带式输送机托辊故障检测方法_武国平.pdf

带式输送机托辊故障检测方法武国平（国家能源集团准能集团有限责任公司，内蒙古鄂尔多斯017000）摘要：针对现有输煤传送机托辊故障检测方法存在识别精度较低、抗环境干扰能力较差、无法长期稳定运行等问题，提出了一种基于融合信号（TFM）及多输入一维卷积神经网络（MI1DCNN）的输煤传送机托辊故障检测方法。首先，通过拾音器采集输煤传送机沿线托辊运行的音频信号，采用 dB4 小波无偏风险估计阈值降噪法对信号进行预处理，消除背景噪声，提高信噪比。然后，对降噪音频信号的时域、频域和梅尔频率倒谱系数（MFCC）及其一阶二阶差分系数进行归一化处理，并进行拼接，得到特征 TFM。最后，将 TFM 输入到多尺度卷积核的MI1DCNN 模型，在网络通道末端进行特征融合，通过 Softmax 函数完成对正常托辊和故障托辊的分类识别。以某煤矿实际采集的输煤传送机托辊音频信号样本对 TFMMI1DCNN 模型进行试验，结果表明：故障托辊平均识别准确率达 98.65%，较改进小波阈值降噪反向传播径向基函数网络、MFCCK 邻近方法支持向量机的平均识别准确率分别提高了 1.50%和 1.03%。现场应用结果表明：该方法下故障托辊平均识别准确率为 98.4%，说明该方法适用于现场应用。关键词：输煤传送机；智能巡检机器人；托辊；音频信号；小波阈值降噪；MFCC；多输入一维卷积神经网络中图分类号：TD634文献标志码：AFaultdetectionmethodforbeltconveyoridlerWUGuoping(CHNEnergyZhunnengEnergyGroupCo.,Ltd.,Ordos017000,China)Abstract:Theexistingfaultdetectionmethodsforbeltconveyoridlerhavetheproblemsoflowrecognitionprecision,pooranti-interferencecapabilityandinabilitytooperatestablyoveralongperiodoftime.Inordertosolvetheaboveproblems,afaultdetectionmethodforbeltconveyoridlerbasedontime-frequency-MFCC(TFM)and multi-input one-dimensional convolutional neural network(MI-1DCNN)is proposed.Firstly,the pickupcollects the audio signal of the coal conveyor idler running along the line.The dB 4 wavelet unbiased riskestimationthresholdnoisereductionmethodisusedtopreprocessthesignaltoeliminatethebackgroundnoiseandimprovethesignal-to-noiseratio.Secondly,thetimedomain,frequencydomainandMelfrequencycepstrumcoefficient(MFCC),andthefirstandsecondorderdifferencecoefficientofthenoisereductionaudiosignalarenormalizedrespectively,andfinallyassembledtoobtainthefeatureTFM.Finally,thatTFMsignalsareinputintoaMI-1DCNNmodelwithamulti-scaleconvolutionkernel.Thefeaturefusioniscarriedoutattheendofanetworkchannel.TheclassificationandidentificationofthenormalidlerandthefaultidlerarecompletedthroughaSoftmaxfunction.TheTFM-MI-1DCNNmodelistestedwiththeaudiosignalsamplesofcoalconveyoridlercollectedinacoalmine.Theresultsshowthattheaveragerecognitionaccuracyofthefaultidleris98.65%.Theaveragerecognitionaccuracyisimprovedby1.50%and1.03%comparedtotheimprovedwaveletthreshold收稿日期：2022-10-11；修回日期：2023-02-08；责任编辑：王晖，郑海霞。基金项目：国家自然科学基金项目（51905459）。作者简介：武国平（1966），男，内蒙古凉城人，教授级高级工程师，主要从事科技创新管理工作，E-mail:。引用格式：武国平.带式输送机托辊故障检测方法J.工矿自动化，2023，49（2）：149-156.WUGuoping.FaultdetectionmethodforbeltconveyoridlerJ.JournalofMineAutomation，2023，49（2）：149-156.