信息融合技术在托辊轴承故障诊断中的应用

韩涛，胡英贝，张蕾，张文涛，徐振宇

(洛阳轴研科技股份有限公司，河南 洛阳 471039)

由于矿井的环境条件差，输送机用托辊轴承内很容易进入粉尘，造成轴承非正常振动，转动不灵活，导致轴承损坏直至卡死，此时输送胶带则在托辊表面持续摩擦，使托辊积累大量的热量，停车后静止不动的胶带与卡死的高温托辊持续接触，从而烤燃胶带，易引发火灾。

温度监测是对托辊轴承的主要诊断手段，由于托辊轴承在损坏前一直转动，其表面温度难以直接测量。而托辊轴不转动且直径较小，利于表面温度向托辊轴上传递，所以将温度传感器安装在托辊轴端[1]，通过轴的温度判断托辊轴承是否出现故障，但实际使用中往往不能及时准确地反应轴承情况。基于此，选用信息融合方法监测托辊轴承的各项参数，达到对托辊轴承进行融合诊断的目的。

1 基于D-S证据理论的信息融合方法

信息融合诊断系统采用多个传感器，从多方面探测系统的物理量，对多源的信息和数据进行分级处理，可精确及时地判断出系统的状态，并给出系统故障状态现象及其原因[2]。

1.1 D-S证据理论

在故障诊断问题中，将各种可能故障的集合定义为识别框架Θ，故障的每一种症状为证据。2Θ表示Θ的所有子集，其中每一个元素代表关于Θ的一个基元。

1.1.1 基本概率分配函数

设Θ为识别框架，m(X)以[0,1]区间上一个值来赋予2Θ中每一个元素，即：2Θ→[0,1]满足m(Φ)=0且∑X∈2Θm(X)=1。其作用是把Θ中任意一个子集映射为[0，1]上的一个数m(X)，m(X)称为基本概率分配函数，表示对X的精确信任程度，其凭经验给出或根据传感器所得到的数据构造。

1.1.2 信任函数

设Θ为识别框架，Θ上由基本概率分配函数导出的信任函数定义为Bel:2Θ→[0，1]，

Bel(X)=∑Y⊆X,X⊆Θm(Y),

(1)

满足：Bel(Θ)=0或Bel(Θ)=1 。信任函数作为信任区间的下限，表示对X的全部信任，亦即X中全部子集对应的基本信任分配之和。关于一个命题X只用信任函数来描述还是不够的，因为Bel不能反映怀疑X的程度即相信X的不为真的程度。所以为了全面地进行描述，对X的信任还必须引入若干表示怀疑X的程度的量。

1.1.3 似然函数

设Θ为识别框架，Θ上由基本概率分配函数导出的似然函数定义为Pl:2Θ→[0，1]，

(2)

在证据理论中，可具体表述如下：设a,b∈(0,1)且a

[Bel(X),Pl(X)]=[0,a] 表示有一些证据否定X；

[Bel(X),Pl(X)]=[a,1] 表示有一些证据支持X；

[Bel(X),Pl(X)]=[a,b] 表示有一些证据既支持X又否定X；

[Bel(X),Pl(X)]=[0,1] 表示证据对X一无所知；

[Bel(X),Pl(X)]=[1,0] 表示证据完全相信命题X。

1.2 故障原因分析

由于轴承温度不仅取决于摩擦力的大小，而且与润滑效果有直接关系。所以不但要监视轴温，而且要监视润滑油的油量和温度。另一方面，由于轴承受力还反应在轴的摆度上，故轴承的诊断常辅以机组振动、摆度的监测。托辊轴承故障的主要原因如下：

(1)托辊组径向载荷过大。输送机加料不均匀，造成托辊组振动；转动部分质量不平衡、轴线不对中等。

(2)轴承润滑不良。局部温度升高导致漏油，使得润滑油量变小，润滑不良；轴承密封不严，进入粉尘，影响润滑。

(3)机组安装间隙偏小。一般发生在新托辊组，已运行一段时间的机组可不考虑此问题。

1.3 故障监测及预处理

根据以上分析，主要选择以下监测参数：

(1)托辊轴承处振动。选取振动加速度信号，经小波变换去噪及FFT处理后所得的功率谱为振动信息特征，设振动加速度信号为x1，N为采样长度，则振动加速度信号的功率谱为

