0.   引言

矿用带式输送机作为煤矿开采中的一种连续运输装备，担负煤炭等物料输送工作，是煤矿安全生产的重要环节之一。带式输送机托辊若出现如断裂、打滑、堵转、润滑不良等故障，不仅会降低运输效率，还会影响煤矿安全生产。矿用带式输送机具有运输距离长、运量大、连续运输能力强、托辊数量庞大等特点，传统的沿线式巡检工作量巨大，既费时费力，又不能保证巡检结果的准确性。随着智能化矿山的快速发展与建设，智能化带式输送机托辊故障诊断方法可以通过信号采集与处理手段及时发现托辊故障及隐患，进而使托辊检修工作更加合理化、高效化，在降低了时间、物力、人力成本的同时，还可以保证带式输送机托辊的安全可靠运行^[1-3]。

时频分析是一种有效的轴承故障特征提取方法^[4]，然而托辊在运行过程中易造成频率模糊问题，使信号的时频聚集性差，导致该方法很难有效识别故障特征^[5]。韩涛等^[6]通过设置多类型传感器，并采用神经网络技术和Dempster−Shafer证据理论对信号进行数据融合，实现了对托辊轴承故障的融合诊断，但该方法需要采用大量的传感器才可以保证诊断准确性，数据采集与计算实时性较差。Song Liuyang等^[7]将统计滤波（Statistical Filtering，SF）和小波包变换（Wavelet Packet Transform，WPT）与移动峰值保持法相结合，并根据轴承故障敏感频域的特征识别托辊的故障类型。Jiang Xiaopeng等^[8]采用小波变换（Wavelet Transform，WT）与BP神经网络相结合的方式对托辊进行音频故障诊断。曹贯强^[9]对带式输送机运行时的托辊音频信号进行小波去噪处理，并应用BP−RBF（Radial Basis Function，径向基函数）实现托辊的故障检测。文献[7-9]均采用了包含WT的故障诊断方法，但因为分解过程中的小波基函数选择困难，所以上述方法的适应性较弱。陈维望等^[10]构建了一种基于分支一维卷积神经网络的轴承故障分级诊断模型，对轴承的运行状态进行了全面估计，但该模型仅对单一的轴承具有较好的评估效果。Yu Dejie等^[11]提出了一种基于经验模态分解（Empirical Mode Decomposition，EMD）方法和自回归（Autoregressive，AR）模型的滚动轴承故障特征提取方法，该方法对非线性信号进行EMD分解，利用马氏距离准则函数实现轴承的状态和故障识别。但是，EMD分解存在频谱混叠及端点效应^[12]。Lei Yaguo等^[13]在轴承振动信号的预处理过程中采用集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）方法提取目标本征模态函数（Intrinsic Mode Function，IMF）及其频谱和包络谱的时域和频域特征，但是基于振动信号的故障诊断方法对于单轴承的效果较好，对托辊数量庞大的带式输送机全线故障诊断效果较差。

上述大多数方法都是将信号分解并转换至频域，并从频域提取特征进行故障诊断。而常用的信号分解方法包括小波分解及以EMD为基础的分解方法，存在小波基选择困难、易出现频谱混叠和端点效应的问题，导致故障诊断准确率较低。针对上述问题，本文提出了一种基于变分模态分解（Variational Modal Decomposition，VMD）−BP神经网络的矿用带式输送机托辊音频故障诊断方法。首先通过音频传感器采集矿用带式输送机沿线托辊的音频信号，然后采用VMD将预处理后的音频信号分解成有限个IMF分量，提取各个IMF分量的峭度、重心频率、频率标准差等特征值，最后将特征值输入到已经训练好的BP神经网络，根据IMF分量特征值的差异，可以实现通过音频对矿用带式输送机托辊故障进行诊断，并可根据故障信号对应的音频传感器位置对已发生的故障和隐患进行定位。该方法在有效分解、提取音频信息特征时，可避免分解过程中的频谱混叠与端点效应，提高故障诊断准确率。

