基于機器學習的托輥故障等級評價模型研究Research on Fault Grade Evaluation Model of Roller Based on Machine Learning

高波　袁媛　岳偉　張鑫增

摘? 要：根據托輥出現故障的原因，分析了托輥的三種主要故障形式——筒皮磨損、托輥軸承失效以及托輥彎曲變形。托輥在出現以上故障過程中會產生聲音、圖像、溫度、轉速等信號的變化特征，均可反應托輥的故障程度?，F有的各類傳感器已廣泛應用于托輥的故障診斷，但缺少評價托輥故障等級模型，無法根據托輥的運行工況提供智能監測。因此通過將現有的托輥故障診斷技術相結合，構建托輥故障等級預測模型，并采集了某企業的圓管帶式輸送機實驗數據，利用RBF神經網絡模型對實驗數據進行處理，驗證了其模型的可靠性，該模型便于判別托輥的故障程度，為托輥的智能化維護及快速更換提供理論支撐。

關鍵詞：托輥；故障信號、故障等級；RBF神經網絡模型

中圖分類號：TD407? ?文獻標志碼：A

DOI：10.13714/j.cnki.1002-3100.2023.13.009

Abstract： According to the causes of the failure of idlers， three main fault forms of idlers-cylinder skin wear， roller bearing failure and roller bending deformation are analyzed. In the process of the above faults， the idlers will produce the changing characteristics of sound， image， temperature， rotational speed and other signals， which can reflect the fault degree of the idlers. All kinds of existing sensors have been widely used in the fault diagnosis of idlers， but there is a lack of fault grade model for evaluating idlers， so it is impossible to provide intelligent monitoring according to the operating conditions of idlers. Therefore， by combining the existing fault diagnosis technology of idlers， the fault grade prediction model of idlers is constructed， and the experimental data of pipe belt conveyor in an enterprise are collected， and the RBF neural network model is used to process the experimental data to verify the reliability of the model. The model is convenient to distinguish the fault degree of idlers and provides theoretical support for intelligent maintenance and rapid replacement of idlers.

Key words： roller; fault signal， fault level; RBF neural network model

托輥是輸送機的關鍵部件，為輸送帶和所輸送的負載提供適當的支持和保護。它作為帶式輸送機的主要承載部件，其數量眾多，重量占到整機重量的約三分之一，生產成本占到總成本的35%左右，其故障會對整個傳送系統造成嚴重的損失，因此對托輥的運行狀況進行檢測與診斷十分重要[1]。

托輥的故障由多種因素共同決定，如軸承、殼體厚度、密封元件、輸送帶速度、物料尺寸、維護、環境、溫濕度等。發生故障后，托輥的振動、圖像、溫度、轉速等信號的變化特征逐漸顯現。傳統的托輥健康監測以接觸式測量為主，不便于安裝操作，需要消耗大量的人力物力，且檢測的精確度較低，當前眾多學者研究利用巡檢設備搭載各種傳感器的方式，進行托輥的遠程智能監測，以提高監測的效率和故障判別的可靠性。

曹貫強[2]結合了軟閾值法和硬閾值法的折中法對音頻信號進行了小波去噪處理，并將提取的特征向量輸入BP-RBF神經網絡模型中進行故障檢測。郝洪濤、倪凡凡等[3]基于聲音信號研發了包括時域檢測、峰值檢測、功率譜檢測、小波包分解與重構和希爾伯特（Hilbert）包絡分析結合、經驗模態值分解（EMD）檢測方法，可實現采集數據顯示、波形分析和故障診斷。郭清華[4]提出了基于損壞托輥歷史溫升特征曲線的托輥故障識別算法和基于托輥每日溫升與時間二維分布的托輥故障識別算法。謝苗、朱振[5]提出采用紅外熱成像和圖像處理相結合的方法對運行中的帶式輸送機進行圖像識別，采用OSTU閾值分割、形態學改進和灰度重心算法分割并標定出圖像中的卡阻托輥。

