礦井帶式輸送機運行故障檢測方法研究與應(yīng)用

王新成

（山西煤炭進(jìn)出口集團(tuán) 洪洞陸成煤業(yè)有限公司，山西 臨汾 041600）

1 概 況

在礦井開采煤炭和運輸過程中，滾筒是帶式輸送機最常用、最容易發(fā)生故障的部件，也是最需要維護(hù)的部件。傳統(tǒng)故障診斷是人工檢測，需要安排工人定期檢測，耗時費力，且不能及時和準(zhǔn)確的發(fā)現(xiàn)故障。近年來，故障診斷方法從傳統(tǒng)的人工診斷發(fā)展到智能診斷。基于數(shù)據(jù)的故障智能診斷的基本過程主要包括信號處理、特征提取和故障分類。雖然智能診斷能診斷故障，但存在不能診斷多重故障、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜、不能同時分析高低頻部件等問題。為了解決這些問題，以陸成煤業(yè)DTL100/50/132型帶式輸送機為例，提出了一種基于音頻小波包分解和神經(jīng)網(wǎng)絡(luò)的故障智能診斷方法，與傳統(tǒng)的人工檢測相比，該方法可以更快地檢測出故障，減少維修人員的數(shù)量。

2 基于小波包變換的故障高頻信號預(yù)處理

DTL100/50/132型帶式輸送機主要由輸送帶、滾筒、張緊裝置、傳動裝置等部件組成，如圖1所示，其工作原理為輸送帶圍繞滾筒形成環(huán)形并由張緊裝置進(jìn)行張緊，作業(yè)時電動機產(chǎn)生動力驅(qū)動輸送帶做連續(xù)運動。

當(dāng)帶式輸送機發(fā)生滾筒卡住、斷裂等情況時，振動信號、音頻信號和圖像信號都會發(fā)生變化。但振動傳感器是一種接觸式傳感器，很難安裝；礦井環(huán)境有大量的灰塵，很容易阻擋相機的鏡頭，干擾圖像信息；而音頻傳感器是一種非接觸式傳感器，易于安裝和收集數(shù)據(jù)。因此，采用音頻數(shù)據(jù)來診斷滾筒故障。

滾筒在正常和故障狀態(tài)下的音頻信號波形如圖2所示。音頻信號的采樣頻率為28 850 Hz，采樣時間為0.01 s。當(dāng)故障發(fā)生時，音頻信號的高頻部分增加，信號幅度增加。但如果僅根據(jù)高頻信號的能量比例來診斷故障，就會有很多誤診。例如，來自皮帶輸送機頭部的噪聲信號也是高頻信號，可能會被誤診為故障。

圖2 正常與異常信號曲線對比Fig.2 Comparison of normal and abnormal signal curves

針對上述問題，采用小波包變換對音頻數(shù)據(jù)進(jìn)行預(yù)處理，可以同時對信號的高頻和低頻部分進(jìn)行分解。小波包轉(zhuǎn)換過程如圖3所示。工程中常用的小波包分解層數(shù)為3～8層。由于滾筒的音頻包含大量的噪聲信息，更詳細(xì)的分解有助于故障診斷，此次對滾筒的音頻數(shù)據(jù)進(jìn)行了8層小波包變換。

圖3 8層小波包變換原理Fig.3 8-layer wavelet packet transform principle

用于小波包變換的小波基函數(shù)是多貝西小波中的db2小波，它采用二階解析矩，可以有效去除滾筒音頻信號中的環(huán)境噪聲。經(jīng)過小波包分解后的環(huán)境噪聲和滾筒聲信號將被分解成不同的頻帶。環(huán)境噪聲不會干擾滾筒聲音信號的故障分析。

3 基于神經(jīng)網(wǎng)絡(luò)的故障分類算法

經(jīng)過n層小波包變換后，將得到2n個頻帶。此次采用8層小波包變換，得到每組數(shù)據(jù)的256個頻帶數(shù)據(jù)。256個頻段的數(shù)據(jù)難以轉(zhuǎn)換為二維數(shù)據(jù)并輸入到CNN中。因此，應(yīng)計算每個頻帶的數(shù)據(jù)特征。滾筒數(shù)據(jù)的特征包括能譜、標(biāo)準(zhǔn)差、平均值等。

通過分析，每個頻帶約占監(jiān)測數(shù)據(jù)總能量的12%。然而滾筒的故障信息主要集中在高頻率部分，因此最低頻帶數(shù)據(jù)被調(diào)整為相同的相鄰頻帶。提取每個頻帶后的平均值和標(biāo)準(zhǔn)差小波包變換作為特征，并比較分類影響選擇最合適的特征進(jìn)行滾筒故障診斷。

