礦井帶式輸送機運行故障檢測方法研究與應用

王新成

（山西煤炭進出口集團 洪洞陸成煤業有限公司，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、最容易發生故障的部件，也是最需要維護的部件。傳統故障診斷是人工檢測，需要安排工人定期檢測，耗時費力，且不能及時和準確的發現故障。近年來，故障診斷方法從傳統的人工診斷發展到智能診斷。基于數據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、神經網絡結構復雜、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網絡的故障智能診斷方法，與傳統的人工檢測相比，該方法可以更快地檢測出故障，減少維修人員的數量。

2 基于小波包變換的故障高頻信號預處理

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形并由張緊裝置進行張緊，作業時電動機產生動力驅動輸送帶做連續運動。

當帶式輸送機發生滾筒卡住、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，易于安裝和收集數據。因此，采用音頻數據來診斷滾筒故障。

滾筒在正常和故障狀態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。當故障發生時，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據進行預處理，可以同時對信號的高頻和低頻部分進行分解。小波包轉換過程如圖3所示。工程中常用的小波包分解層數為3～8層。由于滾筒的音頻包含大量的噪聲信息，更詳細的分解有助于故障診斷，此次對滾筒的音頻數據進行了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境噪聲。經過小波包分解后的環境噪聲和滾筒聲信號將被分解成不同的頻帶。環境噪聲不會干擾滾筒聲音信號的故障分析。

3 基于神經網絡的故障分類算法

經過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，得到每組數據的256個頻帶數據。256個頻段的數據難以轉換為二維數據并輸入到CNN中。因此，應計算每個頻帶的數據特征。滾筒數據的特征包括能譜、標準差、平均值等。

通過分析，每個頻帶約占監測數據總能量的12%。然而滾筒的故障信息主要集中在高頻率部分，因此最低頻帶數據被調整為相同的相鄰頻帶。提取每個頻帶后的平均值和標準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行滾筒故障診斷。

256個數據轉換為16×16個二維數據。16×16輸入數據對CNN來說易于處理。此次所使用的CNN模型為LeNet-5，并進行了適當的修改，共5層，如圖4所示。輸入數據的大小為16×16，輸出數據的大小為3×1。CNN包括2個卷積層、2個池層和1個輸出層。

圖4 卷積神經網絡的結構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，如圖5所示。為了保證該算法的準確性，采集了46組皮帶無載和運輸煤炭的音頻數據。采樣頻率為28 850 Hz，在每個音頻段中約有20 000個采樣點。根據滾筒的操作情況，將滾筒分為3個狀態，100表示正常狀態；010表示異常狀態；001表示故障狀態，如圖6所示。

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

圖6 不同狀態的監測示意圖Fig.6 Monitoring schematics of different states

異常狀態是指滾子被卡住，即滾子與皮帶分離，這類故障危害較小，操作完成后可進行修復。故障狀態為滾子為斷裂，這個故障可能會造成非常嚴重的后果。在神經網絡中，通過細分每一組數據，可以獲得更多的數據。每一組在原始數據中大約有2萬個數據點。將4 000個數據點分成一組，將原46組數據擴展到230組。

200組數據作訓練數據集，30組數據作測試數據集。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，兩種特征的訓練誤差都很低，并且兩種誤差曲線都很快穩定下來。當特征為平均值時，訓練誤差為2%，當特征為標準差時，訓練誤差為4%。

圖7 數據訓練誤差曲線Fig.7 Data training error curve

不同特征的測試數據集的分類精度見表1。從表1可以看出，對于測試數據集，平均值作為特征的分類準確率為86%，標準差為93%。因此，使用標準差作為數據特征可以更有效地診斷滾筒故障。

表1 不同特征的測試數據集的分類精度統計Table 1 Classification accuracy statistics of test data sets with different features

此次進一步研究了小波包變換后通過調整最低頻帶數據來提高分類效果的問題。以標準差作為數據特征，見表2。不調整最低頻帶數據的測試數據集的分類準確率為90%，調整最低頻帶數據的分類準確率為93%。因此，通過調整最低頻率數據，可以提高滾筒故障診斷的效果。

表2 測試數據集的分類精度統計Table 2 Classification accuracy statistics of test data set

5 結 語

以陸成煤業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網絡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，并將標準差和均值作為數據特征進行計算。實驗結果表明，使用標準差作為數據特征的方法在滾筒故障診斷中更為有效。然后使用CNN對數據特征進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。