矿井带式输送机运行故障检测方法研究与应用

王新成

（山西煤炭进出口集团 洪洞陆成煤业有限公司，山西 临汾 041600）

1 概 况

在矿井开采煤炭和运输过程中，滚筒是带式输送机最常用、最容易发生故障的部件，也是最需要维护的部件。传统故障诊断是人工检测，需要安排工人定期检测，耗时费力，且不能及时和准确的发现故障。近年来，故障诊断方法从传统的人工诊断发展到智能诊断。基于数据的故障智能诊断的基本过程主要包括信号处理、特征提取和故障分类。虽然智能诊断能诊断故障，但存在不能诊断多重故障、神经网络结构复杂、不能同时分析高低频部件等问题。为了解决这些问题，以陆成煤业DTL100/50/132型带式输送机为例，提出了一种基于音频小波包分解和神经网络的故障智能诊断方法，与传统的人工检测相比，该方法可以更快地检测出故障，减少维修人员的数量。

2 基于小波包变换的故障高频信号预处理

DTL100/50/132型带式输送机主要由输送带、滚筒、张紧装置、传动装置等部件组成，如图1所示，其工作原理为输送带围绕滚筒形成环形并由张紧装置进行张紧，作业时电动机产生动力驱动输送带做连续运动。

当带式输送机发生滚筒卡住、断裂等情况时，振动信号、音频信号和图像信号都会发生变化。但振动传感器是一种接触式传感器，很难安装；矿井环境有大量的灰尘，很容易阻挡相机的镜头，干扰图像信息；而音频传感器是一种非接触式传感器，易于安装和收集数据。因此，采用音频数据来诊断滚筒故障。

滚筒在正常和故障状态下的音频信号波形如图2所示。音频信号的采样频率为28 850 Hz，采样时间为0.01 s。当故障发生时，音频信号的高频部分增加，信号幅度增加。但如果仅根据高频信号的能量比例来诊断故障，就会有很多误诊。例如，来自皮带输送机头部的噪声信号也是高频信号，可能会被误诊为故障。

图2 正常与异常信号曲线对比Fig.2 Comparison of normal and abnormal signal curves

针对上述问题，采用小波包变换对音频数据进行预处理，可以同时对信号的高频和低频部分进行分解。小波包转换过程如图3所示。工程中常用的小波包分解层数为3～8层。由于滚筒的音频包含大量的噪声信息，更详细的分解有助于故障诊断，此次对滚筒的音频数据进行了8层小波包变换。

图3 8层小波包变换原理Fig.3 8-layer wavelet packet transform principle

用于小波包变换的小波基函数是多贝西小波中的db2小波，它采用二阶解析矩，可以有效去除滚筒音频信号中的环境噪声。经过小波包分解后的环境噪声和滚筒声信号将被分解成不同的频带。环境噪声不会干扰滚筒声音信号的故障分析。

3 基于神经网络的故障分类算法

经过n层小波包变换后，将得到2n个频带。此次采用8层小波包变换，得到每组数据的256个频带数据。256个频段的数据难以转换为二维数据并输入到CNN中。因此，应计算每个频带的数据特征。滚筒数据的特征包括能谱、标准差、平均值等。

通过分析，每个频带约占监测数据总能量的12%。然而滚筒的故障信息主要集中在高频率部分，因此最低频带数据被调整为相同的相邻频带。提取每个频带后的平均值和标准差小波包变换作为特征，并比较分类影响选择最合适的特征进行滚筒故障诊断。

256个数据转换为16×16个二维数据。16×16输入数据对CNN来说易于处理。此次所使用的CNN模型为LeNet-5，并进行了适当的修改，共5层，如图4所示。输入数据的大小为16×16，输出数据的大小为3×1。CNN包括2个卷积层、2个池层和1个输出层。

图4 卷积神经网络的结构Fig.4 Structure of convolutional neural network

4 试验验证分析

声音传感器安装在带式输送机的一侧，如图5所示。为了保证该算法的准确性，采集了46组皮带无载和运输煤炭的音频数据。采样频率为28 850 Hz，在每个音频段中约有20 000个采样点。根据滚筒的操作情况，将滚筒分为3个状态，100表示正常状态；010表示异常状态；001表示故障状态，如图6所示。

图5 传感器的安装Fig.5 Installation of sensors

图6 不同状态的监测示意图Fig.6 Monitoring schematics of different states

异常状态是指滚子被卡住，即滚子与皮带分离，这类故障危害较小，操作完成后可进行修复。故障状态为滚子为断裂，这个故障可能会造成非常严重的后果。在神经网络中，通过细分每一组数据，可以获得更多的数据。每一组在原始数据中大约有2万个数据点。将4 000个数据点分成一组，将原46组数据扩展到230组。

200组数据作训练数据集，30组数据作测试数据集。通过比较两种特征的分类精度来选择更合适的特征。从图7可以看出，两种特征的训练误差都很低，并且两种误差曲线都很快稳定下来。当特征为平均值时，训练误差为2%，当特征为标准差时，训练误差为4%。

图7 数据训练误差曲线Fig.7 Data training error curve

不同特征的测试数据集的分类精度见表1。从表1可以看出，对于测试数据集，平均值作为特征的分类准确率为86%，标准差为93%。因此，使用标准差作为数据特征可以更有效地诊断滚筒故障。

表1 不同特征的测试数据集的分类精度统计Table 1 Classification accuracy statistics of test data sets with different features

此次进一步研究了小波包变换后通过调整最低频带数据来提高分类效果的问题。以标准差作为数据特征，见表2。不调整最低频带数据的测试数据集的分类准确率为90%，调整最低频带数据的分类准确率为93%。因此，通过调整最低频率数据，可以提高滚筒故障诊断的效果。

表2 测试数据集的分类精度统计Table 2 Classification accuracy statistics of test data set

5 结 语

以陆成煤业DTL100/50/132型带式输送机为例，提出了一种基于音频小波包分解和神经网络的故障智能诊断方法。利用小波包变换将音频信号分解为256个频带，并将标准差和均值作为数据特征进行计算。实验结果表明，使用标准差作为数据特征的方法在滚筒故障诊断中更为有效。然后使用CNN对数据特征进行分类来诊断滚筒故障。研究成果为矿井带式输送机故障诊断方法研究提供了借鉴。