带式输送机滚筒故障智能化实时监测系统的设计

　　摘 要 针对余吾矿带式输送机滚筒故障监测方法存在的不足,结合智能算法设计了滚筒故障实时监测系统, 通过支持向量机(SVM)､人工神经网络(ANN)､随机森林等方法对振动､温度､转速等传感器采集的 数据进行实时分析和故障诊断｡应用结果表明,该系统具备实时监控､报警和自动响应功能,能够在0.8 s 内响应故障,准确率达81.9%｡研究结果能为工业设备故障检测提供高效解决方案,为类似设备的智能化管 理奠定基础｡

　　关键词 带式输送机;滚筒故障检测;系统设计

　　论文《带式输送机滚筒故障智能化实时监测系统的设计》发表在《山东煤炭科技》，版权归《山东煤炭科技》所有。本文来自网络平台，仅供参考。

　　带式输送机作为煤矿､港口等工业领域的重要连续运输设备,其可靠运行直接关系到生产效率和 安全｡然而,传统的人工检查和离线监测方法存在 实时性差､漏检率高等问题｡因此,为提高对设备 故障识别的准确性､实时性,该研究以余吾矿为例 设计一个带式输送机滚筒故障实时监测系统,以期 能够快速识别轴承磨损､皮带跑偏､滚筒过热等常 见故障,并减少误报和漏报现象,旨在提高设备安 全性和运行效率,为类似工业设备的故障检测提供 参考｡

　　1 工程概况

　　山西潞安集团余吾矿应用带式输送机系统进行 煤炭的长距离运输｡该矿井面积 (161.205 ~km^{2}) ,地形 复杂,输送任务繁重,生产线覆盖了从井下采掘区 到地面集煤场的全流程,具有高度的自动化需求｡ 煤场内有6 条带式输送生产线,输送线的单机输 送能力达到2850 t/h,输送距离为4.8 km,采用了 STYJVFT37-55 型电动滚筒(直径为0.5 m,功率为 250 kW,运行速度为2.8 m/s)､TD75 型输送机(带 宽为1.2 m),以及ZYJ-150/24D 型液压张紧装置(张 紧力为150 kN)｡

　　2 系统设计

　　2.1 需求分析

　　带式输送机滚筒在工业生产中的长时间高负荷 运行容易引发各种机械故障,尤其是在矿井这种高 强度应用场景下,滚筒的轴承磨损､皮带跑偏､过 热等问题频发 [1]｡为应对上述情况,系统需满足以 下需求:1)系统需要能够在故障发生的初期阶段迅 速捕捉并发出预警,避免故障进一步扩展｡2)系统需具备高度的准确性,能够精准区分轴承磨损､皮 带跑偏､滚筒过热等不同类型的故障,并减少误报 和漏报现象｡3)系统需要在复杂的工业场景中,支 持多种工况下的故障识别,确保在温度波动大､振 动干扰强的环境下,依然保持稳定的故障检测能力｡

　　根据功能需求分析,系统应具备以下四大核心 功能模块:实时监测模块､数据采集与处理模块､ 故障诊断模块和报警响应模块｡实时监测模块负责 持续采集滚筒的运行状态,并通过人机界面(HMI) 实时展示关键参数｡数据采集与处理模块则需整合 振动､温度､转速等多种传感器数据,并结合边缘 计算技术进行初步处理｡故障诊断模块基于智能算 法,进行数据分析和模式识别,确保系统能够及时､ 精准地诊断不同故障模式｡报警响应模块在检测到 异常后,将通过多种方式(声光报警､短信､邮件) 通知操作人员,以确保及时采取维护措施 [2]｡

　　2.2 系统架构

　　带式输送机滚筒故障实时监测系统的架构设计 以高效的数据采集､传输､处理与故障诊断为核 心,确保系统具备高度实时性和智能化｡系统架构 由多个模块组成,每个模块协同工作,构成完整 的监控体系,以满足复杂工业场景下的故障检测 需求 [3]｡其中,系统硬件主要由传感器模块､数据 采集模块､通信模块和中央处理单元构成｡传感 器模块采用PCB 352C33 型加速度传感器(量程为 ±50 g,加速度灵敏度为100 mV/g,频率范围为0.5 Hz~10 kHz)､PT100 型铂电阻温度传感器(测量 范围为-50~+250 ℃,精度为±0.1 ℃)､OMRON E6C2-CWZ6C 光电编码器(分辨率为2000 P/R, 最大响应频率为100 kHz)｡数据采集模块采用 ADS1256 型模数转换器(ADC),该转换器具有 24 bit 分辨率,最高采样率为30 kSPS｡通信模块支 持多种通信方式,包括以太网和无线传输｡其中, 以太网使用RTL8211E 千兆以太网芯片,数据传输速率可达1000 Mbit/s,无线传输集成了ESP32 无线 通信模块,支持2.4 GHz 频段,最大传输速率150 Mbit/s｡中央处理单元选用了NXP i.MX 8M Mini Quad 核心板,搭载四核ARM Cortex-A53 处理器(主 频1.8 GHz,内存2 GB)｡系统软件部分包括数据 处理模块､故障诊断模块､监控与报警模块以及人 机界面(HMI)设计,具体如图1。

