摘 要 針對余吾礦帶式輸送機滾筒故障監測方法存在的不足,結合智能算法設計了滾筒故障實時監測系統, 通過支持向量機(SVM)?人工神經網絡(ANN)?隨機森林等方法對振動?溫度?轉速等傳感器采集的 數據進行實時分析和故障診斷?應用結果表明,該系統具備實時監控?報警和自動響應功能,能夠在0.8 s 內響應故障,準確率達81.9%?研究結果能為工業設備故障檢測提供高效解決方案,為類似設備的智能化管 理奠定基礎?

　　關鍵詞 帶式輸送機;滾筒故障檢測;系統設計

　　論文《帶式輸送機滾筒故障智能化實時監測系統的設計》發表在《山東煤炭科技》，版權歸《山東煤炭科技》所有。本文來自網絡平臺，僅供參考。

　　帶式輸送機作為煤礦?港口等工業領域的重要連續運輸設備,其可靠運行直接關系到生產效率和 安全?然而,傳統的人工檢查和離線監測方法存在 實時性差?漏檢率高等問題?因此,為提高對設備 故障識別的準確性?實時性,該研究以余吾礦為例 設計一個帶式輸送機滾筒故障實時監測系統,以期 能夠快速識別軸承磨損?皮帶跑偏?滾筒過熱等常 見故障,并減少誤報和漏報現象,旨在提高設備安 全性和運行效率,為類似工業設備的故障檢測提供 參考?

　　1 工程概況

　　山西潞安集團余吾礦應用帶式輸送機系統進行 煤炭的長距離運輸?該礦井面積 (161.205 ~km^{2}) ,地形 復雜,輸送任務繁重,生產線覆蓋了從井下采掘區 到地面集煤場的全流程,具有高度的自動化需求? 煤場內有6 條帶式輸送生產線,輸送線的單機輸 送能力達到2850 t/h,輸送距離為4.8 km,采用了 STYJVFT37-55 型電動滾筒(直徑為0.5 m,功率為 250 kW,運行速度為2.8 m/s)?TD75 型輸送機(帶 寬為1.2 m),以及ZYJ-150/24D 型液壓張緊裝置(張 緊力為150 kN)?

　　2 系統設計

　　2.1 需求分析

　　帶式輸送機滾筒在工業生產中的長時間高負荷 運行容易引發各種機械故障,尤其是在礦井這種高 強度應用場景下,滾筒的軸承磨損?皮帶跑偏?過 熱等問題頻發 [1]?為應對上述情況,系統需滿足以 下需求:1)系統需要能夠在故障發生的初期階段迅 速捕捉并發出預警,避免故障進一步擴展?2)系統需具備高度的準確性,能夠精準區分軸承磨損?皮 帶跑偏?滾筒過熱等不同類型的故障,并減少誤報 和漏報現象?3)系統需要在復雜的工業場景中,支 持多種工況下的故障識別,確保在溫度波動大?振 動干擾強的環境下,依然保持穩定的故障檢測能力?

　　根據功能需求分析,系統應具備以下四大核心 功能模塊:實時監測模塊?數據采集與處理模塊? 故障診斷模塊和報警響應模塊?實時監測模塊負責 持續采集滾筒的運行狀態,并通過人機界面(HMI) 實時展示關鍵參數?數據采集與處理模塊則需整合 振動?溫度?轉速等多種傳感器數據,并結合邊緣 計算技術進行初步處理?故障診斷模塊基于智能算 法,進行數據分析和模式識別,確保系統能夠及時? 精準地診斷不同故障模式?報警響應模塊在檢測到 異常后,將通過多種方式(聲光報警?短信?郵件) 通知操作人員,以確保及時采取維護措施 [2]?

　　2.2 系統架構

　　帶式輸送機滾筒故障實時監測系統的架構設計 以高效的數據采集?傳輸?處理與故障診斷為核 心,確保系統具備高度實時性和智能化?系統架構 由多個模塊組成,每個模塊協同工作,構成完整 的監控體系,以滿足復雜工業場景下的故障檢測 需求 [3]?其中,系統硬件主要由傳感器模塊?數據 采集模塊?通信模塊和中央處理單元構成?傳感 器模塊采用PCB 352C33 型加速度傳感器(量程為 ±50 g,加速度靈敏度為100 mV/g,頻率范圍為0.5 Hz~10 kHz)?PT100 型鉑電阻溫度傳感器(測量 范圍為-50~+250 ℃,精度為±0.1 ℃)?OMRON E6C2-CWZ6C 光電編碼器(分辨率為2000 P/R, 最大響應頻率為100 kHz)?數據采集模塊采用 ADS1256 型模數轉換器(ADC),該轉換器具有 24 bit 分辨率,最高采樣率為30 kSPS?通信模塊支 持多種通信方式,包括以太網和無線傳輸?其中, 以太網使用RTL8211E 千兆以太網芯片,數據傳輸速率可達1000 Mbit/s,無線傳輸集成了ESP32 無線 通信模塊,支持2.4 GHz 頻段,最大傳輸速率150 Mbit/s?中央處理單元選用了NXP i.MX 8M Mini Quad 核心板,搭載四核ARM Cortex-A53 處理器(主 頻1.8 GHz,內存2 GB)?系統軟件部分包括數據 處理模塊?故障診斷模塊?監控與報警模塊以及人 機界面(HMI)設計,具體如圖1。

