带式输送机故障准确诊断方法

2020-05-28蔡安江王洪波田凤阳

金属矿山 2020年4期

蔡安江李涛王洪波田凤阳杨洁

（1.西安建筑科技大学机电工程学院，陕西西安710055；2.西安建筑科技大学华清学院，陕西西安710043；3.河北省带式输送机技术创新中心，河北衡水053000）

目前带式输送机故障监测系统普遍存在准确度低、误报漏报和实时性差等问题，尤其是随着带式输送机朝着长距离、大运量、重载发展，带式输送机的实时监控与故障诊断的准确度成为研究重点。信息融合理论可以针对带式输送机故障的复杂性及故障之间的关联性，充分整合多源故障信息，有效克服故障的不确定性、复杂性及单个传感器信息带来的故障诊断局限性，大大提高故障诊断的准确度，降低误报漏报率。

带式输送机故障诊断已取得了研究成果：张学军[1]提出将BP神经网络与D-S证据理论融合来诊断带式输送机的火灾故障，有效降低了火灾误报率；Li Wei等[2]提出了一种基于小波包分解（WPD）和支持向量机（SVM）相结合的带式输送机故障诊断方法，解决了发生托辊卡死故障时难以确定卡死托辊位置的问题；吴定会等[3]提出利用模糊集理论和D-S证据理论融合进行带式输送机故障诊断，解决了基本概率赋值函数（BPAF）构造困难的问题，但在融合多证据时，信度函数取决于给定的隶属度函数的相关系数，其取值决定了故障诊断的准确度。信息融合理论研究应用也取得了进展，朱明明等[4]将多特征融合结合软判决的方法用于飞机检测，其检测率为94.25%、虚警率为5.5%；王浩等[5]将BP、RBF和SVM3种网络进行决策级融合，用于提高滚动轴承故障诊断精度。但以上方法大多只在信息融合的某一层次进行，具有一定的局限性。

鉴于以上研究应用，本研究结合信息融合理论提出了一种基于特征级与决策级的双层融合带式输送机故障准确诊断方法，建立带式输送机故障诊断信息融合模型，可有效提高带式输送机故障诊断准确度。

1 带式输送机故障准确诊断方法

1.1 故障现象与特征

带式输送机运行过程中，故障主要有打滑、托辊卡死和火灾等。打滑是带式输送机的主要失效形式，由于负载或者拉紧力的变化，打滑后输送带受到磨损温度升高，输送带受到紧边拉力的冲击易断裂。文献[6]提出带式输送机打滑动力学模型，采集输送带和传动滚筒角速度、输送带松、紧边拉力信息，为防止带式输送机打滑提供理论依据。托辊卡死故障主要是托辊轴承失效。当托辊卡死时，导致输送带与托辊间摩擦力增大，温度升高，其辊筒表面温度可达700℃，极易引发火灾事故。文献[7]对托辊振动信号进行监测，实现对故障托辊的识别和定位。输送带跑偏到一定程度卡死、输送带或者传动滚筒完全打滑或托辊卡死与输送带发生剧烈摩擦导致温度急剧升高而发生火灾故障。当输送带打滑40 min时，滚筒表面温度可达300℃[8]，引发火灾事故。

针对以上典型故障的特征，结合信号处理技术，本研究选取带式输送机带速、输送带绕上传动滚筒处的温度、电机电流作为监测信号。

1.2 故障准确诊断方法

根据带式输送机运行工况和典型故障特征，对监测信号进行预处理，时域借助于统计参数（如平均值、均值、方差等）进行分析；小波包是时频常采用的分析方法，小波包分解实质上是对信号的多带通滤波。带式输送机故障诊断主要是根据已提取的故障特征信息，采用合适的模式识别方法，对当前带式输送机工作状态和故障做出准确判断。

建立的带式输送机故障诊断信息融合模型如图1所示。

1.2.1 信息的采集、预处理和特征提取

分别采集带式输送机正常状态，打滑、托辊卡死和火灾故障发生时的带速、输送带绕上传动滚筒处温度、电机电流信号，所采集带速、温度信号对比如图2、图3所示。

从图2和图3可以看出：带式输送机在托辊卡死故障发生前期，失效托辊数量较少时，带速略低于正常值且所测温度和电机电流大于正常值；在打滑故障发生前期，带速低于正常值且低于托辊卡死故障发生时的带速，所测温度值要高于托辊卡死故障发生时的温度；当托辊卡死到一定程度或者打滑严重时，就会发生火灾故障，此时带式输送机带速比其余故障发生时更低，测量温度值和电机电流则更高。

