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）

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、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（back propagation-Radial Basis Function，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（Support Vector Machine，SVM）实现分类，但该方法未充分利用信号中的特征。伊鑫等[10]采用梅尔频率倒谱系数（Mel Frequency Cepstrum Coefficient, MFCC）对声音信号提取，并采用K 邻近方法（K-Nearest Neighbor，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 Convolutional Neural Network，MI−1DCNN）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数进行拼接，得到TFM，并作为特征参数，最后采用MI−1DCNN 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MI−1DCNN 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MI−1DCNN 模型，在CNN 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，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。

图1 基于TFM 及MI−1DCNN 的输煤传送机托辊故障诊断流程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。

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 λ，对信号进行离散小波变换，得到低频分量A1和高频分量D1； 然后对高频分量D1进 行阈值分解，大于阈值 λ的小波系数为有用信号分量，小于阈值 λ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A1继 续分解为A2和D2，以此类推，对阈值处理后的高频分量D′1,D′2,···,D′N（N为小波分解层数）和最后一层低频分量AN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。

图2 小波阈值降噪过程Fig. 2 The wavelet threshold denoising process

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。

1.2 TFM

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50 mm 范围内，托辊能完整运行1 圈，最终得出样本点数为1 000。

1.2.2 频域信号

采用带通滤波器对音频信号进行滤波处理，并通过快速傅里叶变换（Fast Fourier Transform，FFT）得到频域信号。选取频段为28～3 800 Hz 的信号作为频域信号。

1.2.3 MFCC 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（Discrete Fourier Transform，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。

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

1） 对原始信号进行预加重、分帧、加窗处理。

式中l(i)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：

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

式 中g（m−1），g（m），g（m+1）分 别 为 第m−1，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

5） 离散余弦变换后得到的第n+1 维MFCC 可表示为

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。

式中：dα(p)′为一阶差分系数；dα(p)′′为二阶差分系数。

1.3 MI−1DCNN

卷积神经网络（Convolution Neural Network，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。1DCNN[18-19]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MI−1DCNN 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（64×1），同一输入端的第2 层和第3 层卷积核的尺寸相同，分别为7×1，5×1，2×1；不同输入端的前面2 层池化层相同且尺寸为3×1，第3 层为2×1。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。

图4 MI−1DCNN 模型结构Fig. 4 MI-1DCNN model structure

2 试验验证

为了验证本文方法的有效性，针对内蒙古伊金霍洛旗黑岱沟选煤厂实际采集的带式输送机托辊音频信号进行故障识别精度验证。

2.1 信号降噪和TFM

对托辊音频信号进行小波阈值降噪处理，采用dB4 小波的无偏风险估计阈值对故障托辊和正常托辊音频信号进行3 层分解，结果如图5 所示。可看出通过对故障托辊和正常托辊的音频信号进行降噪 均去除了一定的高幅值噪声，提升了信噪比。

图5 小波阈值降噪结果Fig. 5 Wavelet threshold denoising results

对降噪后的信号进行MFCC 及其一阶二阶差分系数提取，结果如图6 和图7 所示。可看出故障托辊的MFCC 及其差分系数明显比正常托辊的高，尤其在MFCC 的高维度处，具有明显的差异。这是因为故障托辊易产生阶次频率，在高频处能量占比较高，因此后期使用此特征值进行分类，能取得较好识别效果。

图6 故障托辊帧数、维度与MFCC 关系Fig. 6 Relationship among frame number,dimension and MFCC of fault idler

图7 正常托辊帧数、维度与MFCC 关系Fig. 7 Relationship among frame number,dimension and MFCC of normal idler

对提取的各维度信号进行归一化处理，将数据投影到[0，1]内，并对数据进行拼接，得到多维度特征TFM，如图8 所示。可看出故障托辊和正常托辊在频域维度具有明显差异。

图8 TFMFig. 8 Time-Frequency-MFCC

2.2 方法对比

故障托辊在工程中想要获取足够样本量十分困难，因此，本文采用重叠采样的方式对现有故障声音和正常声音（各300 组）进行处理，生成3 000 组样本，2 类信号共计6 000 组样本；并按照6∶4 的比例得到训练集和测试集，即3 600 组样本用于训练，2 400 组样本用于测试。

使用相同的托辊音频信号样本库，对改进小波阈值降噪−BP−RBF[8]和MFCC−KNN−SVM[10]进行代码复现。不同方法的识别结果见表1。可看出采用本文方法对正常托辊和故障托辊的识别准确率均为最高，分别为99.93%和97.38%，平均识别准确率为98.65%，较改进小波阈值降噪−BP−RBF、MFCC−KNN−SVM 方法的平均识别准确率分别提高了1.50%和1.03%，这是由于TFM 能更全面体现托辊故障特征，且MI−1DCNN 具有强大的特征提取能力。

表1 不同方法识别结果Table 1 Identification results of different methods

2.3 应用测试

为了能更好地实现工程化应用，本文对信号的前处理Matlab 代码转C++，MI−1DCNN 采用libtorch框架部署在机器人工控机上，在黑岱沟选煤厂进行托辊故障检测应用测试。测试周期为5 周，巡检机器人每天稳定巡检2 趟，巡检单向里程为4.2 km。拾音器型号为MPA201，机器人本体质量为60 kg，尺寸（长×宽×高）为760 mm×390 mm×1 195 mm，运行速度为0～1.2 m/s，可调速，最大爬坡角度为30°，最小转弯半径为10 m，单组托辊识别时长为110 ms，对每组托辊预先进行编号和标定。具体测试流程如图9 所示。巡检机器人在输煤传送线路上进行音频信号采集，通过交换机和无线AP 把采集的音频信号传输到上位机系统，再通过上位机所部署好的方法进行托辊故障诊断，并根据编码器给出的编号，对报警的故障托辊进行定位，之后选煤厂的巡检工人就可以直接抵达指定故障托辊处，进行故障托辊的复查和更换。

图9 现场测试流程Fig. 9 Field test process

机器人现场巡检测试结果见表2。可看出测试时故障托辊识别准确率有时较低，有时能达到100%，这是由于机器人现场巡检时，存在很多环境噪声。故障托辊平均识别准确率为98.4%，说明本文方法适用于现场应用。

表2 机器人现场巡检测试结果Table 2 Test results of robot on-site inspection

3 结语

提出了一种基于TFM−MI−1DCNN 的带式输送机托辊故障检测方法，利用巡检机器人的拾音器采集对应编号托辊的音频信号，经过预处理得到时域、频域、MFCC 及其一阶二阶差分系数的TFM 作为特征参数，采用MI−1DCNN 进行故障托辊检测。该方法能够根据预先标定的托辊编号进行复合验证和维修更换。实验结果表明，该方法下故障托辊的平均识别准确率为98.65%，较改进小波阈值降噪−BP−RBF、MFCC−KNN−SVM 的平均识别准确率分别提高了1.50%和1.03%。应用测试结果表明，该方法下故障托辊的平均识别准确率为98.4%，说明该方法适用于现场应用。