Milan Vasic， Bla？觩a Stojanovic[6]對帶式輸送機托輥軸承的故障進行了分析，指出了可能造成損壞的原因，并提出了消除或至少減少損壞的措施，用故障樹描述了托輥軸承損壞的主要原因。Sheng Shen， Hao Lu和Mohammadkazem Sadoughi[7]提出了一種基于物理的深度學習方法，包括一個簡單的閾值模型和一個用于托輥軸承故障檢測的深度卷積神經網絡（CNN）模型。

S.Ravikumara， H.Kanagasabapathy[8]從采集到的原始振動信號中，識別出重要參數特征，并采用K-star算法進行托輥的故障診斷。

通過以上的監測方法可以高效的監測托輥的運行狀況，及時對故障托輥做出預警，但不能有效判斷托輥的故障程度，且做不到針對不同的故障程度進行提前處理。

因此，本文分析了托輥的主要故障形式，根據不同的故障形式，結合現有的托輥故障診斷技術，構建了托輥故障等級預測模型，隨后根據某企業圓管帶式輸送機的實驗數據建立了RBF神經網絡模型，分析了該模型的可行性，最后可根據該模型針對不同故障程度的托輥進行處理。

1? 托輥主要故障形式

在工業中，托輥的理論壽命通常指軸承的標準壽命，托輥的計算壽命基于理論壽命，考慮實際使用條件，還會受到輸送物料特性、環境、維護、托輥位置、皮帶清潔和殼體磨損的限制[9]。發生故障的形式包括筒皮磨損、托輥軸承失效以及托輥彎曲變形。不同故障形式也可能相互影響，其中一種故障模式可以促進另一種故障模式的快速進行，例如輕微的軸承故障可能導致不對中，從而促進殼體的磨損。

1.1? 筒皮磨損

托輥的筒皮磨損，呈現為托輥中部以及與輸送帶接觸處的磨損至斷裂。主要原因包括：（1）托輥的旋轉阻力增大，從而托輥與輸送帶之間摩擦阻力的增大，產生摩擦，長時間摩擦導致托輥中部磨損直至筒皮的斷裂。（2）安裝時的誤差，使得托輥的旋轉方向與輸送帶的運行方向存在偏角，產生偏轉摩擦阻力，從而導致筒皮的磨損。（3）此外，實際運行工況的惡劣環境條件、物料和輸送帶未清理干凈等因素均會致使筒皮的磨損。

1.2? 軸承失效

托輥內部軸承轉動不靈活，出現點磨損，或者軸承發生了嚴重的生銹情況，導致了托輥的卡阻。其主要原因包括：（1）制造托輥時，軸承型號選擇的不合理，使得托輥使用期間軸承發生損壞。（2）托輥軸承密封效果較差，外界環境污染了潤滑油脂，致使軸承得不到有效的潤滑而損壞。（3）不合理的托輥組裝和不良的輸送帶整機設計，導致運轉時托輥發生共振，從而對軸承造成損壞。

1.3? 托輥彎曲變形

托輥發生彎曲變形后，偏轉角發生變化從而造成軸與軸承座之間的摩擦，導致托輥的損壞。其主要原因為：（1）輸送機整機設計的不合理，使得托輥受力不均勻，造成過載而發生變形損壞。（2）托輥的選型不合理，托輥的強度和剛度不能滿足輸送機的輸送能力，不適用實際的運行工況。

除以上的故障形式外，還包括托輥與托輥窗的脫焊，托輥的裂開，軸承的脫出等。其主要原因是托輥的制造質量差，托輥與托輥窗安裝的不合理，不能滿足生產的需要。

2? 托輥故障信號檢測

2.1? 聲音信號

通過聲音傳感器收集托輥運行過程中的聲音信號，將采集到的聲音信號保存到系統硬件中，通過讀取和處理程序，對聲音信號進行數據的分析。

時域檢測信號反應聲音信號隨時間變化的關系，時域特征參數包括均方根、反峰值、正峰值、峰峰值等，參數可以進行直觀的分辨。根據時域特征參數設定閾值，便可以監測托輥是否發生故障。

