商元吉

摘要：皮帶機(jī)是帶式輸送機(jī)的簡稱，是以皮帶兼做承載機(jī)構(gòu)和牽引機(jī)構(gòu)的一種連續(xù)運(yùn)輸設(shè)備，在燒結(jié)工藝中扮演著物料運(yùn)輸?shù)闹匾巧?。但是由于皮帶機(jī)線路長，工作環(huán)境惡劣，不便于人工監(jiān)測和檢修，時(shí)有安全事故發(fā)生，因此對皮帶機(jī)的故障診斷顯得尤為重要。該文基于多源信息融合技術(shù)，采用D-S證據(jù)合成算法，將多傳感器采集到的故障信號有效的融合起來，相比傳統(tǒng)的故障診斷方法，在精度上有了很大提升。

關(guān)鍵詞：故障診斷；多源信息融合；D-S證據(jù)融合算法

中圖分類號：TP3 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2018）20-0219-03

1 概述

皮帶機(jī)是燒結(jié)工藝中物料運(yùn)輸最常用的方式，它的傳送能力大，功耗小，對運(yùn)輸物品的適應(yīng)力極強(qiáng)，但是由于皮帶機(jī)長期工作在高負(fù)荷的狀態(tài)下，其不可避免地會發(fā)生各種故障，比如跑偏、過載、撕裂等。當(dāng)皮帶機(jī)發(fā)生故障時(shí)，如果不能及時(shí)地對故障做出診斷采取相應(yīng)的保護(hù)措施，將造成嚴(yán)重的后果，不僅會影響生產(chǎn)造成經(jīng)濟(jì)損失，甚至危機(jī)員工生命。

2 皮帶機(jī)常見故障分析

在皮帶機(jī)運(yùn)行的過程中有以下幾種常見的故障：（1）打滑故障；（2）皮帶縱向撕裂故障；（3）皮帶跑偏故障；（4）皮帶機(jī)斷帶故障等[1]。下面來簡單介紹一下這幾種故障。

2.1 打滑故障

皮帶機(jī)正常運(yùn)行時(shí)，動(dòng)力傳遞主要來源于驅(qū)動(dòng)滾筒與皮帶之間的摩擦力。因此，打滑是皮帶機(jī)失效的主要形式之一。皮帶打滑是驅(qū)動(dòng)滾筒轉(zhuǎn)動(dòng)時(shí)，皮帶不能與驅(qū)動(dòng)滾筒同步運(yùn)動(dòng)或皮帶不動(dòng)。當(dāng)打滑發(fā)生后，若不能及時(shí)排除故障，將會造成對皮帶的損傷，甚至發(fā)生斷帶、滾筒溫度升高等嚴(yán)重后果。

2.2 皮帶縱向撕裂

皮帶縱向撕裂主要發(fā)生在機(jī)尾裝載點(diǎn)處，主要原因是落料口落下有著鋒利突起或棱角的料物容易扎破皮帶，此外當(dāng)這些料物在運(yùn)輸?shù)倪^程中卡在機(jī)架或者托輥上時(shí)，就會形成對皮帶表層的頂壓和持續(xù)劃擦，最終造成皮帶的撕裂。

2.3 皮帶跑偏

皮帶跑偏是皮帶機(jī)運(yùn)行過程中較為常見的故障，其故障主要表現(xiàn)為在皮帶機(jī)工作過程中，皮帶偏離原先的軌道，導(dǎo)致料物輸送的中斷，影響生產(chǎn)的正常進(jìn)行，嚴(yán)重的還可能導(dǎo)致安全事故。該故障發(fā)生的主要原因：1）在皮帶機(jī)制造過程中滾筒的平行度誤差超出其允許范圍，導(dǎo)致在皮帶機(jī)工作過程中兩邊受力不均跑偏。2）料物裝載不均勻?qū)е缕C(jī)工作過程中兩邊受力不均造成跑偏。