1.   故障诊断方法

基于VMD−BP神经网络的矿用带式输送机托辊音频故障诊断流程如图1所示，包括信号的采集、信号预处理等前期过程，信号分解及特征值提取，基于BP神经网络的故障诊断。

图  1  基于VMD−BP神经网络的矿用带式输送机托辊音频故障诊断流程

Figure  1.  Flow of audio fault diagnosis of mine belt conveyor roller based on VMD-BP neural network

下载: 全尺寸图片 幻灯片

1.1   数据采集及预处理

1.1.1   音频信号采集

本文采用音频传感器实时采集音频信号，并采用监控主机对采集的音频信号进行数据汇总，实现对带式输送机托辊沿线声音的采集。监控主机具备左右双通道，每一个通道可收集对应方向50 m范围内音频传感器的音频数据。音频传感器可采集60~20 000 Hz频率范围内的声音信息，拾音灵敏度为−26 dBFS±1 dB。监控主机与音频传感器都具备IP66的防护等级，符合矿用传感器标准。

音频传感器布置如图2所示，沿带式输送机运输线进行布置，实现对带式输送机托辊的实时监测。相邻传感器的间距可以根据待监测区域的故障易发程度及重要程度进行设定，一般间距可设为1~2 m，若大于2 m可能会造成故障信号漏检。

图  2  音频传感器布置

Figure  2.  Audio sensor layout

下载: 全尺寸图片 幻灯片

为了降低音频传感器的能耗水平，采用“个别点监控，周围点诊断”的方式进行数据采集。将音频传感器划分为不同组别，并按照一定的时间间隔进行预监测，若发现异常信号，迅速唤醒异常点周边处于待机状态的音频传感器，采集异常点周围信号，使音频传感器采集的信号更加准确。

1.1.2   信号预处理

音频传感器采集到的音频信息需要进行预处理，以抑制音频信息中的噪声信号。如图2中第i个音频传感器采集到的声音信号中，不仅包含其覆盖区域内的托辊声音信息，还包含一定的环境噪声和随机噪声。同时，第i个音频传感器采集到的声音信息也会通过空气传播，并被第$i-1 $个和第i+1个音频传感器捕获。因为声音信号在空气中短距离的传播过程并不会造成波形的大幅度失真，因此，第$i-1 $个与第i个、第i个与第i+1个音频传感器采集到的信息波形基本一致。故障托辊在转动过程中会存在周期性的声音变化规律，因故障产生的音频信号存在较强的自相关特性，而环境噪声及背景噪声存在随机性，使噪声的自相关性较弱。所以，可以采用音频信号的自相关处理方法对自相关系数较大的故障信号进行增强，相反，对相关性较弱的噪声信号进行有效抑制。将第i个音频传感器的音频信号与第$i-1 $个和第i+1个音频传感器的音频信号进行弱互相关处理，结合相邻音频传感器采集到的故障信号的频率信息，对第i个音频传感器采集到的故障信号进行有效加强。

1.2   信号分解

VMD算法是一种自适应、非递归、准正交的信号分解方法^[14]，可将带式输送机的托辊音频时域信号f(t)分解为K个有限带宽的模态子信号u_k(t)(k=1，2，…，K，t为时间)，各个独立的u_k(t)都围绕在中心频率ω_k(t)周围，整个变分问题的约束条件为各u_k(t)之和等于输入信号f(t)。

VMD分解过程的本质是变分问题求解：

式中：δ(t)为单位脉冲函数；*为卷积运算符号。

通过引入二次惩罚因子α保证信号的重构精度，引入拉格朗日惩罚算子λ(t)使约束条件更为严格，将式（1）所述的约束性变分问题转换为非约束性变分问题，获得增广拉格朗日表达式：

式中：$L({u_k},{w_k},\lambda ) $为构建的关于$(u,w,\lambda ) $的辅助函数；$\left\langle {} \right\rangle $为内积运算。

