Fault Diagnosis Method of Belt Conveyor Roller Bearings Based on NSST4-SVD-DBN

doi:10.3969/j.issn.1004-132X.2026.03.015

Abstract

Abstract:

Aiming at the problems of difficulty in extracting feature information generated by belt conveyor roller bearing faults， as well as low accuracy and poor robustness of fault diagnosis and identification， NSST4， SVD and DBN methods were combined to propose a suitable method for belt conveyor roller bearing acoustic signal fault diagnosis. Firstly， sequential variational mode decomposition （SVMD） was used to process the acoustic signals to enhance the recognizability of fault features. Second， the processed one-dimensional signals were converted to a two-dimensional time-frequency matrix by NSST4， which was used as the inputs of the feature matrix. Subsequently， the feature matrix was downsized using SVD technique to extract the key singular value vectors that might characterize the status of the roll bearings. These singular value vectors were then input into DBN， and the DBN core parameters were optimized by the improved sparrow search algorithm （ISSA） to improve the recognition performance of the model. Finally， in order to further validate the effectiveness of the proposed method， it was tested by simulated fault experiments and field experiments. In the simulated fault experiments of the roller bearings， the accuracy rate of the proposed method reaches 97.91%. Compared with other 5 methods， the accuracy of the proposed method is the highest， and the mean absolute error （MAE） is the lowest. In the field experiments， the recognition accuracy reaches 96.57%.

Key words: fault diagnosis, acoustic signal, double fourth-order synchronous compression transform （NSST4）, singular value decomposition （SVD）, deep belief network（DBN）

摘要：

针对带式输送机托辊轴承故障所产生的特征信息难以提取，以及故障诊断识别准确率低、鲁棒性差的问题，将二重四阶同步压缩变换（NSST4）、奇异值分解（SVD）与深度置信网络（DBN）相结合，提出一种带式输送机托辊轴承声信号故障诊断方法。利用逐次变分模态分解（SVMD）对声信号进行处理以增强故障特征的可辨识度。通过NSST4将处理后的一维信号转换为二维时频矩阵，并将该矩阵作为特征矩阵输入。采用SVD技术对特征矩阵进行降维处理，提取出能够表征托辊轴承状态的关键奇异值向量。这些奇异值向量随后被输入DBN中，DBN核心参数通过改进的麻雀搜索算法（ISSA）进行优化，以提高模型的识别性能。通过模拟故障实验和现场实验进行了测试，验证了所提方法的有效性。在托辊轴承的模拟故障实验中，所提方法实现了97.91%的准确率。与其他5种方法对比发现，所提方法准确率最高，且平均绝对误差（MAE）最低。在现场实验中，识别准确率可达96.57%。

关键词: 故障诊断, 声信号, 二重四阶同步压缩变换, 奇异值分解, 深度置信网络

CLC Number:

TP133.3

HU Kun, CHEN Zhuo, HAN Xin, JIANG Hao, NIU Jie. Fault Diagnosis Method of Belt Conveyor Roller Bearings Based on NSST4-SVD-DBN[J]. China Mechanical Engineering, 2026, 37(3): 656-667.

胡坤, 陈卓, 韩信, 蒋浩, 牛杰. 基于NSST4-SVD-DBN的带式输送机托辊轴承故障诊断方法[J]. 中国机械工程, 2026, 37(3): 656-667.

Figures/Tables 26

Fig.1 Lens learning

Fig.2 ISSA-DBN flow chart

Fig.3 Algorithm flow chart

Fig.4 Time-domain waveform of the signal

Fig.5 Frequency spectrum of the signal

Fig.6 TFA diagram and local amplification diagram

Fig.7 Rényi entropy of TFA under different SNR

Fig.8 Roller simulation test bench

Tab.1 Dataset construction

工况	带速/ （m·s^-1）	内圈故障		外圈故障		滚动体故障		正常
工况	带速/ （m·s^-1）	训练集	测试集	训练集	测试集	训练集	测试集	训练集	测试集
A	1.0	30	20	30	20	30	20	30	20
B	1.5	30	20	30	20	30	20	30	20
C	2.0	30	20	30	20	30	20	30	20

