基于多源信息融合技术的皮带机故障诊断研究

商元吉

摘要：皮带机是带式输送机的简称，是以皮带兼做承载机构和牵引机构的一种连续运输设备，在烧结工艺中扮演着物料运输的重要角色。但是由于皮带机线路长，工作环境恶劣，不便于人工监测和检修，时有安全事故发生，因此对皮带机的故障诊断显得尤为重要。该文基于多源信息融合技术，采用D-S证据合成算法，将多传感器采集到的故障信号有效的融合起来，相比传统的故障诊断方法，在精度上有了很大提升。

关键词：故障诊断；多源信息融合；D-S证据融合算法

中图分类号：TP3 文献标识码：A 文章编号：1009-3044（2018）20-0219-03

1 概述

皮带机是烧结工艺中物料运输最常用的方式，它的传送能力大，功耗小，对运输物品的适应力极强，但是由于皮带机长期工作在高负荷的状态下，其不可避免地会发生各种故障，比如跑偏、过载、撕裂等。当皮带机发生故障时，如果不能及时地对故障做出诊断采取相应的保护措施，将造成严重的后果，不仅会影响生产造成经济损失，甚至危机员工生命。

2 皮带机常见故障分析

在皮带机运行的过程中有以下几种常见的故障：（1）打滑故障；（2）皮带纵向撕裂故障；（3）皮带跑偏故障；（4）皮带机断带故障等[1]。下面来简单介绍一下这几种故障。

2.1 打滑故障

皮带机正常运行时，动力传递主要来源于驱动滚筒与皮带之间的摩擦力。因此，打滑是皮带机失效的主要形式之一。皮帶打滑是驱动滚筒转动时，皮带不能与驱动滚筒同步运动或皮带不动。当打滑发生后，若不能及时排除故障，将会造成对皮带的损伤，甚至发生断带、滚筒温度升高等严重后果。

2.2 皮带纵向撕裂

皮带纵向撕裂主要发生在机尾装载点处，主要原因是落料口落下有着锋利突起或棱角的料物容易扎破皮带，此外当这些料物在运输的过程中卡在机架或者托辊上时，就会形成对皮带表层的顶压和持续划擦，最终造成皮带的撕裂。

2.3 皮带跑偏

皮带跑偏是皮带机运行过程中较为常见的故障，其故障主要表现为在皮带机工作过程中，皮带偏离原先的轨道，导致料物输送的中断，影响生产的正常进行，严重的还可能导致安全事故。该故障发生的主要原因：1）在皮带机制造过程中滚筒的平行度误差超出其允许范围，导致在皮带机工作过程中两边受力不均跑偏。2）料物装载不均匀导致皮带机工作过程中两边受力不均造成跑偏。

2.4 皮带机断带故障

由于烧结生产的任务繁重[2]，为提高效率，皮带机长时间运转，导致皮带橡胶表面磨损严重，内部钢丝细绳的腐蚀和断丝，减小了胶带的韧性，运行当中如果突然受到大的物体卡阻，增大胶带所受的压力，则会造成皮带的断带。还有可能是胶带接头的质量不过关，硬度太小，胶带接头发生损毁或者是变形，胶带超长使用，老化严重，在胶带跑偏的情况下还容易造成胶带所受压力过大，在大块物料直接砸落到皮带上时，发生断带。

3 基于多源信息融合的故障诊断

由上述介绍可知，皮带机故障种类繁多，引起故障的原因也错综复杂，在故障诊断的过程中对其中一种或者是几种故障信息进行分析和观测，从中提取有关的故障行为的特征，会给故障的诊断带来局限性，虽然有时利用一种信息就可以判断其故障，但在许多情况下是不可靠的。例如：在皮带机工作过程中，仅依靠皮带机的速度信号，来判别皮带机的故障状况是不可靠的。当皮带机出现过载故障时，胶带表面的速度与驱动滚筒的转速都会低于正常值；但是，当减速机发生故障时，也有可能造成同样的状况，此时如果单凭速度信号就无法准确地判断出故障的类型。因此，需要对这些信息做出综合判断，才能得出准确的诊断结果[3]。

多源信息融合技术是一种自动化综合处理技术，它充分利用多源数据的互补性和计算机的高速运算和智能来提高信息处理的质量。针对皮带机的故障诊断信息融合的实质就是对皮带机的多传感器信息和数据采集（例如：速度信号、电流信号、张力信号、跑偏信号等）、检测、关联与相关估计综合等多级别、多方面的处理，最终达到对故障做出精确诊断的目的。

本文采用D-S证据融合算法对皮带机的常见故障做出诊断，该算法最早由Dempster在1976年提出，后由学生Shafer继续补充完善，形成了一套基于证据和组合处理不确定性推理问题的数学方法，并且将理论向大范围推广，最终得出适用性广、理论更系统的D-S证据理论。目前该算法以广泛应用于工业，医疗，航空等各个领域当中。

3.1 D-S证据理论算法

（1）构建识别框架

利用传感器收集对应的故障征兆信息，建立故障征兆的识别框架[Θ]，由一完备且互不相同的命题集合组成幂集[2Θ]，在此幂集的基础上设定基本信任函数：[2Θ→0，1]，A表示识别框架中的任意一个子集，[M（A）]表示证据支持命题的[A]发生的程度，[M（A）]满足以下条件：（1）[M（φ）=0]，[φ]为空集。（2）[A?ΘM（A）=1]。

