带式输送机故障准确诊断方法_蔡安江.pdf

收稿日期2019-12-03 基金项目教育部“蓝火计划“产学研联合创新项目 （编号 2014-LHJH-HSZX-018） ， 陕西省教育厅专项科研计划项目 （编号 18JK1023） 。 作者简介蔡安江 （1965） ， 男， 教授， 博士研究生导师。 带式输送机故障准确诊断方法 蔡安江 1 李涛 1 王洪波 2 田凤阳 3 杨洁 21 （1. 西安建筑科技大学机电工程学院， 陕西 西安 710055； 2. 西安建筑科技大学华清学院， 陕西 西安 710043； 3. 河北省带式输送机技术创新中心， 河北 衡水 053000） 摘要针对带式输送机运行过程中的典型故障， 提出了一种基于特征级与决策级的双层融合故障准确诊断 方法。建立了带式输送机故障诊断信息融合模型， 提取带式输送机故障信息的基本特征和小波包特征， 实现特征 级融合， 并使用量子粒子群优化的核极限学习机与支持向量机2种分类器进行特征级的故障诊断； 采用D-S证据 理论将2种分类器的特征级故障诊断结果再融合， 实现决策级的故障诊断。利用2种分类器的概率输出构造基本 概率赋值函数， 有效解决了D-S证据理论中基本概率赋值函数的构造。搭建带式输送机实验台， 使用MATLAB进 行实验验证， 结果表明该方法的故障识别准确率可达97， 提高了故障诊断的准确度。 关键词带式输送机故障准确诊断D-S证据理论核极限学习机支持向量机量子粒子群优化 中图分类号TD528文献标志码A文章编号1001-1250 （2020） -04-130-05 DOI10.19614/ki.jsks.202004020 Accurate Diagnosis for Belt Conveyor Fault Cai Anjiang1Li Tao1Wang Hongbo2Tian Fengyang3Yang Jie2 （1. School of Mechanical and Electrical Engineering， Xian University of Architecture and Technology， Xian 710055， China； 2. Huaqing College， Xian University of Architecture and Technology， Xian 710043， China； 3. Hebei Province Belt Conveyor Technology Innovation Center， Hengshui 053000， China） AbstractAiming at the typical faults in the operation of belt conveyors， an accurate diagnosis for double-layer fusion faults based on feature level and decision level is proposed. A fusion model for belt conveyor fault diagnosis ina- tion is established to extract the basic characteristics of the belt conveyor fault ination and the wavelet packet feature and to realize the feature level fusion. Two classifiers including of the quantum particle swarm optimization kernel limit learning machine and the support vector machine are adopted to carry out the feature-level fault diagnosis. The D-S evidence theory is used to recombine the feature-level fault diagnosis results of the two classifiers to obtain decision-level fault diagnosis. The probability outputs of the two classifiers is used to construct the basic probability assignment function，which can effectively solve the construction of the basic probability assignment function in D-S evidence theory. The belt conveyor test bench was built and verified by MATLAB. The results show that the fault identification accuracy of the can reach 97，which improves the accuracy of fault diagnosis. KeywordsBelt conveyor， Accurate diagnosis of faults， D-S evidence theory， Nuclear limit learning machine， Support vector machines， Quantum particle swarm optimization 目前带式输送机故障监测系统普遍存在准确度 低、 误报漏报和实时性差等问题， 尤其是随着带式输 送机朝着长距离、 大运量、 重载发展， 带式输送机的 实时监控与故障诊断的准确度成为研究重点。