Fig.9 Comparison diagram before and after signal reconstruction

Fig.10 TFA comparison diagram （simulation test）

Fig.11 Rényi entropy of typical signal TFA

Fig.12 Typical signal SVD decomposition results （simulation test）

Fig.13 Optimisation curves for different population sizes

Tab.2 Variation of DBN recognition performance with different number of hidden layer nodes

隐含层数节点数	准确率/%	MAE
30-16-8	94.85	0.073
64-32-16	96.10	0.060
128-64-32	97.25	0.046
256-128-64	97.20	0.050
400-200-100	96.05	0.058

Fig.14 DBN parameter optimization curve （simulation test）

Tab.3 DBN parameter optimization results （simulation test）

参数	数值
输入层神经元数目	21
输出层神经元数目	4
RBM 层数	3
每层 RBM 迭代次数	30
第一层隐藏神经元数目	185
第二层隐藏神经元数目	75
第三层隐藏神经元数目	144
DBN学习率	0.0023

Fig.15 DBN diagnosis result （simulation test）

Tab.4 Comparison of different methods

诊断模型	错误数	正常	内圈	外圈	滚动体	测试精度/%	MAE
NSST4+SVD+SSA+DBN	8	2	3	3	2	96.67	0.061
SST4+SVD+ISSA+DBN	13	0	4	3	3	94.58	0.124
MFCC+DBN	15	3	5	6	4	93.75	0.162
NSST4+SVD+SVM	10	2	3	3	2	95.83	0.157
NSST4+SVD+BP	12	2	4	4	2	95	0.176
本文方法	5	0	2	3	0	97.91	0.042

Fig.16 Field test

Fig.17 Time-frequency analysis comparison diagram （field test）

Fig.18 Typical signal SVD decomposition （field test）

Fig.19 DBN parameter optimization （field test）

Tab.5 DBN parameter optimization results （field test）

参数	数值
输入层神经元数目	28
输出层神经元数目	4
RBM层数	3
每层RBM迭代次数	30
第一层隐藏神经元数目	220
第二层隐藏神经元数目	110
第三层隐藏神经元数目	155
DBN学习率	0.0015

