帶式輸送機(jī)托輥故障檢測方法

武國平

（國家能源集團(tuán)準(zhǔn)能集團(tuán)有限責(zé)任公司，內(nèi)蒙古 鄂爾多斯 017000）

0 引言

帶式輸送機(jī)作為煤炭運(yùn)輸過程中的重要設(shè)備，具有長距離運(yùn)輸、大體量運(yùn)輸、持續(xù)作業(yè)等優(yōu)點(diǎn)[1]。托輥?zhàn)鳛閹捷斔蜋C(jī)最重要的部件，長期運(yùn)行時但極易產(chǎn)生損壞。如果不能及時發(fā)現(xiàn)并更換損壞的托輥，會使輸送帶產(chǎn)生磨損、斷裂等問題，增加運(yùn)行維護(hù)費(fèi)用，降低工作效率。傳統(tǒng)托輥故障檢測一般采用人工巡檢方式，但由于個人經(jīng)驗(yàn)水平不同、主觀意愿偏差，導(dǎo)致效率低，易引起誤判和漏檢。因此，實(shí)現(xiàn)高精度故障托輥?zhàn)詣踊矙z，具有重大意義。

近年來，智能巡檢機(jī)器人逐漸應(yīng)用于帶式輸送機(jī)故障檢測領(lǐng)域[2-4]。朱劍鋒[5]設(shè)計了基于紅外檢測技術(shù)撕裂事故在線檢測系統(tǒng)，通過色溫圖像進(jìn)行帶式輸送機(jī)健康狀態(tài)判定，但易受氣溫和陽光照射干擾，導(dǎo)致識別精度不穩(wěn)定，且成本較高。韓濤等[6]將信息融合技術(shù)引入礦用輸送機(jī)托輥軸承故障診斷中， 通過對托輥軸承故障特征信息的提取，利用神經(jīng)網(wǎng)絡(luò)技術(shù)和Dempster-Shafer 證據(jù)理論對其進(jìn)行數(shù)據(jù)融合，實(shí)現(xiàn)對托輥軸承故障的融合診斷，但該方法工程應(yīng)用難度極大。孫維等[7]提出了利用相干脈沖光的后向瑞利散射來實(shí)現(xiàn)托輥振動信號檢測，從而實(shí)現(xiàn)故障診斷，但故障托輥定位誤差較大。曹貫強(qiáng)[8]提出了一種基于小波去噪和反向傳播?徑向基函數(shù)（back propagation-Radial Basis Function，BP-RBF）神經(jīng)網(wǎng)絡(luò)的托輥檢測方法，但識別精度仍不高。郝洪濤等[9]提出了基于完全噪聲輔助集合經(jīng)驗(yàn)?zāi)B(tài)分解、主成分分析和魯棒性獨(dú)立分量分析方法，以實(shí)現(xiàn)音頻信號的去噪，采用支持向量機(jī)（Support Vector Machine，SVM）實(shí)現(xiàn)分類，但該方法未充分利用信號中的特征。伊鑫等[10]采用梅爾頻率倒譜系數(shù)（Mel Frequency Cepstrum Coefficient, MFCC）對聲音信號提取，并采用K 鄰近方法（K-Nearest Neighbor，KNN）實(shí)現(xiàn)一級健康指標(biāo)，采用SVM 實(shí)現(xiàn)二級健康指標(biāo)，但托輥故障類型識別精度仍較低，且一級健康指標(biāo)還需人為復(fù)查。蔡安江等[11]提出了基于特征級與決策級的雙層融合故障準(zhǔn)確診斷方法，故障識別率達(dá)97%，但該方法的信號采集難度大，托輥故障種類識別單一。葛江華等[12]利用多傳感器信息融合的二階張量特征作為輸入，構(gòu)建了一個支持張量機(jī)和集成矩 陣 距 離 測 度（Assembled Matrix Distance Metrix,AMDM）的KNN 分類器決策融合診斷模型，由概率分配值決策6 類托輥狀態(tài)，但太過依賴融合傳感器數(shù)目和參數(shù)，工程應(yīng)用難度大。

現(xiàn)有托輥故障大多通過聲音、可見光、紅外和振動等信號進(jìn)行檢測，其中大多存在信號采集難度大、識別精度低和穩(wěn)定性較差等問題，很難投入工程應(yīng)用。針對上述問題，本文提出了一種基于融合信號（Time-Frequency-MFCC，TFM）及多輸入一維卷積神經(jīng) 網(wǎng) 絡(luò)（Multi-Input One-Dimensional Convolutional Neural Network，MI?1DCNN）的帶式輸送機(jī)托輥故障檢測方法。首先對采集的音頻信號進(jìn)行小波閾值降噪，然后基于時域、頻域、MFCC 及其一階二階差分系數(shù)進(jìn)行拼接，得到TFM，并作為特征參數(shù)，最后采用MI?1DCNN 進(jìn)行特征提取，并采用Softmax 函數(shù)實(shí)現(xiàn)正常托輥和故障托輥的分類識別。

