蔡安江 李 濤 王洪波 田鳳陽(yáng) 楊 潔

（1.西安建筑科技大學(xué)機(jī)電工程學(xué)院，陜西西安710055；2.西安建筑科技大學(xué)華清學(xué)院，陜西西安710043；3.河北省帶式輸送機(jī)技術(shù)創(chuàng)新中心，河北衡水053000）

目前帶式輸送機(jī)故障監(jiān)測(cè)系統(tǒng)普遍存在準(zhǔn)確度低、誤報(bào)漏報(bào)和實(shí)時(shí)性差等問(wèn)題，尤其是隨著帶式輸送機(jī)朝著長(zhǎng)距離、大運(yùn)量、重載發(fā)展，帶式輸送機(jī)的實(shí)時(shí)監(jiān)控與故障診斷的準(zhǔn)確度成為研究重點(diǎn)。信息融合理論可以針對(duì)帶式輸送機(jī)故障的復(fù)雜性及故障之間的關(guān)聯(lián)性，充分整合多源故障信息，有效克服故障的不確定性、復(fù)雜性及單個(gè)傳感器信息帶來(lái)的故障診斷局限性，大大提高故障診斷的準(zhǔn)確度，降低誤報(bào)漏報(bào)率。

帶式輸送機(jī)故障診斷已取得了研究成果：張學(xué)軍[1]提出將BP神經(jīng)網(wǎng)絡(luò)與D-S證據(jù)理論融合來(lái)診斷帶式輸送機(jī)的火災(zāi)故障，有效降低了火災(zāi)誤報(bào)率；Li Wei等[2]提出了一種基于小波包分解（WPD）和支持向量機(jī)（SVM）相結(jié)合的帶式輸送機(jī)故障診斷方法，解決了發(fā)生托輥卡死故障時(shí)難以確定卡死托輥位置的問(wèn)題；吳定會(huì)等[3]提出利用模糊集理論和D-S證據(jù)理論融合進(jìn)行帶式輸送機(jī)故障診斷，解決了基本概率賦值函數(shù)（BPAF）構(gòu)造困難的問(wèn)題，但在融合多證據(jù)時(shí)，信度函數(shù)取決于給定的隸屬度函數(shù)的相關(guān)系數(shù)，其取值決定了故障診斷的準(zhǔn)確度。信息融合理論研究應(yīng)用也取得了進(jìn)展，朱明明等[4]將多特征融合結(jié)合軟判決的方法用于飛機(jī)檢測(cè)，其檢測(cè)率為94.25%、虛警率為5.5%；王浩等[5]將BP、RBF和SVM3種網(wǎng)絡(luò)進(jìn)行決策級(jí)融合，用于提高滾動(dòng)軸承故障診斷精度。但以上方法大多只在信息融合的某一層次進(jìn)行，具有一定的局限性。

鑒于以上研究應(yīng)用，本研究結(jié)合信息融合理論提出了一種基于特征級(jí)與決策級(jí)的雙層融合帶式輸送機(jī)故障準(zhǔn)確診斷方法，建立帶式輸送機(jī)故障診斷信息融合模型，可有效提高帶式輸送機(jī)故障診斷準(zhǔn)確度。

1 帶式輸送機(jī)故障準(zhǔn)確診斷方法

1.1 故障現(xiàn)象與特征

帶式輸送機(jī)運(yùn)行過(guò)程中，故障主要有打滑、托輥卡死和火災(zāi)等。打滑是帶式輸送機(jī)的主要失效形式，由于負(fù)載或者拉緊力的變化，打滑后輸送帶受到磨損溫度升高，輸送帶受到緊邊拉力的沖擊易斷裂。文獻(xiàn)[6]提出帶式輸送機(jī)打滑動(dòng)力學(xué)模型，采集輸送帶和傳動(dòng)滾筒角速度、輸送帶松、緊邊拉力信息，為防止帶式輸送機(jī)打滑提供理論依據(jù)。托輥卡死故障主要是托輥軸承失效。當(dāng)托輥卡死時(shí)，導(dǎo)致輸送帶與托輥間摩擦力增大，溫度升高，其輥筒表面溫度可達(dá)700℃，極易引發(fā)火災(zāi)事故。文獻(xiàn)[7]對(duì)托輥振動(dòng)信號(hào)進(jìn)行監(jiān)測(cè)，實(shí)現(xiàn)對(duì)故障托輥的識(shí)別和定位。輸送帶跑偏到一定程度卡死、輸送帶或者傳動(dòng)滾筒完全打滑或托輥卡死與輸送帶發(fā)生劇烈摩擦導(dǎo)致溫度急劇升高而發(fā)生火災(zāi)故障。當(dāng)輸送帶打滑40 min時(shí)，滾筒表面溫度可達(dá)300℃[8]，引發(fā)火災(zāi)事故。