（2）构建信任函数

由（1）知，[Θ]为识别框架，[2Θ→0，1]是[Θ]的基本信任函数，由此可定义函数

[BelA=B?AMB（?A?Θ），2Θ→0，1]为[Θ]的信任函数。

（3）构建焦元

由（1）知，A表示识别框架中的任意一个子集，且[M（A）>0]时，则称[A]为信任函数[Bel]的焦元，所有焦元的并集称为核。

（4）构建似真函数

当给定一个识别函数[Θ]时，定义函数[pl：2Θ→0，1]，若[pl]满足

[pl（A）=1-Bel（A__）=B?A≠ΦM（B）]

则称[pl（A）]为似真函数，它表示不否定[A]的信任度。

由以上可知[Bel（A）]表示完全支持[A]命题，[pl（A）]表示不否定[A]命题，从而可得出常用的证据区间如下[3]：

（5）信度函数融合

设[Bel1，Bel2]是同一识别框架[Θ]上的信任函数，[M1，M2]分别是其对应的基本概率赋值函数，焦元分别设为[A1，A2...，Ak]和[B1，B2...，Bk]，并设[T=i，jAi?Bj=ΦM1（Ai）M2（Bj）<1] 则有：[M（A）=M1⊕M2（A）=i，jAi?Bj=cM1（A）M2（Bj）1-T0，C≠φ，?C=Θ，C≠φ] （1）

由上式可得，若[T≠1]，则确定[M]的一个基本概率值，若[T=1]，则无法融合。当有多传感器的时候可以采取两两融合后再次融合，多个证据结合可由两个证据的计算递推得到。

（6）多个证据融合

当有多个证据融合时刻采用公式：

[M=M1⊕M2⊕M3⊕…⊕Mn]。 （2）

3.2 融合算法在皮带机故障诊断中的应用

由上述D-S证据理论融合算法，现假定判断皮带机的三个信号（速度信号、电流信号、跑偏信号），[M1]表示速度传感器的信度函数，[M2]表示电流传感器的信度函数，[M3]表示跑偏开关的信度函数，来判别皮带机出现的故障（过载、减速机故障、跑偏）三种故障，[A1]表示过载故障，[A2]表示跑偏故障，[A3]表示撕裂故障。建立可識别框架[Θ=A1，A2，A3]，三个传感器的可信度分配如表2。

由于上表中所呈现的可信度差别并不明显，所以无法对皮带机的故障信息做出清晰的诊断，从速度传感器和电流传感器来的信任度来看过载故障的确信度较高但是不确信度也很高，若此时皮带机发生多个故障也无法判断，所以要进行数据融合。

根据证据理论融合公式（1）可计算出[T]值，融合[M12A1，M12A2，M12A3]可信度结果如下表：

与表1相比[M12A1，M12A2，M12A3]比[A1，A2，A3]的可信度更加明显，不确定度大大降低。

同理将此次融合的结果再与第三种传感器融合如下表。

与两种传感器融合后的数据相比，可信度再一次增大了，也就意味着故障类型判断的精度增大了。当三种传感器的信度函数融合后可以准确地判断出故障过载故障。

但是根据D-S证据理论融合规则，数据越多，判断的结果就会越精确，但也要根据实际情况不能再设备上无限制的增加传感器，具体还要根据现场实际确定传感器的数量，避免造成传感器的冗余。

3.3 基于多源信息融合的故障诊断专家系统

多源信息融合技术虽然可以提升诊断的精度，但是却不具有自学习的能力，而专家系统是一种具有大量专门知识与经验的程序系统，其工作过程实质就是一个类似于人脑推理的过程[5]。将二者相结合不仅能够提升专家系统的诊断精度而且能够使D-S合成算法具有自学习的能力，大幅度提升系统的性能。

将皮带机发生故障时的性能指标输入专家系统，系统从故障类型的知识库出发，通过推理机利用储存的故障类型相关知识进行分析推理，给出推理结果，如图2所示。

如图3所示在专家决策层的特征融合中可以采用BP神经网络[6]这样就可以使建立的知识库具有自学习能力，具体如下：

如图3所示，输入层输入的信号分别代表[p1：]速度特征、[p2：]电流特征[p3：]跑偏特征[p4：]温度特征输出信号则代表这各种故障类别的概率[o1，o2，o3，o4]需要注意的是这里每种传感器所测信号代表的故障类型相互独立互补干扰。

故障特征利用BP网络提前进行误差训练，可以降低误差较大的信号所带来的干扰，提前进行特征的筛选，为后续故障概率的确定提供了保障，同时网络在训练的过程中也在不断对特征信号进行自适应，自学习，使系统在运行到知识库之前就提前具有了学习能力，提高了整个系统对故障的预判能力。

4 结论

基于多源信息融合技术搭建的故障诊断专家系统具有指导性意义。利用该方法搭建的专家系统具有以下优点：首先，相比一般故障诊断专家系统的诊断结果准确度和可靠性有很大提升，降低了误判的可能性；其次，利用多源信息融合技术加大了数据的利用程度，打破了以往故障诊断中一种信号诊断一种故障的束缚，系统对采集到的每一个信号数据做到了充分挖掘与利用；最后，多传感器信息融合及时在部分传感器出现故障不能被利用的情况下，系统仍可以利用剩余正常工作的传感器采集到的数据信息进行故障诊断，提升了系统的性能。

参考文献：

[1] 吴桐，杨超.皮带机常见故障分析及解决措施[J]. 科技创新与应用， 2016（36）：112-112.

[2] 李清荣.煤矿皮带机常见故障分析及对策处理[J]. 煤矿现代化， 2016（1）：102-104.

[3] 王莉，吴定会. D-S证据理论在带式输送机故障诊断中的应用[J]. 江南大学学报：自然科学版， 2013， 12（1）：30-33.

[4] 黄志彦，张柏书，于开山，等. D-S证据理论数据融合算法在某系统故障诊断中的应用[J]. 电光与控制， 2007，14（2）：146-149.