1 故障檢測方法

基于TFM 及MI?1DCNN 的帶式輸送機(jī)托輥故障診斷流程如圖1 所示。首先，通過拾音器采集帶式輸送機(jī)沿線托輥運(yùn)行的音頻信號，采用dB4 小波無偏風(fēng)險估計閾值降噪法對信號進(jìn)行預(yù)處理，消除背景噪聲，提高信噪比。然后，對降噪音頻信號的時域、頻域和MFCC 及其一階二階差分系數(shù)進(jìn)行歸一化處理，最后進(jìn)行拼接，得到TFM。最后，將TFM 輸入到多尺度卷積核的MI?1DCNN 模型，在CNN 末端進(jìn)行特征融合，通過Softmax 函數(shù)完成對正常托輥和故障托輥的分類識別，實(shí)現(xiàn)通過音頻信號對帶式輸送機(jī)托輥的故障診斷，并根據(jù)編碼器識別的托輥編號進(jìn)行故障定位。

圖1 基于TFM 及MI?1DCNN 的輸煤傳送機(jī)托輥故障診斷流程Fig. 1 Fault diagnosis process of belt conveyor idle based on time-frequency-MFCC and multi-input one-dimensional convolutional neural network

1.1 小波閾值降噪

小波分析是一種多尺度的時頻域分析方法[13]，將信號分解成近似分量與細(xì)節(jié)分量。近似分量表征信號的高尺度，即低頻分量；細(xì)節(jié)分量表征信號的低尺度，即高頻分量。對于含有噪聲的信號，其噪聲成分主要集中在細(xì)節(jié)分量中。

小波閾值降噪是通過選取一個合適的閾值，來有效地保留有用信號并去除噪聲信號。小波閾值降噪過程如圖2 所示。首先設(shè)置一個臨界閾值 λ，對信號進(jìn)行離散小波變換，得到低頻分量A1和高頻分量D1； 然后對高頻分量D1進(jìn) 行閾值分解，大于閾值 λ的小波系數(shù)為有用信號分量，小于閾值 λ的小波系數(shù)為噪聲信號，保留有用信號分量并將噪聲信號分量置零；最后將低頻分量A1繼 續(xù)分解為A2和D2，以此類推，對閾值處理后的高頻分量D′1,D′2,···,D′N（N為小波分解層數(shù)）和最后一層低頻分量AN進(jìn)行離散小波逆變換，得到過濾掉噪聲信號分量并保留了有用信號分量的音頻信號。

圖2 小波閾值降噪過程Fig. 2 The wavelet threshold denoising process

本文選用dB4 小波無偏風(fēng)險估計閾值對托輥音頻信號進(jìn)行3 層分解[14-15]，在盡可能保留有用信號的情況下，提升信號信噪比，為后續(xù)多維度TFM 做準(zhǔn)備。

1.2 TFM

為了充分體現(xiàn)托輥聲音的故障信息，對降噪音頻信號的時域、頻域和MFCC 及其一階二階差分系數(shù)各自進(jìn)行歸一化處理和拼接，作為模型的輸入?yún)?shù)，從不同映射域中體現(xiàn)故障音頻信號特征。

1.2.1 時域信號

時域信號的關(guān)鍵就是選取最佳樣本點(diǎn)數(shù)，樣本太少，無法有效反映托輥故障特征，樣本太多，容易增大硬件運(yùn)算成本。以采樣頻率、輸送帶運(yùn)行速度、托輥半徑、機(jī)器人運(yùn)行速度為研究對象，保證巡檢機(jī)器人運(yùn)行在托輥?zhàn)疃檀怪本嚯x前后50 mm 范圍內(nèi)，托輥能完整運(yùn)行1 圈，最終得出樣本點(diǎn)數(shù)為1 000。

1.2.2 頻域信號

采用帶通濾波器對音頻信號進(jìn)行濾波處理，并通過快速傅里葉變換（Fast Fourier Transform，F(xiàn)FT）得到頻域信號。選取頻段為28～3 800 Hz 的信號作為頻域信號。

1.2.3 MFCC 及其一階二階差分系數(shù)

MFCC 是聲音識別相關(guān)研究中常用的聲音特性分析方法，MFCC 特征提取主要由預(yù)處理、離散傅里葉 變 換（Discrete Fourier Transform，DFT）、梅 爾 濾波、離散余弦變換、差分計算等組成[16-17]，其流程如圖3 所示。

