吳文臻，程繼明，李標(biāo)

（1. 煤炭科學(xué)技術(shù)研究院有限公司，北京 100013；2. 煤礦應(yīng)急避險技術(shù)裝備工程研究中心，北京 100013；3. 北京市煤礦安全工程技術(shù)研究中心，北京 100013）

0 引言

礦用帶式輸送機(jī)作為煤礦開采中的一種連續(xù)運輸裝備，擔(dān)負(fù)煤炭等物料輸送工作，是煤礦安全生產(chǎn)的重要環(huán)節(jié)之一。帶式輸送機(jī)托輥若出現(xiàn)如斷裂、打滑、堵轉(zhuǎn)、潤滑不良等故障，不僅會降低運輸效率，還會影響煤礦安全生產(chǎn)。礦用帶式輸送機(jī)具有運輸距離長、運量大、連續(xù)運輸能力強(qiáng)、托輥數(shù)量龐大等特點，傳統(tǒng)的沿線式巡檢工作量巨大，既費時費力，又不能保證巡檢結(jié)果的準(zhǔn)確性。隨著智能化礦山的快速發(fā)展與建設(shè)，智能化帶式輸送機(jī)托輥故障診斷方法可以通過信號采集與處理手段及時發(fā)現(xiàn)托輥故障及隱患，進(jìn)而使托輥檢修工作更加合理化、高效化，在降低了時間、物力、人力成本的同時，還可以保證帶式輸送機(jī)托輥的安全可靠運行[1-3]。

時頻分析是一種有效的軸承故障特征提取方法[4]，然而托輥在運行過程中易造成頻率模糊問題，使信號的時頻聚集性差，導(dǎo)致該方法很難有效識別故障特征[5]。韓濤等[6]通過設(shè)置多類型傳感器，并采用神經(jīng)網(wǎng)絡(luò)技術(shù)和Dempster-Shafer證據(jù)理論對信號進(jìn)行數(shù)據(jù)融合，實現(xiàn)了對托輥軸承故障的融合診斷，但該方法需要采用大量的傳感器才可以保證診斷準(zhǔn)確性，數(shù)據(jù)采集與計算實時性較差。Song Liuyang等[7]將統(tǒng)計濾波（Statistical Filtering，SF）和小波包變換（Wavelet Packet Transform，WPT）與移動峰值保持法相結(jié)合，并根據(jù)軸承故障敏感頻域的特征識別托輥的故障類型。Jiang Xiaopeng等[8]采用小波變換（Wavelet Transform，WT）與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的方式對托輥進(jìn)行音頻故障診斷。曹貫強(qiáng)[9]對帶式輸送機(jī)運行時的托輥音頻信號進(jìn)行小波去噪處理，并應(yīng)用BP-RBF（Radial Basis Function，徑向基函數(shù)）實現(xiàn)托輥的故障檢測。文獻(xiàn)[7-9]均采用了包含WT的故障診斷方法，但因為分解過程中的小波基函數(shù)選擇困難，所以上述方法的適應(yīng)性較弱。陳維望等[10]構(gòu)建了一種基于分支一維卷積神經(jīng)網(wǎng)絡(luò)的軸承故障分級診斷模型，對軸承的運行狀態(tài)進(jìn)行了全面估計，但該模型僅對單一的軸承具有較好的評估效果。Yu Dejie等[11]提出了一種基于經(jīng)驗?zāi)B(tài)分解（Empirical Mode Decomposition，EMD）方法和自回歸（Autoregressive，AR）模型的滾動軸承故障特征提取方法，該方法對非線性信號進(jìn)行EMD分解，利用馬氏距離準(zhǔn)則函數(shù)實現(xiàn)軸承的狀態(tài)和故障識別。但是，EMD分解存在頻譜混疊及端點效應(yīng)[12]。Lei Yaguo等[13]在軸承振動信號的預(yù)處理過程中采用集合經(jīng)驗?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition，EEMD）方法提取目標(biāo)本征模態(tài)函數(shù)（Intrinsic Mode Function，IMF）及其頻譜和包絡(luò)譜的時域和頻域特征，但是基于振動信號的故障診斷方法對于單軸承的效果較好，對托輥數(shù)量龐大的帶式輸送機(jī)全線故障診斷效果較差。