　　傳感器模塊負責監測滾筒的振動?溫度?轉速 等關鍵參數,通過高精度傳感器實時采集數據,確 保在復雜環境下捕捉到設備的微小變化?數據采集 模塊將傳感器的模擬信號轉換為數字信號,并具備 高分辨率和采樣速率,以保障系統的實時性?通信 模塊通過有線和無線傳輸方式,確保數據從現場穩 定傳輸至中央處理單元?中央處理單元作為系統的 核心,利用智能算法對數據進行深度分析,實時監 測滾筒狀態,判斷故障風險,并將結果反饋至監控 界面或觸發報警?最后,監控與報警模塊通過可視 化工具展示滾筒的實時狀態,并根據預設的閾值進 行報警,確保操作人員及時獲取故障信息?

　　3 系統實現

　　3.1 數據采集與處理

　　系統通過加速度傳感器?溫度傳感器?光電編 碼器等多種傳感器實時采集滾筒的運行數據?在實 施中,采用分布式采集策略,將加速度傳感器安裝 在滾筒兩端的軸承部位,以便捕捉滾筒軸承的微小 振動和磨損情況?溫度傳感器安裝在靠近驅動電機 的一側,監測滾筒表面及軸承的溫度變化,確保在 滾筒表面溫度超過(70±2)℃時能夠及時發出警告? 光電編碼器安裝在滾筒軸上,實時采集滾筒轉速, 用于判斷皮帶的運行速度和跑偏情況?通過ADC 對傳感器采集的模擬信號進行高精度的數字轉換, 傳感器的布置遵循分布式策略,確保對滾筒的振動? 溫度和轉速等數據的全面采集 [4]?傳感器的采樣頻 率設定為10 Hz,即以10 次/s 的頻率采集數據,滿 足系統的實時性要求?

　　在數據處理過程中,首先對采集到的信號進行 濾波處理,以消除環境中的噪聲干擾?振動信號經過 自適應濾波器和低通濾波器處理,以濾除高頻噪聲, 保證信號的純凈性?濾波器的傳遞函數可以表示:

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

　　其中: (omega_{c}) 為濾波器的截止頻率;s 為拉普拉斯 變換中的復變量?該函數用于描述信號在低頻通過 的情況,以達到去除高頻噪聲的目的?在濾波后, 使用快速傅里葉變換(FFT)對振動信號進行頻譜 分析,提取故障特征頻率?其計算公式如下:

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

　　其中: (X(k)) 為第 k 個頻率分量的傅里葉系數; (x(n)) 為采集到的時間域信號; N 為采樣點數?通 過FFT,可以將時間域信號轉換為頻域信號,提取 滾筒故障(如軸承磨損)的特征頻率?對于溫度和 轉速數據,采用了時域特征分析,通過計算均值? 標準差?峰值等參數來評估設備的穩定性 [5]?當溫 度超過設定閾值 (T_{max }=72^{circ} mathrm{C}) 時,系統將觸發報警?同 樣,轉速數據若波動幅度超過設定的5% 閾值時, 系統也將發出跑偏警告?為提高數據處理的實時性, 引入邊緣計算技術?通過NXP i.MX 8M Mini Quad 核心板對數據進行本地化處理,減少中心服務器的 處理負擔,并在網絡不穩定時保障數據分析的連續 性?邊緣計算的響應時間設定為0.5 s 以內,確保在 故障發生時,系統能夠迅速進行特征提取和初步診 斷?最后,使用SQLite 數據庫進行本地數據存儲, 能夠存儲一年的歷史數據,數據量可達1 GB,為故 障追蹤?數據回溯和趨勢分析提供堅實的數據基礎?

　　3.2 故障診斷方法

　　故障診斷模塊是系統的核心,旨在通過分析多 維傳感器數據,準確判斷滾筒的運行狀態,并提供 實時故障預警?該模塊采用多種智能算法對采集到 的數據進行處理,包括支持向量機(SVM)?人工 神經網絡(ANN)?隨機森林(Random Forest)等 先進技術,確保系統能夠在復雜工業環境中保持高 故障識別率?