为进一步求解变分问题，通过迭代更新模态子信号u_kⁿ⁺¹（n为迭代次数）及其对应频率ω_kⁿ⁺¹和惩罚算子λ_kⁿ⁺¹寻求增广拉格朗日表达式的“鞍点”，以获得约束变分模型的最优解。u_kⁿ⁺¹的计算可等价为求解最小化问题：

式中X为VMD算法内部定义的空间^[14]。

在重构的保真项中利用实信号的Hermitian对称性，可将式（3）转换成非负频率区间的积分形式，并获得二次优化问题的解，${\omega _k}^{n + 1} $可表示为

式中：${\hat u}_k $为${ u}_k $的估计值；$\omega $为频率。

通过如上步骤，利用VMD对原始信号进行分解，即可将输入信号f(t)分解为K个模态的集合{u_k}={u₁(t),u₂(t),…,u_K(t)}，方便后续进行信号分析。

1.3   BP神经网络

BP神经网络是一种信号正向传播、误差反向传播的网络，在故障诊断中具有一定的应用^[15]。BP神经网络可以采用数据训练的方式进行学习，最终实现对托辊的故障诊断。

BP神经网络在使用时需确定基本结构。一般来说，在参数设置合理的情况下，3层神经网络就具有模拟任意复杂非线性映射的能力^[15]，因此，本文将神经网络设置为3层，即采用标准的输入层、隐含层、输出层结构。

1.4   特征量选取

特征量选取是应用BP神经网络进行故障诊断的关键步骤之一，其作用是从一定角度反映出故障状态下的信号特点，若特征量选择不当，可能会使各故障类型间的区分度降低，无法实现准确的故障诊断。

根据信号VMD分解结果，信号f(t)被分解为IMF集合：{u_k}={u₁(t),u₂(t),…,u_K(t)}。

首先从时域角度计算IMF分量对应的峭度集合为{S_k}={S₁,S₂,…,S_K}，该参数的大小可以反映出托辊音频时域信号中冲击信号的分布情况。

其次计算得到各IMF分量的功率谱{P_k}={P₁($\omega $),P₂($\omega $),…,P_K($\omega $)}。

式中：P_k($\omega $)为第k个IMF分量对应的功率信号；U_k(j$\omega $)为u_k(t)的傅里叶变换；T为信号周期。

然后根据IMF分量的功率谱P_k，求得各IMF分量对应的重心频率{C_k}={C₁($\omega $),C₂($\omega $),…,C_K($\omega $)}。

式中C_k($\omega $)为第k个IMF分量对应的中心频率，该参数能反映信号在对应频谱中能量较大成分的频率，体现信号功率谱的分布情况。

最后计算得到各个IMF分量的频率标准差{F_k}={F₁($\omega $),F₂($\omega $),…,F_K($\omega $)}。

式中F_k($\omega $)为第k个IMF分量对应的频率标准差，该数值可以反映信号功率谱能量分布的分散程度，数值越大，表示能量越集中。

1.5   神经元个数确定

VMD分解的主要参数K为可调参数，可以根据现场声音环境进行调节，当VMD分解参数K=4时，音频信号分解效果较好，无明显的频谱混叠现象发生，因此，本文以K=4为例进行分析。根据分解层数，本文的输入层神经元个数选为12，分别为4个IMF分量的峭度、重心频率、频率标准差。输出层神经元个数为5，分别为正常运行状态及4种故障状态（托辊断裂、堵转、润滑不良、轴承故障）对应的分析结果。隐含层神经元个数可以根据经验公式确定。

式中：l为隐含层神经元个数；y为输入层神经元个数，y=12; z为输出层神经元个数，z=5; β为1~10的常数，本文取值为6。

根据式（8）计算得到l=11。

1.6   BP神经网络训练

为了实现BP神经网络对带式输送机的故障诊断，需要对BP神经网络进行大量训练，使BP神经网络学会输出与输入之间的某一种特定的映射关系。该映射关系是根据实际的故障类型（托辊断裂、堵转、润滑不良、轴承故障）与托辊音频信号特征项之间的关系确定的，训练完成后，即可实现特征项与故障的映射，使BP神经网络可根据输入层的音频信号特征值差异，实现带式输送机托辊的故障诊断。