上述大多數(shù)方法都是將信號分解并轉(zhuǎn)換至頻域，并從頻域提取特征進(jìn)行故障診斷。而常用的信號分解方法包括小波分解及以EMD為基礎(chǔ)的分解方法，存在小波基選擇困難、易出現(xiàn)頻譜混疊和端點效應(yīng)的問題，導(dǎo)致故障診斷準(zhǔn)確率較低。針對上述問題，本文提出了一種基于變分模態(tài)分解（Variational Modal Decomposition，VMD）-BP神經(jīng)網(wǎng)絡(luò)的礦用帶式輸送機(jī)托輥音頻故障診斷方法。首先通過音頻傳感器采集礦用帶式輸送機(jī)沿線托輥的音頻信號，然后采用VMD將預(yù)處理后的音頻信號分解成有限個IMF分量，提取各個IMF分量的峭度、重心頻率、頻率標(biāo)準(zhǔn)差等特征值，最后將特征值輸入到已經(jīng)訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)，根據(jù)IMF分量特征值的差異，可以實現(xiàn)通過音頻對礦用帶式輸送機(jī)托輥故障進(jìn)行診斷，并可根據(jù)故障信號對應(yīng)的音頻傳感器位置對已發(fā)生的故障和隱患進(jìn)行定位。該方法在有效分解、提取音頻信息特征時，可避免分解過程中的頻譜混疊與端點效應(yīng)，提高故障診斷準(zhǔn)確率。

1 故障診斷方法

基于VMD-BP神經(jīng)網(wǎng)絡(luò)的礦用帶式輸送機(jī)托輥音頻故障診斷流程如圖1所示，包括信號的采集、信號預(yù)處理等前期過程，信號分解及特征值提取，基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷。

圖1 基于VMD-BP神經(jīng)網(wǎng)絡(luò)的礦用帶式輸送機(jī)托輥音頻故障診斷流程Fig. 1 Flow of audio fault diagnosis of mine belt conveyor roller based on VMD-BP neural network

1.1 數(shù)據(jù)采集及預(yù)處理

1.1.1 音頻信號采集

本文采用音頻傳感器實時采集音頻信號，并采用監(jiān)控主機(jī)對采集的音頻信號進(jìn)行數(shù)據(jù)匯總，實現(xiàn)對帶式輸送機(jī)托輥沿線聲音的采集。監(jiān)控主機(jī)具備左右雙通道，每一個通道可收集對應(yīng)方向50 m范圍內(nèi)音頻傳感器的音頻數(shù)據(jù)。音頻傳感器可采集60～20 000 Hz頻率范圍內(nèi)的聲音信息，拾音靈敏度為-26 dBFS±1 dB。監(jiān)控主機(jī)與音頻傳感器都具備IP66的防護(hù)等級，符合礦用傳感器標(biāo)準(zhǔn)。

音頻傳感器布置如圖2所示，沿帶式輸送機(jī)運輸線進(jìn)行布置，實現(xiàn)對帶式輸送機(jī)托輥的實時監(jiān)測。相鄰傳感器的間距可以根據(jù)待監(jiān)測區(qū)域的故障易發(fā)程度及重要程度進(jìn)行設(shè)定，一般間距可設(shè)為1～2 m，若大于2 m可能會造成故障信號漏檢。

圖2 音頻傳感器布置Fig. 2 Audio sensor layout

為了降低音頻傳感器的能耗水平，采用“個別點監(jiān)控，周圍點診斷”的方式進(jìn)行數(shù)據(jù)采集。將音頻傳感器劃分為不同組別，并按照一定的時間間隔進(jìn)行預(yù)監(jiān)測，若發(fā)現(xiàn)異常信號，迅速喚醒異常點周邊處于待機(jī)狀態(tài)的音頻傳感器，采集異常點周圍信號，使音頻傳感器采集的信號更加準(zhǔn)確。

