Audio fault diagnosis method of mine belt conveyor roller
-
摘要: 现有矿用带式输送机托辊故障诊断方法一般是对托辊信号进行分解并转换至频域,从频域提取特征进行故障诊断,而常用的信号小波分解和经验模态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,提出了一种基于变分模态分解(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,并对音频信号进行预处理,以抑制音频信息中的噪声信号;然后采用VMD将音频信号按照中心频率分解成不同的IMF(本征模态函数)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,并可根据音频信号对应的传感器编号确定出故障托辊位置。以某煤矿实际采集的带式输送机托辊音频信息对基于VMD−BP神经网络的矿用带式输送机托辊音频故障诊断方法进行分析验证,结果表明:该方法在分解、提取音频信号特征时,可以避免分解过程中的频谱混叠与端点效应,总体故障诊断准确率达到96.15%,与采用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。Abstract: In the existing fault diagnosis method of mine belt conveyor roller, the roller signal is decomposed and converted to the frequency domain. The fault diagnosis is carried out by extracting characteristics from the frequency domain. The common signal decomposition methods include wavelet decomposition and empirical mode decomposition. The methods have the problems of difficult selection of wavelet basis, frequency spectrum aliasing and endpoint effect, resulting in low fault diagnosis accuracy rate. In view of the above problems, an audio fault diagnosis method of mine belt conveyor roller mine based on variational modal decomposition (VMD)-BP neural network is proposed. Firstly, the audio signal of the roller along the mine belt conveyor is collected by the audio sensor. The audio signal is preprocessed to suppress the noise signal in the audio information. Secondly, VMD is used to decompose the audio signal into different IMF (intrinsic mode function) components according to the center frequency. The method extracts characteristic values of the kurtosis, gravity frequency, frequency standard deviation of each IMF component. Finally, the characteristic values are input into the trained BP neural network. According to the difference in IMF component characteristic values, it is possible to diagnose the mine belt conveyor roller fault through audio, and determine the position of the faulty roller according to the sensor number corresponding to the audio signal. The audio information of the roller of the belt conveyor collected in a coal mine is used to analyze and verify the audio fault diagnosis method of mine belt conveyor roller based on VMD-BP neural network. The results show that the method can avoid spectrum aliasing and endpoint effect in the decomposition process when decomposing and extracting audio signal characteristics. The overall fault diagnosis accuracy rate reaches 96.15%. Compared with the fault diagnosis method based on BP neural network and the fault diagnosis method based on wavelet decomposition and BP neural network, the proposed method has improved the fault diagnosis accuracy rate by 26.92% and 15.38% respectively. The false detection rate has also been significantly reduced.
-
Keywords:
- mine belt conveyor /
- roller /
- fault diagnosis /
- fault position /
- audio sensor /
- kurtosis /
- gravity frequency /
- frequency standard deviation
-
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。
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。
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uk(t)(k=1,2,…,K,t为时间),各个独立的uk(t)都围绕在中心频率ωk(t)周围,整个变分问题的约束条件为各uk(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:
$$ \left\{ \begin{gathered} \mathop {\min }\limits_{{u_k},{\omega _k}} \left\{ {\sum\limits_{k = 1}^K {\left\| {{\partial _t}\left[ {\left( {\delta (t) + \frac{{\rm{j}}}{{{\text{π}} t}}} \right) * {u_k}(t)} \right]{{\rm{exp}}({\rm{j}}{\omega _k}t})} \right\|_2^2} } \right\} \\ {\rm{s.t.}}\sum\limits_{k = 1}^K {{u_k}(t) = f(t)} \\ \end{gathered} \right. $$ (1) 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:
