带式输送机在港口煤炭转运过程中扮演着极为重要的角色,带式输送机长期处于高负载的连续运输状态,经常出现托辊卡死、皮带撕裂、滚筒损坏等故障。目前,主要采用单一传感器检测带式输送机的故障信息,而单一传感器在信息采集过程中存在模糊性、不全面性和精确性低等问题。针对这一问题,本文选择采用多传感器信息融合技术进行带式输送机故障诊断研究。论文的主要研究内容如下:通过分析带式输送机的常见故障,选用声音传感器和红外热成像仪两种类型的传感器,对实际运行情况下的带式输送机进行信息采集。根据采集到的声音信号和红外图像的特点,设计了一款基于多信息融合的带式输送机故障诊断系统,采用Lab VIEW软件接收和处理信息,利用Lab VIEW调用MATLAB编程软件的方式,实现多源故障信息的处理。以现场采集的带式输送机不同运行状态的声音信号和红外图像作为分析基础。由于采集到的声音信号中会含有大小不一的噪声,采用操作简单、效果理想的能熵比改进Boll谱减法对声音信号进行降噪处理。随后选择小波包分解算法对降噪后的声音信号进行能量谱分析,并以各子频带的能量作为检测特征向量。针对红外图像在成像和传输过程中会被噪声污染的问题,通过分析传统中值滤波和自适应中值滤波的不足之处,选择了一种改进均值的自适应滤波算法对红外图像进行降噪处理。其次对降噪后的红外图像进行目标分割,根据带式输送机红外图像的特点,提出了显著区域目标分割法与边缘检测算法相结合的目标分割算法,有效地将带式输送机的故障部位轮廓分割出来。为满足故障诊断系统对实时性要求,采用计算量少的Hu不变矩提取故障区域的形状特征,并以Hu矩构建的七个不变矩作为检测特征向量。采用VNWOA-BP神经网络与改进的D-S证据伦理相结合的方式构建带式输送机信息融合故障诊断模型。针对BP神经网络的局限性,提出冯诺依曼鲸鱼算法进行BP神经网络的优化,建立VNWOA-BP神经网络模型,对带式输送机进行故障诊断,通过分析实验结果,验证VNWOA-BP神经网络对故障诊断方式的有效性。针对传统D-S证据理论合成规则的不足之处,采用邓勇合成规则改进D-S证据理论,通过对VNWOA-BP神经网络的输出向量进行决策层融合实验。获得带式输送机故障诊断的最终结果。分析实验结果可知,多信息融合故障诊断模型可有效提高故障诊断的准确率,增强了故障诊断系统的可靠性。根据以上研究,对带式输送机故障诊断系统流程进行梳理,通过对带式输送机故障诊断实例的分析可知,多信息融合带式输送机故障诊断系统是有效可行的。