針對(duì)以上典型故障的特征，結(jié)合信號(hào)處理技術(shù)，本研究選取帶式輸送機(jī)帶速、輸送帶繞上傳動(dòng)滾筒處的溫度、電機(jī)電流作為監(jiān)測(cè)信號(hào)。

1.2 故障準(zhǔn)確診斷方法

根據(jù)帶式輸送機(jī)運(yùn)行工況和典型故障特征，對(duì)監(jiān)測(cè)信號(hào)進(jìn)行預(yù)處理，時(shí)域借助于統(tǒng)計(jì)參數(shù)（如平均值、均值、方差等）進(jìn)行分析；小波包是時(shí)頻常采用的分析方法，小波包分解實(shí)質(zhì)上是對(duì)信號(hào)的多帶通濾波。帶式輸送機(jī)故障診斷主要是根據(jù)已提取的故障特征信息，采用合適的模式識(shí)別方法，對(duì)當(dāng)前帶式輸送機(jī)工作狀態(tài)和故障做出準(zhǔn)確判斷。

建立的帶式輸送機(jī)故障診斷信息融合模型如圖1所示。

1.2.1 信息的采集、預(yù)處理和特征提取

分別采集帶式輸送機(jī)正常狀態(tài)，打滑、托輥卡死和火災(zāi)故障發(fā)生時(shí)的帶速、輸送帶繞上傳動(dòng)滾筒處溫度、電機(jī)電流信號(hào)，所采集帶速、溫度信號(hào)對(duì)比如圖2、圖3所示。

從圖2和圖3可以看出：帶式輸送機(jī)在托輥卡死故障發(fā)生前期，失效托輥數(shù)量較少時(shí)，帶速略低于正常值且所測(cè)溫度和電機(jī)電流大于正常值；在打滑故障發(fā)生前期，帶速低于正常值且低于托輥卡死故障發(fā)生時(shí)的帶速，所測(cè)溫度值要高于托輥卡死故障發(fā)生時(shí)的溫度；當(dāng)托輥卡死到一定程度或者打滑嚴(yán)重時(shí)，就會(huì)發(fā)生火災(zāi)故障，此時(shí)帶式輸送機(jī)帶速比其余故障發(fā)生時(shí)更低，測(cè)量溫度值和電機(jī)電流則更高。

將信號(hào)預(yù)處理后提取每種故障樣本的小波包特征（3層分解，為14維向量）和基本特征（包括均值、標(biāo)準(zhǔn)差、方差、最大值、最小值），如表1所示。

?

4組運(yùn)行狀態(tài)典型數(shù)據(jù)分別進(jìn)行歸一化處理，成為無(wú)量綱的相對(duì)值，采用串行連接的方式將2種特征融合為新的特征，融合后的特征為均值、最大值、最小值、標(biāo)準(zhǔn)差、方差小波包特征，實(shí)現(xiàn)特征級(jí)的融合。

1.2.2 特征級(jí)故障診斷

3.研究型教學(xué)融合團(tuán)隊(duì)分工協(xié)作。實(shí)踐教學(xué)是培養(yǎng)學(xué)生創(chuàng)新思維和應(yīng)用技能的重要環(huán)節(jié)，教師要引導(dǎo)學(xué)生根據(jù)實(shí)驗(yàn)?zāi)康?、原理、技術(shù)指標(biāo)及注意事項(xiàng)制訂實(shí)驗(yàn)方案，并及時(shí)啟發(fā)和點(diǎn)撥有疑惑的學(xué)生，增強(qiáng)學(xué)生自主完成實(shí)驗(yàn)的信心。對(duì)于綜合性實(shí)驗(yàn)，教師可使每個(gè)學(xué)生完成的實(shí)驗(yàn)任務(wù)不一致，這樣既可以避免學(xué)生照搬照抄實(shí)驗(yàn)報(bào)告，又可以使學(xué)生發(fā)揮主觀能動(dòng)性，提高綜合分析問(wèn)題和解決問(wèn)題的能力。對(duì)于工作量較大的題目，學(xué)生可通過(guò)分組合作來(lái)完成，這就要求組員之間分工協(xié)作，這有利于培養(yǎng)學(xué)生的團(tuán)隊(duì)精神。教師鼓勵(lì)學(xué)生從選題、數(shù)據(jù)采集、圖像處理、特征分析、信息提取到結(jié)果分析再到報(bào)告撰寫(xiě)都親力親為，為后續(xù)課程設(shè)計(jì)和畢業(yè)論文撰寫(xiě)打下基礎(chǔ)。