$$ \begin{split} L({u_k},{\omega _k},\lambda ) = & \alpha \sum\limits_{k = 1}^K {\left[ {\left\| {{\partial _t}\left[ {\left( {\delta (t) + \frac{{\rm{j}}}{{{\text{π}}t}}} \right) * {u_k}(t)} \right]{{\rm{exp}}({\rm{j}}{\omega _k}t})} \right\|_2^2} \right]} + \\ & \left\| {f(t) - \sum\limits_{k = 1}^K {{u_k}(t)} } \right\|_2^2 + \left\langle {\lambda (t),f(t) - \sum\limits_{k = 1}^K {{u_k}(t)} } \right\rangle \end{split} $$ (2) 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ukn+1(n为迭代次数)及其对应频率ωkn+1和惩罚算子λkn+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。ukn+1的计算可等价为求解最小化问题:
$$ \begin{split} {u_k}^{n + 1} = & \arg \mathop {\min }\limits_{{u_k} \in X} \alpha \left\| {{\partial _t}\left[ {\left( {\delta (t) + \frac{{\rm{j}}}{{{\text{π}} t}}} \right) * {u_k}(t)} \right]{{\rm{exp}}({\rm{j}}{\omega _k}t})} \right\|_2^2 + \\ & \left\| {f(t) - \sum\limits_{i \ne k}^K {{u_i}^{n + 1}(t) + \frac{{\lambda (t)}}{2}} } \right\|_2^2 \end{split} $$ (3) 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$$ {\omega _k}^{n + 1} = \frac{{\displaystyle\int\nolimits_0^\omega {\omega {{\left| {{{\hat u}_k}(\omega )} \right|}^2}{\rm{d}}\omega } }}{{\displaystyle\int\nolimits_0^\infty {{{\left| {{{\hat u}_k}(\omega )} \right|}^2}{\rm{d}}\omega } }} $$ (4) 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{uk}={u1(t),u2(t),…,uK(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:{uk}={u1(t),u2(t),…,uK(t)}。
首先从时域角度计算IMF分量对应的峭度集合为{Sk}={S1,S2,…,SK},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{Pk}={P1(
$\omega $ ),P2($\omega $ ),…,PK($\omega $ )}。$$ {P_k}\left( \omega \right) = \frac{{{{\left| {{U_k}\left( {{\rm{j}}\omega } \right)} \right|}^2}}}{T} $$ (5) 式中:Pk(
$\omega $ )为第k个IMF分量对应的功率信号;Uk(j$\omega $ )为uk(t)的傅里叶变换;T为信号周期。然后根据IMF分量的功率谱Pk,求得各IMF分量对应的重心频率{Ck}={C1(
$\omega $ ),C2($\omega $ ),…,CK($\omega $ )}。$$ {C_k}(\omega ) = \frac{{\displaystyle\int_0^{ + \infty } {\omega {P_k}(\omega )} {\rm{d}}\omega }}{{\displaystyle\int_0^{ + \infty } {{P_k}(\omega )} {\rm{d}}\omega }} $$ (6) 式中Ck(
$\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{Fk}={F1(
$\omega $ ),F2($\omega $ ),…,FK($\omega $ )}。$$ {F_k}(\omega ) = \sqrt {\frac{{\displaystyle\int_0^{ + \infty } {{{({\omega _k} - {C_k})}^2}P({\omega _k}){\rm{d}}{\omega _k}} }}{{\displaystyle\int_0^{ + \infty } {P({\omega _k}){\rm{d}}{\omega _k}} }}} $$ (7) 式中Fk(
$\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。
$$ l = \sqrt {y + {\textit{z}}} + \beta $$ (8) 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。
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 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 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 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 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。
-
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 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 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 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 -
[1] 王建勋. 煤矿输送带传输故障实时监测技术[J]. 工矿自动化,2015,41(1):45-48. DOI: 10.13272/j.issn.1671-251x.2015.01.012 WANG Jianxun. Real-time fault monitoring technology for coal mine conveying belt[J]. Industry and Mine Automation,2015,41(1):45-48. DOI: 10.13272/j.issn.1671-251x.2015.01.012
[2] 张丽. 带式输送机滚筒温度检测装置设计[J]. 工矿自动化,2017,43(7):86-89. DOI: 10.13272/j.issn.1671-251x.2017.07.018 ZHANG Li. Design of temperature detection device for drum of belt conveyor[J]. Industry and Mine Automation,2017,43(7):86-89. DOI: 10.13272/j.issn.1671-251x.2017.07.018
[3] 杨祥,田慕琴,李璐,等. 矿用带式输送机驱动滚筒轴承振动信号降噪方法[J]. 工矿自动化,2019,45(3):66-70. DOI: 10.13272/j.issn.1671-251x.2018080013 YANG Xiang,TIAN Muqin,LI Lu,et al. Vibration signal denoising method for drive roller bearing of mine-used belt conveyor[J]. Industry and Mine Automation,2019,45(3):66-70. DOI: 10.13272/j.issn.1671-251x.2018080013
[4] 孙国栋,王俊豪,徐昀,等. CEEMD−WVD 多尺度时频图像的滚动轴承故障诊断[J]. 机械科学与技术,2020,39(5):688-694. SUN Guodong,WANG Junhao,XU Yun,et al. Rolling bearing fault diagnosis based on CEEMD-WVD multi-scale time-frequency image[J]. Mechanical Science and Technology for Aerospace Engineering,2020,39(5):688-694.