(3)

由上式可得到(N-1)/2个特征向量，从应用角度看，特征向量维数过大，需处理的信息量就大，影响运算速度，所以需要进行特征维数压缩。为此，对振动信号在频域中提取能量特征，即将振动信号的功率谱分为若干段，计算每一小段频带的能量，以各段频带能量的集合作为振动信号的特征向量[3]。

(2)托辊轴温度。采用温度变送器监测。

(3)托辊组径向载荷。采用压力变送器监测。

3种参数分别由加速度传感器、温度传感器以及压力传感器测得，并用模糊数学方法进行处理得到各参数的特征向量。托辊轴承故障诊断信息融合结构图如图1所示。

图1 托辊轴承故障诊断信息融合结构图

1.4 故障识别框架的建立

设N1表示故障目标的数目，N2表示传感器数目，Ci(Aj)表示传感器i对故障Aj的相关系数；ai表示i与目标之间的相关系数；bi表示各目标相关系数的分布系数。则传感器的可靠性系数Ri为

(4)

故障目标Aj和不确定性q的mass函数为

(5)

(6)

基于以上分析，可建立托辊轴承故障识别框架：Θ={m1，m2，m3}，其中：m1为托辊组径向载荷过大，m2为轴温过高，m3为润滑故障。设Bel1,Bel2,Bel3为论域上3个独立证据的信任函数，在同一识别框架下，来自3个证据源的信任分配函数为m1(X),m2(Y)和m3(Z)，其中的子集元素为X1,X2，…，Xk；Y1，Y2，…Yl和Z1,Z2,…,Zq。

2 示例分析

某煤矿3#输送机于2008年改造时安装了实时监控系统，对输送机的一些运行参数进行监测及数据存储，但并未安装分析与数据融合系统。由于此输送机回程段煤粉长期积累，机尾第二组下托辊卡死，温度持续升高，停机后输送带经过与机尾高温托辊接触而烤熔，造成扭曲变形，开机后便出现跑偏等故障，被迫停机，对生产造成很大的影响。现将跑偏前可能引起轴承故障的参数进行特征提取和分析，各参数经过预处理并利用上述识别框架进行融合处理[4-5]。

利用加速度传感器、温度传感器和压力传感器分别测出的数据构造mass函数，对于同类传感器所测数据采用平均加权法进行融合处理，得到接近真值的测量值，对于异类传感器所测得的信息用最小二乘法进行融合处理。经过特征提取后得到各诊断目标的mass函数及融合诊断结果，见表1和表2。

表1 3类传感器数据处理后所得的信任函数值及诊断结果

选择Bel(X)>0.5，且m(q)<0.1作为判断是否存在故障的决策条件,若m(q)>0.1则不能判断是否存在故障决策条件[4]。

由表1中数据可以看出，m(q)均较大无法确定故障，各传感器监测的参数利用(3)式预处理后，再利用(5)～(6)式得到各传感器A1i,A2j,A3k对各故障目标A1,A2,A3和不确定性q的mass函数，然后将所得的各mass函数按Dempster-Shafer融合规则进行融合，确定新的mass函数,再利用(1)～(2)式计算出信任区间以及m(q)判断是否满足决策条件，从而给出融合诊断结果，即表2中的数据。

表2 融合处理后所得的各诊断目标的信任区间及融合诊断结果

由表1、表2的数据可以得出，由单一传感器提取出的数据不能确定托辊轴承是否处于故障状态，经过融合处理的结果表明故障原因是轴温过高，托辊轴承已磨损破坏，这与造成事故的原因一致。

3 结束语

将多传感器信息融合方法引入托辊轴承故障诊断中，采用多传感器系统综合监测托辊轴承振动、温度和润滑，用Dempster-Shafer证据理论进行融合，实现了对托辊轴承的融合诊断，为信息融合技术在输送机托辊轴承故障诊断中的应用提供借鉴。