1.1.2 信號預(yù)處理

音頻傳感器采集到的音頻信息需要進(jìn)行預(yù)處理，以抑制音頻信息中的噪聲信號。如圖2中第i個音頻傳感器采集到的聲音信號中，不僅包含其覆蓋區(qū)域內(nèi)的托輥聲音信息，還包含一定的環(huán)境噪聲和隨機(jī)噪聲。同時，第i個音頻傳感器采集到的聲音信息也會通過空氣傳播，并被第i-1個和第i+1個音頻傳感器捕獲。因為聲音信號在空氣中短距離的傳播過程并不會造成波形的大幅度失真，因此，第i-1個與第i個、第i個與第i+1個音頻傳感器采集到的信息波形基本一致。故障托輥在轉(zhuǎn)動過程中會存在周期性的聲音變化規(guī)律，因故障產(chǎn)生的音頻信號存在較強(qiáng)的自相關(guān)特性，而環(huán)境噪聲及背景噪聲存在隨機(jī)性，使噪聲的自相關(guān)性較弱。所以，可以采用音頻信號的自相關(guān)處理方法對自相關(guān)系數(shù)較大的故障信號進(jìn)行增強(qiáng)，相反，對相關(guān)性較弱的噪聲信號進(jìn)行有效抑制。將第i個音頻傳感器的音頻信號與第i-1個和第i+1個音頻傳感器的音頻信號進(jìn)行弱互相關(guān)處理，結(jié)合相鄰音頻傳感器采集到的故障信號的頻率信息，對第i個音頻傳感器采集到的故障信號進(jìn)行有效加強(qiáng)。

1.2 信號分解

VMD算法是一種自適應(yīng)、非遞歸、準(zhǔn)正交的信號分解方法[14]，可將帶式輸送機(jī)的托輥音頻時域信號f（t）分解為K個有限帶寬的模態(tài)子信號uk（t）（k=1，2，…，K，t為時間），各個獨立的uk（t）都圍繞在中心頻率ωk（t）周圍，整個變分問題的約束條件為各uk（t）之和等于輸入信號f（t）。

VMD分解過程的本質(zhì)是變分問題求解：

式中：δ（t）為單位脈沖函數(shù)；*為卷積運算符號。

通過引入二次懲罰因子α保證信號的重構(gòu)精度，引入拉格朗日懲罰算子λ（t）使約束條件更為嚴(yán)格，將式（1）所述的約束性變分問題轉(zhuǎn)換為非約束性變分問題，獲得增廣拉格朗日表達(dá)式：

式中：L(uk,wk,λ)為構(gòu)建的關(guān)于(u,w,λ)的輔助函數(shù)；〈〉為內(nèi)積運算。

為進(jìn)一步求解變分問題，通過迭代更新模態(tài)子信號ukn+1（n為迭代次數(shù)）及其對應(yīng)頻率ωkn+1和懲罰算子λkn+1尋求增廣拉格朗日表達(dá)式的“鞍點”，以獲得約束變分模型的最優(yōu)解。ukn+1的計算可等價為求解最小化問題：

式中X為VMD算法內(nèi)部定義的空間[14]。

在重構(gòu)的保真項中利用實信號的Hermitian對稱性，可將式（3）轉(zhuǎn)換成非負(fù)頻率區(qū)間的積分形式，并獲得二次優(yōu)化問題的解， ωkn+1可表示為

式中：為uk的估計值；ω為頻率。

通過如上步驟，利用VMD對原始信號進(jìn)行分解，即可將輸入信號f（t）分解為K個模態(tài)的集合{uk}={u1（t）,u2（t）,…,uK（t）}，方便后續(xù)進(jìn)行信號分析。

