煤礦皮帶運輸機故障分析及診斷

趙 盾

(山西煤礦安全監察局安全技術中心,太原 030000)

皮帶運輸機作為煤炭長距離運輸的重要工具,由于工作環境惡劣,運行過程故障率較高,對煤礦的整體工作效率與生產效益造成制約[1-2]。隨著煤炭規?；_采的推進,長距離運輸機應用范圍越來越廣,皮帶機的故障將對整個生產系統造成更加嚴重的影響[3-4]。目前國內大多數煤礦對皮帶運輸機缺少有效監測,部分煤礦采用單一傳感器檢測技術,沒有有效的信號處理與故障診斷功能,無法及時對皮帶運輸機各部件的故障進行特征處理[5-6]。本文將針對皮帶運輸機的主要部件進行故障分析,并建立信息處理與故障診斷系統。

1 皮帶運輸機故障分析

皮帶運輸機作為一種散裝物體的運輸工具,主要部件包括輸送帶、托輥、滾筒、電機、減速器與張緊裝置等各類連接部件。在運輸過程中,輸送帶與托輥、滾筒等部件之間相互摩擦,嚙合運行,在長期高負荷運轉下,輸送帶、托輥與滾筒成為皮帶運輸機最常見的故障部件[7-8]。

1.1 輸送帶故障及診斷

輸送帶故障最常見的形式包括:輸送帶縱向撕裂、輸送帶打滑、輸送帶跑偏及輸送帶斷裂等。

在輸送帶長期過度磨損或輸送物料中存在尖銳石子時,輸送帶容易發生縱向撕裂。撕裂故障常用的診斷方法為超聲波檢測、電磁檢測及壓力檢測等。

輸送帶打滑主要由于輸送帶張緊力不足,導致與傳動滾筒之間無法產生足夠的摩擦力，使得輸送帶的運行速度小于滾筒的切向線速度。打滑會導致滾筒與輸送帶之間的摩擦加劇,產生大量熱,引起火災和瓦斯爆炸等事故。目前打滑的診斷方式為速度檢測法,通過布置幾組速度傳感器用于檢測滾筒與輸送帶的運行速度,判斷是否打滑[9]。

輸送帶跑偏是指輸送帶運轉的位置與理論運輸的方向出現偏差。跑偏的主要原因為運輸機橫截面上輸送帶兩側受力不平衡,其中一端的外力大于輸送帶另一端,導致輸送帶偏向一側。輸送帶的跑偏會導致輸送帶與機架之間產生距離摩擦,輸送帶磨損加大,縮短材料的使用壽命。同時,輸送帶上的物料也會偏移輸送路線,灑落于皮帶運輸機的托輥與滾筒之間,造成其他部件的損壞。目前,輸送帶跑偏的診斷方法為:在輸送帶運行方向的兩側安裝跑偏開關,檢測到輸送帶偏離位置時,觸發報警開關[10]。

輸送帶斷裂的主要原因是皮帶在運送物料時,運輸負荷較大或運輸路線存在較大坡度時,輸送帶受到的張力超過材料允許范圍,導致輸送帶斷裂。斷裂會導致物料堵塞,損壞機架等重要部件,在長時間范圍內無法開機運輸。通過檢測皮帶張力的大小可以實現斷帶故障的診斷,當張緊力突然增大并超過限值時,判斷發生斷帶。

1.2 托輥故障與診斷

托輥的故障形式主要分為三種:托輥軸斷裂、軸承磨損及主軸彎曲變形。托輥軸斷裂:當托輥的運行速度與運輸機輸送方向之間存在夾角時,托輥殼體與軸承之間的磨損加劇,設備繼續運轉,托輥軸兩端受力不均,發生斷裂。軸承磨損:輸送過程中,煤料與油污等被帶入軸承中,造成軸承劇烈磨損。主軸彎曲變形:當輸送帶上物料重力分配不均時,在長期惡劣工作環境下,會造成托輥一端的載荷較大,使托輥主軸彎曲變形。目前托輥的故障診斷主要通過對其轉速、轉矩與振動信號的檢測,并對采集信號進行相關處理與分析,完成故障診斷。

1.3 滾筒故障及診斷

滾筒的主要故障形式包括:包膠損壞、筒體壓裂、軸損壞與軸承座損壞。在皮帶運輸機運行時,當滾筒與皮帶的運行摩擦力大于材料允許范圍內時,兩者之間會形成微小位移,造成滾筒外包膠的磨損。當皮帶運輸機長時間高負荷運轉時,滾筒載荷較大,在焊接質量較差的情況下,滾筒會出現壓裂開焊。軸承與軸承座的損壞通常是由于軸的質量不佳或存在異物摩擦磨損導致。滾筒的故障診斷方法與托輥相同。

