基于虚拟样机的采煤机摇臂故障诊断系统

doi:10.16731/j.cnki.1671-3133.2018.11.025

现代制造工程 ›› 2018, Vol. 458 ›› Issue (11): 142-148.doi: 10.16731/j.cnki.1671-3133.2018.11.025

• 设备设计/诊断维修/再制造 • 上一篇下一篇

基于虚拟样机的采煤机摇臂故障诊断系统

赵丽娟, 付东波, 李明昊

辽宁工程技术大学机械工程学院,阜新 123000

收稿日期:2017-04-24 出版日期:2018-11-20 发布日期:2019-01-07
作者简介:赵丽娟,博士生导师、教授,研究方向为机电液一体化技术、数字制造技术与信息化。付东波,通信作者,硕士研究生,主要从事煤矿工程机械、虚拟样机和故障诊断工作。E-mail:fudongbo_sunny@163.com
基金资助:
国家自然科学基金项目(51674134)

The shearer rocker fault diagnosis based on virtual prototype

Zhao Lijuan, Fu Dongbo, Li Minghao

College of Mechanical Engineering,Liaoning Technical University,Fuxin 123000,Liaoning,China

Received:2017-04-24 Online:2018-11-20 Published:2019-01-07

摘要/Abstract

摘要： 以采煤机虚拟样机实验为基础,以小波包分解和神经网络为辅助,设计一种多参数复杂机械故障诊断方法,使设备在投入使用之前就具有一套适应自身的故障诊断系统:即根据采煤机设计图样进行齿轮故障形式下的刚柔耦合虚拟样机实验,以虚拟样机实验中的惰轮轴为测试点,采集受力信号,经过小波分解,以小波分解子带能量值组成神经网络输入向量,对神经网络进行训练,得出可以根据惰轮轴受力信号诊断齿轮故障的神经网络系统。将故障虚拟样机应用到整体执行机构上,建立多个采样点作为故障信号的输出,采集受力信息,经反复实验分析得出一个收敛的神经网络故障诊断系统;重复进行虚拟样机实验,提取信号,验证系统的可靠性。

关键词: 故障诊断, 柔性体, 虚拟样机, 神经网络

Abstract: Presenting a fault diagnosis method in complex machine based on the shearer virtual prototyp experiment.The method is building a series of fault virtual prototyp experiment for its weight of testpoint,and then acquiring the fault-expression-vector corresponds to weight information by wavelet decomposition and neural network analysis.Through the analysis of neural network,building a classification system to diagnose the fault of machine.The fault virtual prototyp was applied to whole machine,and various testpoint was set.At length,the method was verified by simulation signals and engineering examples of mechanical fault diagnosis effectively.

Key words: fault diagnosis, flexible bodies, virtual prototype, neural network

中图分类号:

TH17

赵丽娟, 付东波, 李明昊. 基于虚拟样机的采煤机摇臂故障诊断系统[J]. 现代制造工程, 2018, 458(11): 142-148.

Zhao Lijuan, Fu Dongbo, Li Minghao. The shearer rocker fault diagnosis based on virtual prototype[J]. Modern Manufacturing Engineering, 2018, 458(11): 142-148.

