基于新型檢測方法的帶式輸送機滾筒故障診斷

張 強

（西山煤電（集團）有限責任公司機電廠， 山西 太原 030053）

引言

在海上運砂機中，滾筒是帶式輸送機最常用、最易發(fā)生故障、維修最頻繁的部件[1-2]。滾筒容易堵塞、斷裂等，嚴重影響帶式輸送機的正常運行。傳統(tǒng)的滾筒故障診斷是人工檢測，需要定期安排工人對滾筒進行檢測[3-4]。人工檢測費時費力，不能及時發(fā)現(xiàn)故障。近年來，故障診斷方法從傳統(tǒng)的人工診斷迅速發(fā)展到智能診斷[5]。基于數(shù)據(jù)的故障診斷基本過程主要包括信號處理、特征提取和故障分類。為了解決滾筒故障的多分類問題，本文提出了一種基于音頻小波包分解和CNN 的智能故障診斷方法。與傳統(tǒng)的人工檢測相比，大幅提高了滾筒的故障診斷效率。

1 帶式輸送機設備的描述

1.1 結構組成

帶式輸送機整體構造主要是由輸送帶、機架、驅動和托輥組結構組成的，除此之外還需要配套拉緊裝置、裝載裝置和清掃裝置等輔助系統(tǒng)。驅動作為整個傳輸機中的核心部分，為整體提供源動力，驅動系統(tǒng)由減速器、電機和傳動滾筒組成。輸送帶部分由托輥組構成，繞過輸送機頭的傳動滾筒、輸送機尾部改變方向的滾筒組合成閉合回路，托輥組能夠起到減小輸送帶摩擦的作用，如圖1 所示。

圖1 帶式輸送機結構示意圖

1.2 工作原理

帶式輸送機由電機帶動減速器和傳統(tǒng)滾筒運轉，將需要輸送的物料由裝載裝置從輸送機尾部放置在輸送帶上，輸送帶通過傳動滾筒之間產生的摩擦力將物料輸送到輸送機頭部分并卸下，位于輸送機頭部分的清掃裝置能夠將輸送帶上殘留的物料清理干凈，殘余物料不會對帶式輸送機的正常運作產生影響。帶式輸送機在正常運行過程中，輸送帶需要達到一定的張力，小功率輸送機需要用拉緊裝置進行張緊，大功率輸送機采用重錘張緊。

1.3 帶式輸送機可靠性分析

建立帶式輸送機可靠性模型框圖，分析輸送機各個子系統(tǒng)之間的組成部分，在可靠性分析中，每個子系統(tǒng)的零件可靠度都是相當關鍵的，任何一個子系統(tǒng)出現(xiàn)故障都會影響到整機系統(tǒng)的性能。分析每個組件在系統(tǒng)中所處的作用，構建組件之間的可靠性關系，獲得整體系統(tǒng)的可靠性模型。

可靠性分析過程中，框圖要簡明扼要，很直觀地反映各組件在系統(tǒng)中的作用，找到其薄弱環(huán)節(jié)，重點對其進行改進，這樣帶式輸送機的可靠性也就能大幅提升，帶式輸送機可靠性模型搭建如圖2 所示。

圖2 帶式輸送機可靠性模型

2 基于CNN 的滾筒故障分類算法

2.1 數(shù)據(jù)特征提取

經過n 層小波變換，得到2n 個頻帶。本文采用8層小波包變換，對每組數(shù)據(jù)進行256 個頻帶數(shù)據(jù)的處理。256 個頻段的數(shù)據(jù)很難轉換成二維數(shù)據(jù)，并輸入到CNN 中。因此，應該計算每個頻帶的數(shù)據(jù)特征。滾子數(shù)據(jù)的特征包括能譜、標準差和平均值等。能譜計算公式為：

式中：Ei，j為第i 層第j 段頻帶的能量；x（i，j，n）為第i層第j 段的數(shù)據(jù)。通過分析各頻段的能量占比可知，最低頻段的能量占總能量的12%左右，明顯高于其他頻段的能量占比。