Fig.20 DBN diagnosis result （field test）

Fig.21 Model diagnosis results under different noise environments

References 27

[1]	周坪，马国庆，周公博，等. 智能化带式输送机健康监测技术研究综述［J］. 仪器仪表学报， 2023， 44（12）： 1-21.
	ZHOU Ping， MA Guoqing， ZHOU Gongbo， et al. Health Monitoring Technology for the Intelligent Belt Conveyor： a Review［J］. Chinese Journal of Scientific Instrument， 2023， 44（12）： 1-21.
[2]	王海军，王洪磊. 带式输送机智能化关键技术现状与展望［J］. 煤炭科学技术， 2022， 50（12）： 225-239.
	WANG Haijun， WANG Honglei. Status and Prospect of Intelligent Key Technologies of Belt Conveyor［J］. Coal Science and Technology， 2022， 50（12）： 225-239.
[3]	LIN Nanying， ZHANG Xiangzhen， YAN Shengming，et al. The Structure and Performance Analysis of Ejector Dust-removing Nozzle［J］. Fluid Machinery，1998，26（12）：28-30.
[4]	冯思茜，王家序，张新，等. 基于共振解调新方法的滚动轴承故障诊断［J］. 中国机械工程， 2025， 36（9）： 2022-2031.
	FENG Siqian， WANG Jiaxu， ZHANG Xin， et al. Rolling Bearing Fault Diagnosis Using a New Resonance Demodulation Method［J］. China Mechanical Engineering， 2025， 36（9）： 2022-2031.
[5]	郭砚秋，苗长云，刘意. 基于热红外图像的带式输送机托辊故障检测研究［J］. 工矿自动化， 2023， 49（10）： 52-60.
	GUO Yanqiu， MIAO Changyun， LIU Yi. Research on Fault Detection of Belt Conveyor Roller Based on Thermal Infrared Image［J］. Industry and Mine Automation， 2023， 49（10）： 52-60.
[6]	PENG Chen， LI Zhipeng， YANG Minjing， et al. An Audio-based Intelligent Fault Diagnosis Method for Belt Conveyor Rollers in Sand Carrier［J］. Control Engineering Practice， 2020， 105： 104650.
[7]	陈剑，严明辉，陈品. 基于贝叶斯优化多尺度DenseNet的离心泵声信号故障诊断方法［J］. 中国机械工程， 2025， 36（9）： 2032-2038.
	CHEN Jian， YAN Minghui， CHEN Pin. Acoustic Signal Fault Diagnosis Method of Centrifugal Pumps Based on Bayesian Optimization Multiscale DenseNet［J］. China Mechanical Engineering， 2025， 36（9）： 2032-2038.
[8]	王金瑞，季珊珊，张宗振，等. 并行稀疏滤波在轴承声信号下的故障诊断［J］. 航空学报， 2023， 44（4）： 288-298.
	WANG Jinrui， JI Shanshan， ZHANG Zongzhen， et al. Parallel Sparse Filtering for Fault Diagnosis under Bearing Acoustic Signal［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（4）： 288-298.
[9]	郝旺身，李继康，董辛旻，等. 基于声信号递归Hilbert变换的轴承故障诊断研究［J］. 机床与液压， 2024， 52（4）： 195-199.
	HAO Wangshen， LI Jikang， DONG Xinmin， et al. Research on Bearing Fault Diagnosis Based on Acoustic Signal Recursive Hilbert Transform［J］. Machine Tool & Hydraulics， 2024， 52（4）： 195-199.
[10]	HEMMATI F， ORFALI W， GADALA M S. Roller Bearing Acoustic Signature Extraction by Wavelet Packet Transform， Applications in Fault Detection and Size Estimation［J］. Applied Acoustics， 2016， 104： 101-118.
[11]	赵学智，叶邦彦. 多分辨SVD包理论及其在信号处理中的应用［J］. 电子学报， 2012， 40（10）： 2039-2046.
	ZHAO Xuezhi， YE Bangyan. Multi-resolution SVD Packet Theory and Its Application to Signal Processing［J］. Acta Electronica Sinica， 2012， 40（10）： 2039-2046.
[12]	刘俊锋，董宝营，俞翔，等. 基于FSC-MPE与BP神经网络的滚动轴承故障诊断方法［J］. 中国舰船研究， 2021， 16（6）： 183-190.
	LIU Junfeng， DONG Baoying， YU Xiang， et al. Rolling Bearing Fault Diagnosis Method Based on FSC-MPE and BP Neural Network［J］. Chinese Journal of Ship Research， 2021， 16（6）： 183-190.
[13]	刘运航，宋宇博，朱大鹏. 中心修正投影结合IGWO-SVM的滚动轴承故障分类方法［J］. 振动与冲击， 2023， 42（24）： 267-275.
	LIU Yunhang， SONG Yubo， ZHU Dapeng. A Rolling Bearing Fault Classification Method Based on IGWO-SVM Combined with Center Correction Projection［J］. Journal of Vibration and Shock， 2023， 42（24）： 267-275.
