帶式輸送機(jī)故障準(zhǔn)確診斷方法

蔡安江 李 濤 王洪波 田鳳陽 楊 潔

（1.西安建筑科技大學(xué)機(jī)電工程學(xué)院，陜西西安710055；2.西安建筑科技大學(xué)華清學(xué)院，陜西西安710043；3.河北省帶式輸送機(jī)技術(shù)創(chuàng)新中心，河北衡水053000）

目前帶式輸送機(jī)故障監(jiān)測系統(tǒng)普遍存在準(zhǔn)確度低、誤報漏報和實(shí)時性差等問題，尤其是隨著帶式輸送機(jī)朝著長距離、大運(yùn)量、重載發(fā)展，帶式輸送機(jī)的實(shí)時監(jiān)控與故障診斷的準(zhǔn)確度成為研究重點(diǎn)。信息融合理論可以針對帶式輸送機(jī)故障的復(fù)雜性及故障之間的關(guān)聯(lián)性，充分整合多源故障信息，有效克服故障的不確定性、復(fù)雜性及單個傳感器信息帶來的故障診斷局限性，大大提高故障診斷的準(zhǔn)確度，降低誤報漏報率。

帶式輸送機(jī)故障診斷已取得了研究成果：張學(xué)軍[1]提出將BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論融合來診斷帶式輸送機(jī)的火災(zāi)故障，有效降低了火災(zāi)誤報率；Li Wei等[2]提出了一種基于小波包分解（WPD）和支持向量機(jī)（SVM）相結(jié)合的帶式輸送機(jī)故障診斷方法，解決了發(fā)生托輥卡死故障時難以確定卡死托輥位置的問題；吳定會等[3]提出利用模糊集理論和D-S證據(jù)理論融合進(jìn)行帶式輸送機(jī)故障診斷，解決了基本概率賦值函數(shù)（BPAF）構(gòu)造困難的問題，但在融合多證據(jù)時，信度函數(shù)取決于給定的隸屬度函數(shù)的相關(guān)系數(shù)，其取值決定了故障診斷的準(zhǔn)確度。信息融合理論研究應(yīng)用也取得了進(jìn)展，朱明明等[4]將多特征融合結(jié)合軟判決的方法用于飛機(jī)檢測，其檢測率為94.25%、虛警率為5.5%；王浩等[5]將BP、RBF和SVM3種網(wǎng)絡(luò)進(jìn)行決策級融合，用于提高滾動軸承故障診斷精度。但以上方法大多只在信息融合的某一層次進(jìn)行，具有一定的局限性。

鑒于以上研究應(yīng)用，本研究結(jié)合信息融合理論提出了一種基于特征級與決策級的雙層融合帶式輸送機(jī)故障準(zhǔn)確診斷方法，建立帶式輸送機(jī)故障診斷信息融合模型，可有效提高帶式輸送機(jī)故障診斷準(zhǔn)確度。

1 帶式輸送機(jī)故障準(zhǔn)確診斷方法

1.1 故障現(xiàn)象與特征

帶式輸送機(jī)運(yùn)行過程中，故障主要有打滑、托輥卡死和火災(zāi)等。打滑是帶式輸送機(jī)的主要失效形式，由于負(fù)載或者拉緊力的變化，打滑后輸送帶受到磨損溫度升高，輸送帶受到緊邊拉力的沖擊易斷裂。文獻(xiàn)[6]提出帶式輸送機(jī)打滑動力學(xué)模型，采集輸送帶和傳動滾筒角速度、輸送帶松、緊邊拉力信息，為防止帶式輸送機(jī)打滑提供理論依據(jù)。托輥卡死故障主要是托輥軸承失效。當(dāng)托輥卡死時，導(dǎo)致輸送帶與托輥間摩擦力增大，溫度升高，其輥筒表面溫度可達(dá)700℃，極易引發(fā)火災(zāi)事故。文獻(xiàn)[7]對托輥振動信號進(jìn)行監(jiān)測，實(shí)現(xiàn)對故障托輥的識別和定位。輸送帶跑偏到一定程度卡死、輸送帶或者傳動滾筒完全打滑或托輥卡死與輸送帶發(fā)生劇烈摩擦導(dǎo)致溫度急劇升高而發(fā)生火災(zāi)故障。當(dāng)輸送帶打滑40 min時，滾筒表面溫度可達(dá)300℃[8]，引發(fā)火災(zāi)事故。

針對以上典型故障的特征，結(jié)合信號處理技術(shù)，本研究選取帶式輸送機(jī)帶速、輸送帶繞上傳動滾筒處的溫度、電機(jī)電流作為監(jiān)測信號。

1.2 故障準(zhǔn)確診斷方法

根據(jù)帶式輸送機(jī)運(yùn)行工況和典型故障特征，對監(jiān)測信號進(jìn)行預(yù)處理，時域借助于統(tǒng)計參數(shù)（如平均值、均值、方差等）進(jìn)行分析；小波包是時頻常采用的分析方法，小波包分解實(shí)質(zhì)上是對信號的多帶通濾波。帶式輸送機(jī)故障診斷主要是根據(jù)已提取的故障特征信息，采用合適的模式識別方法，對當(dāng)前帶式輸送機(jī)工作狀態(tài)和故障做出準(zhǔn)確判斷。