2.2 CNN 分類算法

設備的故障診斷需要對其特征進行分類。由于環(huán)境復雜、數(shù)據(jù)量大以及滾輪噪聲大等原因，不能通過簡單的邏輯判斷對數(shù)據(jù)特征進行良好的分類。本文使用CNN 對特征進行分類。CNN 是一種包含卷積運算的神經網絡，可以同時處理多維輸入數(shù)據(jù)。CNN 作為一種監(jiān)督分類算法，需要收集滾筒的每個狀態(tài)的音頻數(shù)據(jù)，然后為每個數(shù)據(jù)設置標簽。除了調整網絡結構外，其他方法也可以優(yōu)化神經網絡的性能。CNN 是一種深度神經網絡，包括輸入層、卷積層、池化層、全連接層和輸出層。

對滾筒的音頻數(shù)據(jù)進行8 層小波包變換，得到256 個頻帶。每組特征包含256 個數(shù)據(jù)，轉換為16×16 個二維數(shù)據(jù)。對于CNN 來說，16×16 個輸入數(shù)據(jù)很容易處理。本文所使用的CNN 模型是由LeNet-5衍生而來，經過適當?shù)男薷模撃Ｐ凸灿? 層。輸入數(shù)據(jù)的大小是16×16，輸出數(shù)據(jù)的大小是3×1。CNN包括兩個卷積層、兩個池化層和一個輸出層。

3 實驗驗證

3.1 實驗介紹

為保證算法的魯棒性，采集了46 組皮帶空載和輸送的音頻數(shù)據(jù)。采樣頻率為44100 Hz，每個音頻段大約有20000 個采樣點。根據(jù)滾筒的運行情況，滾筒分為三種狀態(tài):

1)正常狀態(tài)：滾筒運行正常，無需維護。

2)異常狀態(tài)：托輥卡死，即托輥與皮帶分離。這類故障危害較小，操作完成后即可修復。

3)故障狀態(tài)：滾筒斷裂，該故障可能會導致非常嚴重的后果，設備需要立即停機檢修。

在神經網絡中，大量的數(shù)據(jù)有利于訓練。通過細分每組數(shù)據(jù)，可以獲得更多的數(shù)據(jù)。每組原始數(shù)據(jù)中約有2 萬個數(shù)據(jù)點。將原來的46 組數(shù)據(jù)擴大到230組，將4000 個數(shù)據(jù)點分成一組。本文將滾筒分為三種狀態(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)，利用滾輪的音頻數(shù)據(jù)進行實驗。

3.2 實驗分析

在本實驗中，使用200 組數(shù)據(jù)作為訓練數(shù)據(jù)集，使用30 組數(shù)據(jù)作為測試數(shù)據(jù)集。CNN 被用來進行分類，CNN 的結構如圖3 所示，均值和標準差作為訓練CNN 的特征。通過比較兩種特征的分類精度，選擇更合適的特征。從圖3 可以看出，兩種特征的訓練誤差都很低，誤差曲線都很快穩(wěn)定下來。當特征值為均值時，訓練誤差為2%，當特征值為標準差時，訓練誤差為4%。但是，從表1 可以看出，對于測試數(shù)據(jù)集，均值作為特征的分類準確率為86%，標準差作為特征的分類準確率為93%。因此，采用標準差作為數(shù)據(jù)特征可以更有效地診斷滾筒故障。

圖3 訓練誤差曲線

表1 不同特征測試數(shù)據(jù)集的分類精度

同時，本文進一步研究了小波包變換后通過調整最小頻帶數(shù)據(jù)來提高分類效果。以標準差作為數(shù)據(jù)特征，比較是否調整最低頻帶數(shù)據(jù)的分類精度。由表2可知，未調整最低頻帶數(shù)據(jù)的測試數(shù)據(jù)集，分類準確率為90%，調整最低頻帶數(shù)據(jù)的分類準確率為93%。因此，通過調整最小頻率數(shù)據(jù)，可以提高軋輥故障診斷的效果。

表2 測試數(shù)據(jù)集的分類精度

實驗表明，本文提出的基于小波包和CNN 的故障診斷方法能夠有效地診斷出軋輥的故障，以標準差作為特征可以更準確地進行分類，小波包變換后調整最小頻帶數(shù)據(jù)，減少低頻數(shù)據(jù)的影響，可以使分類效果更好。

4 結語

本文利用小波包變換和CNN 對音頻信號進行故障診斷。首先，利用小波包變換將音頻信號分解為256 個頻帶，由于最低頻帶的能量占比過大，因此對最低頻帶的數(shù)據(jù)進行調整，以降低其對故障診斷的影響。然后計算標準差和均值作為數(shù)據(jù)特征。實驗結果表明，采用標準差作為數(shù)據(jù)特征的方法對軋輥故障診斷更為有效。