参考文献

[1] 田广,唐力伟,栾军英,等.基于时频分布的行星齿轮箱滚动轴承故障诊断研究[J].机械强度,2007(1):152-155.
[2] 谢国民.基于视频小波联合小波法的采煤机关键部件故障诊断研究[D].阜新:辽宁工程技术大学,2012.
[3] 付家才,王洪远.基于小波神经网络的采煤机摇臂故障诊断的研究[J].煤矿机械,2013(10):243-245.
[4] 张晶晶.基干虚拟样机技术和显式动力学齿轮故障诊断模型[D].太原:太原理工大学,2015.
[5] 钟先友,曾良才,赵春华.局域均值分解和1.5维谱在机械故障诊断中的应用[J].中国机械工程,2013(4):452-457.
[6] 冷军发,荆双喜,吴中青.基于RBF神经网络的齿轮箱故障诊断[J].机械强度,2010(1):17-20.
[7] 赵丽娟,李明昊,范佳艺.基于VP-MFC的采煤机摇臂系统齿轮性能退化可靠性分析[J].中国安全生产科学技术,2016,12(9):92-97.
[8] BAJER A,DEMKOWICZ L.Dynamic contact/impact problems,energy conservation,and planetary gear trains[J].Computer Methods in Applied Mechanics & Engineering,2002,191(37/38):4159-4191.
[9] SHANIAVSKI,SKVORTSOV.Crack growth in the gigacycle fatigue regime for helicopter gears[J].Fatigue & Fracture of Engineering Materials & Structures,1999,22(7):609-619.
[10] 张清华.小波神经网络参数优化及其应用[D].哈尔滨:东北农业大学,2009.
[11] 赵元喜,胥永刚,高立新,等.基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术[J].振动与冲击,2010,29(10):162-165.
[12] MRUGALSKI M.Advanced Neural Network-Based Computational Schemes for Robust Fault Diagnosis[J].Studies in Computational Intelligence,2014,510(1).
[13] 朱孝露,鄂中凯.齿轮承载能力分析[M].北京:高等教育出版社,1991:287-320.
[14] SAXENA A,WU B,VACHTSEVANOS G.A methodology for analyzing vibration data from planetary gear systems using complex Morlet wavelets.American Control Conference[C].[S.l.]:Proceedings of the IEEE,2005:4730-4735.

[1]	毕浩程、蒋章雷、吴国新、刘秀丽、栾忠权. 基于SSA-VMD和1.5维包络谱的齿轮箱磨损故障诊断的研究[J]. 现代制造工程, 2022, 500(5): 130-137.
[2]	陈磊，王相柠，娄恒权，胡雨欣，贾记萌. 针对产能损失的生产线瓶颈辨识与转移预测[J]. 现代制造工程, 2022, 499(4): 21-28.
[3]	杨泽青，王春方，卢晨光，陈英姝，刘丽冰. 基于深度卷积神经网络的曲轴智能识别方法研究[J]. 现代制造工程, 2022, 499(4): 102-111.
[4]	逄英，高军伟. 基于ICEEMDAN能量矩和MFOA-PNN的轴承故障诊断[J]. 现代制造工程, 2022, 498(3): 122-126.
[5]	杨爱平，唐倩，阳小林，李苗娟，柳跃雷，蔺梦圆，张鹏辉. 基于神经网络与PSO算法的发动机装配工艺参数优化[J]. 现代制造工程, 2022, 497(2): 105-113.
[6]	刘维新，余纬，徐冲. 落地铣镗床主轴箱平衡补偿系统故障诊断与维修[J]. 现代制造工程, 2022, 497(2): 135-139.
[7]	张笑璐，邹益胜，张波，刘永志，蒋雨良. 基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法[J]. 现代制造工程, 2022, 496(1): 104-112.
[8]	朱敏，赵聪聪，臧昭宇. 基于改进型模糊神经网络PID阀位控制研究[J]. 现代制造工程, 2022, 496(1): 125-131.
[9]	曹梦婷，谷玉海，王红军，徐小力. 基于GRU与迁移学习的滚动轴承故障诊断[J]. 现代制造工程, 2022, 496(1): 143-147.
[10]	刘会芸，侯志平. 基于自动编码器数据降维的滚动轴承故障诊断研究[J]. 现代制造工程, 2022, 496(1): 148-153.
[11]	韩婷，石宇强. 基于振动信号融合的ACO-DCNN多工况设备故障诊断[J]. 现代制造工程, 2021, 492(9): 94-100.
[12]	楼飞，关静，沈巍，倪国林. 多节式螺旋双驱动可变径管道机器人设计及其运动分析[J]. 现代制造工程, 2021, 491(8): 33-39.
[13]	肖博文，杨晓英，张志文. 基于神经网络的工艺路线知识库建立及优化[J]. 现代制造工程, 2021, 491(8): 107-112.
[14]	李立成，华成丽，梁栋. 基于粒子群优化的机械传动齿轮箱非正常振动检测算法[J]. 现代制造工程, 2021, 491(8): 132-137.
[15]	李道军，卢青波，王海锋. 基于HMM和CS-VMD的滚动轴承故障诊断[J]. 现代制造工程, 2021, 491(8): 155-160.

基于虚拟样机的采煤机摇臂故障诊断系统

The shearer rocker fault diagnosis based on virtual prototype

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics