信息融合技術在托輥軸承故障診斷中的應用

韓濤，胡英貝，張蕾，張文濤，徐振宇

(洛陽軸研科技股份有限公司，河南 洛陽 471039)

由于礦井的環境條件差，輸送機用托輥軸承內很容易進入粉塵，造成軸承非正常振動，轉動不靈活，導致軸承損壞直至卡死，此時輸送膠帶則在托輥表面持續摩擦，使托輥積累大量的熱量，停車后靜止不動的膠帶與卡死的高溫托輥持續接觸，從而烤燃膠帶，易引發火災。

溫度監測是對托輥軸承的主要診斷手段，由于托輥軸承在損壞前一直轉動，其表面溫度難以直接測量。而托輥軸不轉動且直徑較小，利于表面溫度向托輥軸上傳遞，所以將溫度傳感器安裝在托輥軸端[1]，通過軸的溫度判斷托輥軸承是否出現故障，但實際使用中往往不能及時準確地反應軸承情況。基于此，選用信息融合方法監測托輥軸承的各項參數，達到對托輥軸承進行融合診斷的目的。

1 基于D-S證據理論的信息融合方法

信息融合診斷系統采用多個傳感器，從多方面探測系統的物理量，對多源的信息和數據進行分級處理，可精確及時地判斷出系統的狀態，并給出系統故障狀態現象及其原因[2]。

1.1 D-S證據理論

在故障診斷問題中，將各種可能故障的集合定義為識別框架Θ，故障的每一種癥狀為證據。2Θ表示Θ的所有子集，其中每一個元素代表關于Θ的一個基元。

1.1.1 基本概率分配函數

設Θ為識別框架，m(X)以[0,1]區間上一個值來賦予2Θ中每一個元素，即：2Θ→[0,1]滿足m(Φ)=0且∑X∈2Θm(X)=1。其作用是把Θ中任意一個子集映射為[0，1]上的一個數m(X)，m(X)稱為基本概率分配函數，表示對X的精確信任程度，其憑經驗給出或根據傳感器所得到的數據構造。

1.1.2 信任函數

設Θ為識別框架，Θ上由基本概率分配函數導出的信任函數定義為Bel:2Θ→[0，1]，

Bel(X)=∑Y?X,X?Θm(Y),

(1)

滿足：Bel(Θ)=0或Bel(Θ)=1 。信任函數作為信任區間的下限，表示對X的全部信任，亦即X中全部子集對應的基本信任分配之和。關于一個命題X只用信任函數來描述還是不夠的，因為Bel不能反映懷疑X的程度即相信X的不為真的程度。所以為了全面地進行描述，對X的信任還必須引入若干表示懷疑X的程度的量。

1.1.3 似然函數

設Θ為識別框架，Θ上由基本概率分配函數導出的似然函數定義為Pl:2Θ→[0，1]，

(2)

在證據理論中，可具體表述如下：設a,b∈(0,1)且a

[Bel(X),Pl(X)]=[0,a] 表示有一些證據否定X；

[Bel(X),Pl(X)]=[a,1] 表示有一些證據支持X；

[Bel(X),Pl(X)]=[a,b] 表示有一些證據既支持X又否定X；

[Bel(X),Pl(X)]=[0,1] 表示證據對X一無所知；

[Bel(X),Pl(X)]=[1,0] 表示證據完全相信命題X。

1.2 故障原因分析

由于軸承溫度不僅取決于摩擦力的大小，而且與潤滑效果有直接關系。所以不但要監視軸溫，而且要監視潤滑油的油量和溫度。另一方面，由于軸承受力還反應在軸的擺度上，故軸承的診斷常輔以機組振動、擺度的監測。托輥軸承故障的主要原因如下：

(1)托輥組徑向載荷過大。輸送機加料不均勻，造成托輥組振動；轉動部分質量不平衡、軸線不對中等。

(2)軸承潤滑不良。局部溫度升高導致漏油，使得潤滑油量變小，潤滑不良；軸承密封不嚴，進入粉塵，影響潤滑。

(3)機組安裝間隙偏小。一般發生在新托輥組，已運行一段時間的機組可不考慮此問題。

1.3 故障監測及預處理

根據以上分析，主要選擇以下監測參數：

(1)托輥軸承處振動。選取振動加速度信號，經小波變換去噪及FFT處理后所得的功率譜為振動信息特征，設振動加速度信號為x1，N為采樣長度，則振動加速度信號的功率譜為