1.3 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種信號正向傳播、誤差反向傳播的網(wǎng)絡(luò)，在故障診斷中具有一定的應(yīng)用[15]。BP神經(jīng)網(wǎng)絡(luò)可以采用數(shù)據(jù)訓(xùn)練的方式進(jìn)行學(xué)習(xí)，最終實現(xiàn)對托輥的故障診斷。

BP神經(jīng)網(wǎng)絡(luò)在使用時需確定基本結(jié)構(gòu)。一般來說，在參數(shù)設(shè)置合理的情況下，3層神經(jīng)網(wǎng)絡(luò)就具有模擬任意復(fù)雜非線性映射的能力[15]，因此，本文將神經(jīng)網(wǎng)絡(luò)設(shè)置為3層，即采用標(biāo)準(zhǔn)的輸入層、隱含層、輸出層結(jié)構(gòu)。

1.4 特征量選取

特征量選取是應(yīng)用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的關(guān)鍵步驟之一，其作用是從一定角度反映出故障狀態(tài)下的信號特點，若特征量選擇不當(dāng)，可能會使各故障類型間的區(qū)分度降低，無法實現(xiàn)準(zhǔn)確的故障診斷。

根據(jù)信號VMD分解結(jié)果，信號f（t）被分解為IMF集合：{uk}={u1（t）,u2（t）,…,uK（t）}。

首先從時域角度計算IMF分量對應(yīng)的峭度集合為{Sk}={S1,S2,…,SK}，該參數(shù)的大小可以反映出托輥音頻時域信號中沖擊信號的分布情況。

其次計算得到各IMF分量的功率譜{Pk}={P1（ω）,P2（ω） ,…,PK（ω）}。

式中：Pk（ω）為第k個IMF分量對應(yīng)的功率信號；Uk（jω）為uk（t）的傅里葉變換；T為信號周期。

然后根據(jù)IMF分量的功率譜Pk，求得各IMF分量對應(yīng)的重心頻率{Ck}={C1（ω）,C2（ω） ,…,CK（ω）}。

式中Ck（ω）為第k個IMF分量對應(yīng)的中心頻率，該參數(shù)能反映信號在對應(yīng)頻譜中能量較大成分的頻率，體現(xiàn)信號功率譜的分布情況。

最后計算得到各個IMF分量的頻率標(biāo)準(zhǔn)差{Fk}={F1（ω）,F2（ω） ,…,FK（ω）}。

式中Fk（ω）為第k個IMF分量對應(yīng)的頻率標(biāo)準(zhǔn)差，該數(shù)值可以反映信號功率譜能量分布的分散程度，數(shù)值越大，表示能量越集中。

1.5 神經(jīng)元個數(shù)確定

VMD分解的主要參數(shù)K為可調(diào)參數(shù)，可以根據(jù)現(xiàn)場聲音環(huán)境進(jìn)行調(diào)節(jié)，當(dāng)VMD分解參數(shù)K=4時，音頻信號分解效果較好，無明顯的頻譜混疊現(xiàn)象發(fā)生，因此，本文以K=4為例進(jìn)行分析。根據(jù)分解層數(shù)，本文的輸入層神經(jīng)元個數(shù)選為12，分別為4個IMF分量的峭度、重心頻率、頻率標(biāo)準(zhǔn)差。輸出層神經(jīng)元個數(shù)為5，分別為正常運行狀態(tài)及4種故障狀態(tài)（托輥斷裂、堵轉(zhuǎn)、潤滑不良、軸承故障）對應(yīng)的分析結(jié)果。隱含層神經(jīng)元個數(shù)可以根據(jù)經(jīng)驗公式確定。

式中：l為隱含層神經(jīng)元個數(shù)；y為輸入層神經(jīng)元個數(shù)，y=12;z為輸出層神經(jīng)元個數(shù)，z=5;β為1～10的常數(shù)，本文取值為6。