圖3 MFCC 特征提取流程Fig. 3 MFCC feature extraction process

1） 對原始信號進(jìn)行預(yù)加重、分幀、加窗處理。

式中l(wèi)(i)為采樣點(diǎn)i的窗函數(shù)值，i=1，2，…，n，n為采樣點(diǎn)總數(shù)。

2） 將預(yù)處理后的時域信號經(jīng)過DFT，得到頻域信號：

式中r（i）為短時幀信號。

3） 將頻域信號R（i）取模平方后，得到離散的功率譜，再通過Mel 三角帶通濾波器進(jìn)行濾波。濾波器的傳遞函數(shù)為

式 中g(shù)（m?1），g（m），g（m+1）分 別 為 第m?1，m，m+1 個濾波器的中心頻率。

4） 第m個濾波器的輸出能量為

5） 離散余弦變換后得到的第n+1 維MFCC 可表示為

式中M為濾波器個數(shù)。

6） 為了提取更多特征，還需獲取托輥的動態(tài)特性，因此需要對MFCC 進(jìn)行一階二階差分系數(shù)的計算。

式中：dα(p)′為一階差分系數(shù)；dα(p)′′為二階差分系數(shù)。

1.3 MI?1DCNN

卷積神經(jīng)網(wǎng)絡(luò)（Convolution Neural Network，CNN）是一種多層監(jiān)督學(xué)習(xí)前饋神經(jīng)網(wǎng)絡(luò)，主要由輸入層、卷積層、池化層與全連接層構(gòu)成。1DCNN[18-19]是指在一維數(shù)據(jù)上進(jìn)行卷積和池化等操作，1DCNN 在提取特征過程中，卷積層和池化層交替組合，逐步提取信號特征。在網(wǎng)絡(luò)結(jié)構(gòu)中，卷積核可直接應(yīng)用于輸入?yún)?shù)完成特征提取，利用激活函數(shù)輸出特征矢量。池化層是對卷積之后的數(shù)據(jù)進(jìn)行降維操作，可進(jìn)一步提取不同范圍的特征，并減小計算量。全連接層通常用于CNN 的末端，將學(xué)習(xí)到的特征映射到樣本空間，再將輸出數(shù)據(jù)傳遞到最終的分類器中。

CNN 模型雖然有較強(qiáng)的特征提取能力，但對于同一尺寸的卷積核，只能提取單一特征。為了提取托輥音頻信號不同維度的故障音頻，本文提出了多尺度卷積核的MI?1DCNN 模型[20-21]。該模型由3 個輸入通道和3 層不同尺寸卷積核構(gòu)成，如圖4 所示。其中不同輸入端的第1 層卷積核的尺寸相同（64×1），同一輸入端的第2 層和第3 層卷積核的尺寸相同，分別為7×1，5×1，2×1；不同輸入端的前面2 層池化層相同且尺寸為3×1，第3 層為2×1。對3 個輸入端網(wǎng)絡(luò)中學(xué)習(xí)到的不同信號特征進(jìn)行融合，通過全連接層連接，并采用Softmax 函數(shù)對托輥的2 類狀態(tài)進(jìn)行識別，輸出結(jié)果。

圖4 MI?1DCNN 模型結(jié)構(gòu)Fig. 4 MI-1DCNN model structure

2 試驗(yàn)驗(yàn)證

為了驗(yàn)證本文方法的有效性，針對內(nèi)蒙古伊金霍洛旗黑岱溝選煤廠實(shí)際采集的帶式輸送機(jī)托輥音頻信號進(jìn)行故障識別精度驗(yàn)證。

2.1 信號降噪和TFM

對托輥音頻信號進(jìn)行小波閾值降噪處理，采用dB4 小波的無偏風(fēng)險估計閾值對故障托輥和正常托輥音頻信號進(jìn)行3 層分解，結(jié)果如圖5 所示。可看出通過對故障托輥和正常托輥的音頻信號進(jìn)行降噪 均去除了一定的高幅值噪聲，提升了信噪比。

圖5 小波閾值降噪結(jié)果Fig. 5 Wavelet threshold denoising results

對降噪后的信號進(jìn)行MFCC 及其一階二階差分系數(shù)提取，結(jié)果如圖6 和圖7 所示?？煽闯龉收贤休伒腗FCC 及其差分系數(shù)明顯比正常托輥的高，尤其在MFCC 的高維度處，具有明顯的差異。這是因?yàn)楣收贤休佉桩a(chǎn)生階次頻率，在高頻處能量占比較高，因此后期使用此特征值進(jìn)行分類，能取得較好識別效果。

圖6 故障托輥幀數(shù)、維度與MFCC 關(guān)系Fig. 6 Relationship among frame number,dimension and MFCC of fault idler

圖7 正常托輥幀數(shù)、維度與MFCC 關(guān)系Fig. 7 Relationship among frame number,dimension and MFCC of normal idler

