基于多传感器融合的皮带纵向撕裂检测系统研究①

潘 岩

(安徽理工大学电气与信息工程学院,安徽 淮南 232001)

0 引 言

皮带运输机作为煤炭运输的关键性设备，其利用滚轮和皮带、皮带和煤炭之间的摩擦力实现煤炭的运输，因其具有结构简单、输送量大、运输的效率高等特点，所以在矿井、港口、建材、电厂等领域都有着广泛地应用[1]。输送带作为连接滚轮和煤炭的纽带，必然成为了皮带运输机最关键的部分，其价格也是占到了皮带运输机的一半以上。

由于井下工作环境复杂，在运输煤炭的过程中，当煤炭中混有棱角的研石、细杆状物等尖锐物体时，很大概率会直接从输送带中穿过，并会出现卡在托辑上的现象；或者在煤炭输送过程中突加物料或出现卡煤，致使煤炭和输送带之间的摩擦力增大，这些都有可能导致了皮带发生磨损和纵向撕裂。此外，如果输送带长期处于工作状态，也可能出现皮带的表面受力不均的情况，这就会造成其表面磨损较大,使皮带表面存在划痕、划伤，如果不能够及时发现，同样会发生皮带撕裂事故[2]。

目前，当皮带发生纵向撕裂情况时，现场的工作人员会闻到刺激性气体的气味发现皮带发生纵向撕裂。对于机器而言，它则是能够直接感知周围气体浓度的变化，比人的嗅觉感知更强。因此，利用气体检测的方法检测皮带纵向撕裂是可行的。

1 多传感器信息融合技术

多传感器信息融合技术[3-6]是现在飞速发展的一种监测技术，利用多种类型的传感器，加上传感器大规模的布置，采集不同种类的信息，利用信息处理技术保证监测系统准确率，与传统的单传感器监测方法相比，其监测效果更佳，所以本文利用多传感器技术对皮带撕裂气体进行检测。

1.1 皮带检测数据的采集

皮带撕裂检测需要实现时间上的不间断检测、空间上皮带工作范围的全覆盖以及对撕裂故障的及时准确的判断。为了能够得到一个皮带撕裂气体检测模型，检测皮带撕裂时产生的气体就十分的重要。使用风速、温度、SO2、甲烷、粉尘、HCl气体传感器采集皮带机正常运行、不同程度划伤和纵向撕裂的数据信息。

由于皮带与皮带的转接处经常发生纵向撕裂，故选择在转接处放置传感器，这样就能够得到皮带在不同程度划伤和纵向撕裂情况下的传感器数据。考虑到矿井工作环境的复杂性和多变性，所有传感器需在皮带开始工作前通电，对皮带机周围环境情况进行数据采集，同时在转接处和转接处周围放置多组传感器，保证数据采集的可靠性。传感器具体分布方式如图1所示。

1.2 监测数据的预处理

数据在传感器采集和通信线传输的过程中，会受到周围变化的风速、空气中的煤灰、电机产生磁场的影响。这些因素都可能导致传感器数据不准确，影响检测效果。在保证数据采集时效性的同时，需要对采集数据进行预处理，便于之后的数据融合。

利用小波变换阈值去噪[7]，则可以达到很好的预处理效果。假设带噪信号为g(t)，方法具体过程如下：

1)将g(t)进行小波变换转换成G(ω)，并得到每次转换对应的系数为ωi。

而这个冠军奖杯并不仅仅属于IG战队，更属于所有曾经倒在冲锋路上的LPL追梦人。这场比赛的胜利，意味着两代电竞人的寻梦之旅，终于划上了一个完美的句号。夺冠的这一天，所有的英雄联盟玩家都沸腾了。IG战队让所有人的梦想变得完整，让所有人的青春，变成了圆满，让电竞游戏成为了青春的代名词。

(1)

其中λ表示预设的阈值，t表示时间，sgn(t)表示t的符号。选取阈值为3α，选取采集开始时的100组数据组成的g(t)，将其所有小波变换系数按大小顺序排列，选择中位数除以0.6745，得到相应层的α。阈值|t|≤λ，即ω≥3α为噪声信号。