頻域檢測分析，通過FFT峰值頻譜和功率譜密度，可觀察到托輥故障時引起高頻聲音信號，在某個區域內的高頻聲音信號較集中且強烈[10]。

某次實驗中采集到的時域參數如表1所示。

通過表1，托輥發生故障時，時域特征參數均發生明顯變化，可用于判斷托輥是否出現異常。

2.2? 溫度信號

通過溫度傳感器，對托輥溫度和托輥周圍輸送帶溫度的變化進行實時的采集。某次實驗過程溫度信號的采集如圖1所示。

在托輥和輸送帶摩擦過程中，摩擦產生的熱量均勻的分布在托輥和托輥摩擦表面，溫度相差不大。但是當托輥發生卡阻時，托輥不轉動或轉動緩慢，由轉動摩擦變為滑動摩擦，托輥溫度升高，且導致托輥表面溫度與接觸的輸送帶溫度之間出現分層現象[11]。因此，可通過托輥溫度與周圍輸送帶溫度的差值來判斷托輥是否發生故障。某次實驗中采集到的托輥溫度參數如表2所示。

此外，以輸送帶的環境溫度為基準，通過采集故障托輥隨時間變化的溫升曲線，根據溫升曲線推導出溫升斜率函數，利用最大溫升斜率也可以辨識出托輥是否發生故障。

2.3? 圖像信號

利用高清攝像機沿輸送機巡檢路徑對圓管帶式輸送機的托輥圖像進行采集，通過托輥的垂直和水平投影，截取有效的托輥區域，減少支架、輸送帶以及背景區域對托輥圖像的干擾。

對圖像進行濾波去噪和模糊增強，去除其他因素影響而產生的噪點[12]，利用邊緣檢測對托輥進行分割以保留托輥的真實邊緣，并采用形態學運算獲取托輥的閉合輪廓。

對于托輥筒皮表面發生破損或斷裂的圖像，通過銳化處理，使得破損區域邊緣更加清晰，從而標注出破損區域的最小外接矩陣長寬比，像素點之和，以及面積，根據破損區域所占托輥整體面積的百分比來判別托輥故障程度，托輥故障圖像如圖2所示。

3? 托輥故障等級預測模型

通過安裝在巡檢機器人上的各類傳感器，實時收集托輥運行中的聲音、溫度和圖像信號。

托輥發生故障時，各信號檢測值有所不同，并反映了托輥發生故障的不同形式。例如托輥筒皮磨損破裂時，圖像信號較為靈敏，但聲音及溫度信號反應較弱。托輥內軸承發生損壞后聲音及溫度信號反應較強，但圖像信號較弱。因此，綜合不同的監測信號值可以更為準確地推斷出托輥的運行情況，以判定托輥的故障程度。

基于聲音、溫度和圖像信號，提出托輥的故障等級預測模型：

根據調查企業技術人員的實際操作情況，本文將托輥的運行狀況分為五種狀態：正常狀態、輕微異常狀態、異常狀態、故障狀態、嚴重故障狀態。各故障狀態如表3所示。

當托輥處于正常狀態時，無需進行管理操作；發生輕微異常時，應及時分析故障原因，避免故障加劇嚴重；發生異常時應提前預備進行維修更換；故障時要馬上進行更換，避免對整機造成破壞；嚴重故障時可能對輸送帶已經造成了一定程度的破壞，應停機檢查整機狀況，避免更大的損失。

4? 基于RBF神經網絡的托輥故障等級評價模型驗證實驗

4.1? RBF神經網絡

RBF神經網絡由輸入層、隱含層和輸出層三層前向網絡構成。其參數非隨機初始化，結構簡單，收斂速度塊，能夠逼近任意非線性函數，因此分類能力和學習速度較高[13]。

輸入層的作用為傳輸信號，和隱含層之間可以看做連接權值為1的連接。

隱節點采用輸入模式與中心向量的距離作為函數的自變量，并通常使用高斯徑向基函數作為激活函數，神經元的輸入離徑向基函數中心越遠，神經元的激活程度就越低，采用的是非線性優化策略，因而學習速度較慢。