　　1)支持向量機故障分類?SVM 被部署在中央 處理單元中,實時對來自振動傳感器的數據進行分類?SVM 的訓練過程通過歷史故障數據進行監督學習?SVM 配置徑向基核函數(RBF),用于處理非線 性分類問題?SVM 分類器的損失函數:

　　[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 是分類器的權重向量; C 是正則化參數, 用于平衡分類誤差和模型復雜度?每次檢測的數據 在0.5 s 內被傳遞至處理單元,隨后通過SVM 模型 分類并輸出診斷結果?根據現場設定,當分類結果 顯示為“異常”時,系統會立即向操作人員發出警告?

　　2)人工神經網絡。ANN 模型由三層隱含組成,每層包含64 個 神經元,激活函數為 (ReLU) 。該激活函數確保網絡 具有良好的非線性映射能力,并能夠處理復雜的故 障模式?在實際實現中,ANN 模型通過大規模現場 數據進行訓練,模型權重通過反向傳播算法更新? 損失函數形式:

　　[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 為真實標簽; (hat{y}) 為模型預測值?ANN 的實際部署中,模型每隔30 min 對傳感器數據進行 批量處理?對于振動?溫度和轉速數據,ANN 能夠 通過模型學習到的特征,進行多故障模式的分類識 別?例如,系統能夠同時監測到溫度和轉速的變化 趨勢,在皮帶跑偏故障發生前預測出異常并進行分 類判斷?

　　3)隨機森林診斷。為了提升系統在多源數據下的魯棒性,引入了 隨機森林算法?該算法通過構建多個決策樹來處理 數據,并通過多數投票機制生成最終的分類結果? 隨機森林中的決策樹模型基于信息增益或基尼系數 進行決策,信息增益的計算公式:

　　[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)) 為數據集 T 的熵; a 為屬性; (T_{v}) 為屬性 a 的不同取值對應的數據子集?系統通過最 大化信息增益來生成最優分裂點?隨機森林算法通 過對不同決策樹的分類結果進行投票,最終輸出一 個綜合的故障診斷結果 [1]?隨機森林模型主要處理 滾筒多維數據(包括振動?溫度和轉速)的融合診 斷?該模塊與邊緣計算單元相連,利用本地數據處 理進行實時判斷?當多源數據共同指向同一故障時, 系統將生成相應的報警信號,并自動觸發響應機制, 如減速或停機?

　　3.3 實時監測與報警系統

　　3.3.1 實時監測模塊

　　各類傳感器將數據實時傳送至中央處理單元。通過以太網和Wi-Fi 網絡,數據被迅速傳輸至SCADA 平臺進行處理,并通過HMI 展示?HMI 界面采用動態圖表, 實時呈現滾筒的振動頻率?溫度變化?轉速等關鍵 參數?數據采集的頻率為10 Hz,所有數據都被整 合到SCADA 平臺,并可與歷史數據進行比對,幫 助操作人員及時識別設備的運行趨勢?該模塊能夠 展示滾筒的狀態曲線?故障記錄和報警日志,為維 護和決策提供支持?

　　3.3.2 報警系統

　　報警系統通過設置的報警閾值,確保設備在故 障初期即能發出警告信號。

　　表1 關鍵報警閾值

　　| 監測參數 | 報警閾值 | 故障類型 |

　　| 振動加速度 | 超過 20 g | 滾筒軸承異常 |

　　| 溫度 | 超過 72 ℃ | 滾筒過熱 |

　　| 轉速波動 | 超過 ± 5% | 皮帶跑偏 |

　　當任一傳感器監測到超出設定閾值的數 據,系統將立即通過聲光報警(PATLITE LR6302WJNW-R 型報警器)發出聲光信號,聲壓級高 達85 dB,同時紅色閃爍燈亮起?除此之外,系統 集成了GSM 模塊,能夠通過短信和郵件的方式, 自動向現場技術人員和管理人員發送報警信息,詳 細說明故障發生時間?類型以及異常數據?這一信 息通過內置的SMTP 郵件服務器和GSM 短信網關 傳送,確保即便技術人員不在現場,也能及時收到 故障通知?

　　3.3.3 自動響應與保護

　　報警系統不僅能夠發出警告,還具備自動響應 功能?當檢測到嚴重故障(如溫度超過120 ℃或 滾筒停止轉動),系統會通過PLC(Programmable Logic Controller)自動發送停機指令,確保設備在 故障發生后能立即停機,避免造成更大的設備損傷 和生產中斷?PLC系統采用Siemens S7-1200系列, 能夠在0.5 s 內完成故障檢測和停機指令的發出?