　　传感器模块负责监测滚筒的振动､温度､转速 等关键参数,通过高精度传感器实时采集数据,确 保在复杂环境下捕捉到设备的微小变化｡数据采集 模块将传感器的模拟信号转换为数字信号,并具备 高分辨率和采样速率,以保障系统的实时性｡通信 模块通过有线和无线传输方式,确保数据从现场稳 定传输至中央处理单元｡中央处理单元作为系统的 核心,利用智能算法对数据进行深度分析,实时监 测滚筒状态,判断故障风险,并将结果反馈至监控 界面或触发报警｡最后,监控与报警模块通过可视 化工具展示滚筒的实时状态,并根据预设的阈值进 行报警,确保操作人员及时获取故障信息｡

　　3 系统实现

　　3.1 数据采集与处理

　　系统通过加速度传感器､温度传感器､光电编 码器等多种传感器实时采集滚筒的运行数据｡在实 施中,采用分布式采集策略,将加速度传感器安装 在滚筒两端的轴承部位,以便捕捉滚筒轴承的微小 振动和磨损情况｡温度传感器安装在靠近驱动电机 的一侧,监测滚筒表面及轴承的温度变化,确保在 滚筒表面温度超过(70±2)℃时能够及时发出警告｡ 光电编码器安装在滚筒轴上,实时采集滚筒转速, 用于判断皮带的运行速度和跑偏情况｡通过ADC 对传感器采集的模拟信号进行高精度的数字转换, 传感器的布置遵循分布式策略,确保对滚筒的振动､ 温度和转速等数据的全面采集 [4]｡传感器的采样频 率设定为10 Hz,即以10 次/s 的频率采集数据,满 足系统的实时性要求｡

　　在数据处理过程中,首先对采集到的信号进行 滤波处理,以消除环境中的噪声干扰｡振动信号经过 自适应滤波器和低通滤波器处理,以滤除高频噪声, 保证信号的纯净性｡滤波器的传递函数可以表示:

　　[H(s)=omega_{c} /left(s+omega_{c} ight) ag{1}]

　　其中: (omega_{c}) 为滤波器的截止频率;s 为拉普拉斯 变换中的复变量｡该函数用于描述信号在低频通过 的情况,以达到去除高频噪声的目的｡在滤波后, 使用快速傅里叶变换(FFT)对振动信号进行频谱 分析,提取故障特征频率｡其计算公式如下:

　　[X(k)=sum_{n=0}^{N-1} x(n) e^{-j frac{2 pi}{N} k n}]

　　其中: (X(k)) 为第 k 个频率分量的傅里叶系数; (x(n)) 为采集到的时间域信号; N 为采样点数｡通 过FFT,可以将时间域信号转换为频域信号,提取 滚筒故障(如轴承磨损)的特征频率｡对于温度和 转速数据,采用了时域特征分析,通过计算均值､ 标准差､峰值等参数来评估设备的稳定性 [5]｡当温 度超过设定阈值 (T_{max }=72^{circ} mathrm{C}) 时,系统将触发报警｡同 样,转速数据若波动幅度超过设定的5% 阈值时, 系统也将发出跑偏警告｡为提高数据处理的实时性, 引入边缘计算技术｡通过NXP i.MX 8M Mini Quad 核心板对数据进行本地化处理,减少中心服务器的 处理负担,并在网络不稳定时保障数据分析的连续 性｡边缘计算的响应时间设定为0.5 s 以内,确保在 故障发生时,系统能够迅速进行特征提取和初步诊 断｡最后,使用SQLite 数据库进行本地数据存储, 能够存储一年的历史数据,数据量可达1 GB,为故 障追踪､数据回溯和趋势分析提供坚实的数据基础｡

　　3.2 故障诊断方法

　　故障诊断模块是系统的核心,旨在通过分析多 维传感器数据,准确判断滚筒的运行状态,并提供 实时故障预警｡该模块采用多种智能算法对采集到 的数据进行处理,包括支持向量机(SVM)､人工 神经网络(ANN)､随机森林(Random Forest)等 先进技术,确保系统能够在复杂工业环境中保持高 故障识别率｡