(3)

由上式可得到(N-1)/2個特征向量，從應用角度看，特征向量維數過大，需處理的信息量就大，影響運算速度，所以需要進行特征維數壓縮。為此，對振動信號在頻域中提取能量特征，即將振動信號的功率譜分為若干段，計算每一小段頻帶的能量，以各段頻帶能量的集合作為振動信號的特征向量[3]。

(2)托輥軸溫度。采用溫度變送器監測。

(3)托輥組徑向載荷。采用壓力變送器監測。

3種參數分別由加速度傳感器、溫度傳感器以及壓力傳感器測得，并用模糊數學方法進行處理得到各參數的特征向量。托輥軸承故障診斷信息融合結構圖如圖1所示。

圖1 托輥軸承故障診斷信息融合結構圖

1.4 故障識別框架的建立

設N1表示故障目標的數目，N2表示傳感器數目，Ci(Aj)表示傳感器i對故障Aj的相關系數；ai表示i與目標之間的相關系數；bi表示各目標相關系數的分布系數。則傳感器的可靠性系數Ri為

(4)

故障目標Aj和不確定性q的mass函數為

(5)

(6)

基于以上分析，可建立托輥軸承故障識別框架：Θ={m1，m2，m3}，其中：m1為托輥組徑向載荷過大，m2為軸溫過高，m3為潤滑故障。設Bel1,Bel2,Bel3為論域上3個獨立證據的信任函數，在同一識別框架下，來自3個證據源的信任分配函數為m1(X),m2(Y)和m3(Z)，其中的子集元素為X1,X2，…，Xk；Y1，Y2，…Yl和Z1,Z2,…,Zq。

2 示例分析

某煤礦3#輸送機于2008年改造時安裝了實時監控系統，對輸送機的一些運行參數進行監測及數據存儲，但并未安裝分析與數據融合系統。由于此輸送機回程段煤粉長期積累，機尾第二組下托輥卡死，溫度持續升高，停機后輸送帶經過與機尾高溫托輥接觸而烤熔，造成扭曲變形，開機后便出現跑偏等故障，被迫停機，對生產造成很大的影響。現將跑偏前可能引起軸承故障的參數進行特征提取和分析，各參數經過預處理并利用上述識別框架進行融合處理[4-5]。

利用加速度傳感器、溫度傳感器和壓力傳感器分別測出的數據構造mass函數，對于同類傳感器所測數據采用平均加權法進行融合處理，得到接近真值的測量值，對于異類傳感器所測得的信息用最小二乘法進行融合處理。經過特征提取后得到各診斷目標的mass函數及融合診斷結果，見表1和表2。

表1 3類傳感器數據處理后所得的信任函數值及診斷結果

選擇Bel(X)>0.5，且m(q)<0.1作為判斷是否存在故障的決策條件,若m(q)>0.1則不能判斷是否存在故障決策條件[4]。

由表1中數據可以看出，m(q)均較大無法確定故障，各傳感器監測的參數利用(3)式預處理后，再利用(5)～(6)式得到各傳感器A1i,A2j,A3k對各故障目標A1,A2,A3和不確定性q的mass函數，然后將所得的各mass函數按Dempster-Shafer融合規則進行融合，確定新的mass函數,再利用(1)～(2)式計算出信任區間以及m(q)判斷是否滿足決策條件，從而給出融合診斷結果，即表2中的數據。

表2 融合處理后所得的各診斷目標的信任區間及融合診斷結果

由表1、表2的數據可以得出，由單一傳感器提取出的數據不能確定托輥軸承是否處于故障狀態，經過融合處理的結果表明故障原因是軸溫過高，托輥軸承已磨損破壞，這與造成事故的原因一致。

3 結束語

將多傳感器信息融合方法引入托輥軸承故障診斷中，采用多傳感器系統綜合監測托輥軸承振動、溫度和潤滑，用Dempster-Shafer證據理論進行融合，實現了對托輥軸承的融合診斷，為信息融合技術在輸送機托輥軸承故障診斷中的應用提供借鑒。