[5] 彭程程. 基于二阶瞬态提取变换的滚动轴承故障特征提取方法研究[J]. 机电工程,2021,38(10):1246-1252. DOI: 10.3969/j.issn.1001-4551.2021.10.004 PENG Chengcheng. Fault feature extraction method for rolling bearing based on STET[J]. Journal of Mechanical & Electrical Engineering,2021,38(10):1246-1252. DOI: 10.3969/j.issn.1001-4551.2021.10.004
[6] 韩涛,胡英贝,张蕾,等. 信息融合技术在托辊轴承故障诊断中的应用[J]. 轴承,2012(6):57-59. DOI: 10.19533/j.issn1000-3762.2012.06.019 HAN Tao,HU Yingbei,ZHANG Lei,et al. Application of information fusion technology in fault diagnosis of roller bearings[J]. Bearing,2012(6):57-59. DOI: 10.19533/j.issn1000-3762.2012.06.019
[7] SONG Liuyang,WANG Huaqing,CHEN Peng. Vibration-based intelligent fault diagnosis for roller bearings in low-speed rotating machinery[J]. IEEE Transactions on Instrumentation and Measurement,2018,67(8):1887-1899. DOI: 10.1109/TIM.2018.2806984
[8] JIANG Xiaopeng, CAO Guangqing. Belt conveyor roller fault audio detection based on the wavelet neural network[EB/OL]. [2022-05-16]. https://ieeexplore. ieee.org/document/73781202015.
[9] 曹贯强. 带式输送机托辊故障检测方法[J]. 工矿自动化,2020,46(6):81-86. DOI: 10.13272/j.issn.1671-251x.2018100035 CAO Guanqiang. Fault detection method for belt conveyor roller[J]. Industry and Mine Automation,2020,46(6):81-86. DOI: 10.13272/j.issn.1671-251x.2018100035
[10] 陈维望,李军霞,张伟. 基于分支卷积神经网络的托辊轴承故障分级诊断研究[J]. 机电工程,2022,39(5):596-603. DOI: 10.3969/j.issn.1001-4551.2022.05.004 CHEN Weiwang,LI Junxia,ZHANG Wei. Hierarchical fault diagnosis of idler bearing based on branch convolutional neural network[J]. Journal of Mechanical & Electrical Engineering,2022,39(5):596-603. DOI: 10.3969/j.issn.1001-4551.2022.05.004
[11] YU Dejie,CHENG Junsheng,YANG Yu. Application of EMD method and Hilbert spectrum to the fault diagnosis of roller bearings[J]. Mechanical Systems and Signal Processing,2005,19(2):259-270. DOI: 10.1016/S0888-3270(03)00099-2
[12] 蒋留兵,韦洪浪,管四海,等. 基于EEMD和HOC 的超宽带雷达生命探测算法研究[J]. 现代雷达,2015,37(5):25-30. JIANG Liubing,WEI Honglang,GUAN Sihai,et al. A study on UWB vital signal detection method based on EEMD and HOC[J]. Modern Radar,2015,37(5):25-30.
