摘要：重型刮板输送机链传动系统故障中影响最大的就是断链事故，不仅影响煤矿企业生产计划，同时还可能造成安全事故。断链故障主要是由于链环所受应力突增导致材料出现塑性变形和开裂，因此从链环和与其啮合的链轮轮齿接触部位的应力分布、应变等动态特性出发，通过ANSYS分析并获取其应力变化特征，并以此作为样本，通过BP神经网络构建和训练预测模型，实现断链故障的预警及诊断。仿真结果表明，该方法对链轮、链条的应力变化跟踪较好，精度较高，可以满足断链故障的诊断及预警要求。
关键词：刮板输送机；链传动系统；断链故障；神经网络
0引言
刮板输送机不仅承担着把采煤机破碎的煤炭运到顺槽转载机的功能，同时还是采煤机行走的轨道以及液压支架前移的支点。链传动系统是矿用刮板输送机中最重要的系统，主要负责为煤炭输送提供动力传递。由于采煤机形成的煤流量具有不均匀和随机性的特点，会造成刮板输送机链传动系统载荷波动和负载不均匀，从而产生高阻力和载荷冲击，使得刮板链绕经链轮时呈多边形运动，给刮板链的受力带来不良影响，甚至发生断链。在刮板输送机链传动系统故障中，断链故障是最为常见的影响安全生产的故障形式之一，约占到整体故障的52.2%左右。本文主要通过建立链传动系统的有限元模型，从链条和链轮的应力变化分析出发，获取其出现故障前的应力变化趋势，最后通过BP神经网络构建并经训练得到故障预测模型，实现链传动系统的故障诊断和预警，从而有效降低设备故障率。
1刮板输送机链传动系统结构
刮板输送机链传动系统主要由驱动电机、耦合器、减速器、机头链轮、机尾链轮、刮板以及链条组成。链条一般为单链或双链，其中双链又可分为中双链和边双链等形式。链条和链轮构成一个闭环，电机驱动力经耦合器、减速器驱动链轮旋转，带动与之啮合的刮板链连续运转，将装在溜槽上的煤炭从机尾运到机头卸载。中双链结构的刮板输送机链传动系统简图如图1所示。
2链轮链环受力分析
（1）链传动模型建立刮板输送机发生断链故障是由于链环所受应力突增导致材料出现塑性变形和开裂所致。根据链轮、链条啮合规律，当出现断链故障时，首先链环所受应力会急剧增大并超过最大允许值；其次，与其啮合的链轮轮齿接触部位应力也会出现短时间内升高并达到最大值。为研究链条和链轮啮合过程应力变化特征，通过ANSYS对链条、链轮的应力分布、应变等动态特性进行分析。链轮和链条的有限元模型如图2所示。该模型中在链轮上设置了7个活齿，为保证3个完整的啮合周期，分别设置了11个水平环和11个垂直环。链轮与刚性内圈和柔性齿啮合。刚性和柔性区域通过公共边界节点连接。力矩载荷通过刚性区域转移到柔性齿上（2）链传动组件应力分析对仿真模型参数进行设置，根据实际情况设置链环和链条间的静摩擦因数为0.1，滑动摩擦因数为0.2，链轮转矩为60kNm，转速为3.97r/s，链条运行速度为1m/s，链条的张力为200kN。通过对链轮0.05s后增加转矩载荷（120kN）模拟随机煤炭荷载冲击。仿真时间设置为0.75s，通过人为设置故障，对刮板输送机从正常到断链的过程中链环和链轮的应力变化进行分析，得到发生断链故障时链轮和链环冲击的应力云图如图3所示。从图3可知，应力出现的最大部位在链轮齿根和链窝的接触点，即图3中A、B点。测量各点应力值，链轮和链环在0~1s接触应力曲线如图4所示。从图4可以看出，刮板输送机从正常启动开始，在0.05s和0.25s处出现应力增加，这是因为此时转矩载荷模拟煤炭荷载冲击，此后平稳运行直到最终断链，在0.4～0.5s断链发生时，应力突变明显。
3基于BP神经网络的断链故障检测及诊断模型
BP神经网络是一种有监督的、具有良好学习能力和非线性泛化能力的多层前馈网络，具有结构简单、易实现等特点，是目前应用最为广泛的一种神经网络。本文通过多次ANSYS有限元仿真分析，获取刮板输送机链传动系统断链故障出现时的应力变化数据，以此作为BP神经网络的训练样本数据。通过MATLAB神经网络工具箱构建模型，最终实现刮板输送机链传动系统的断链故障预测及诊断。具体算法流程如图5所示。为对所建模型的预测结果进行验证，分别采用了平均相对误差ARE和均方根误差RMSE这2个指标对预测和诊断模型评价。平均相对误差ARE=1nni=1Σyp，i-yt，iyt，i（1）均方根误差RMSE=1nni=1Σ（yp，i-yt，i）2姨（2）式中n———样本数量；ypi———第i个样本的预测值；yti———第i个样本的实验值。ARE和RMSE取值越小说明模型的预测结果越好。
4实验结果分析
训练样本和测试样本数据均来自ANSYS有限元分析中不同工况下得到的应力数据。应力的变化影响因素较多，根据实际情况，本文将影响链传动系统应力变化较大的参数作为神经网络的输入值，主要参数如表1所示。本文中BP神经网络由6个输入参数组成输入层,隐含层节点数量设置为10个，输出值为链条接触点应力预测值。在煤流量为130kg/s工况下，无断链情况下链条与链轮接触点A、B处应力的实际值和预测值曲线对比结果如图6所示。测试不同工况下预测模型ARE和RMSE评价的分析结果如图7所示。根据图6可知，本文设计的BP神经网络模型预测应力值与实际曲线高度吻合；从图7可知，不同工况下，2个评价指标均反映出预测曲线的误差较小，显示了该模型的精度较高。
5结语
本文主要对刮板输送机的链传动系统的断链故障进行了研究，首先利用有限元软件分析了断链故障时链轮、链环间的应力变化，获取断链故障出现前、后链环之间应力特征；然后通过BP神经网络进行故障的预警与诊断。仿真实验显示本文构建的故障诊断预警模型能较好地跟踪实际应力值，精度较高，体现了预测模型的合理性和普适性。
作者:马艳芳 刘雪贞 邓小飞 单位:焦作大学