2 皮帶運輸機故障樹建立

通過上文分析,得到皮帶運輸機的主要故障失效形式及直接原因。由參考文獻[4]可知,由于各類故障及原因存在聯系,在診斷時會出現同一種狀態對應多種故障的情形,如當滾筒出現抖動時,可能是滾筒軸發生損壞或筒體壓裂。所以,為了避免診斷時出現干擾,本文建立了一種皮帶運輸機的故障樹,對皮帶運輸機的故障邏輯因果關系進行分析與建模，如圖1所示。

故障樹模型中包括頂事件、中間事件、底事件、條件事件與事件符號等,其中事件符號包括與門、非門及異或門等邏輯門,用于描述各事件之間的邏輯關系。在建立故障樹時,應將各類故障形式作為頂事件,放在模型頂端。研究造成各類頂事件的原因,通過事件符號將其聯系起來,中間事件作為頂事件中故障的直接原因,繼續向下延伸,底事件為故障失效的根本原因,多代表部件已知的故障形式與原因。通過事件在故障樹中的高低位置來判斷優先等級,位置越靠上的事件,對故障樹頂事件的影響越大。在發生故障后,通過由上向下逐級地分析,獲得造成故障的根本原因。皮帶運輸機最常見的故障為輸送帶跑偏,本文對其故障樹進行建模。

3 皮帶運輸機故障診斷技術及實現

3.1 故障診斷技術分析

由于皮帶運輸機組成結構復雜,工況環境惡劣,故障形式多樣,傳統故障監測方法很難起到較好的預測作用。本文提出了一種多元信息預測技術,對皮帶運輸機多個典型工況參數與故障信息進行采集,通過對不同信息特征量的提取與分析,最終融合為各故障類型的發生概率,從多個方面對故障進行研究,得到更加精確的判斷結果。

本文用到的故障數據理論為Dempster-Shafer合成法則(D-S證據理論),將不確定的問題轉換成集合的形式,通過分配各事件的概率函數,確定目標的最終狀態信息,做出相應決策。D-S理論中定義信度函數為:

(1)

式中,bel為信度函數；m為單個證據的可信函數；B為A事件的信息度。

信度函數表示該數據對該假設的悲觀估計,應用于本系統可表示在某參數下,皮帶運輸機的故障概率大小。在多個信度函數下,D-S的融合分配規則如公式(2)所示:

(2)

3.2 故障診斷模型及實現

本文的故障診斷技術模型如圖2所示。根據處理順序與功能可分為數據預處理、特征提取與決策輸出三個階段。數據預處理:系統通過設備現場布置的傳感器,對各類工況參數與故障信息進行采集,并將數據進行歸一化等預處理,作為下一階段的輸入；本文將皮帶運輸機的工作溫度、皮帶張力、運輸速度、環境瓦斯濃度與電機電流信號作為數據采集指標。特征提取:將采集數據進行劃分,利用樣本數據訓練神經網絡參數,將數據作為網絡的輸入信號,得到各參數下故障類型的隸屬度。決策輸出:根據網絡輸出的各故障類型概率,利用D-S證據理論輸出最終故障概率,配對故障數據庫規則,確定故障觸發原因及解決維護措施。

圖2 故障診斷技術模型Fig.2 Fault diagnosis technology model

特征提取階段中,各信號子網采用BP神經網絡預測,采用三層網絡結構。以溫度子網為例,神經網絡輸入節點為5,代表溫度采集點為5個,分別為：皮帶運輸機電機溫度，減速器溫度，機架溫度，機頭溫度與滾筒溫度。網絡的隱含層節點為12,訓練函數為tansig,系統訓練樣本通過實驗與故障歷史數據獲取。本文所設計的BP神經網絡可實現故障類型與測試數據特征量的匹配,收斂速度快,避免了局部最小值的出現,保持較為合理的計算誤差,并具備較強的學習能力。

4 應用效果

建立故障樹與預測機制后,通過各類傳感器數據的采集,可在較快時間內發現皮帶運輸機所發生的故障類型,及時解決故障,避免發生安全事故。診斷模型的應用可減少皮帶運輸機故障檢修時間的15%～20%,應用效果如表1所示。

表1 模型應用效果Table 1 Model application effect

表中故障處理時間為發現故障到故障解決所用的時間,優化效果為模型應用前后所用時間的優化結果。

5 結束語

本文針對皮帶運輸機的主要故障部件進行分析,提出了一種故障診斷模型。建立皮帶運輸機故障樹,相較于傳統數據庫,具有更好的邏輯性,方便逐級分析。利用D-S理論與神經網絡模型進行定性分析,判斷皮帶運輸機的故障類型,及時做出解決措施,避免引發更大的安全事故,有助于生產運輸的及時恢復。