[13] LEI Yaguo,HE Zhengjia,ZI Yanyang. EEMD method and WNN for fault diagnosis of locomotive roller bearings[J]. Expert Systems with Applications,2011,38(6):7334-7341. DOI: 10.1016/j.eswa.2010.12.095
[14] DRAGOMIRETSKIY K,ZOSSO D. Variational mode decomposition[J]. IEEE Transactions on Signal Processing,2013,62(3):531-544.
[15] 凌标灿,杨佳滨. 电机滚动轴承故障诊断中BP与RBF神经网络的比较[J]. 华北科技学院学报,2018,15(6):53-57. DOI: 10.3969/j.issn.1672-7169.2018.06.010 LING Biaocan,YANG Jiabin. Comparison of BP and RBF neural networks in fault diagnosis of motor rolling bearings[J]. Journal of North China Institute of Science and Technology,2018,15(6):53-57. DOI: 10.3969/j.issn.1672-7169.2018.06.010
-
期刊类型引用(18)
1. 杨筱彧,佘影,罗明华,方崇全. 基于时频掩码和稀疏表示的带输送机托辊故障诊断. 自动化与仪器仪表. 2025(01): 43-46+51 . 百度学术
2. 谷树伟,马孝威. 煤矿智能压风系统的应用研究. 煤炭工程. 2024(03): 91-95 . 百度学术
3. 缪江华. 基于卷积神经网络的带式输送机托辊故障诊断. 煤矿机械. 2024(06): 182-185 . 百度学术
4. 郭爱军. 基于ELM-VPMCD的输送带超声缺陷识别分析. 工矿自动化. 2024(S1): 11-14+33 . 本站查看
5. 马孝威,李标. 基于云边协同的带式输送机故障诊断技术. 工矿自动化. 2024(S1): 119-121+150 . 本站查看
6. 缪江华,苑静科,王文硕. 基于堆叠稀疏自编码和谱聚类分析的带式输送机托辊故障诊断. 煤矿机械. 2024(07): 163-166 . 百度学术
7. 郭洪丽. 基于红外热成像的输送机托辊运行异常监测系统. 机械制造. 2024(07): 7-9+47 . 百度学术
8. 张雄,武文博,李嘉禄,董帆,万书亭. 基于波束形成及CNN-LSTM的托辊故障距离估计模型. 噪声与振动控制. 2024(05): 114-119 . 百度学术
9. 张刚. 煤矿带式输送机托辊结构的仿真及结构优化研究. 自动化应用. 2024(18): 207-209+214 . 百度学术
10. 段树深. 基于ROI边缘图像直线特征的井下带式输送机跑偏故障检测方法. 中国矿业. 2024(10): 162-167 . 百度学术
11. 史志红. 煤矿智能化排水系统的应用研究. 煤炭工程. 2024(10): 153-159 . 百度学术
12. 邵浙梁,戚知宽,周邵萍. 基于改进注意力机制的CNN的齿轮箱故障诊断. 华东理工大学学报(自然科学版). 2024(06): 920-928 . 百度学术
13. 李标. 带式输送机多电动机驱动系统转速同步控制方法. 工矿自动化. 2023(05): 112-119 . 本站查看
14. 郝洪涛,邱园园,丁文捷. 一种基于小样本声音信号的托辊故障诊断方法. 工矿自动化. 2023(08): 106-113 . 本站查看
15. 吴子超. 关于煤矿带式输送机托辊轴承状态监测系统的研究. 矿业装备. 2023(07): 161-163 . 百度学术
16. 郭砚秋,苗长云,刘意. 基于热红外图像的带式输送机托辊故障检测研究. 工矿自动化. 2023(10): 52-60 . 本站查看
17. 吉日格勒,柳尧,尚书宏. 带式输送机托辊故障算法研究. 中国安全科学学报. 2023(S2): 195-201 . 百度学术
18. 井庆贺,张启良,王增仁,刘东星,谢苗,孟庆爽. 带式输送机中间段托辊故障检测方法研究. 中国安全科学学报. 2023(S2): 41-48 . 百度学术
其他类型引用(8)