　　1)支持向量机故障分类｡SVM 被部署在中央 处理单元中,实时对来自振动传感器的数据进行分类｡SVM 的训练过程通过历史故障数据进行监督学习｡SVM 配置径向基核函数(RBF),用于处理非线 性分类问题｡SVM 分类器的损失函数:

　　[L(w, b)=frac{1}{2}| w| ^{2}+C sum_{i=1}^{N} max left[0,1-y_{i}left(w^{T} x_{i}+b ight) ight]]

　　其中: w 是分类器的权重向量; C 是正则化参数, 用于平衡分类误差和模型复杂度｡每次检测的数据 在0.5 s 内被传递至处理单元,随后通过SVM 模型 分类并输出诊断结果｡根据现场设定,当分类结果 显示为“异常”时,系统会立即向操作人员发出警告｡

　　2)人工神经网络。ANN 模型由三层隐含组成,每层包含64 个 神经元,激活函数为 (ReLU) 。该激活函数确保网络 具有良好的非线性映射能力,并能够处理复杂的故 障模式｡在实际实现中,ANN 模型通过大规模现场 数据进行训练,模型权重通过反向传播算法更新｡ 损失函数形式:

　　[L(y, hat{y})=-sum_{i=1}^{N}left[y_{i} cdot log hat{y}_{i}+left(1-y_{i} ight) log left(1-y_{i} ight) ight]]

　　其中: y 为真实标签; (hat{y}) 为模型预测值｡ANN 的实际部署中,模型每隔30 min 对传感器数据进行 批量处理｡对于振动､温度和转速数据,ANN 能够 通过模型学习到的特征,进行多故障模式的分类识 别｡例如,系统能够同时监测到温度和转速的变化 趋势,在皮带跑偏故障发生前预测出异常并进行分 类判断｡

　　3)随机森林诊断。为了提升系统在多源数据下的鲁棒性,引入了 随机森林算法｡该算法通过构建多个决策树来处理 数据,并通过多数投票机制生成最终的分类结果｡ 随机森林中的决策树模型基于信息增益或基尼系数 进行决策,信息增益的计算公式:

　　[I G(T, a)=H(T)-sum_{v in Values(a)} frac{left|T_{v} ight|}{|T|} H(T) ag{5}]

　　其中: (H(T)) 为数据集 T 的熵; a 为属性; (T_{v}) 为属性 a 的不同取值对应的数据子集｡系统通过最 大化信息增益来生成最优分裂点｡随机森林算法通 过对不同决策树的分类结果进行投票,最终输出一 个综合的故障诊断结果 [1]｡随机森林模型主要处理 滚筒多维数据(包括振动､温度和转速)的融合诊 断｡该模块与边缘计算单元相连,利用本地数据处 理进行实时判断｡当多源数据共同指向同一故障时, 系统将生成相应的报警信号,并自动触发响应机制, 如减速或停机｡

　　3.3 实时监测与报警系统

　　3.3.1 实时监测模块

　　各类传感器将数据实时传送至中央处理单元。通过以太网和Wi-Fi 网络,数据被迅速传输至SCADA 平台进行处理,并通过HMI 展示｡HMI 界面采用动态图表, 实时呈现滚筒的振动频率､温度变化､转速等关键 参数｡数据采集的频率为10 Hz,所有数据都被整 合到SCADA 平台,并可与历史数据进行比对,帮 助操作人员及时识别设备的运行趋势｡该模块能够 展示滚筒的状态曲线､故障记录和报警日志,为维 护和决策提供支持｡

　　3.3.2 报警系统

　　报警系统通过设置的报警阈值,确保设备在故 障初期即能发出警告信号。

　　表1 关键报警阈值

　　| 监测参数 | 报警阈值 | 故障类型 |

　　| 振动加速度 | 超过 20 g | 滚筒轴承异常 |

　　| 温度 | 超过 72 ℃ | 滚筒过热 |

　　| 转速波动 | 超过 ± 5% | 皮带跑偏 |

　　当任一传感器监测到超出设定阈值的数 据,系统将立即通过声光报警(PATLITE LR6302WJNW-R 型报警器)发出声光信号,声压级高 达85 dB,同时红色闪烁灯亮起｡除此之外,系统 集成了GSM 模块,能够通过短信和邮件的方式, 自动向现场技术人员和管理人员发送报警信息,详 细说明故障发生时间､类型以及异常数据｡这一信 息通过内置的SMTP 邮件服务器和GSM 短信网关 传送,确保即便技术人员不在现场,也能及时收到 故障通知｡