第49卷第2期工矿自动化Vol.49No.22023年2月JournalofMineAutomationFeb.2023文章编号：1671251X（2023）02014908DOI：10.13272/j.issn.1671-251x.2022100022denoising-backpropagation-radialbasisfunctionnetworkandMFCC-K-nearestneighboralgorithm-supportvectormachine.The false detection rate is only 0.194%.The results of field application show that the averagedentificationaccuracyoftheproposedmethodis98.4%,indicatingthattheproposedmethodissuitableforfieldapplication.Key words:beltconveyor;intelligentinspectionrobot;idler;audiosignal;waveletthresholddenoising;MFCC;multi-inputone-dimensionalconvolutionalneuralnetwork 0引言带式输送机作为煤炭运输过程中的重要设备，具有长距离运输、大体量运输、持续作业等优点1。托辊作为带式输送机最重要的部件，长期运行时但极易产生损坏。如果不能及时发现并更换损坏的托辊，会使输送带产生磨损、断裂等问题，增加运行维护费用，降低工作效率。传统托辊故障检测一般采用人工巡检方式，但由于个人经验水平不同、主观意愿偏差，导致效率低，易引起误判和漏检。因此，实现高精度故障托辊自动化巡检，具有重大意义。近年来，智能巡检机器人逐渐应用于带式输送机故障检测领域2-4。朱剑锋5设计了基于红外检测技术撕裂事故在线检测系统，通过色温图像进行带式输送机健康状态判定，但易受气温和阳光照射干扰，导致识别精度不稳定，且成本较高。韩涛等6将信息融合技术引入矿用输送机托辊轴承故障诊断中，通过对托辊轴承故障特征信息的提取，利用神经网络技术和 Dempster-Shafer 证据理论对其进行数据融合，实现对托辊轴承故障的融合诊断，但该方法工程应用难度极大。孙维等7提出了利用相干脉冲光的后向瑞利散射来实现托辊振动信号检测，从而实现故障诊断，但故障托辊定位误差较大。曹贯强8提出了一种基于小波去噪和反向传播径向基函数（backpropagation-RadialBasisFunction，BP-RBF）神经 网 络 的 托 辊 检 测 方 法，但 识 别 精 度 仍 不 高。郝洪涛等9提出了基于完全噪声辅助集合经验模态分解、主成分分析和鲁棒性独立分量分析方法，以实现音频信号的去噪，采用支持向量机（SupportVectorMachine，SVM）实现分类，但该方法未充分利用信号中的特征。伊鑫等10采用梅尔频率倒谱系数（MelFrequencyCepstrumCoefficient,MFCC）对声音信号提取，并采用 K 邻近方法（K-NearestNeighbor，KNN）实现一级健康指标，采用 SVM 实现二级健康指标，但托辊故障类型识别精度仍较低，且一级健康指标还需人为复查。蔡安江等11提出了基于特征级与决策级的双层融合故障准确诊断方法，故障识别率达97%，但该方法的信号采集难度大，托辊故障种类识别单一。葛江华等12利用多传感器信息融合的二阶张量特征作为输入，构建了一个支持张量机和集成矩 阵 距 离 测 度（Assembled Matrix Distance Metrix,AMDM）的 KNN 分类器决策融合诊断模型，由概率分配值决策 6 类托辊状态，但太过依赖融合传感器数目和参数，工程应用难度大。现有托辊故障大多通过声音、可见光、红外和振动等信号进行检测，其中大多存在信号采集难度大、识别精度低和稳定性较差等问题，很难投入工程应用。针对上述问题，本文提出了一种基于融合信号（Time-Frequency-MFCC，TFM）及多输入一维卷积神经 网 络（Multi-Input One-Dimensional ConvolutionalNeuralNetwork，MI1DCNN）的带式输送机托辊故障检测方法。首先对采集的音频信号进行小波阈值降噪，然后基于时域、频域、MFCC 及其一阶二阶差分系数进行拼接，得到 TFM，并作为特征参数，最后采用 MI1DCNN 进行特征提取，并采用 Softmax 函数实现正常托辊和故障托辊的分类识别。1故障检测方法基于 TFM 及 MI1DCNN 的带式输送机托辊故障诊断流程如图 1 所示。首先，通过拾音器采集带式输送机沿线托辊运行的音频信号，采用 dB4 小波无偏风险估计阈值降噪法对信号进行预处理，消除背景噪声，提高信噪比。然后，对降噪音频信号的时域、频域和 MFCC 及其一阶二阶差分系数进行归一化处理，最后进行拼接，得到 TFM。最后，将 TFM 输入到多尺度卷积核的 MI1DCNN 模型，在 CNN 末端进行特征融合，通过 Softmax 函数完成对正常托辊和故障托辊的分类识别，实现通过音频信号对带式输送机托辊的故障诊断，并根据编码器识别的托辊编号进行故障定位。1.1小波阈值降噪小波分析是一种多尺度的时频域分析方法13，将信号分解成近似分量与细节分量。近似分量表征信号的高尺度，即低频分量；细节分量表征信号的低150工矿自动化第49卷尺度，即高频分量。对于含有噪声的信号，其噪声成分主要集中在细节分量中。A1D1D1A1A2D2D1,D2,DNAN小波阈值降噪是通过选取一个合适的阈值，来有效地保留有用信号并去除噪声信号。小波阈值降噪过程如图 2 所示。首先设置一个临界阈值，对信号进行离散小波变换，得到低频分量和高频分量；然后对高频分量进行阈值分解，大于阈值 的小波系数为有用信号分量，小于阈值 的小波系数为噪声信号，保留有用信号分量并将噪声信号分量置零；最后将低频分量继续分解为和，以此类推，对阈值处理后的高频分量（N 为小波分解层数）和最后一层低频分量进行离散小波逆变换，得到过滤掉噪声信号分量并保留了有用信号分量的音频信号。含噪声的托辊音频信号离散小波变换A1A2A3AND1D2D3DND1D2D3DN阈值 离散小波逆变换降噪后