4.2? 實例驗證

本次實驗數據來自某企業的圓管帶式輸送機的實驗現場，由企業的技術人員通過長期收集所得。實驗現場如圖3所示。

實驗數據由29組托輥數據構成，包含了不同故障等級的故障托輥。其中24組托輥數據用于模型的訓練，5組數據用于驗證模型的可靠性。

通過構建RBF神經網絡模型，經過多次迭代訓練后，隱藏層單元數設置為6層，訓練過程中的預測和實測概率情況如圖4所示，由圖4清晰可知各等級的預測擬概率較高，且ROC曲線中各故障等級的下方區域面積均接近1，整體預測效果較好。

由自變量的重要性可知，時域參數標準化后的重要性最高，為97%，其余參數的重要性均大于80%，可知各參數在此模型中發揮的作用差距較小。

根據訓練好的RBF神經網絡模型，對實驗數據中剩余的5組托輥的故障等級進行預測，預測結果如圖5所示。

分析預測結果，正常托輥、故障托輥和嚴重故障托輥的故障等級識別較好，4號托輥實測故障為發生輕微異常，但識別為異常，經過分析其各項參數數據，識別錯誤的原因是托輥的筒皮發生了輕微破損，其余特征正常。

5? 結? 論

本文分析了托輥的三種主要故障形式——筒皮磨損、托輥軸承失效以及托輥彎曲變形，基于不同的故障形式，結合故障過程中產生的表現特征，構建了托輥的故障等級預測模型，并通過實驗數據進行了模型的驗證。

通過托輥的故障等級評價模型，可以有效地判斷托輥的故障程度，以便于針對不同的故障程度進行提前處理，避免了托輥故障帶來的整機損失，為托輥的智能化維護及快速更換提供了理論支撐。

參考文獻：

[1] 邱明權. 礦用帶式輸送機托輥健康監測方法研究[D]. 徐州：中國礦業大學，2018.

[2] 曹貫強. 帶式輸送機托輥故障檢測方法[J]. 工礦自動化，2020，46（6）：81-86.

[3] 郝洪濤，倪凡凡，陳亮，等. 遠程帶式輸送機托輥故障巡檢方法[J]. 煤礦機械，2018，39（11）：133-135.

[4] 郭清華. 基于光纖測溫技術的帶式輸送機托輥故障識別算法研究[J]. 煤礦機械，2018，39（8）：157-160.

[5] 謝苗，朱振，盧進南. 基于紅外圖像處理技術的托輥卡阻檢測方法[J]. 機械設計與研究，2020，36（5）：152-157.

[6]? VASIC M， STOJANOVIC B， BLAGOJEVIC M. Failure analysis of idler roller bearings in belt conveyors[J]. Engineering Failure Analysis， 2020，117：104898.

[7]? SHEN S， LU H， SADOUGHI M， et al. A physics-informed deep learning approach for bearing fault detection[J]. Engineering Applications of Artificial Intelligence， 2021，103：104295.

[8]? RAVIKUMAR S， KANAGASABAPATHY H， MURALIDHARAN V. Fault diagnosis of self-aligning toughing rollers in belt conveyor system using K-star algorithm[J]. Measurement， 2019，133：341-349.

[9] 劉芬. 基于大數據技術的帶式輸送機托輥故障診斷[J]. 煤礦機械，2020，41（8）：177-179.

[10] 姜闊勝，毛中元，謝有浩，等. 礦用帶式輸送機托輥運行狀態監測系統[J]. 工礦自動化，2021，47（7）：45-49.

[11] 郭清華. 基于光纖測溫的托輥軸溫檢測及熱傳導模型研究[J]. 礦業安全與環保，2020，47（1）：66-69，74.

[12] 楊晉玲，段牧忻. 基于圖像識別的軋輥表面破損檢測系統[J]. 鍛壓技術，2021，46（6）：225-230.

[13] 梁昌晶，管恩東. 基于RBF模型的埋地管道外腐蝕速率預測[J]. 油氣儲運，2022，41（2）：233-240.