[14]	JIAO Jian， ZHENG Xuejiao. Fault Diagnosis Method for Industrial Robots Based on DBN Joint Information Fusion Technology［J］. Computational Intelligence and Neuroscience， 2022， 2022（1）： 4340817.
[15]	NASKATH J， SIVAKAMASUNDARI G， BEGUM A A S. A Study on Different Deep Learning Algorithms Used in Deep Neural Nets： MLP SOM and DBN［J］. Wireless Personal Communications， 2023， 128（4）： 2913-2936.
[16]	XUE Jiankai， SHEN Bo. A Survey on Sparrow Search Algorithms and Their Applications［J］. International Journal of Systems Science， 2024， 55（4）： 814-832.
[17]	刘帼巾，刘达明，缪建华，等. 基于变分模态分解和改进灰狼算法优化深度置信网络的自动转换开关故障识别［J］. 电工技术学报， 2024， 39（4）： 1221-1233.
	LIU Guojin， LIU Daming， MIAO Jianhua， et al. Fault Identification of Automatic Transfer Switching Equipment Based on VMD-WPE and IGWO Optimized DBN［J］. Transactions of China Electrotechnical Society， 2024， 39（4）： 1221-1233.
[18]	刘杰，付雪娇，孙兴伟. 基于PSO-DBN的风电机组齿轮箱运行状态识别［J］. 传感技术学报， 2023， 36（3）： 434-440.
	LIU Jie， FU Xuejiao， SUN Xingwei. Operating State Identification of Wind Turbine Gearbox Based on PSO-DBN［J］. Chinese Journal of Sensors and Actuators， 2023， 36（3）： 434-440.
[19]	魏东，刘侃，丁荣军，等. 基于多重同步压缩变换的永磁同步电机初期匝间短路故障检测［J］. 电工技术学报， 2022， 37（18）： 4651-4663.
	WEI Dong， LIU Kan， DING Rongjun， et al. A Multi-synchrosqueezing Transformation Based Early Stage Detection of Inter-turn Short Circuit Fault in Permanent Magnet Synchronous Machine［J］. Transactions of China Electrotechnical Society， 2022， 37（18）： 4651-4663.
[20]	郭凤仪，高洪鑫，王智勇，等. 基于ST-SVD-PCA的串联故障电弧特征提取方法［J］. 煤炭学报， 2018， 43（3）： 888-896.
	GUO Fengyi， GAO Hongxin， WANG Zhiyong， et al. Feature Extraction Method of Series Fault Arc Based on ST-SVD-PCA［J］. Journal of China Coal Society， 2018， 43（3）： 888-896.
[21]	张郑武，冯志鹏，陈小旺. 基于高阶同步压缩变换的行星齿轮箱声音信号共振频带特征提取［J］. 工程科学学报， 2020， 42（8）： 1048-1054.
	ZHANG Zhengwu， FENG Zhipeng， CHEN Xiaowang. Acoustic Signal Analysis of the Resonance Frequency Region for Planetary Gearbox Fault Diagnosis Based on High-order Synchrosqueezing Transform［J］. Chinese Journal of Engineering， 2020， 42（8）： 1048-1054.
[22]	DEHGHANI M， TROJOVSKÝ P. Osprey Optimization Algorithm： a New Bio-inspired Metaheuristic Algorithm for Solving Engineering Optimization Problems［J］. Frontiers in Mechanical Engineering， 2023， 8： 1126450.
[23]	陈功，曾国辉，黄勃，等. 融合互利共生和透镜成像学习的HHO算法［J］. 计算机工程与应用， 2022， 58（10）： 76-86.
	CHEN Gong， ZENG Guohui， HUANG Bo， et al. HHO Algorithm Combining Mutualism and Lens Imaging Learning［J］. Computer Engineering and Applications， 2022， 58（10）： 76-86.
[24]	许同乐. 旋转机械故障信号处理与诊断方法［M］. 北京：高等教育出版社， 2020.
	XU Tongle. Methods for Signal Processing and Fault Diagnosis of Rotating Machinery［M］. Beijing： Higher Education Press， 2020.
[25]	任良，甄龙信，赵云，等. 基于SSA-VMD-MCKD的强背景噪声环境下滚动轴承故障诊断［J］. 振动与冲击， 2023， 42（3）： 217-226.
	REN Liang， ZHEN Longxin， ZHAO Yun， et al. Fault Diagnosis of Rolling Bearing under Strong Background Noise Based on SSA-VMD-MCKD［J］. Journal of Vibration and Shock， 2023， 42（3）： 217-226.
[26]	邵思羽. 基于深度学习的旋转机械故障诊断方法研究［D］. 南京：东南大学， 2019.
	SHAO Siyu. Methodologies for Fault Diagnosis of Rotary Machine Based on Deep Learning［D］. Nanjing： Southeast University， 2019.
[27]	陈闯，李先锋，史建涛，等. 基于柔性残差神经网络的滚动轴承智能故障诊断方法［J］. 工程科学学报， 2025， 47（3）： 480-488.
	CHEN Chuang， LI Xianfeng， SHI Jiantao， et al. Intelligent Fault Diagnosis Method for Rolling Bearings Based on Flexible Residual Neural Network［J］. Chinese Journal of Engineering， 2025， 47（3）： 480-488.