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.pdf》由会员分享,可在线阅读,更多相关《带式输送机托辊故障检测方法_武国平.pdf(8页珍藏版)》请在咨信网上搜索。
1、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
2、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:
3、AFaultdetectionmethodforbeltconveyoridlerWUGuoping(CHNEnergyZhunnengEnergyGroupCo.,Ltd.,Ordos017000,China)Abstract:Theexistingfaultdetectionmethodsforbeltconveyoridlerhavetheproblemsoflowrecognitionprecision,pooranti-interferencecapabilityandinabilitytooperatestablyoveralongperiodoftime.Inordertosol
4、vetheaboveproblems,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 riskest
5、imationthresholdnoisereductionmethodisusedtopreprocessthesignaltoeliminatethebackgroundnoiseandimprovethesignal-to-noiseratio.Secondly,thetimedomain,frequencydomainandMelfrequencycepstrumcoefficient(MFCC),andthefirstandsecondorderdifferencecoefficientofthenoisereductionaudiosignalarenormalizedrespec
6、tively,andfinallyassembledtoobtainthefeatureTFM.Finally,thatTFMsignalsareinputintoaMI-1DCNNmodelwithamulti-scaleconvolutionkernel.Thefeaturefusioniscarriedoutattheendofanetworkchannel.TheclassificationandidentificationofthenormalidlerandthefaultidlerarecompletedthroughaSoftmaxfunction.TheTFM-MI-1DCN
7、Nmodelistestedwiththeaudiosignalsamplesofcoalconveyoridlercollectedinacoalmine.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
8、(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:
9、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%,indicatingthat
10、theproposedmethodissuitableforfieldapplication.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
11、、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
12、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
13、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
14、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
15、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
16、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
17、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的信号图2小波阈值降噪过程Fig.2Thewaveletthresholddenoisingprocess本文选用 dB4 小波无偏风险估计阈值对托辊音频信号进行 3 层分解14-15,在尽可能保留有
18、用信号的情况下,提升信号信噪比,为后续多维度 TFM 做准备。1.2TFM为了充分体现托辊声音的故障信息,对降噪音频信号的时域、频域和 MFCC 及其一阶二阶差分系数各自进行归一化处理和拼接,作为模型的输入参数,从不同映射域中体现故障音频信号特征。1.2.1时域信号时域信号的关键就是选取最佳样本点数,样本太少,无法有效反映托辊故障特征,样本太多,容易增大硬件运算成本。以采样频率、输送带运行速度、托辊半径、机器人运行速度为研究对象,保证巡检机器人运行在托辊最短垂直距离前后 50mm 范围内,托辊能完整运行 1 圈,最终得出样本点数为 1000。1.2.2频域信号采用带通滤波器对音频信号进行滤波处
19、理,并通过快速傅里叶变换(FastFourierTransform,FFT)得到频域信号。选取频段为 283800Hz 的信号作为频域信号。1.2.3MFCC 及其一阶二阶差分系数MFCC 是声音识别相关研究中常用的声音特性分析方法,MFCC 特征提取主要由预处理、离散傅里叶变换(DiscreteFourierTransform,DFT)、梅尔滤波、离散余弦变换、差分计算等组成16-17,其流程如图 3 所示。托辊声音信号预加重分帧加窗预处理MFCC 及其一阶二阶差分系数提取DFT梅尔滤波离散余弦变换差分计算MFCC 及其一阶二阶差分系数图3MFCC 特征提取流程Fig.3MFCCfeatur
20、eextractionprocess1)对原始信号进行预加重、分帧、加窗处理。l(i)=0.5(1cos(2in+1)(1)l(i)式中为采样点 i 的窗函数值,i=1,2,n,n 为采样点总数。2)将预处理后的时域信号经过 DFT,得到频域信号:R(i)=n1i=1r(i)exp(2ji/n)(2)式中 r(i)为短时帧信号。3)将频域信号 R(i)取模平方后,得到离散的功率谱,再通过 Mel 三角带通滤波器进行滤波。滤波器的传递函数为拾音器托辊音频信号小波阈值分解时域分析FFT 分析MFCC 系数,一阶差分,二阶差分MI1DCNN 模型正常托辊故障托辊降噪后的信号特征融合归一化处理托辊定位
21、Sofmax 函数图1基于 TFM 及 MI1DCNN 的输煤传送机托辊故障诊断流程Fig.1Faultdiagnosisprocessofbeltconveyoridlebasedontime-frequency-MFCCandmulti-inputone-dimensionalconvolutionalneuralnetwork2023年第2期武国平:带式输送机托辊故障检测方法151Gm(i)=0ig(m+1)2(g(m+1)i)(g(m+1)g(m1)(g(m+1)g(m)g(m)ig(m+1)2(ig(m+1)(g(m+1)g(m1)(g(m)g(m1)g(m1)ig(m)0ig(m1
22、)(3)式 中 g(m1),g(m),g(m+1)分 别 为 第 m1,m,m+1 个滤波器的中心频率。4)第 m 个滤波器的输出能量为E(m)=lnn1i=1Gm(i)|R(i)|2(4)5)离散余弦变换后得到的第 n+1 维 MFCC 可表示为(n)=M1m=0cos(n(m+0.5)ME(m)(5)式中 M 为滤波器个数。6)为了提取更多特征,还需获取托辊的动态特性,因此需要对 MFCC 进行一阶二阶差分系数的计算。d(p)=i1(p)i+1(p)2(6)d(p)=i2(p)i+2(p)2(7)d(p)d(p)式中:为一阶差分系数;为二阶差分系数。1.3MI1DCNN卷积神经网络(Con
23、volutionNeuralNetwork,CNN)是一种多层监督学习前馈神经网络,主要由输入层、卷积层、池化层与全连接层构成。1DCNN18-19是指在一维数据上进行卷积和池化等操作,1DCNN 在提取特征过程中,卷积层和池化层交替组合,逐步提取信号特征。在网络结构中,卷积核可直接应用于输入参数完成特征提取,利用激活函数输出特征矢量。池化层是对卷积之后的数据进行降维操作,可进一步提取不同范围的特征,并减小计算量。全连接层通常用于 CNN 的末端,将学习到的特征映射到样本空间,再将输出数据传递到最终的分类器中。CNN 模型虽然有较强的特征提取能力,但对于同一尺寸的卷积核,只能提取单一特征。为了
24、提取托辊音频信号不同维度的故障音频,本文提出了多尺度卷积核的 MI1DCNN 模型20-21。该模型由 3 个输入通道和 3 层不同尺寸卷积核构成,如图 4 所示。其中不同输入端的第 1 层卷积核的尺寸相同(641),同一输入端的第 2 层和第 3 层卷积核的尺寸相同,分别为 71,51,21;不同输入端的前面2 层池化层相同且尺寸为 31,第 3 层为 21。对3 个输入端网络中学习到的不同信号特征进行融合,通过全连接层连接,并采用 Softmax 函数对托辊的2 类状态进行识别,输出结果。1648conv1dMaxPool1dkernel_size=31716conv1dMaxPool1d
25、kernel_size=31716conv1dMaxPool1dkernel_size=21648conv1dMaxPool1dkernel_size=31516conv1dMaxPool1dkernel_size=31516conv1dMaxPool1dkernel_size=21648conv1dMaxPool1dkernel_size=31216conv1dMaxPool1dkernel_size=31216conv1dMaxPool1dkernel_size=2输入端 1输入端 2输入端 3Softmax 分类器ConvolutionalLayer 1PoolingLayer 2Con
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 输送 机托辊 故障 检测 方法 武国平
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。