基于多源信号融合与BA-SMO的矿山带式输送机故障智能诊断研究
李忠飞1
刘鹏飞1
孙艳辉1
王闯1
谭胜虎1
马双1
张云鹤2
1.内蒙古电投能源股份有限公司北露天煤矿,内蒙古通辽 0280112.中国矿业大学信息与控制工程学院,江苏徐州 221116
摘要：目前矿山带式输送机故障诊断研究主要集中在单一信号检测、传统算法建模、多特征融合3个方向.基于振动、电流等单一信号的诊断方法易出现特征提取偏差、诊断结果可靠性不足等问题;部分优化算法存在参数寻优效率低的问题,且对多故障类型的适配性较差;多特征融合研究缺乏针对性,无法实现多维度信号的互补验证.针对上述问题,提出了一种基于多源信号融合与蝙蝠算法(BA)优化序列最小优化(SMO)算法参数(BA-SMO)的矿山带式输送机故障智能诊断方法.构建了振动-温度-烟雾多源信号协同采集系机制,采用线性趋势去除法与改进卡尔曼滤波完成信号降噪预处理;提出了引入自适应惩罚因子与冗余分量剔除机制的改进变分模态分解(VMD)算法,结合多尺度样本熵实现故障特征的精准量化提取;基于提取的多维度特征向量,构建BA-SMO,通过BA的全局寻优能力优化SMO的核心参数,提升模型的分类精度与环境适应性.实验结果表明:① 改进VMD算法的信噪比达27 dB,均方根误差(RMSE)及平均绝对误差(MAE)稳定在0.08以下,在信号分解精度、效率及故障特征频率匹配度上均有显著优势,能够精准分离矿山带式输送机多类型故障的特征频率.② BA-SMO对各类故障的识别准确率较高,轴承内圈故障的识别准确率接近100％,托辊打滑故障的识别准确率在90％以上.③BA-SM O在低、中、高干扰工况下的平均识别准确率依次为99.2％,97.6％,95.3％,漏判率均低于5％,平均识别耗时仅32.6 ms.现场应用结果表明:在为期3个月的现场应用中,所提方法成功识别轴承内圈点蚀、托辊打滑、滚动体磨损等各类故障,诊断准确率为97.8％,较传统人工巡检方法提升25.3％,有效降低了故障漏判率与误判率.
关键词：带式输送机故障诊断多源信号融合蝙蝠算法优化序列最小优化算法混合核函数BA-SMO
分类号：TD634/67(矿山电工)
资助基金：国家重点研发计划(2021YFC2902702)内蒙古科技规划项目(DR1980040)
论文发表日期：2026-02-28
在线出版日期：2026-04-07（本平台首次上网日期，不代表文献的发表时间）
页数：10( 81-90 )
英文信息