信息 融合理论可以针对带式输送机故障的复杂性及故障 之间的关联性， 充分整合多源故障信息， 有效克服故 障的不确定性、 复杂性及单个传感器信息带来的故 障诊断局限性， 大大提高故障诊断的准确度， 降低误 报漏报率。 带式输送机故障诊断已取得了研究成果 张学 军 ［1］提出将BP神经网络与D-S证据理论融合来诊断 带式输送机的火灾故障， 有效降低了火灾误报率； Li 总第 526 期 2020 年第 4 期 金属矿山 METAL MINE Series No. 526 April 2020 机电与自动化 130 ChaoXing Wei等 ［2］提出了一种基于小波包分解 （WPD） 和支持 向量机 （SVM） 相结合的带式输送机故障诊断方法， 解 决了发生托辊卡死故障时难以确定卡死托辊位置的 问题； 吴定会等 ［3］提出利用模糊集理论和D-S证据理 论融合进行带式输送机故障诊断， 解决了基本概率 赋值函数 （BPAF） 构造困难的问题， 但在融合多证据 时， 信度函数取决于给定的隶属度函数的相关系数， 其取值决定了故障诊断的准确度。信息融合理论研 究应用也取得了进展， 朱明明等 ［4］将多特征融合结合 软判决的方法用于飞机检测， 其检测率为94.25、 虚 警率为5.5； 王浩等 ［5］将BP、 RBF和SVM3种网络进 行决策级融合， 用于提高滚动轴承故障诊断精度。 但以上方法大多只在信息融合的某一层次进行， 具 有一定的局限性。 鉴于以上研究应用， 本研究结合信息融合理论 提出了一种基于特征级与决策级的双层融合带式输 送机故障准确诊断方法， 建立带式输送机故障诊断 信息融合模型， 可有效提高带式输送机故障诊断准 确度。 1带式输送机故障准确诊断方法 1. 1故障现象与特征 带式输送机运行过程中， 故障主要有打滑、 托辊 卡死和火灾等。打滑是带式输送机的主要失效形 式， 由于负载或者拉紧力的变化， 打滑后输送带受到 磨损温度升高， 输送带受到紧边拉力的冲击易断裂。 文献 ［6］ 提出带式输送机打滑动力学模型， 采集输送 带和传动滚筒角速度、 输送带松、 紧边拉力信息， 为 防止带式输送机打滑提供理论依据。托辊卡死故障 主要是托辊轴承失效。当托辊卡死时， 导致输送带 与托辊间摩擦力增大， 温度升高， 其辊筒表面温度可 达700 ℃， 极易引发火灾事故。文献 ［7］ 对托辊振动 信号进行监测， 实现对故障托辊的识别和定位。输 送带跑偏到一定程度卡死、 输送带或者传动滚筒完 全打滑或托辊卡死与输送带发生剧烈摩擦导致温度 急剧升高而发生火灾故障。当输送带打滑 40 min 时， 滚筒表面温度可达300 ℃ ［8］， 引发火灾事故。 针对以上典型故障的特征， 结合信号处理技术， 本研究选取带式输送机带速、 输送带绕上传动滚筒 处的温度、 电机电流作为监测信号。 1. 2故障准确诊断方法 根据带式输送机运行工况和典型故障特征， 对 监测信号进行预处理， 时域借助于统计参数 （如平均 值、 均值、 方差等） 进行分析； 小波包是时频常采用的 分析方法， 小波包分解实质上是对信号的多带通滤 波。带式输送机故障诊断主要是根据已提取的故障 特征信息， 采用合适的模式识别方法， 对当前带式输 送机工作状态和故障做出准确判断。 建立的带式输送机故障诊断信息融合模型如图 1所示。 1. 2. 1信息的采集、 预处理和特征提取 分别采集带式输送机正常状态， 打滑、 托辊卡死 和火灾故障发生时的带速、 输送带绕上传动滚筒处 温度、 电机电流信号， 所采集带速、 温度信号对比如 图2、 图3所示。 从图2和图3可以看出 带式输送机在托辊卡死 故障发生前期， 失效托辊数量较少时， 带速略低于正 常值且所测温度和电机电流大于正常值； 在打滑故 障发生前期， 带速低于正常值且低于托辊卡死故障 发生时的带速， 所测温度值要高于托辊卡死故障发 生时的温度； 当托辊卡死到一定程度或者打滑严重 时， 就会发生火灾故障， 此时带式输送机带速比其余 蔡安江等 带式输送机故障准确诊断方法2020年第4期 131 ChaoXing 故障发生时更低， 测量温度值和电机电流则更高。 将信号预处理后提取每种故障样本的小波包特 征 （3层分解， 为14维向量） 和基本特征 （包括均值、 标 准差、 方差、 最大值、 最小值） ， 如表1所示。 4组运行状态典型数据分别进行归一化处理， 成 为无量纲的相对值， 采用串行连接的方式将2种特征 融合为新的特征， 融合后的特征为均值、 最大值、 最 小值、 标准差、 方差小波包特征， 实现特征级的融合。 1. 2. 2特征级故障诊断 利用融合特征分别训练量子粒子群 （QSPO） 优化 的核极限学习机 （KELM） 分类器和SVM分类器， 将测 试样本输入分类器得到特征级融合诊断结果， 并根 据相应的分类器输出构造BPAF， 实现D-S证据理论 中BPAF的构造。 分析KELM输出函数可发现， 核函数参数及惩罚 系数对于KELM的分类精度产生重要影响 ［9-10］， 本研 究选择 QPSO 算法对 KELM 的参数进行优化 ［11］。在 构造 BPAF时， 由于 KELM的输出范围并不统一 ［12］， 且常规二分类SVM输出为正负类输出， 因此需要将 分类器的输出变换为软输出， 即概率输出。根据概 率支持向量机的原理 ［13］， 将KELM与SVM分类器输 出转换为后验概率形式 P fi x 1 1 exp -fi x,i 1,...,m. （1） 输出结果即为2种分类器各自的BPAF。将表1 中4组运行状态典型数据的融合特征输入已训练的 分类器， 输出结果如表2所示。 