2.   实验验证

为了验证本文故障诊断方法的有效性，针对内蒙古伊金霍洛旗窝兔沟煤矿实际采集的带式输送机托辊音频信息进行分析验证。该煤矿的主斜井带式输送机全长为886 m，提升高度为275 m，输送带倾角为22°。带式输送机的运输任务重，且因为是主斜井，倾角较大，导致人工巡检费时费力。

2.1   信号分解效果验证

将带式输送机运行状态下采集的部分音频信号进行VMD分解，得到正常托辊运行时的分解结果，如图3所示，以托辊轴承故障为例，其对应的音频信号分解结果如图4所示。从图3和图4可看出：VMD分解方法可以将音频信号按照中心频率的不同进行有效分解，正常托辊音频信号分量的幅值较小，高频区域的IMF分量没有整体的幅值增加现象。相比之下，托辊轴承故障时，其音频信号分量中的高频区域幅值相对较高。

图  3  托辊正常状态下音频信号分解结果

Figure  3.  Decomposition results of audio signal of roller in normal state

下载: 全尺寸图片 幻灯片

图  4  托辊故障状态下音频信号分解结果

Figure  4.  Decomposition results of audio signal of roller in fault state

下载: 全尺寸图片 幻灯片

图3中各IMF分量的功率谱如图5所示，图4中各IMF分量的功率谱如图6所示。

图  5  托辊正常状态功率谱

Figure  5.  Power spectrum of roller in normal state

下载: 全尺寸图片 幻灯片

图  6  托辊故障状态功率谱

Figure  6.  Power spectrum of roller in fault state

下载: 全尺寸图片 幻灯片

分析正常和故障状态下的托辊频域信息分解结果可以看出，正常托辊的IMF3和IMF4分量的中心频率很接近，频域跨度较小，能量比较集中。相比之下，故障托辊每个IMF分量的中心频率均高于正常情况，且能量分布区域较广，IMF3和IMF4分量的中心频率差值很大。

计算托辊正常运行状态和各种异常运行状态的参数，结果见表1，其中S₁—S₄，C₁—C₄，F₁—F₄分别为IMF1—IMF4分量对应的峭度、重心频率和频率标准差。

表  1  IMF特征项数据

Table  1.  IMF characteristic item data

故障类型	IMF1				IMF2				IMF3				IMF4
	S1	C1/Hz	F1/Hz		S2	C2/Hz	F2/Hz		S3	C3/Hz	F3/Hz		S4	C4/Hz	F4/Hz
正常托辊	3.08	229.77	225.36		2.53	664.73	158.31		2.62	1357.87	376.96		2.92	1663.87	373.40
轴承故障	2.66	246.51	318.78		2.82	877.43	436.2		2.50	1636.03	411.08		3.501	3588.75	807.46
托辊断裂	5.84	189.45	286.54		3.34	597.36	389.52		3.12	1565.25	447.52		4.53	2687.86	678.69
润滑不良	3.51	354.16	427.24		3.05	975.49	648.25		2.88	1863.82	543.92		4.25	3836.29	924.25
托辊堵转	2.89	316.28	256.24		2.64	680.59	281.42		2.78	1728.46	483.71		4.28	4095.62	728.58

下载: 导出CSV 

| 显示表格

从表1可看出，正常运行和异常运行的托辊各项特征值具有差异，润滑不良作为托辊的较常见故障，产生原因为润滑脂污染，其主要特征为重心频率与频率标准差较大。若托辊润滑不良现象不能及时处理，可能会导致托辊堵转及轴承故障，二者的特征相近，易出现误检现象，托辊堵转现象低频分量特征与正常托辊相近，高频分量的频率标准差较大。托辊断裂故障的参数特征为峭度明显增大。

2.2   故障诊断结果分析

在窝兔沟煤矿主斜井沿线安装9组监控主机及配套的音频传感器，并采用本文提出的方法进行运行监测及故障诊断，诊断结果见表2。

表  2  基于VMD−BP神经网络的故障诊断方法的故障诊断结果

Table  2.  Fault diagnosis results of fault diagnosis method based on VMD-BP neural network

