帶式輸送機故障準確診斷方法

蔡安江 李 濤 王洪波 田鳳陽 楊 潔

（1.西安建筑科技大學機電工程學院，陜西西安710055；2.西安建筑科技大學華清學院，陜西西安710043；3.河北省帶式輸送機技術創新中心，河北衡水053000）

目前帶式輸送機故障監測系統普遍存在準確度低、誤報漏報和實時性差等問題，尤其是隨著帶式輸送機朝著長距離、大運量、重載發展，帶式輸送機的實時監控與故障診斷的準確度成為研究重點。信息融合理論可以針對帶式輸送機故障的復雜性及故障之間的關聯性，充分整合多源故障信息，有效克服故障的不確定性、復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確度，降低誤報漏報率。

帶式輸送機故障診斷已取得了研究成果：張學軍[1]提出將BP神經網絡與D-S證據理論融合來診斷帶式輸送機的火災故障，有效降低了火災誤報率；Li Wei等[2]提出了一種基于小波包分解（WPD）和支持向量機（SVM）相結合的帶式輸送機故障診斷方法，解決了發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證據理論融合進行帶式輸送機故障診斷，解決了基本概率賦值函數（BPAF）構造困難的問題，但在融合多證據時，信度函數取決于給定的隸屬度函數的相關系數，其取值決定了故障診斷的準確度。信息融合理論研究應用也取得了進展，朱明明等[4]將多特征融合結合軟判決的方法用于飛機檢測，其檢測率為94.25%、虛警率為5.5%；王浩等[5]將BP、RBF和SVM3種網絡進行決策級融合，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行，具有一定的局限性。

鑒于以上研究應用，本研究結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故障準確診斷方法，建立帶式輸送機故障診斷信息融合模型，可有效提高帶式輸送機故障診斷準確度。

1 帶式輸送機故障準確診斷方法

1.1 故障現象與特征

帶式輸送機運行過程中，故障主要有打滑、托輥卡死和火災等。打滑是帶式輸送機的主要失效形式，由于負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[6]提出帶式輸送機打滑動力學模型，采集輸送帶和傳動滾筒角速度、輸送帶松、緊邊拉力信息，為防止帶式輸送機打滑提供理論依據。托輥卡死故障主要是托輥軸承失效。當托輥卡死時，導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700℃，極易引發火災事故。文獻[7]對托輥振動信號進行監測，實現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生劇烈摩擦導致溫度急劇升高而發生火災故障。當輸送帶打滑40 min時，滾筒表面溫度可達300℃[8]，引發火災事故。

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

1.2 故障準確診斷方法

根據帶式輸送機運行工況和典型故障特征，對監測信號進行預處理，時域借助于統計參數（如平均值、均值、方差等）進行分析；小波包是時頻常采用的分析方法，小波包分解實質上是對信號的多帶通濾波。帶式輸送機故障診斷主要是根據已提取的故障特征信息，采用合適的模式識別方法，對當前帶式輸送機工作狀態和故障做出準確判斷。

建立的帶式輸送機故障診斷信息融合模型如圖1所示。

1.2.1 信息的采集、預處理和特征提取

分別采集帶式輸送機正常狀態，打滑、托輥卡死和火災故障發生時的帶速、輸送帶繞上傳動滾筒處溫度、電機電流信號，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：帶式輸送機在托輥卡死故障發生前期，失效托輥數量較少時，帶速略低于正常值且所測溫度和電機電流大于正常值；在打滑故障發生前期，帶速低于正常值且低于托輥卡死故障發生時的帶速，所測溫度值要高于托輥卡死故障發生時的溫度；當托輥卡死到一定程度或者打滑嚴重時，就會發生火災故障，此時帶式輸送機帶速比其余故障發生時更低，測量溫度值和電機電流則更高。

將信號預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、標準差、方差、最大值、最小值），如表1所示。

?