利用融合特征分別訓(xùn)練量子粒子群（QSPO）優(yōu)化的核極限學(xué)習(xí)機(jī)（KELM）分類(lèi)器和SVM分類(lèi)器，將測(cè)試樣本輸入分類(lèi)器得到特征級(jí)融合診斷結(jié)果，并根據(jù)相應(yīng)的分類(lèi)器輸出構(gòu)造BPAF，實(shí)現(xiàn)D-S證據(jù)理論中BPAF的構(gòu)造。

分析KELM輸出函數(shù)可發(fā)現(xiàn)，核函數(shù)參數(shù)及懲罰系數(shù)對(duì)于KELM的分類(lèi)精度產(chǎn)生重要影響[9-10]，本研究選擇QPSO算法對(duì)KELM的參數(shù)進(jìn)行優(yōu)化[11]。在構(gòu)造BPAF時(shí)，由于KELM的輸出范圍并不統(tǒng)一[12]，且常規(guī)二分類(lèi)SVM輸出為正負(fù)類(lèi)輸出，因此需要將分類(lèi)器的輸出變換為軟輸出，即概率輸出。根據(jù)概率支持向量機(jī)的原理[13]，將KELM與SVM分類(lèi)器輸出轉(zhuǎn)換為后驗(yàn)概率形式：

輸出結(jié)果即為2種分類(lèi)器各自的BPAF。將表1中4組運(yùn)行狀態(tài)典型數(shù)據(jù)的融合特征輸入已訓(xùn)練的分類(lèi)器，輸出結(jié)果如表2所示。

?

分類(lèi)器融合診斷分為4類(lèi)，識(shí)別框架為正常、托輥卡死、火災(zāi)、打滑，表1中4組運(yùn)行狀態(tài)典型數(shù)據(jù)經(jīng)分類(lèi)器診斷后，第1組數(shù)據(jù)診斷為正常，KELM分類(lèi)器支持程度為0.930 9，SVM分類(lèi)器支持程度為0.896 6；第2組數(shù)據(jù)診斷為托輥卡死，KELM分類(lèi)器支持程度為0.925 6，SVM分類(lèi)器支持程度為0.887 3；第3組數(shù)據(jù)診斷為火災(zāi)，KELM分類(lèi)器支持程度為0.879 5，SVM分類(lèi)器支持程度為0.844 9；第4組數(shù)據(jù)診斷為打滑，KELM分類(lèi)器支持程度為0.906 3，SVM分類(lèi)器支持程度為0.934 1。

1.2.3 決策級(jí)故障診斷

決策級(jí)故障診斷采用D-S證據(jù)理論融合規(guī)則將特征級(jí)故障診斷結(jié)果再融合，得出決策級(jí)故障診斷結(jié)果，實(shí)現(xiàn)決策級(jí)的融合。其中D-S理論中合成規(guī)則[14]為

將表2分類(lèi)器輸出結(jié)果再融合，如表3所示。

帶式輸送機(jī)故障診斷信息融合模型融合決策級(jí)分類(lèi)器的輸出結(jié)果，對(duì)特征級(jí)診斷結(jié)果的支持程度會(huì)增加，即第1組診斷結(jié)果支持程度達(dá)到0.998 2，第2組診斷結(jié)果支持程度達(dá)到0.994 6，第3組診斷結(jié)果支持程度達(dá)到0.924 3，第4組診斷結(jié)果支持程度達(dá)到0.977 3。

?