2.4 皮帶機(jī)斷帶故障

由于燒結(jié)生產(chǎn)的任務(wù)繁重[2]，為提高效率，皮帶機(jī)長時(shí)間運(yùn)轉(zhuǎn)，導(dǎo)致皮帶橡膠表面磨損嚴(yán)重，內(nèi)部鋼絲細(xì)繩的腐蝕和斷絲，減小了膠帶的韌性，運(yùn)行當(dāng)中如果突然受到大的物體卡阻，增大膠帶所受的壓力，則會造成皮帶的斷帶。還有可能是膠帶接頭的質(zhì)量不過關(guān)，硬度太小，膠帶接頭發(fā)生損毀或者是變形，膠帶超長使用，老化嚴(yán)重，在膠帶跑偏的情況下還容易造成膠帶所受壓力過大，在大塊物料直接砸落到皮帶上時(shí)，發(fā)生斷帶。

3 基于多源信息融合的故障診斷

由上述介紹可知，皮帶機(jī)故障種類繁多，引起故障的原因也錯(cuò)綜復(fù)雜，在故障診斷的過程中對其中一種或者是幾種故障信息進(jìn)行分析和觀測，從中提取有關(guān)的故障行為的特征，會給故障的診斷帶來局限性，雖然有時(shí)利用一種信息就可以判斷其故障，但在許多情況下是不可靠的。例如：在皮帶機(jī)工作過程中，僅依靠皮帶機(jī)的速度信號，來判別皮帶機(jī)的故障狀況是不可靠的。當(dāng)皮帶機(jī)出現(xiàn)過載故障時(shí)，膠帶表面的速度與驅(qū)動(dòng)滾筒的轉(zhuǎn)速都會低于正常值；但是，當(dāng)減速機(jī)發(fā)生故障時(shí)，也有可能造成同樣的狀況，此時(shí)如果單憑速度信號就無法準(zhǔn)確地判斷出故障的類型。因此，需要對這些信息做出綜合判斷，才能得出準(zhǔn)確的診斷結(jié)果[3]。

多源信息融合技術(shù)是一種自動(dòng)化綜合處理技術(shù)，它充分利用多源數(shù)據(jù)的互補(bǔ)性和計(jì)算機(jī)的高速運(yùn)算和智能來提高信息處理的質(zhì)量。針對皮帶機(jī)的故障診斷信息融合的實(shí)質(zhì)就是對皮帶機(jī)的多傳感器信息和數(shù)據(jù)采集（例如：速度信號、電流信號、張力信號、跑偏信號等）、檢測、關(guān)聯(lián)與相關(guān)估計(jì)綜合等多級別、多方面的處理，最終達(dá)到對故障做出精確診斷的目的。

本文采用D-S證據(jù)融合算法對皮帶機(jī)的常見故障做出診斷，該算法最早由Dempster在1976年提出，后由學(xué)生Shafer繼續(xù)補(bǔ)充完善，形成了一套基于證據(jù)和組合處理不確定性推理問題的數(shù)學(xué)方法，并且將理論向大范圍推廣，最終得出適用性廣、理論更系統(tǒng)的D-S證據(jù)理論。目前該算法以廣泛應(yīng)用于工業(yè)，醫(yī)療，航空等各個(gè)領(lǐng)域當(dāng)中。

3.1 D-S證據(jù)理論算法

（1）構(gòu)建識別框架

利用傳感器收集對應(yīng)的故障征兆信息，建立故障征兆的識別框架[Θ]，由一完備且互不相同的命題集合組成冪集[2Θ]，在此冪集的基礎(chǔ)上設(shè)定基本信任函數(shù)：[2Θ→0，1]，A表示識別框架中的任意一個(gè)子集，[M（A）]表示證據(jù)支持命題的[A]發(fā)生的程度，[M（A）]滿足以下條件：（1）[M（φ）=0]，[φ]為空集。（2）[A?ΘM（A）=1]。

（2）構(gòu)建信任函數(shù)

由（1）知，[Θ]為識別框架，[2Θ→0，1]是[Θ]的基本信任函數(shù)，由此可定義函數(shù)