　　3.3.3 自动响应与保护

　　报警系统不仅能够发出警告,还具备自动响应 功能｡当检测到严重故障(如温度超过120 ℃或 滚筒停止转动),系统会通过PLC(Programmable Logic Controller)自动发送停机指令,确保设备在 故障发生后能立即停机,避免造成更大的设备损伤 和生产中断｡PLC系统采用Siemens S7-1200系列, 能够在0.5 s 内完成故障检测和停机指令的发出｡

　　3.3.4 实时数据记录与历史分析

　　系统设计了实时数据记录模块,所有报警事件 和设备运行数据都会记录在SQLite 数据库中｡数据 库能够保存至少一年的历史数据,并通过定期备份 确保数据的安全｡操作人员可以通过HMI 界面对 历史数据进行查询和分析,系统还支持数据的导出 功能,方便进一步的故障分析和报告生成｡

　　为便于后续故障分析,系统自动生成故障日志,每条日志包含故障发生时间､故障类型､响应措施和恢复时间等信息。结合SCADA 平台,操作人员能够根据这些数据进行故障趋势分析,调整设备维护计划,优化报警阈值设置。

　　4 应用效果分析

　　为验证滚筒故障实时监测系统的应用效果,在 山西潞安集团余吾矿中进行了为期6 个月的实际运行测试,全面测试系统在复杂工业环境 下的监控与故障检测能力,验证系统是否能在高负 荷､恶劣环境下表现出稳定性和高效性｡

　　在应用过程中,通过系统集成的SCADA 平台 与HMI 界面,实时采集并处理各类传感器数据,保证了对滚筒设备关键运状态的全方位监测。在6 个月的监测过程中,系统通过FFT 对振动数据进行频谱分析,提取2~4 kHz 的频域特征信号,共识别出3 次滚筒振动异常,揭示了滚筒轴承早期磨损的迹象｡在温度监测方面, PT100 温度传感器能够记录到滚筒温度在短时间内 上升至102 ℃的情况,且系统通过ANN 进行数据 综合分析,判断出了滚筒过热故障｡故障触发后,系统及时发出报警,并通过自动停机机制成功避免了进一步的设备损坏。

　　为评估系统的故障检测准确性和实时性,统计 了系统在运行期间检测到的故障类型､故障次数以 及响应时间,并与人工巡检结果进行了对比｡其中, 系统会自动在识别出故障时记录每次故障的类型以 及检测到的次数,响应时间通过系统内置的计时功 能得到｡人工巡检结果则是通过派遣技术人 员定期或在收到系统警报时对输送机设备进行现场 检查和数据记录得到。

　　表2 系统应用效果

　　| 故障类型 | 检测 次数 | 实际故 障次数 | 误报 次数 | 检测 准确率 /% | 平均响 应时间 /s |

　　| 轴承磨损 | 7 | 6 | 1 | 85.7 | 0.7 |

　　| 皮带跑偏 | 5 | 5 | 0 | 100.0 | 0.6 |

　　| 滚筒过热 | 4 | 3 | 1 | 75.0 | 0.9 |

　　| 其他小故障 | 3 | 2 | 1 | 66.7 | 1.1 |

　　| 总计 | 19 | 16 | 3 | 平均 81.9 | 平均 0.8 |

　　对比检测结果后发现,系统的报警和响应功能 表现出色。在测试的6 个月内,系统共检测到19 次潜在故障事件,其中16 次被确认是真实故障, 有3 次为误报。系统故障诊断的整体准确率能够达 到81.9%,同时系统平均响应时间为0.8 s。

　　5 结语

　　研究设计了一个带式输送机滚筒故障智能化实时监测 系统,并在山西余吾矿完成为期6个月的现场试运行。测试结果表明,该系统运行稳定,故障检测准确率达81.9%,平均故障响应时间仅0.8 s。该系统可有效弥补传统人工巡检、离线监测的短板,能够快速识别轴承磨损、皮带跑偏、滚筒过热等典型故障。后续可继续优化智能算法,进一步提升检测精度与环境适应性,为各类工业输送设备的智能运维提供参考。

　　参考文献

　　[1] 王星. 煤矿带式输送机常见故障问题与处理探讨 [J]. 西部探矿工程,2024,36(07):176-178.

　　[2] 苗长云,孙丹丹. 基于改进YOLOv5s 的带式输送机滚筒故障检测研究[J]. 工矿自动化,2023,49 (07):41-48.

　　[3] 孙丹丹. 基于机器视觉的带式输送机滚筒故障检 测技术研究[D]. 天津:天津工业大学,2023.

　　[4] 齐滨. 煤矿带式输送机滚筒故障检测系统的设计 及应用[J]. 机械管理开发,2023,38(08): 170-172.

　　[5] 武恩光. 带式输送机滚筒轴承故障预警系统研 究[J]. 机械管理开发,2024,39(07):235-236+239.