256個數(shù)據(jù)轉(zhuǎn)換為16×16個二維數(shù)據(jù)。16×16輸入數(shù)據(jù)對CNN來說易于處理。此次所使用的CNN模型為LeNet-5，并進(jìn)行了適當(dāng)?shù)男薷模?層，如圖4所示。輸入數(shù)據(jù)的大小為16×16，輸出數(shù)據(jù)的大小為3×1。CNN包括2個卷積層、2個池層和1個輸出層。

圖4 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)Fig.4 Structure of convolutional neural network

4 試驗驗證分析

聲音傳感器安裝在帶式輸送機的一側(cè)，如圖5所示。為了保證該算法的準(zhǔn)確性，采集了46組皮帶無載和運輸煤炭的音頻數(shù)據(jù)。采樣頻率為28 850 Hz，在每個音頻段中約有20 000個采樣點。根據(jù)滾筒的操作情況，將滾筒分為3個狀態(tài)，100表示正常狀態(tài)；010表示異常狀態(tài)；001表示故障狀態(tài)，如圖6所示。

圖5 傳感器的安裝Fig.5 Installation of sensors

圖6 不同狀態(tài)的監(jiān)測示意圖Fig.6 Monitoring schematics of different states

異常狀態(tài)是指滾子被卡住，即滾子與皮帶分離，這類故障危害較小，操作完成后可進(jìn)行修復(fù)。故障狀態(tài)為滾子為斷裂，這個故障可能會造成非常嚴(yán)重的后果。在神經(jīng)網(wǎng)絡(luò)中，通過細(xì)分每一組數(shù)據(jù)，可以獲得更多的數(shù)據(jù)。每一組在原始數(shù)據(jù)中大約有2萬個數(shù)據(jù)點。將4 000個數(shù)據(jù)點分成一組，將原46組數(shù)據(jù)擴(kuò)展到230組。

200組數(shù)據(jù)作訓(xùn)練數(shù)據(jù)集，30組數(shù)據(jù)作測試數(shù)據(jù)集。通過比較兩種特征的分類精度來選擇更合適的特征。從圖7可以看出，兩種特征的訓(xùn)練誤差都很低，并且兩種誤差曲線都很快穩(wěn)定下來。當(dāng)特征為平均值時，訓(xùn)練誤差為2%，當(dāng)特征為標(biāo)準(zhǔn)差時，訓(xùn)練誤差為4%。

圖7 數(shù)據(jù)訓(xùn)練誤差曲線Fig.7 Data training error curve

不同特征的測試數(shù)據(jù)集的分類精度見表1。從表1可以看出，對于測試數(shù)據(jù)集，平均值作為特征的分類準(zhǔn)確率為86%，標(biāo)準(zhǔn)差為93%。因此，使用標(biāo)準(zhǔn)差作為數(shù)據(jù)特征可以更有效地診斷滾筒故障。

表1 不同特征的測試數(shù)據(jù)集的分類精度統(tǒng)計Table 1 Classification accuracy statistics of test data sets with different features

此次進(jìn)一步研究了小波包變換后通過調(diào)整最低頻帶數(shù)據(jù)來提高分類效果的問題。以標(biāo)準(zhǔn)差作為數(shù)據(jù)特征，見表2。不調(diào)整最低頻帶數(shù)據(jù)的測試數(shù)據(jù)集的分類準(zhǔn)確率為90%，調(diào)整最低頻帶數(shù)據(jù)的分類準(zhǔn)確率為93%。因此，通過調(diào)整最低頻率數(shù)據(jù)，可以提高滾筒故障診斷的效果。

表2 測試數(shù)據(jù)集的分類精度統(tǒng)計Table 2 Classification accuracy statistics of test data set

5 結(jié) 語

以陸成煤業(yè)DTL100/50/132型帶式輸送機為例，提出了一種基于音頻小波包分解和神經(jīng)網(wǎng)絡(luò)的故障智能診斷方法。利用小波包變換將音頻信號分解為256個頻帶，并將標(biāo)準(zhǔn)差和均值作為數(shù)據(jù)特征進(jìn)行計算。實驗結(jié)果表明，使用標(biāo)準(zhǔn)差作為數(shù)據(jù)特征的方法在滾筒故障診斷中更為有效。然后使用CNN對數(shù)據(jù)特征進(jìn)行分類來診斷滾筒故障。研究成果為礦井帶式輸送機故障診斷方法研究提供了借鑒。