根據(jù)4組運(yùn)行狀態(tài)典型數(shù)據(jù)，帶式輸送機(jī)故障診斷信息融合模型在特征級(jí)故障診斷時(shí)，分類(lèi)器對(duì)各自的輸出結(jié)果支持程度達(dá)到90%，不確定度10%左右；在決策級(jí)故障診斷時(shí)，分類(lèi)器特征級(jí)故障診斷結(jié)果經(jīng)過(guò)再融合后，對(duì)輸出結(jié)果支持程度可達(dá)97%，不確定度降低為3%左右。

2 實(shí)驗(yàn)驗(yàn)證與分析

2.1 實(shí)驗(yàn)平臺(tái)搭建

構(gòu)建的帶式輸送機(jī)故障監(jiān)測(cè)診斷實(shí)驗(yàn)臺(tái)如圖4所示。

帶式輸送機(jī)實(shí)驗(yàn)臺(tái)中驅(qū)動(dòng)電機(jī)額定電壓為12.5 V，額定帶速為0.16 m/s，輸送帶繞上驅(qū)動(dòng)滾筒處的溫度為30℃，額定電流0.4 A，但電機(jī)電流實(shí)時(shí)處在變化中。

2.2 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)臺(tái)采集帶式輸送機(jī)運(yùn)行中正常、托輥卡死、火災(zāi)和打滑狀態(tài)下的數(shù)據(jù)，使用帶式輸送機(jī)故障準(zhǔn)確診斷方法，在帶式輸送機(jī)故障診斷信息融合模型MATLAB平臺(tái)進(jìn)行故障融合診斷。分類(lèi)器輸出結(jié)果為4類(lèi)，分別為1、2、3、4，識(shí)別框架為正常、托輥卡死、火災(zāi)、打滑。實(shí)驗(yàn)臺(tái)采集4類(lèi)數(shù)據(jù)樣本，每種狀態(tài)采集20組數(shù)據(jù)，共80組數(shù)據(jù)。采集樣本中40組數(shù)據(jù)作為訓(xùn)練樣本，另40組數(shù)據(jù)為測(cè)試樣本，最終結(jié)果如圖5所示，其混淆矩陣如圖6所示。

從圖5和圖6可以看出，測(cè)試樣本共40組，除將1組火災(zāi)運(yùn)行狀態(tài)錯(cuò)判斷為正常狀態(tài)，其余測(cè)試樣本都診斷正確，因此，帶式輸送機(jī)故障診斷信息融合模型識(shí)別故障的準(zhǔn)確率達(dá)到97%。

3 結(jié) 論

（1）針對(duì)帶式輸送機(jī)故障種類(lèi)多、關(guān)聯(lián)性高且目前故障監(jiān)測(cè)存在準(zhǔn)確度低、實(shí)時(shí)性差等問(wèn)題，提出一種基于特征級(jí)決策級(jí)雙層融合的診斷方法，并建立了帶式輸送機(jī)故障診斷信息融合模型，實(shí)現(xiàn)了帶式輸送機(jī)故障診斷準(zhǔn)確度的提高，故障診斷準(zhǔn)確度達(dá)到97%。

（2）選取KELM和SVM作為分類(lèi)器，對(duì)帶式輸送機(jī)運(yùn)行與故障狀態(tài)作出準(zhǔn)確判斷。采用QPSO算法優(yōu)化KELM網(wǎng)絡(luò)參數(shù)，有效解決KELM參數(shù)敏感問(wèn)題；提出用2種分類(lèi)器的概率輸出來(lái)構(gòu)造其各自的BPAF，有效解決了D-S證據(jù)理論中BPAF的構(gòu)造。

（3）構(gòu)建帶式輸送機(jī)故障監(jiān)測(cè)診斷實(shí)驗(yàn)臺(tái)，采集帶式輸送機(jī)運(yùn)行狀態(tài)信息，應(yīng)用所提出的基于特征級(jí)決策級(jí)雙層融合的診斷方法進(jìn)行了故障診斷分析，故障識(shí)別率達(dá)到了97%；應(yīng)用MATLAB進(jìn)行了該方法的進(jìn)一步驗(yàn)證，結(jié)果表明基于特征級(jí)決策級(jí)雙層融合的帶式輸送機(jī)故障準(zhǔn)確診斷方法可有效提高帶式輸送機(jī)故障的診斷準(zhǔn)確度。