【托辊故障检测过程和方法概述4400字】

托辊故障检测过程和方法概述 11.1矿用带式输送机托辊概述 21.1.1托辊结构 2 21.2托辊磨损程度检测手段 3 3 4 5 72托辊结构如上图1.1所示，其中从左至右包括轴、挡圈、轴承座、密封挡板、轴承以及筒皮[58]。托辊在带式输送机物料运输中对传送带进起到承载的作用，而且托辊主轴可以将传送带的直线运动转化为托辊绕托辊轴的旋转运动，降低了传送带与滚筒之间产生的摩擦力，降低系统运转的所需的驱动力。1.1.2托辊常见故障及其检测手段托辊常见的故障有：托辊运转卡顿、筒体表面磨损、托辊表面粘附粉尘、托辊进土、进水、缺油，以及托辊轴承故障中的轴承失效、轴承磨损、轴承缺油等。其中，筒体表面磨损和托辊轴承故障是其主要的故障形式91。对于托辊筒体表面磨损，主要是筒体经过长期与传送带接触，导致表面厚度减小，当减小到一定程度时，会划伤皮带，如果不能及时停机，会严重损毁整条传送带，因此，实际工业现场主要通过巡检工作人员通过游标卡尺、超声测厚仪等手段进行测量。对于托辊的进土、进水、缺油，以及托辊表面粘附粉尘等故障，主要形成原因都是露天工业生产现场环境恶劣所导致的，这几种故障相较于托辊表面磨损和轴承故障而言，直接影响较小，但是由于这几中故障难以依靠巡检工人在巡检过程中直接对其进行检测，因此一旦故障积累到一次程度，仍会对生产现场带来大量的损失[591。托辊轴承故障主要是现场环境潮湿引起腐蚀、运行不平稳引起振动等导致托辊轴承的早期故障，然后随着这些早期故障经过不断发展，轴承进一步恶化导致上述的一些轴承故障；也有一些轴承故障是托辊的密封环失效，导致了托辊轴承的润滑失效，出现缺油故障。托辊表面的异常温度变化主要也是由这些故障振动及润滑不良所引起的[60]。但是，通过测量温度的方式很难区分托辊轴承是因为发生振动故障还是因为缺油故障，从而导致温度的异常。因此很难仅仅通过监测温度对其进行故障诊断。目前在大多的理论研究中，对托辊的故障检测应用比较广泛的是声学信号检测和振动信号检测。其中对振动信号检测主要是指通过采集托辊在运行中的振动速度信号或者振动加速度信号，然后对这些信号进行相关的分析和处理，完成相应的故障诊断。这类方法具有故障检测的成功率高、信号易于采集和处理，适用的场合1.2托辊磨损程度检测手段1.2.1现场检测手段分析目前，采矿工业带式输送机现场对于托辊磨损程度的检测主要为直接测量托辊表皮厚度，利用仪器仪表辅助现场巡检工人在停机巡检时以直接测量托辊表皮厚度的形式，筛选出实际工业现场所认为的厚度不达标的托辊(例如，太钢集团要求筛选出厚度低于2mm),然后记录上报后进行更换。这种方法的优点是精确，能直接了当的得出托辊的厚度，但是这种方法的缺点也十分明显，检测的过程过于繁琐，在现场复杂的工作环境中，这种复杂的检测过程会导致巡检人员在有限的时间内，无法完成对每个托辊的检测，导致现场仍然故障频发。为解决太钢集团岚县分公司胶排部门对于托辊磨损程度检测的问题，项目组多次前往太钢岚县生产现场实地调研。通过同现场相关负责人以及巡检工作人员进行交流后，首先提出了基于双目标定测距的托辊厚度检测方法。此方法通过对双目相机进行标定，将左右摄像头成像进行匹配，得到图像点到三维空间的转换坐标系，4程实践中[621。在停机巡检过程中通过敲击托辊表面所反馈回来的声音清脆程度大致判断托辊表皮的磨损程度是否达到低于2毫米，能在日常巡检过程听出一些托辊运转过程特厚度是否低于2mm,这种方法不仅检测过程便捷，检测准确率同样非常高，具备题，通过在太钢集团岚县分公司胶排部门跟随巡检工人进行四次是日常例行巡检，另外两次是三天一次的停机巡检),对托辊表皮磨损、轴承故的声音间接的判断其表皮厚度是否低于2mm;进土以及几种轴承故障在内的共10种音频数据，并利用这些历史数据建模判断托1.3音频信息处理波分析是普遍采用的时频域分析方法[63。小波分解通过对对于一段信号f(t),其小波变换过程如下式所示：尺度对应于频率(反比),平移量r对应于时间。通过调节小波函数的尺度a和平移量τ分别控制小波函数的缩放和平移，使得小波变换同时具有时间域和频6基于小波包分解提取多尺度空间能量特征的原理是把不同分解尺度上的信号根据香农熵定义，可得小波包分解第n阶第k段能量熵H,k:对采集到的敲击托辊的音频信号，在matlab上绘制得到不同厚度托辊的敲击所得音频信号的时域波形图，如图1.3所示：000从图1.3中敲击的音频信号时域波形图可以看出，磨损程度轻微的托辊(表皮厚度大于4mm)和磨损程度严重的托辊(低于2mm)在音频数据的时域波形存在较为明显的差别，其音频振动信号的特征是不同的。对所采集的托辊敲击音频信号利用三阶小波包分解对其进行处理，对分解后所得的每一级分解信号，按照式(1.3~1.6)计算出其每一级信号的能量，并得到每级小波包分解信号的能量占总能量的比例，得到结果如下图1.4所示。从图中可以看出，分解后信号的能量主要集中于低频段部分，而不同厚度的托辊敲击所得的音频信号，在小波包分解得到的各频段所占总体能量的比例存在较为明显的差别。其中两者在第一级所占的比例大致接近，都占据总能量的绝大部分，但第2级至第5级频段所占的总能量比例存在明显区别。8频段频段对每个托辊的音频信息通过上述的小波包分解重构之后计算所得到的的每一级能量所占总体能量的比例，并将其作为托辊敲击音频的特征信息，共得到400组维数为8维的特征向量，对这400组数据，选择其中244组数据作为训练样本，剩余156组作为测试样本。将这400组数据，利用支持向量机分类器进行分类，得到SVM上训练集和测试集上分类的结果如图1.5所示，测试集上分类的标签如图1.6所示。准确率acc=0.98718测试集类别预测2米O实际类别1实际类别21⑦从图1.5和图1.6中可看出，训练所得的小波包-