分类器融合诊断分为4类， 识别框架为正常、 托 辊卡死、 火灾、 打滑， 表1中4组运行状态典型数据经 分类器诊断后， 第1组数据诊断为正常， KELM分类 器支持程度为0.930 9， SVM分类器支持程度为0.896 6； 第2组数据诊断为托辊卡死， KELM分类器支持程 度为0.925 6， SVM分类器支持程度为0.887 3； 第3组 数据诊断为火灾， KELM分类器支持程度为0.879 5， SVM分类器支持程度为0.844 9； 第4组数据诊断为打 滑， KELM分类器支持程度为0.906 3， SVM分类器支 持程度为0.934 1。 1. 2. 3决策级故障诊断 决策级故障诊断采用D-S证据理论融合规则将 特征级故障诊断结果再融合， 得出决策级故障诊断 结果， 实现决策级的融合。其中D-S理论中合成规 则［14］为 m A ■ ■ ■ ■ ■ ■ ■ ∑ i,j Bi⋂ Cj A m1 Bi m2Cj 1 - K ,∀A ⊂ U,A ≠ ∅ 0,A ≠ ∅ .（2） 将表2分类器输出结果再融合， 如表3所示。 带式输送机故障诊断信息融合模型融合决策级 分类器的输出结果， 对特征级诊断结果的支持程度 会增加， 即第1组诊断结果支持程度达到0.998 2， 第 2组诊断结果支持程度达到0.994 6， 第3组诊断结果 金属矿山2020年第4期总第526期 132 ChaoXing 支持程度达到0.924 3， 第4组诊断结果支持程度达到 0.977 3。 根据4组运行状态典型数据， 带式输送机故障诊 断信息融合模型在特征级故障诊断时， 分类器对各 自的输出结果支持程度达到 90， 不确定度 10左 右； 在决策级故障诊断时， 分类器特征级故障诊断结 果经过再融合后， 对输出结果支持程度可达97， 不 确定度降低为3左右。 2实验验证与分析 2. 1实验平台搭建 构建的带式输送机故障监测诊断实验台如图4 所示。 带式输送机实验台中驱动电机额定电压为12.5 V， 额定带速为0.16 m/s， 输送带绕上驱动滚筒处的温 度为30 ℃， 额定电流0.4 A， 但电机电流实时处在变 化中。 2. 2实验结果与分析 实验台采集带式输送机运行中正常、 托辊卡死、 火灾和打滑状态下的数据， 使用带式输送机故障准 确诊断方法， 在带式输送机故障诊断信息融合模型 MATLAB平台进行故障融合诊断。分类器输出结果 为4类， 分别为1、 2、 3、 4， 识别框架为正常、 托辊卡死、 火灾、 打滑。实验台采集4类数据样本， 每种状态采 集20组数据， 共80组数据。采集样本中40组数据作 为训练样本， 另40组数据为测试样本， 最终结果如图 5所示， 其混淆矩阵如图6所示。 从图5和图6可以看出， 测试样本共40组， 除将1 组火灾运行状态错判断为正常状态， 其余测试样本 都诊断正确， 因此， 带式输送机故障诊断信息融合模 型识别故障的准确率达到97。 3结论 （1）针对带式输送机故障种类多、 关联性高且目 前故障监测存在准确度低、 实时性差等问题， 提出一 种基于特征级决策级双层融合的诊断方法， 并建立 了带式输送机故障诊断信息融合模型， 实现了带式 输送机故障诊断准确度的提高， 故障诊断准确度达 到97。 （2）选取 KELM 和 SVM 作为分类器， 对带式输 送机运行与故障状态作出准确判断。采用QPSO算 法优化 KELM 网络参数， 有效解决 KELM 参数敏感 问题； 提出用 2种分类器的概率输出来构造其各自 的 BPAF， 有效解决了 D-S 证据理论中 BPAF 的构 造。 （3）构建带式输送机故障监测诊断实验台， 采集 带式输送机运行状态信息， 应用所提出的基于特征 级决策级双层融合的诊断方法进行了故障诊断分 析， 故障识别率达到了97； 应用MATLAB进行了该 方法的进一步验证， 结果表明基于特征级决策级双 层融合的带式输送机故障准确诊断方法可有效提高 带式输送机故障的诊断准确度。 蔡安江等 带式输送机故障准确诊断方法2020年第4期 133 ChaoXing 参 考 文 献 张学军. 基于BP神经网络和D-S证据理论的火灾报警系统 ［J］ . 仪表技术与传感器， 2011 （1） 104-105. Zhang Xuejun. Fire alarm system based on bp neural network and D-S evidence theroy［J］ .Instrument Technique and Sensor， 2011 （1） 104-105. Li W， Wang Z， Zhu Z， et al. Design of online monitoring and fault diagnosis system for belt conve yors based on wavelet packet de- composition and support vector machine ［J］ . Advances in Mechani- cal Engineering， 2013， 51-10. 吴定会， 王莉， 纪志成. 信息融合在带式输送机故障诊断中 的应用 ［J］ . 控制工程， 2014 （4） 483-486. Wu Dinghui， Wang Li， Ji Zhicheng.Application of ination fu- sion technology in fault diagnosis of belt conveyor ［J］ .Control Engi- neering of China， 2014 （4） 483-486. 朱明明， 许悦雷， 马时平， 等. 基于特征融合与软判决的遥感图 像飞机检测 ［J］ . 