物理学等学科充分联系了起来。该方法完美结合了数值分析、泛函分析、样调分析和Fourie分析。在小波分析中的“小”指的是其衰减性，“波”指波动性。小波变换是进行局部的空间频率分析，以伸缩平移运算实现多尺度细化，从而做到细分高频处时间和低频处频率的目的，以更好的满足对时频信号的自动适应分析，做到信息任意细节的聚焦，使Fourier变换困难得到了一定的解决，这是采煤机故障诊断在科学方法上的一大重要突破。在信号分析中的小波的应用极其广泛，主要应用于时频分析、信号的识别和诊断、多尺度的边缘检测、边界处理与滤波、信噪分离及弱信号的提取等方面，其成果极为显著。

3 结束语：

在煤矿生产中，采煤机是一种极为重要的煤矿生产设备，采煤机的相关故障诊断有利于设备故障的早期预防，故障诊断有利于尽早找出事故发生原因，做好采煤机在该设备故障预防。本文对多种采煤机故障诊断方面进行介绍，以期能为采煤机故障找到最佳的处理方法。如今采煤机智能化的故障诊断已经成为煤炭行业的一个研究热点，其相应故障诊断尚有待进一步的研究分析。

参考文献：

[1]鄂加强．智能故障诊断及其应用［M］． 长沙: 湖南大学出版社，2006．

[2]胡俊，张世洪，汪崇建．采煤机故障诊断技术现状及其发展趋势［J］．煤矿机械，2008(9): 8－10．

[3]张寒松，贾瑞清，王廷军．采煤机的故障分析与诊断及其发展趋势［J］．矿冶，2004( 6) : 85－88．