[BelA=B?AMB（?A?Θ），2Θ→0，1]為[Θ]的信任函數(shù)。

（3）構(gòu)建焦元

由（1）知，A表示識別框架中的任意一個(gè)子集，且[M（A）>0]時(shí)，則稱[A]為信任函數(shù)[Bel]的焦元，所有焦元的并集稱為核。

（4）構(gòu)建似真函數(shù)

當(dāng)給定一個(gè)識別函數(shù)[Θ]時(shí)，定義函數(shù)[pl：2Θ→0，1]，若[pl]滿足

[pl（A）=1-Bel（A__）=B?A≠ΦM（B）]

則稱[pl（A）]為似真函數(shù)，它表示不否定[A]的信任度。

由以上可知[Bel（A）]表示完全支持[A]命題，[pl（A）]表示不否定[A]命題，從而可得出常用的證據(jù)區(qū)間如下[3]：

（5）信度函數(shù)融合

設(shè)[Bel1，Bel2]是同一識別框架[Θ]上的信任函數(shù)，[M1，M2]分別是其對應(yīng)的基本概率賦值函數(shù)，焦元分別設(shè)為[A1，A2...，Ak]和[B1，B2...，Bk]，并設(shè)[T=i，jAi?Bj=ΦM1（Ai）M2（Bj）<1] 則有：[M（A）=M1⊕M2（A）=i，jAi?Bj=cM1（A）M2（Bj）1-T0，C≠φ，?C=Θ，C≠φ] （1）

由上式可得，若[T≠1]，則確定[M]的一個(gè)基本概率值，若[T=1]，則無法融合。當(dāng)有多傳感器的時(shí)候可以采取兩兩融合后再次融合，多個(gè)證據(jù)結(jié)合可由兩個(gè)證據(jù)的計(jì)算遞推得到。

（6）多個(gè)證據(jù)融合

當(dāng)有多個(gè)證據(jù)融合時(shí)刻采用公式：

[M=M1⊕M2⊕M3⊕…⊕Mn]。 （2）

3.2 融合算法在皮帶機(jī)故障診斷中的應(yīng)用

由上述D-S證據(jù)理論融合算法，現(xiàn)假定判斷皮帶機(jī)的三個(gè)信號（速度信號、電流信號、跑偏信號），[M1]表示速度傳感器的信度函數(shù)，[M2]表示電流傳感器的信度函數(shù)，[M3]表示跑偏開關(guān)的信度函數(shù)，來判別皮帶機(jī)出現(xiàn)的故障（過載、減速機(jī)故障、跑偏）三種故障，[A1]表示過載故障，[A2]表示跑偏故障，[A3]表示撕裂故障。建立可識別框架[Θ=A1，A2，A3]，三個(gè)傳感器的可信度分配如表2。

由于上表中所呈現(xiàn)的可信度差別并不明顯，所以無法對皮帶機(jī)的故障信息做出清晰的診斷，從速度傳感器和電流傳感器來的信任度來看過載故障的確信度較高但是不確信度也很高，若此時(shí)皮帶機(jī)發(fā)生多個(gè)故障也無法判斷，所以要進(jìn)行數(shù)據(jù)融合。

根據(jù)證據(jù)理論融合公式（1）可計(jì)算出[T]值，融合[M12A1，M12A2，M12A3]可信度結(jié)果如下表：

與表1相比[M12A1，M12A2，M12A3]比[A1，A2，A3]的可信度更加明顯，不確定度大大降低。

同理將此次融合的結(jié)果再與第三種傳感器融合如下表。

與兩種傳感器融合后的數(shù)據(jù)相比，可信度再一次增大了，也就意味著故障類型判斷的精度增大了。當(dāng)三種傳感器的信度函數(shù)融合后可以準(zhǔn)確地判斷出故障過載故障。

但是根據(jù)D-S證據(jù)理論融合規(guī)則，數(shù)據(jù)越多，判斷的結(jié)果就會越精確，但也要根據(jù)實(shí)際情況不能再設(shè)備上無限制的增加傳感器，具體還要根據(jù)現(xiàn)場實(shí)際確定傳感器的數(shù)量，避免造成傳感器的冗余。