　　3.3.4 實時數據記錄與歷史分析

　　系統設計了實時數據記錄模塊,所有報警事件 和設備運行數據都會記錄在SQLite 數據庫中?數據 庫能夠保存至少一年的歷史數據,并通過定期備份 確保數據的安全?操作人員可以通過HMI 界面對 歷史數據進行查詢和分析,系統還支持數據的導出 功能,方便進一步的故障分析和報告生成?

　　為便于后續故障分析,系統自動生成故障日志,每條日志包含故障發生時間?故障類型?響應措施和恢復時間等信息。結合SCADA 平臺,操作人員能夠根據這些數據進行故障趨勢分析,調整設備維護計劃,優化報警閾值設置。

　　4 應用效果分析

　　為驗證滾筒故障實時監測系統的應用效果,在 山西潞安集團余吾礦中進行了為期6 個月的實際運行測試,全面測試系統在復雜工業環境 下的監控與故障檢測能力,驗證系統是否能在高負 荷?惡劣環境下表現出穩定性和高效性?

　　在應用過程中,通過系統集成的SCADA 平臺 與HMI 界面,實時采集并處理各類傳感器數據,保證了對滾筒設備關鍵運狀態的全方位監測。在6 個月的監測過程中,系統通過FFT 對振動數據進行頻譜分析,提取2~4 kHz 的頻域特征信號,共識別出3 次滾筒振動異常,揭示了滾筒軸承早期磨損的跡象?在溫度監測方面, PT100 溫度傳感器能夠記錄到滾筒溫度在短時間內 上升至102 ℃的情況,且系統通過ANN 進行數據 綜合分析,判斷出了滾筒過熱故障?故障觸發后,系統及時發出報警,并通過自動停機機制成功避免了進一步的設備損壞。

　　為評估系統的故障檢測準確性和實時性,統計 了系統在運行期間檢測到的故障類型?故障次數以 及響應時間,并與人工巡檢結果進行了對比?其中, 系統會自動在識別出故障時記錄每次故障的類型以 及檢測到的次數,響應時間通過系統內置的計時功 能得到?人工巡檢結果則是通過派遣技術人 員定期或在收到系統警報時對輸送機設備進行現場 檢查和數據記錄得到。

　　表2 系統應用效果

　　| 故障類型 | 檢測 次數 | 實際故 障次數 | 誤報 次數 | 檢測 準確率 /% | 平均響 應時間 /s |

　　| 軸承磨損 | 7 | 6 | 1 | 85.7 | 0.7 |

　　| 皮帶跑偏 | 5 | 5 | 0 | 100.0 | 0.6 |

　　| 滾筒過熱 | 4 | 3 | 1 | 75.0 | 0.9 |

　　| 其他小故障 | 3 | 2 | 1 | 66.7 | 1.1 |

　　| 總計 | 19 | 16 | 3 | 平均 81.9 | 平均 0.8 |

　　對比檢測結果后發現,系統的報警和響應功能 表現出色。在測試的6 個月內,系統共檢測到19 次潛在故障事件,其中16 次被確認是真實故障, 有3 次為誤報。系統故障診斷的整體準確率能夠達 到81.9%,同時系統平均響應時間為0.8 s。

　　5 結語

　　研究設計了一個帶式輸送機滾筒故障智能化實時監測 系統,并在山西余吾礦完成為期6個月的現場試運行。測試結果表明,該系統運行穩定,故障檢測準確率達81.9%,平均故障響應時間僅0.8 s。該系統可有效彌補傳統人工巡檢、離線監測的短板,能夠快速識別軸承磨損、皮帶跑偏、滾筒過熱等典型故障。后續可繼續優化智能算法,進一步提升檢測精度與環境適應性,為各類工業輸送設備的智能運維提供參考。

　　參考文獻

　　[1] 王星. 煤礦帶式輸送機常見故障問題與處理探討 [J]. 西部探礦工程,2024,36(07):176-178.

　　[2] 苗長云,孫丹丹. 基于改進YOLOv5s 的帶式輸送機滾筒故障檢測研究[J]. 工礦自動化,2023,49 (07):41-48.

　　[3] 孫丹丹. 基于機器視覺的帶式輸送機滾筒故障檢 測技術研究[D]. 天津:天津工業大學,2023.

　　[4] 齊濱. 煤礦帶式輸送機滾筒故障檢測系統的設計 及應用[J]. 機械管理開發,2023,38(08): 170-172.

　　[5] 武恩光. 帶式輸送機滾筒軸承故障預警系統研 究[J]. 機械管理開發,2024,39(07):235-236+239.