4組運行狀態典型數據分別進行歸一化處理，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、標準差、方差小波包特征，實現特征級的融合。

1.2.2 特征級故障診斷

3.研究型教學融合團隊分工協作。實踐教學是培養學生創新思維和應用技能的重要環節，教師要引導學生根據實驗目的、原理、技術指標及注意事項制訂實驗方案，并及時啟發和點撥有疑惑的學生，增強學生自主完成實驗的信心。對于綜合性實驗，教師可使每個學生完成的實驗任務不一致，這樣既可以避免學生照搬照抄實驗報告，又可以使學生發揮主觀能動性，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，學生可通過分組合作來完成，這就要求組員之間分工協作，這有利于培養學生的團隊精神。教師鼓勵學生從選題、數據采集、圖像處理、特征分析、信息提取到結果分析再到報告撰寫都親力親為，為后續課程設計和畢業論文撰寫打下基礎。

利用融合特征分別訓練量子粒子群（QSPO）優化的核極限學習機（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果，并根據相應的分類器輸出構造BPAF，實現D-S證據理論中BPAF的構造。

分析KELM輸出函數可發現，核函數參數及懲罰系數對于KELM的分類精度產生重要影響[9-10]，本研究選擇QPSO算法對KELM的參數進行優化[11]。在構造BPAF時，由于KELM的輸出范圍并不統一[12]，且常規二分類SVM輸出為正負類輸出，因此需要將分類器的輸出變換為軟輸出，即概率輸出。根據概率支持向量機的原理[13]，將KELM與SVM分類器輸出轉換為后驗概率形式：

輸出結果即為2種分類器各自的BPAF。將表1中4組運行狀態典型數據的融合特征輸入已訓練的分類器，輸出結果如表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、打滑，表1中4組運行狀態典型數據經分類器診斷后，第1組數據診斷為正常，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組數據診斷為托輥卡死，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組數據診斷為火災，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組數據診斷為打滑，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證據理論融合規則將特征級故障診斷結果再融合，得出決策級故障診斷結果，實現決策級的融合。其中D-S理論中合成規則[14]為

將表2分類器輸出結果再融合，如表3所示。

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

?

根據4組運行狀態典型數據，帶式輸送機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果支持程度達到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果經過再融合后，對輸出結果支持程度可達97%，不確定度降低為3%左右。

2 實驗驗證與分析

2.1 實驗平臺搭建

構建的帶式輸送機故障監測診斷實驗臺如圖4所示。

帶式輸送機實驗臺中驅動電機額定電壓為12.5 V，額定帶速為0.16 m/s，輸送帶繞上驅動滾筒處的溫度為30℃，額定電流0.4 A，但電機電流實時處在變化中。

2.2 實驗結果與分析

實驗臺采集帶式輸送機運行中正常、托輥卡死、火災和打滑狀態下的數據，使用帶式輸送機故障準確診斷方法，在帶式輸送機故障診斷信息融合模型MATLAB平臺進行故障融合診斷。分類器輸出結果為4類，分別為1、2、3、4，識別框架為正常、托輥卡死、火災、打滑。實驗臺采集4類數據樣本，每種狀態采集20組數據，共80組數據。采集樣本中40組數據作為訓練樣本，另40組數據為測試樣本，最終結果如圖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組火災運行狀態錯判斷為正常狀態，其余測試樣本都診斷正確，因此，帶式輸送機故障診斷信息融合模型識別故障的準確率達到97%。

3 結 論

（1）針對帶式輸送機故障種類多、關聯性高且目前故障監測存在準確度低、實時性差等問題，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故障診斷信息融合模型，實現了帶式輸送機故障診斷準確度的提高，故障診斷準確度達到97%。

（2）選取KELM和SVM作為分類器，對帶式輸送機運行與故障狀態作出準確判斷。采用QPSO算法優化KELM網絡參數，有效解決KELM參數敏感問題；提出用2種分類器的概率輸出來構造其各自的BPAF，有效解決了D-S證據理論中BPAF的構造。

（3）構建帶式輸送機故障監測診斷實驗臺，采集帶式輸送機運行狀態信息，應用所提出的基于特征級決策級雙層融合的診斷方法進行了故障診斷分析，故障識別率達到了97%；應用MATLAB進行了該方法的進一步驗證，結果表明基于特征級決策級雙層融合的帶式輸送機故障準確診斷方法可有效提高帶式輸送機故障的診斷準確度。