根據(jù)式（8）計算得到l=11。

1.6 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

為了實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)對帶式輸送機(jī)的故障診斷，需要對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行大量訓(xùn)練，使BP神經(jīng)網(wǎng)絡(luò)學(xué)會輸出與輸入之間的某一種特定的映射關(guān)系。該映射關(guān)系是根據(jù)實際的故障類型（托輥斷裂、堵轉(zhuǎn)、潤滑不良、軸承故障）與托輥音頻信號特征項之間的關(guān)系確定的，訓(xùn)練完成后，即可實現(xiàn)特征項與故障的映射，使BP神經(jīng)網(wǎng)絡(luò)可根據(jù)輸入層的音頻信號特征值差異，實現(xiàn)帶式輸送機(jī)托輥的故障診斷。

2 實驗驗證

為了驗證本文故障診斷方法的有效性，針對內(nèi)蒙古伊金霍洛旗窩兔溝煤礦實際采集的帶式輸送機(jī)托輥音頻信息進(jìn)行分析驗證。該煤礦的主斜井帶式輸送機(jī)全長為886 m，提升高度為275 m，輸送帶傾角為22°。帶式輸送機(jī)的運輸任務(wù)重，且因為是主斜井，傾角較大，導(dǎo)致人工巡檢費時費力。

2.1 信號分解效果驗證

將帶式輸送機(jī)運行狀態(tài)下采集的部分音頻信號進(jìn)行VMD分解，得到正常托輥運行時的分解結(jié)果，如圖3所示，以托輥軸承故障為例，其對應(yīng)的音頻信號分解結(jié)果如圖4所示。從圖3和圖4可看出：VMD分解方法可以將音頻信號按照中心頻率的不同進(jìn)行有效分解，正常托輥音頻信號分量的幅值較小，高頻區(qū)域的IMF分量沒有整體的幅值增加現(xiàn)象。相比之下，托輥軸承故障時，其音頻信號分量中的高頻區(qū)域幅值相對較高。

圖3中各IMF分量的功率譜如圖5所示，圖4中各IMF分量的功率譜如圖6所示。

圖3 托輥正常狀態(tài)下音頻信號分解結(jié)果Fig. 3 Decomposition results of audio signal of roller in normal state

圖4 托輥故障狀態(tài)下音頻信號分解結(jié)果Fig. 4 Decomposition results of audio signal of roller in fault state

圖5 托輥正常狀態(tài)功率譜Fig. 5 Power spectrum of roller in normal state

圖6 托輥故障狀態(tài)功率譜Fig. 6 Power spectrum of roller in fault state

分析正常和故障狀態(tài)下的托輥頻域信息分解結(jié)果可以看出，正常托輥的IMF3和IMF4分量的中心頻率很接近，頻域跨度較小，能量比較集中。相比之下，故障托輥每個IMF分量的中心頻率均高于正常情況，且能量分布區(qū)域較廣，IMF3和IMF4分量的中心頻率差值很大。

計算托輥正常運行狀態(tài)和各種異常運行狀態(tài)的參數(shù)，結(jié)果見表1，其中S1-S4，C1-C4，F(xiàn)1-F4分別為IMF1-IMF4分量對應(yīng)的峭度、重心頻率和頻率標(biāo)準(zhǔn)差。

從表1可看出，正常運行和異常運行的托輥各項特征值具有差異，潤滑不良作為托輥的較常見故障，產(chǎn)生原因為潤滑脂污染，其主要特征為重心頻率與頻率標(biāo)準(zhǔn)差較大。若托輥潤滑不良現(xiàn)象不能及時處理，可能會導(dǎo)致托輥堵轉(zhuǎn)及軸承故障，二者的特征相近，易出現(xiàn)誤檢現(xiàn)象，托輥堵轉(zhuǎn)現(xiàn)象低頻分量特征與正常托輥相近，高頻分量的頻率標(biāo)準(zhǔn)差較大。托輥斷裂故障的參數(shù)特征為峭度明顯增大。

表1 IMF特征項數(shù)據(jù)Table 1 IMF characteristic item data

2.2 故障診斷結(jié)果分析

在窩兔溝煤礦主斜井沿線安裝9組監(jiān)控主機(jī)及配套的音頻傳感器，并采用本文提出的方法進(jìn)行運行監(jiān)測及故障診斷，診斷結(jié)果見表2。

