【《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目录TOC\o"1-3"\h\u12997托辊故障检测过程和方法概述 126091.1矿用带式输送机托辊概述 2236971.1.1托辊结构 2141351.1.2托辊常见故障及其检测手段 2242911.2托辊磨损程度检测手段 3312881.2.1现场检测手段分析 314361.1.2现场采集的托辊音频信息介绍 4199641.3音频信息处理 5279401.4托辊音频信号仿真分析 7托辊是带式输送机中至关重要的旋转部件之一，在带式输送机运行主要起到减少物料运输中的摩擦力作用。托辊正常工作时，辊体绕着固定的托辊轴旋转，从而减少了带式输送机的运行阻力，但是由于采矿生产现场的复杂条件，容易造成异物入侵托辊，严重影响了托辊的正常工作，同时会伴随着异常噪声。因为运行环境潮湿并且具有很多粉尘，这使得托辊表面很容易有异物黏着在其表面，这个时候在托辊的两侧的阻力会有差异，导致带式输送机传送带脱离正常的运行位置，出现皮带跑偏事故，严重时甚至会导致托辊转动受到限制，出现停止转动现象，导致托辊表面的温度急剧升高，在带式输送机正常运行时可能不会出现事故，但是当带式输送机停机时，高温故障托辊表面的温度不能再被工作的传送带带走表面热量，造成高温的托辊对传送带的局部点进行持续加热，可能会引发传送带起火现象，进而可能会对整个运输产生威胁，造成极大影响。目前采取的基于人工巡检的方法耗时耗力，效率低下，因此很有必要对带式输送机的托辊设备开展故障监测，进而实现对带式输送机整机安全隐患的监测[57]。在研究矿用带式输送机托辊故障诊断方法之前，首先对其结构进行简要介绍。1.1矿用带式输送机托辊概述1.1.1托辊结构图1.1托辊结构图Fig1.1StructureofMineBeltConveyorIdler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[9]。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[59]。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，适用的场合多等特点[61]。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，将图像点还原到三维空间中，进而计算出托辊的直径，判断出托辊表皮的厚度。通过实验分析后发现，此方法尽管检测准确率高，检测速度快，但是由于此方法对现场环境光照敏感，由于光照角度变化、光照强度变化等环境因素的影响，拍摄的两张图片差别会比较大，这会对图像匹配算法提出很大的挑战，且此方法不适合图像单调缺乏纹理的环境，因此该方法尽管在实验室条件下效果良好，但难以应用于工程实践中[62]。通过查阅文献以及同巡检工人一同实地巡检后，我们发现，经验丰富的巡检工作人员往往能够通过托辊的声音对托辊的状况进行大致的判断。比如，巡检工人能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征非常明显的故障。这些依靠经验的手段有时可靠，但这些方法存在极大的不确定性。比如，依靠敲击托辊表面的回声判断表面磨损程度，这种方法跟敲击的力度等都存在很大的关系。因此，我们从工人的现场经验中获得灵感，提出了基于托辊的音频信息的托辊表面磨损程度以及托辊故障检测模型。通过托辊的音频特征信息，再配合相应的分类算法，对于原本托辊表面磨损程度检测的厚度测量问题，将其转化为一个分类问题，不直接测量托辊筒皮的厚度，而是取而代之的判断托辊表皮的厚度是否低于2mm，这种方法不仅检测过程便捷，检测准确率同样非常高，具备实际可行性。对于托辊的各种故障的检测问题，同样通过采集到的相应故障的音频信息历史数据进行建模，得到故障检测模型。1.1.2现场采集的托辊音频信息介绍在太钢集团实地调研期间，为解决现场托辊巡检过程费时费力且故障频发等问题，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现场巡检（其中两次是日常例行巡检，另外两次是三天一次的停机巡检），对托辊表皮磨损、轴承故障以及托辊故障分类分别进行建模。对于停机巡检过程，为解决测量厚度过程复杂，提出通过敲击托辊表面所反馈的声音间接的判断其表皮厚度是否低于2mm；对于日常巡检过程，通过对实时运行的托辊的音频信息进行处理，判断该托辊的轴承是否发生故障；对于现场实时运行的托辊，我们在现场选择了包括正常托辊，托辊缺油、进水、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辊的运行状态和所处的故障类型。在太钢集团现场实地采集到所需的各种托辊的音频信息后，返回实验室开展实验分析。1.3音频信息处理在敲击的托辊音频中，由于采集过程较为粗糙，人为的因素可能带来干扰，导致采集的信号是非平稳、非线性的信号，如果只单独采用时域分析或者频域分析方法中的一种，都难以对信号进行完整的分析。因此，本节采用时频域分析法将信号的时域信息和频域信息相结合，得到对敲击托辊音频信号更加完整的描述。其中小波分析是普遍采用的时频域分析方法[63]。小波分解通过对信号的时域和频域局部化分析，利用一组正交的、迅速衰减的小波基函数的平移和缩放，实现对信号进行多尺度分解，将信号分解为高频部分和低频部分，然后对低频部分再进行小波变换，得到下一级的分解信号，最终实现信号在低频部分的细节表示。对于一段信号，其小波变换过程如下式所示：（1.1）其中小波基函数为：（1.2）尺度对应于频率（反比），平移量τ对应于时间。通过调节小波函数的尺度和平移量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域两种特性。小波包变换[64]计算过程的本质和小波变换相同，不同的是小波包既对低频部分信号再进行分解，同时对信号的高频部分进行分解，而且这种分解既无冗余，也无疏漏，所以对包含大量中、高频信息的信号能够进行更好的时频局部化分析。(b)图1.2小波（a）和小波包（b）对三级分解示意图Fig3.1Waveletpacketfourth-orderdecomposition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能量求解出来，将这些能量值按尺度顺序排列成特征向量供识别使用。根据连续信号在小波变换前后的能量守恒可得：（1.3）其中：。式中是的傅里叶变换。将上式改写，得：（1.4）则信号在尺度上的小波能量谱定义为：（1.5）根据香农熵定义，可得小波包分解第n阶第k段能量熵：（1.6）式中：（1.7）其中为阶第段所占的总能量的比例；使用小波包分解并结合能量熵的特征提取方法，可以对信号小波包分解各个子频带能量在时频域分布特征进行定量表示。对某段音频信号进行阶小波包分解，可以得到个小波包能量熵特征。1.4托辊音频信号仿真分析 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：图1.3不同厚度托辊敲击音频时域对比图Fig1.2Timedomaincomparisonofpercussionaudiowithdifferentthicknesses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。图1.4小波包分解各频段能量所占比例对比图Fig1.4proportionofenergyineachfrequencyband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，