基于声音信号的带式输送机托辊故障检测系统设计与实现

1. 项目背景与核心价值

带式输送机作为现代工业生产中的关键设备，其稳定运行直接影响整个生产线的效率。托辊作为输送机的主要承载部件，长期承受重载、高速运转，故障率居高不下。传统的人工巡检方式存在效率低、漏检率高的问题，特别是在煤矿、水泥厂等恶劣环境下，人工检测更是难上加难。

这套基于声音信号的故障检测系统，通过采集托辊运行时的声音特征，结合信号处理和机器学习算法，实现了托辊故障的自动化诊断。相比振动检测方案，声音信号采集具有非接触式、安装简便、成本低廉的优势。我们团队在实际煤矿场景中测试发现，系统对托辊轴承损坏、密封失效等典型故障的识别准确率达到92%以上，比传统振动传感器方案节省60%的硬件成本。

2. 系统架构设计解析

2.1 硬件采集模块设计

声音采集采用工业级麦克风阵列，采样频率设置为44.1kHz以满足Nyquist定理（托辊故障特征频率通常<10kHz）。考虑到现场环境噪声，我们特别设计了防风防尘的金属网罩，实测可将风噪降低15dB以上。安装位置选择在距离托辊30-50cm处，这个距离既能保证信号强度，又避免了机械碰撞风险。

关键提示：麦克风必须采用全指向型号，因为托辊故障可能发生在任意径向位置。我们测试中发现心形指向麦克风会导致某些角度的信号衰减达40%。

2.2 信号预处理流程

原始声音信号需要经过以下处理环节：

1. 预加重滤波：采用一阶FIR滤波器（系数0.97）补偿高频衰减
2. 分帧加窗：帧长1024点（约23ms），汉明窗重叠率50%
3. 噪声抑制：基于谱减法，噪声模板每10分钟自动更新
4. 包络提取：Hilbert变换获取幅值包络线

matlab复制% 示例代码：信号预处理核心流程
[audio, fs] = audioread('roller.wav');
pre_emp = filter([1 -0.97], 1, audio); 
frames = buffer(pre_emp, 1024, 512);
window = hamming(1024);
windowed = frames .* window';

2.3 特征工程方案

经过对比测试，我们最终选取了以下特征组合：

• 时域特征：过零率、短时能量、峰度系数
• 频域特征：Mel频率倒谱系数（MFC