建立的帶式輸送機(jī)故障診斷信息融合模型如圖1所示。

1.2.1 信息的采集、預(yù)處理和特征提取

分別采集帶式輸送機(jī)正常狀態(tài)，打滑、托輥卡死和火災(zāi)故障發(fā)生時的帶速、輸送帶繞上傳動滾筒處溫度、電機(jī)電流信號，所采集帶速、溫度信號對比如圖2、圖3所示。

從圖2和圖3可以看出：帶式輸送機(jī)在托輥卡死故障發(fā)生前期，失效托輥數(shù)量較少時，帶速略低于正常值且所測溫度和電機(jī)電流大于正常值；在打滑故障發(fā)生前期，帶速低于正常值且低于托輥卡死故障發(fā)生時的帶速，所測溫度值要高于托輥卡死故障發(fā)生時的溫度；當(dāng)托輥卡死到一定程度或者打滑嚴(yán)重時，就會發(fā)生火災(zāi)故障，此時帶式輸送機(jī)帶速比其余故障發(fā)生時更低，測量溫度值和電機(jī)電流則更高。

將信號預(yù)處理后提取每種故障樣本的小波包特征（3層分解，為14維向量）和基本特征（包括均值、標(biāo)準(zhǔn)差、方差、最大值、最小值），如表1所示。

?

4組運(yùn)行狀態(tài)典型數(shù)據(jù)分別進(jìn)行歸一化處理，成為無量綱的相對值，采用串行連接的方式將2種特征融合為新的特征，融合后的特征為均值、最大值、最小值、標(biāo)準(zhǔn)差、方差小波包特征，實(shí)現(xiàn)特征級的融合。

1.2.2 特征級故障診斷

3.研究型教學(xué)融合團(tuán)隊分工協(xié)作。實(shí)踐教學(xué)是培養(yǎng)學(xué)生創(chuàng)新思維和應(yīng)用技能的重要環(huán)節(jié)，教師要引導(dǎo)學(xué)生根據(jù)實(shí)驗(yàn)?zāi)康?、原理、技術(shù)指標(biāo)及注意事項制訂實(shí)驗(yàn)方案，并及時啟發(fā)和點(diǎn)撥有疑惑的學(xué)生，增強(qiáng)學(xué)生自主完成實(shí)驗(yàn)的信心。對于綜合性實(shí)驗(yàn)，教師可使每個學(xué)生完成的實(shí)驗(yàn)任務(wù)不一致，這樣既可以避免學(xué)生照搬照抄實(shí)驗(yàn)報告，又可以使學(xué)生發(fā)揮主觀能動性，提高綜合分析問題和解決問題的能力。對于工作量較大的題目，學(xué)生可通過分組合作來完成，這就要求組員之間分工協(xié)作，這有利于培養(yǎng)學(xué)生的團(tuán)隊精神。教師鼓勵學(xué)生從選題、數(shù)據(jù)采集、圖像處理、特征分析、信息提取到結(jié)果分析再到報告撰寫都親力親為，為后續(xù)課程設(shè)計和畢業(yè)論文撰寫打下基礎(chǔ)。

利用融合特征分別訓(xùn)練量子粒子群（QSPO）優(yōu)化的核極限學(xué)習(xí)機(jī)（KELM）分類器和SVM分類器，將測試樣本輸入分類器得到特征級融合診斷結(jié)果，并根據(jù)相應(yīng)的分類器輸出構(gòu)造BPAF，實(shí)現(xiàn)D-S證據(jù)理論中BPAF的構(gòu)造。

分析KELM輸出函數(shù)可發(fā)現(xiàn)，核函數(shù)參數(shù)及懲罰系數(shù)對于KELM的分類精度產(chǎn)生重要影響[9-10]，本研究選擇QPSO算法對KELM的參數(shù)進(jìn)行優(yōu)化[11]。在構(gòu)造BPAF時，由于KELM的輸出范圍并不統(tǒng)一[12]，且常規(guī)二分類SVM輸出為正負(fù)類輸出，因此需要將分類器的輸出變換為軟輸出，即概率輸出。根據(jù)概率支持向量機(jī)的原理[13]，將KELM與SVM分類器輸出轉(zhuǎn)換為后驗(yàn)概率形式：

輸出結(jié)果即為2種分類器各自的BPAF。將表1中4組運(yùn)行狀態(tài)典型數(shù)據(jù)的融合特征輸入已訓(xùn)練的分類器，輸出結(jié)果如表2所示。

?

