关于TSD450 型矿用带式输送机监控诊断系统的实现

郭志军

（山西华阳集团新能股份有限公司一矿，山西 阳泉 045000）

引言

带式输送机被广泛应用于煤矿、化工、冶金、物流等行业，具有运量大、工作平稳易于维护等优点，带式输送机是运输散料的理想设备，在工业生产中起到了举足轻重的作用。但在使用过程中，输送机也常发生各类故障，导致企业生产受到较大的损失，因此研究输送机的故障监控系统对提高设备的使用寿命以及企业的生产效益具有重要意义。带式输送机在运行过程中常发生的故障包括皮带跑偏、堆料、打滑、断裂等，各类故障的发生原因多种多样[1]。

故障监控系统主要目的是基于对设备各项参数的监控与分析，监控的阀值大于设定值时，系统发出警告，监控系统可以掌握设备的实时状态，当具有潜在的故障特征出现时，系统即可及时地发出预警信号，防止故障近一步扩大以造成更加严重的影响。随着带式输送机的应用越来越广泛，如何构建起带式输送机的在线监控系统成为了带式输送机故障诊断的一个重要研究领域。

1 故障诊断发展现状

故障一般定义为系统中存在一个及以上的特征或参数偏离正常值，且设备不能完成预期的动作的行为。故障诊断主要通过一些状态监控手段实现对设备的监测，以提前了解设备可能存在的异常情况，对于一些比较先进的故障诊断系统还可以提前发出故障预警。目前，故障诊断已经成为了一个热点研究领域，故障诊断的基本理论与方法包括数据采集、故障分离、故障识别等内容。数据采集是诊断的基础，只有了解足够多的设备特征信号才能正确判断设备的状况，故障检测一般涉及多个学科，包括信号处理、人工智能、神经网络、计算机工程等技术。诊断与控制相结合，可以根据系统对设备状态的识别与判断，确定改变设备运行方式或策略，采取适当的保护措施来预防故障的发生，从而在最大限度上起到对设备的保护作用[2]。

2 常见故障分析

带式输送机常发生各类故障，因此对煤炭的生产产生了较大的影响，为了尽可能降低设备故障带来的影响，需要对各类型故障的特点以及性质进行简要分类。下面对带式输送机的一些常见故障做简要介绍。皮带跑偏是指输送带中心线偏离机架中心线的现象，是带式输送机常见的故障类型，皮带跑偏多是皮带张紧力下降或者是其他设备设置不当造成。皮带跑偏也可能会导致比较严重的事故产生，因此跑偏检测依旧是带式输送机故障监控的重点研究领域[3]。

皮带发生撕裂也是带式输送机常见的故障，其主要原因是设备超载或者受物料刺破所导致，一般对于皮带撕裂的诊断方法就是提高皮带的抗拉强度。与此同时，在设备的使用过程中应严格控制输送机的运输量，以保证设备处于正常工况下工作。皮带打滑是指皮带与滚筒之间摩擦力过小，导致带速低于滚筒的线速度，这与皮带与滚筒之间的接触角度密切相关。还有可能的故障是皮带异常噪音，当设备的托辊等旋转设备出现故障时，设备会产生异常的噪音和振动，为了判断此类故障，应加大对设备噪音与振动特性的监听[4]。

3 故障诊断原理

由于带式输送机故障监控系统存在较大的准确性误差，且不能提前预判设备可能出现的故障，因此必须在设备在线监控系统基础之上做出改进，以提高对设备故障的预判能力。首先，设备故障的诊断都是通过对设备运行情况的分析，结合历史运行情况对输送机状态进行判断。相较于传统的接触式故障诊断技术，现在一般基于模糊性计算网络实现，比较常见的如BP 神经网络。

传统的故障诊断一般采用多仪器联动，直接探测设备的状态并做出判断，因此故障诊断具有较大的延后性，都是当设备已经出现了严重的事故后，才可能被探测出来；但现在的神经网络分析方法，可在故障处于萌发状态将其检测出来，大大提高了对设备的修复能力，对于提高设备的使用寿命具有重要意义[5]。

4 故障诊断方法

4.1 方法概述

BP 神经网络是一种多层结构的前馈式神经网络分析算法，算法主要结构可分为输出层、隐含层、输入层，其中输入层为外界数据接口，经过神经网络算法的计算分析，从输出层输出数据的处理结果，其结构如图1 所示。神经网络算法的激励函数包括logsig 函数、tansig 等函数，此类函数的输出结果为0～1 之间的联系量，因此可以解决很多离散分布问题，具有较好的非线性问题处理能力。

图1 神经网络算法结构示意图

神经网络包含m 个输入和n 个输出，对于任意闭区间内的连续函数，通过合理设置BP 网络的神经元计算数量，则可以比较好的精度接近真实值，提高了模糊系统的计算能力。采用三层BP 神经网络完成对故障特征的非线性映射，确保了算法的计算精度与计算效率[6]。

4.2 故障诊断的实现

故障诊断首先需要对算法训练模型进行训练，本研究中采用Matlab 软件，作为神经网络程序的运行测试软件，在对神经网络进行训练时使用了具有故障特征的信号。输入样本数据中包含的故障类型有皮带跑偏、打滑、托辊轴承故障等，算法的部分训练数据如表1 所示，对算法输出的结果进行判断，并假定某一时刻只发生一种故障，如皮带跑偏故障以二进制数据表示为[0，1，0，0]。

表1 部分神经网络训练样本

在确定了神经网络的训练样本后，对神经网络进行训练，神经的自我学习能力可以帮助其识别设备中可能出现的类似故障，因此神经网络可以极大地提前发现故障，有效提高设备的使用寿命，如图2所示为神经网络训练图片。

图2 故障诊断BP 神经网络训练

5 系统监控诊断功能的实现

为了检验监控系统的在线监控与诊断功能，分别对系统的各个功能进行了试验与测试，在系统测试中监控与诊断系统可以很好地实现对带式输送机故障的监控与诊断，能够发现潜在故障并进行有效的故障预警。

带式输送机监控与诊断系统基础是建立在系统实时监控数据之上，由实时监控系统对带式输送机关键部位、关键零部件结构进行监控，并将监控得到的数据实时导入神经网络中进行计算分析，若出现故障，神经网络第一时间发现故障，并发出报警。如图3 所示，为带式输送机监控系统在输送带张力的监控曲线，可及时了解在不同时刻以及运行状态下的带式输送机皮带张力情况，由于篇幅所限，不再对系统的各项功能做详细介绍。

图3 带式输送机监控诊断系统

6 结论

基于神经网络算法的矿用带式输送机监控与故障诊断系统，具有强大的数据实时导入与计算功能，可准确地对带式输送机故障进行诊断与监检测，能够有效提高设备的工作效率，减小因设备故障造成的损失。