對提取的各維度信號進(jìn)行歸一化處理，將數(shù)據(jù)投影到[0，1]內(nèi)，并對數(shù)據(jù)進(jìn)行拼接，得到多維度特征TFM，如圖8 所示?？煽闯龉收贤休伜驼Ｍ休佋陬l域維度具有明顯差異。

圖8 TFMFig. 8 Time-Frequency-MFCC

2.2 方法對比

故障托輥在工程中想要獲取足夠樣本量十分困難，因此，本文采用重疊采樣的方式對現(xiàn)有故障聲音和正常聲音（各300 組）進(jìn)行處理，生成3 000 組樣本，2 類信號共計6 000 組樣本；并按照6∶4 的比例得到訓(xùn)練集和測試集，即3 600 組樣本用于訓(xùn)練，2 400 組樣本用于測試。

使用相同的托輥音頻信號樣本庫，對改進(jìn)小波閾值降噪?BP?RBF[8]和MFCC?KNN?SVM[10]進(jìn)行代碼復(fù)現(xiàn)。不同方法的識別結(jié)果見表1?？煽闯霾捎帽疚姆椒▽φＭ休伜凸收贤休伒淖R別準(zhǔn)確率均為最高，分別為99.93%和97.38%，平均識別準(zhǔn)確率為98.65%，較改進(jìn)小波閾值降噪?BP?RBF、MFCC?KNN?SVM 方法的平均識別準(zhǔn)確率分別提高了1.50%和1.03%，這是由于TFM 能更全面體現(xiàn)托輥故障特征，且MI?1DCNN 具有強(qiáng)大的特征提取能力。

表1 不同方法識別結(jié)果Table 1 Identification results of different methods

2.3 應(yīng)用測試

為了能更好地實(shí)現(xiàn)工程化應(yīng)用，本文對信號的前處理Matlab 代碼轉(zhuǎn)C++，MI?1DCNN 采用libtorch框架部署在機(jī)器人工控機(jī)上，在黑岱溝選煤廠進(jìn)行托輥故障檢測應(yīng)用測試。測試周期為5 周，巡檢機(jī)器人每天穩(wěn)定巡檢2 趟，巡檢單向里程為4.2 km。拾音器型號為MPA201，機(jī)器人本體質(zhì)量為60 kg，尺寸（長×寬×高）為760 mm×390 mm×1 195 mm，運(yùn)行速度為0～1.2 m/s，可調(diào)速，最大爬坡角度為30°，最小轉(zhuǎn)彎半徑為10 m，單組托輥?zhàn)R別時長為110 ms，對每組托輥預(yù)先進(jìn)行編號和標(biāo)定。具體測試流程如圖9 所示。巡檢機(jī)器人在輸煤傳送線路上進(jìn)行音頻信號采集，通過交換機(jī)和無線AP 把采集的音頻信號傳輸?shù)缴衔粰C(jī)系統(tǒng)，再通過上位機(jī)所部署好的方法進(jìn)行托輥故障診斷，并根據(jù)編碼器給出的編號，對報警的故障托輥進(jìn)行定位，之后選煤廠的巡檢工人就可以直接抵達(dá)指定故障托輥處，進(jìn)行故障托輥的復(fù)查和更換。

圖9 現(xiàn)場測試流程Fig. 9 Field test process

機(jī)器人現(xiàn)場巡檢測試結(jié)果見表2?？煽闯鰷y試時故障托輥?zhàn)R別準(zhǔn)確率有時較低，有時能達(dá)到100%，這是由于機(jī)器人現(xiàn)場巡檢時，存在很多環(huán)境噪聲。故障托輥平均識別準(zhǔn)確率為98.4%，說明本文方法適用于現(xiàn)場應(yīng)用。

表2 機(jī)器人現(xiàn)場巡檢測試結(jié)果Table 2 Test results of robot on-site inspection

3 結(jié)語

提出了一種基于TFM?MI?1DCNN 的帶式輸送機(jī)托輥故障檢測方法，利用巡檢機(jī)器人的拾音器采集對應(yīng)編號托輥的音頻信號，經(jīng)過預(yù)處理得到時域、頻域、MFCC 及其一階二階差分系數(shù)的TFM 作為特征參數(shù)，采用MI?1DCNN 進(jìn)行故障托輥檢測。該方法能夠根據(jù)預(yù)先標(biāo)定的托輥編號進(jìn)行復(fù)合驗(yàn)證和維修更換。實(shí)驗(yàn)結(jié)果表明，該方法下故障托輥的平均識別準(zhǔn)確率為98.65%，較改進(jìn)小波閾值降噪?BP?RBF、MFCC?KNN?SVM 的平均識別準(zhǔn)確率分別提高了1.50%和1.03%。應(yīng)用測試結(jié)果表明，該方法下故障托輥的平均識別準(zhǔn)確率為98.4%，說明該方法適用于現(xiàn)場應(yīng)用。