3)将得到的G(ω*)进行小波反变换，得到处理后的传感器信号g(t*)。

1.3 监测数据的融合与分析

随机森林(RF)作为一种经典的组合分类模型[8-10]，本身是多个决策树分类模型组成的，这些决策树分类模型都可以对最后的分类结果进行“投票”，找到最合适的分类结果。很多的实例研究和充分的理论分析都证明了随机森林能够到达很高的预测准确率，对噪声信号和异常值有着很好的包容性。其本身在对多个非线性数据处理时有交叉验证的优势，同时在训练的过程中能够生成输入变量的重要性程度。因此采用随机森林对皮带纵向撕裂程度进行预测。RF示意图如图2所示。

随机特征(输入变量X)包含粉尘浓度、SO2浓度、甲烷浓度、风速大小、温度大小、HCl浓度共计6种输入；输出变量Y则包含正常、轻度撕裂、一般撕裂、重度撕裂、严重撕裂共计5种结果，用于表示皮带撕裂的具体情况。随机森林会将数据进行随机分组，然后每组数据需生成随机向量Θ，这些Θ之间满足独立同分布，然后利用数据和随机向量一棵决策树，即得到一组分类模型h(X,Θ)。对于输入变量X和输出变量Y，定义边缘函数为：

F(X，Y)=akI(hi(X,Θk))=

(2)

式中，ak(·)为平均函数(k取正整数)，I(·)为示性函数，hi(·)为单组决策树分类模型(i取正整数)，j为所有分类结果中的一类。

由式(2)可以得到，函数F(X，Y)描述了由给定X与分类模型h(X,Θ)得到正确分类结果Y的得票数要高于其它分类结果的最大值。即F(X，Y)≥0时，对皮带撕裂的判断结果就是正确的，同时函数的值越大，说明结果越是可信；当F(X，Y)<0时，对皮带撕裂的判断结果就是不准确的，由此可以得到随机森林的泛化误差为：

PE*=PX,Y(F(X，Y)<0)

(3)

式中，PX,Y(·)表示发生某事件的概率，PE*表示发生皮带撕裂的判断结果不准确事件的概率。

每组分类模型会对皮带撕裂的程度进行一次分析，最后选择分类模型对皮带撕裂的程度分析情况出现最多的一组作为分类结果。最终分类的结果为：

(4)

式中，H(X)表示所有分类模型中出现最多的结果。

2 实验结果分析

2.1 数据预处理的结果

在数据采集过程中，因风向、摩擦强度、传感器精度等因素的影响，传感器采集的数据存在明显波动，将这6种传感器采集到的数据，利用小波变换阈值去噪进行数据预处理，粉尘浓度、SO2浓度、甲烷浓度、风速大小、温度大小、HCl浓度的采集和处理后结果分别如图3～5所示。

由图3～5可知，传感器采集的原始数据有异常值或噪声，通过小波阈值去噪后，各传感器数据曲线变得更加平滑，且波动情况相对稳定，便于之后的数据融合处理。

2.2 数据融合处理的结果

在通过数据预处理后，进行数据融合处理，其算法流程如图2所示。在本文中，输入变量X和输出变量Y已经确定，可以调整每次随机抽取样本的个数Ni(样本总数N=1000)以及决策数的数量Nt。选取不同的Ni和Nt进行模型的构建并对皮带撕裂情况进行预测，为减少预测结果的偶然性，每组Ni和Nt的搭配将进行5次。皮带撕裂预测结果准确率如表1所示。

表1 皮带撕裂预测结果准确率表

由表1可知，选取样本数Ni为300，决策树Nt为15时，模型对皮带撕裂程度有较好的预测效果。在预测的稳定性方面，平均准确率为0.8876，对皮带撕裂情况能够进行准确的预测。

3 结 论

(1)提出了一种基于多传感器的信息融合模型，设计了皮带纵向撕裂检测系统的基本结构。

(2)利用小波阈值去噪对传感器采集数据进行了处理，提高数据的可处理性和检测的准确性。

(3)采用随机森林进行信息融合，建立了随机森林预测模型，根据各等级的预测结果的准确率，说明该算法对皮带撕裂情况检测是准确可信的。