光学学报， 2019， 39 （2） 71-77. Zhu Mingming， Xu Yuelei， Ma Shiping，et al.Airplane detection based on feature fusion and soft decision in remote sensing images ［J］ .Acta Optica Sinica， 2019， 39 （2） 71-77. 王浩， 谭继文， 孙显彬. 滚动轴承故障信息的特征级融合与 决策级融合 ［J］ . 机械研究与应用， 2016 （1） 212-214. Wang Hao， Tan Jiwen， Sun Xianbin.Feature level fusion and deci- sion level fusionfor fault ination of rolling bearing ［J］ .Mechani- cal Research Application， 2016 （1） 212-214. 李显荣， 董长双， 李军霞 ， 等. 带式输送机打滑动力学模型及 有限元仿真研究 ［J］ . 煤炭技术， 2015 （2） 205-208. Li Xianrong， Dong Changshuang， Li Junxia， et al.Study on belt con- veyors skidding dynamic model and finite element simulation ［J］ . Coal Technology， 2015 （2） 205-208. 孙维， 刁冬梅. 基于φOTDR技术的带式输送机托辊故障检 测 ［J］ . 工矿自动化， 2016 （8） 9-12. Sun Wei， Diao Dongmei.Roller fault dection of belt conveyor based onφOTDR technology ［J］ .Industry and Mine Automation， 2016 （8） 9-12. 封士彩， 黄民. 矿用带式输送机火灾监控技术的研究 ［J］ . 煤 炭科学技术， 2002 （2） 54-57. Feng Shicai， Huang Min.Research on fire disaster monitoring and control technology for mine belt conveyor［J］ . Coal Science and Technology， 2002 （2） 54-57. Yang Y ，Wang Y ，Yuan X. Bidirectional extreme learning ma- chine for regression problem and its l earning effectiveness［J］ . IEEE Transactions on Neural Networks and Learning Systems， 2012， 23 （9） 1498-1505. 王田田， 王艳， 纪志成. 基于改进极限学习机的滚动轴承故障 诊断 ［J］ .系统仿真学报， 2018， 30 （11） 390-397. Wang Tiantian， Wang Yan，Ji Zhicheng.Fault diagnosis of rolling bearing based on improved extreme learning machine［J］ . Journal of System Simulation， 2018， 30 （11） 390-397. Zong W，Huang G B ，Chen Y . Weighted extreme learning ma- chine for imbalance learning ［J］ . Neurocomputing， 2013， 101229- 242. 徐继亚， 王艳， 纪志成. 基于鲸鱼算法优化WKELM的滚动轴 承故障诊断 ［J］ .系统仿真学报， 2017 （9） 2189-2197. Xu Jiya，Wang Yan，Ji Zhicheng.Fault diagnosis of rolling bearing based on WKELM optimized by whale optimization algo- rithm ［J］ .Journal of System Simulation， 2017 （9） 2189-2197. Platt J C. Probabilistic outputs for support vector machines and comparisons to regularized likelihood s［J］ . Advances in Large Margin Classifiers， 2000， 10 （4） 61-74. 周治平，赵晓晓，邵楠楠 . 结合模糊集合与 D-S 证据理论的 WSN信任评估模型 ［J］ . 系统仿真学报， 2018， 30 （4） 25-32. Zhou Zhiping，Zhao Xiaoxiao，Shao Nannan.Trust uation mod- el based on fuzzy set and D-S evidence theory in wireless sensor network ［J］ .Journal of System Simulation， 2018， 30 （4） 25-32. ［1］ ［2］ ［3］ ［4］ ［5］ ［6］ ［7］ ［8］ ［9］ ［10］ ［11］ ［12］ ［13］ ［14］ 金属矿山2020年第4期总第526期 134 ChaoXing