分類器融合診斷分為4類，識別框架為正常、托輥卡死、火災(zāi)、打滑，表1中4組運(yùn)行狀態(tài)典型數(shù)據(jù)經(jīng)分類器診斷后，第1組數(shù)據(jù)診斷為正常，KELM分類器支持程度為0.930 9，SVM分類器支持程度為0.896 6；第2組數(shù)據(jù)診斷為托輥卡死，KELM分類器支持程度為0.925 6，SVM分類器支持程度為0.887 3；第3組數(shù)據(jù)診斷為火災(zāi)，KELM分類器支持程度為0.879 5，SVM分類器支持程度為0.844 9；第4組數(shù)據(jù)診斷為打滑，KELM分類器支持程度為0.906 3，SVM分類器支持程度為0.934 1。

1.2.3 決策級故障診斷

決策級故障診斷采用D-S證據(jù)理論融合規(guī)則將特征級故障診斷結(jié)果再融合，得出決策級故障診斷結(jié)果，實(shí)現(xiàn)決策級的融合。其中D-S理論中合成規(guī)則[14]為

將表2分類器輸出結(jié)果再融合，如表3所示。

帶式輸送機(jī)故障診斷信息融合模型融合決策級分類器的輸出結(jié)果，對特征級診斷結(jié)果的支持程度會增加，即第1組診斷結(jié)果支持程度達(dá)到0.998 2，第2組診斷結(jié)果支持程度達(dá)到0.994 6，第3組診斷結(jié)果支持程度達(dá)到0.924 3，第4組診斷結(jié)果支持程度達(dá)到0.977 3。

?

根據(jù)4組運(yùn)行狀態(tài)典型數(shù)據(jù)，帶式輸送機(jī)故障診斷信息融合模型在特征級故障診斷時，分類器對各自的輸出結(jié)果支持程度達(dá)到90%，不確定度10%左右；在決策級故障診斷時，分類器特征級故障診斷結(jié)果經(jīng)過再融合后，對輸出結(jié)果支持程度可達(dá)97%，不確定度降低為3%左右。

2 實(shí)驗(yàn)驗(yàn)證與分析

2.1 實(shí)驗(yàn)平臺搭建

構(gòu)建的帶式輸送機(jī)故障監(jiān)測診斷實(shí)驗(yàn)臺如圖4所示。

帶式輸送機(jī)實(shí)驗(yàn)臺中驅(qū)動電機(jī)額定電壓為12.5 V，額定帶速為0.16 m/s，輸送帶繞上驅(qū)動滾筒處的溫度為30℃，額定電流0.4 A，但電機(jī)電流實(shí)時處在變化中。

2.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)臺采集帶式輸送機(jī)運(yùn)行中正常、托輥卡死、火災(zāi)和打滑狀態(tài)下的數(shù)據(jù)，使用帶式輸送機(jī)故障準(zhǔn)確診斷方法，在帶式輸送機(jī)故障診斷信息融合模型MATLAB平臺進(jìn)行故障融合診斷。分類器輸出結(jié)果為4類，分別為1、2、3、4，識別框架為正常、托輥卡死、火災(zāi)、打滑。實(shí)驗(yàn)臺采集4類數(shù)據(jù)樣本，每種狀態(tài)采集20組數(shù)據(jù)，共80組數(shù)據(jù)。采集樣本中40組數(shù)據(jù)作為訓(xùn)練樣本，另40組數(shù)據(jù)為測試樣本，最終結(jié)果如圖5所示，其混淆矩陣如圖6所示。

從圖5和圖6可以看出，測試樣本共40組，除將1組火災(zāi)運(yùn)行狀態(tài)錯判斷為正常狀態(tài)，其余測試樣本都診斷正確，因此，帶式輸送機(jī)故障診斷信息融合模型識別故障的準(zhǔn)確率達(dá)到97%。

3 結(jié) 論

（1）針對帶式輸送機(jī)故障種類多、關(guān)聯(lián)性高且目前故障監(jiān)測存在準(zhǔn)確度低、實(shí)時性差等問題，提出一種基于特征級決策級雙層融合的診斷方法，并建立了帶式輸送機(jī)故障診斷信息融合模型，實(shí)現(xiàn)了帶式輸送機(jī)故障診斷準(zhǔn)確度的提高，故障診斷準(zhǔn)確度達(dá)到97%。

（2）選取KELM和SVM作為分類器，對帶式輸送機(jī)運(yùn)行與故障狀態(tài)作出準(zhǔn)確判斷。采用QPSO算法優(yōu)化KELM網(wǎng)絡(luò)參數(shù)，有效解決KELM參數(shù)敏感問題；提出用2種分類器的概率輸出來構(gòu)造其各自的BPAF，有效解決了D-S證據(jù)理論中BPAF的構(gòu)造。

（3）構(gòu)建帶式輸送機(jī)故障監(jiān)測診斷實(shí)驗(yàn)臺，采集帶式輸送機(jī)運(yùn)行狀態(tài)信息，應(yīng)用所提出的基于特征級決策級雙層融合的診斷方法進(jìn)行了故障診斷分析，故障識別率達(dá)到了97%；應(yīng)用MATLAB進(jìn)行了該方法的進(jìn)一步驗(yàn)證，結(jié)果表明基于特征級決策級雙層融合的帶式輸送機(jī)故障準(zhǔn)確診斷方法可有效提高帶式輸送機(jī)故障的診斷準(zhǔn)確度。