将信号预处理后提取每种故障样本的小波包特征（3层分解，为14维向量）和基本特征（包括均值、标准差、方差、最大值、最小值），如表1所示。

4组运行状态典型数据分别进行归一化处理，成为无量纲的相对值，采用串行连接的方式将2种特征融合为新的特征，融合后的特征为均值、最大值、最小值、标准差、方差小波包特征，实现特征级的融合。

1.2.2 特征级故障诊断

3.研究型教学融合团队分工协作。实践教学是培养学生创新思维和应用技能的重要环节，教师要引导学生根据实验目的、原理、技术指标及注意事项制订实验方案，并及时启发和点拨有疑惑的学生，增强学生自主完成实验的信心。对于综合性实验，教师可使每个学生完成的实验任务不一致，这样既可以避免学生照搬照抄实验报告，又可以使学生发挥主观能动性，提高综合分析问题和解决问题的能力。对于工作量较大的题目，学生可通过分组合作来完成，这就要求组员之间分工协作，这有利于培养学生的团队精神。教师鼓励学生从选题、数据采集、图像处理、特征分析、信息提取到结果分析再到报告撰写都亲力亲为，为后续课程设计和毕业论文撰写打下基础。

利用融合特征分别训练量子粒子群（QSPO）优化的核极限学习机（KELM）分类器和SVM分类器，将测试样本输入分类器得到特征级融合诊断结果，并根据相应的分类器输出构造BPAF，实现D-S证据理论中BPAF的构造。

分析KELM输出函数可发现，核函数参数及惩罚系数对于KELM的分类精度产生重要影响[9-10]，本研究选择QPSO算法对KELM的参数进行优化[11]。在构造BPAF时，由于KELM的输出范围并不统一[12]，且常规二分类SVM输出为正负类输出，因此需要将分类器的输出变换为软输出，即概率输出。根据概率支持向量机的原理[13]，将KELM与SVM分类器输出转换为后验概率形式：

输出结果即为2种分类器各自的BPAF。将表1中4组运行状态典型数据的融合特征输入已训练的分类器，输出结果如表2所示。

分类器融合诊断分为4类，识别框架为正常、托辊卡死、火灾、打滑，表1中4组运行状态典型数据经分类器诊断后，第1组数据诊断为正常，KELM分类器支持程度为0.930 9，SVM分类器支持程度为0.896 6；第2组数据诊断为托辊卡死，KELM分类器支持程度为0.925 6，SVM分类器支持程度为0.887 3；第3组数据诊断为火灾，KELM分类器支持程度为0.879 5，SVM分类器支持程度为0.844 9；第4组数据诊断为打滑，KELM分类器支持程度为0.906 3，SVM分类器支持程度为0.934 1。

1.2.3 决策级故障诊断

决策级故障诊断采用D-S证据理论融合规则将特征级故障诊断结果再融合，得出决策级故障诊断结果，实现决策级的融合。其中D-S理论中合成规则[14]为

将表2分类器输出结果再融合，如表3所示。

带式输送机故障诊断信息融合模型融合决策级分类器的输出结果，对特征级诊断结果的支持程度会增加，即第1组诊断结果支持程度达到0.998 2，第2组诊断结果支持程度达到0.994 6，第3组诊断结果支持程度达到0.924 3，第4组诊断结果支持程度达到0.977 3。

根据4组运行状态典型数据，带式输送机故障诊断信息融合模型在特征级故障诊断时，分类器对各自的输出结果支持程度达到90%，不确定度10%左右；在决策级故障诊断时，分类器特征级故障诊断结果经过再融合后，对输出结果支持程度可达97%，不确定度降低为3%左右。

2 实验验证与分析

2.1 实验平台搭建

构建的带式输送机故障监测诊断实验台如图4所示。

带式输送机实验台中驱动电机额定电压为12.5 V，额定带速为0.16 m/s，输送带绕上驱动滚筒处的温度为30℃，额定电流0.4 A，但电机电流实时处在变化中。

2.2 实验结果与分析

实验台采集带式输送机运行中正常、托辊卡死、火灾和打滑状态下的数据，使用带式输送机故障准确诊断方法，在带式输送机故障诊断信息融合模型MATLAB平台进行故障融合诊断。分类器输出结果为4类，分别为1、2、3、4，识别框架为正常、托辊卡死、火灾、打滑。实验台采集4类数据样本，每种状态采集20组数据，共80组数据。采集样本中40组数据作为训练样本，另40组数据为测试样本，最终结果如图5所示，其混淆矩阵如图6所示。

从图5和图6可以看出，测试样本共40组，除将1组火灾运行状态错判断为正常状态，其余测试样本都诊断正确，因此，带式输送机故障诊断信息融合模型识别故障的准确率达到97%。