表2 基于VMD-BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法的故障診斷結(jié)果Table 2 Fault diagnosis results of fault diagnosis method based on VMD-BP neural network

實驗數(shù)據(jù)的采集過程中，帶式輸送機(jī)沒有出現(xiàn)托輥斷裂的故障情況，因此，相關(guān)數(shù)據(jù)為0；托輥堵轉(zhuǎn)共發(fā)生3次，成功檢出2次，準(zhǔn)確率為66.67%，未檢出的堵轉(zhuǎn)現(xiàn)象因特征模糊，被誤檢為軸承故障；托輥潤滑不良及軸承故障的準(zhǔn)確率分別為97.14%和100.00%，總準(zhǔn)確率為96.15%，具有較高的準(zhǔn)確性。

將基于VMD-BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法與基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法進(jìn)行實驗對比。2種診斷方法均采用相同數(shù)據(jù)與預(yù)處理手段?；贐P神經(jīng)網(wǎng)絡(luò)的故障診斷方法未對信號進(jìn)行分解，而是直接根據(jù)給定信號的峭度、重心頻率、頻率標(biāo)準(zhǔn)差3項特征值進(jìn)行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，得到的診斷結(jié)果見表3。

表3 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法的故障診斷結(jié)果Table 3 Fault diagnosis results of fault diagnosis method based on BP neural network

從表3可看出，未經(jīng)過VMD分解的基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法準(zhǔn)確性較低，整體故障診斷準(zhǔn)確率為69.23%，且誤檢次數(shù)多。

為進(jìn)一步驗證本文方法的可靠性，與基于小波分解與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法進(jìn)行對比。對比實驗采用相同的實驗數(shù)據(jù)與預(yù)處理手段，采用Morlet小波基函數(shù)對音頻信號進(jìn)行2層分解，得到4個分量，并采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，實驗結(jié)果見表4?？煽闯龌谛〔ǚ纸馀cBP神經(jīng)網(wǎng)絡(luò)的故障診斷方法的故障診斷綜合準(zhǔn)確率為80.77%，誤檢次數(shù)為5，相比于基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法，準(zhǔn)確率提高了11.54%，但比本文故障診斷方法的準(zhǔn)確率降低了15.38%。

表4 基于小波分解與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法的故障診斷結(jié)果Table 4 Fault diagnosis results of fault diagnosis method based on wavelet decomposition and BP neural network

綜上可知，經(jīng)VMD分解再通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷的礦用帶式輸送機(jī)托輥音頻故障診斷方法能夠反映出各個頻域內(nèi)的特征信息，采用合理的傳感器安裝布置方法，可以實現(xiàn)帶式輸送機(jī)托輥的狀態(tài)監(jiān)測與故障診斷。同時，傳感器的布置方法靈活，可以根據(jù)實際運行情況，在重點保護(hù)區(qū)域及故障易發(fā)區(qū)域密集布置傳感器，進(jìn)一步提高故障檢測效率。

3 結(jié)語

提出了一種基于VMD-BP神經(jīng)網(wǎng)絡(luò)的礦用帶式輸送機(jī)托輥音頻故障診斷方法，利用音頻傳感器采集帶式輸送機(jī)托輥沿線的音頻信號，音頻信號經(jīng)過預(yù)處理后，通過VMD將其按照中心頻率分解成不同的IMF分量，根據(jù)IMF分量的峭度、重心頻率、頻率標(biāo)準(zhǔn)差等特征值的差異，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷。該方法可以根據(jù)音頻信號對應(yīng)的傳感器編號確定出故障托輥的位置。實驗結(jié)果表明，該方法總體故障診斷準(zhǔn)確率達(dá)到96.15%，與基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法和基于小波分解與BP神經(jīng)網(wǎng)絡(luò)的故障診斷方法相比分別提高了26.92%，15.38%，同時誤檢率也明顯降低。