3.3 基于多源信息融合的故障診斷專家系統(tǒng)

多源信息融合技術(shù)雖然可以提升診斷的精度，但是卻不具有自學(xué)習(xí)的能力，而專家系統(tǒng)是一種具有大量專門知識與經(jīng)驗(yàn)的程序系統(tǒng)，其工作過程實(shí)質(zhì)就是一個(gè)類似于人腦推理的過程[5]。將二者相結(jié)合不僅能夠提升專家系統(tǒng)的診斷精度而且能夠使D-S合成算法具有自學(xué)習(xí)的能力，大幅度提升系統(tǒng)的性能。

將皮帶機(jī)發(fā)生故障時(shí)的性能指標(biāo)輸入專家系統(tǒng)，系統(tǒng)從故障類型的知識庫出發(fā)，通過推理機(jī)利用儲存的故障類型相關(guān)知識進(jìn)行分析推理，給出推理結(jié)果，如圖2所示。

如圖3所示在專家決策層的特征融合中可以采用BP神經(jīng)網(wǎng)絡(luò)[6]這樣就可以使建立的知識庫具有自學(xué)習(xí)能力，具體如下：

如圖3所示，輸入層輸入的信號分別代表[p1：]速度特征、[p2：]電流特征[p3：]跑偏特征[p4：]溫度特征輸出信號則代表這各種故障類別的概率[o1，o2，o3，o4]需要注意的是這里每種傳感器所測信號代表的故障類型相互獨(dú)立互補(bǔ)干擾。

故障特征利用BP網(wǎng)絡(luò)提前進(jìn)行誤差訓(xùn)練，可以降低誤差較大的信號所帶來的干擾，提前進(jìn)行特征的篩選，為后續(xù)故障概率的確定提供了保障，同時(shí)網(wǎng)絡(luò)在訓(xùn)練的過程中也在不斷對特征信號進(jìn)行自適應(yīng)，自學(xué)習(xí)，使系統(tǒng)在運(yùn)行到知識庫之前就提前具有了學(xué)習(xí)能力，提高了整個(gè)系統(tǒng)對故障的預(yù)判能力。

4 結(jié)論

基于多源信息融合技術(shù)搭建的故障診斷專家系統(tǒng)具有指導(dǎo)性意義。利用該方法搭建的專家系統(tǒng)具有以下優(yōu)點(diǎn)：首先，相比一般故障診斷專家系統(tǒng)的診斷結(jié)果準(zhǔn)確度和可靠性有很大提升，降低了誤判的可能性；其次，利用多源信息融合技術(shù)加大了數(shù)據(jù)的利用程度，打破了以往故障診斷中一種信號診斷一種故障的束縛，系統(tǒng)對采集到的每一個(gè)信號數(shù)據(jù)做到了充分挖掘與利用；最后，多傳感器信息融合及時(shí)在部分傳感器出現(xiàn)故障不能被利用的情況下，系統(tǒng)仍可以利用剩余正常工作的傳感器采集到的數(shù)據(jù)信息進(jìn)行故障診斷，提升了系統(tǒng)的性能。

參考文獻(xiàn)：

[1] 吳桐，楊超.皮帶機(jī)常見故障分析及解決措施[J]. 科技創(chuàng)新與應(yīng)用， 2016（36）：112-112.

[2] 李清榮.煤礦皮帶機(jī)常見故障分析及對策處理[J]. 煤礦現(xiàn)代化， 2016（1）：102-104.

[3] 王莉，吳定會. D-S證據(jù)理論在帶式輸送機(jī)故障診斷中的應(yīng)用[J]. 江南大學(xué)學(xué)報(bào)：自然科學(xué)版， 2013， 12（1）：30-33.

[4] 黃志彥，張柏書，于開山，等. D-S證據(jù)理論數(shù)據(jù)融合算法在某系統(tǒng)故障診斷中的應(yīng)用[J]. 電光與控制， 2007，14（2）：146-149.