故障	故障出现 次数	故障检出 次数	误检 次数	准确率/%
托辊断裂	0	0	0	0
托辊堵转	3	2	0	66.67
润滑不良	35	34	1	97.14
轴承故障	14	14	1	100.00
合计	52	50	2	96.15

下载: 导出CSV 

| 显示表格

实验数据的采集过程中，带式输送机没有出现托辊断裂的故障情况，因此，相关数据为0；托辊堵转共发生3次，成功检出2次，准确率为66.67%，未检出的堵转现象因特征模糊，被误检为轴承故障；托辊润滑不良及轴承故障的准确率分别为97.14%和100.00%，总准确率为96.15%，具有较高的准确性。

将基于VMD−BP神经网络的故障诊断方法与基于BP神经网络的故障诊断方法进行实验对比。2种诊断方法均采用相同数据与预处理手段。基于BP神经网络的故障诊断方法未对信号进行分解，而是直接根据给定信号的峭度、重心频率、频率标准差3项特征值进行BP神经网络训练，得到的诊断结果见表3。

表  3  基于BP神经网络的故障诊断方法的故障诊断结果

Table  3.  Fault diagnosis results of fault diagnosis method based on BP neural network

故障	故障出现 次数	故障检出 次数	误检 次数	准确率/%
托辊断裂	0	0	0	0
托辊堵转	3	0	1	0
润滑不良	35	26	3	74.29
轴承故障	14	10	1	71.43
合计	52	36	5	69.23

下载: 导出CSV 

| 显示表格

从表3可看出，未经过VMD分解的基于BP神经网络的故障诊断方法准确性较低，整体故障诊断准确率为69.23%，且误检次数多。

为进一步验证本文方法的可靠性，与基于小波分解与BP神经网络的故障诊断方法进行对比。对比实验采用相同的实验数据与预处理手段，采用Morlet小波基函数对音频信号进行2层分解，得到4个分量，并采用BP神经网络进行故障诊断，实验结果见表4。可看出基于小波分解与BP神经网络的故障诊断方法的故障诊断综合准确率为80.77%，误检次数为5，相比于基于BP神经网络的故障诊断方法，准确率提高了11.54%，但比本文故障诊断方法的准确率降低了15.38%。

表  4  基于小波分解与BP神经网络的故障诊断方法的故障诊断结果

Table  4.  Fault diagnosis results of fault diagnosis method based on wavelet decomposition and BP neural network

故障	故障出现 次数	故障检出 次数	误检 次数	准确率/%
托辊断裂	0	0	0	0
托辊堵转	3	2	1	66.67
润滑不良	35	28	2	80.00
轴承故障	14	12	2	85.71
合计	52	42	5	80.77

下载: 导出CSV 

| 显示表格

综上可知，经VMD分解再通过BP神经网络进行故障诊断的矿用带式输送机托辊音频故障诊断方法能够反映出各个频域内的特征信息，采用合理的传感器安装布置方法，可以实现带式输送机托辊的状态监测与故障诊断。同时，传感器的布置方法灵活，可以根据实际运行情况，在重点保护区域及故障易发区域密集布置传感器，进一步提高故障检测效率。

3.   结语

提出了一种基于VMD−BP神经网络的矿用带式输送机托辊音频故障诊断方法，利用音频传感器采集带式输送机托辊沿线的音频信号，音频信号经过预处理后，通过VMD将其按照中心频率分解成不同的IMF分量，根据IMF分量的峭度、重心频率、频率标准差等特征值的差异，采用BP神经网络进行故障诊断。该方法可以根据音频信号对应的传感器编号确定出故障托辊的位置。实验结果表明，该方法总体故障诊断准确率达到96.15%，与基于BP神经网络的故障诊断方法和基于小波分解与BP神经网络的故障诊断方法相比分别提高了26.92%，15.38%，同时误检率也明显降低。