Fault detection method for belt conveyor roller
-
摘要: 针对现有带式输送机托辊故障检测方法采用接触式测量、不便于安装操作、不适合于井下大范围故障检测等问题，提出了一种基于小波去噪和BP-RBF神经网络的托辊故障检测方法。采集托辊运行时的音频信号，采用结合了软阈值法和硬阈值法的折中法对音频信号进行小波去噪处理；将每一层小波分解信号的能量和作为该层的特征值，通过处理系数对低频部分的特征值进行转换，以减小其在总能量中的占比，使故障特征更加明显；将提取的特征向量输入BP-RBF神经网络模型中进行故障检测。测试结果表明，对于正常托辊信号、托辊表面存在裂痕、托辊表面磨损3种情况，该方法的故障识别率达到96.7%。与传统的频谱分析诊断技术相比，该方法所需的工作量更少、准确率更高；相较于基于温度检测等的故障检测技术，该方法采用非接触安装方式，安装更方便，检测范围更大，具有良好的应用前景。Abstract: In view of problems that existing fault detection methods for belt conveyor roller use contact measurement, are not easy to install and operate, and are not suitable for underground large-scale fault detection, a roller fault detection method based on wavelet denoising and BP-RBF neural network is proposed. Audio signal during the operation of the roller is collected and denoised by a compromise method which combines soft threshold method and hard threshold method; energy sum of the wavelet decomposition signal of each layer is used as feature value of the layer, and low-frequency feature values are converted by processing coefficients to reduce their proportion in the total energy and make the fault feature more obvious;the extracted feature vectors are input into BP-RBF neural network model for fault detection. The test results show that fault recognition rate of the method reaches 96.7% for three cases of normal roller signal, crack failure on the roller surface, and wear failure on the roller surface. Compared with the traditional spectrum analysis and diagnosis technology, the proposed method requires less workload and has higher accuracy; compared with fault detection technologies based on temperature detection and other technologies, the proposed method uses a non-contact installation method, which is more convenient to install and has larger detection range and good application prospect.
-
-
期刊类型引用(25)
1. 陈成, 袁野, 孙运良, 于清新, 付洪武. 基于傅里叶变换对胶带机托辊异常识别. 电工技术. 2025(10) 
百度学术
2. 邢震，田野新，包建军，齐智峰，周李兵，叶柏松，张蓉. 带式输送机托辊故障诊断及协同管控研究综述. 工矿自动化. 2025(03): 39-53 . 本站查看
3. 李占利，胡长斌，靳红梅. 基于视频的托辊异常检测方法研究. 计算机应用与软件. 2024(07): 93-99 . 百度学术
4. 纪文轩. 基于VGG-19的带式输送机滚动轴承故障模型分析与应用. 机械管理开发. 2024(06): 119-120+123 . 百度学术
5. 吴波. 矿用带式输送机托辊的改进设计及结果验证. 机械管理开发. 2024(07): 173-174+177 . 百度学术
6. 段树深. 基于ROI边缘图像直线特征的井下带式输送机跑偏故障检测方法. 中国矿业. 2024(10): 162-167 . 百度学术
7. 宁少慧，张少鹏，段攀龙，邓功也，杜越. 带式输送机智能托辊设计与仿真. 起重运输机械. 2024(24): 38-43+90 . 百度学术
8. 董瑞佳. 基于迁移学习和DenseNet的带式输送机托辊故障检测方法. 煤炭技术. 2023(01): 250-252 . 百度学术
9. 赵初峰. 基于音频分析技术的矿井带式输送机托辊故障诊断系统研究. 煤炭技术. 2023(02): 200-202 . 百度学术
10. 武国平. 带式输送机托辊故障检测方法. 工矿自动化. 2023(02): 149-156 . 本站查看
11. 阮顺领，阮炎康，卢才武，顾清华. 基于红外图像的矿石传送带托辊异常检测. 黄金科学技术. 2023(01): 123-132 . 百度学术
12. 高波，袁媛，岳伟，张鑫增. 基于机器学习的托辊故障等级评价模型研究. 物流科技. 2023(13): 32-35 . 百度学术
13. 寇金成. 基于数据驱动的胶带机托辊故障诊断技术应用试验. 机械研究与应用. 2023(03): 136-139 . 百度学术
14. 杨春雨，曹博仕，张鑫，姬明君. 带式输送机系统故障诊断方法综述. 工矿自动化. 2023(06): 149-158 . 本站查看
15. 苗长云，郭盈辉，刘意. 基于机器视觉的带式输送机托辊故障检测. 天津工业大学学报. 2023(03): 56-63 . 百度学术
16. 郭洁，井庆贺，闫寿庆，王鑫，谢苗，吴意兵. 基于MFCC声音特征信号提取的托辊故障诊断. 中国安全科学学报. 2023(S2): 116-121 . 百度学术
17. 华守彤，张闻中，陈逸，唐玮骏. 皮带机托辊故障异响监测及故障点定位技术研究与应用. 制造业自动化. 2022(02): 217-220 . 百度学术
18. 尚鹏. 矿用带式输送机托辊故障检测方法研究. 机械管理开发. 2022(05): 136-138 . 百度学术
19. 齐晓菲，赵东，李军垒，林战川. 轨道式智能巡检机器人的研究与应用. 煤炭科技. 2022(03): 144-148 . 百度学术
20. 吴文臻，程继明，李标. 矿用带式输送机托辊音频故障诊断方法. 工矿自动化. 2022(09): 25-32 . 本站查看
21. 孟娜娜，钟鹏程，雷超，江帆，杨龙，李柱江. 基于功能分析的带式输送机自动巡检机器人设计. 煤炭科学技术. 2022(08): 227-235 . 百度学术
22. 梁占泽. 矿用带式输送机巡检机器人驱动系统设计. 工矿自动化. 2021(04): 108-112 . 本站查看
23. 孙建福，王正强，李宁. 货运火车车厢余煤清扫机器人吸风量智能调控方法研究. 矿业安全与环保. 2021(05): 64-68 . 百度学术
24. 黄磊，李慧，张媛. 基于小波网络的机械设备故障自动化检测方法. 制造业自动化. 2021(12): 24-27 . 百度学术
25. 焦贺彬. 煤矿带式输送机智能化安全监测系统研究. 煤矿机械. 2020(10): 182-185 . 百度学术
其他类型引用(17)
下载:
