一种基于电振信号融合的矿山电铲传动系统预测性维护方法及系统与流程
本发明属于设备故障预测与健康管理(phm)及工业物联网,具体涉及一种基于电振信号融合的矿山电铲传动系统预测性维护方法及系统。
背景技术:
1、矿山电铲是露天采矿的核心装载设备,其提升传动系统长期 处于重载、强冲击、工况瞬变的极端恶劣环境下运行,是设备故障的 高发区。传统的维护模式(如计划性检修、事后维修)和单一维度的状态监测技术(如仅振动分析或仅电机电流分析),在应用于此特定场景时面临根本性挑战,主要源于现有技术方案未能适配电铲传动系统的特殊工况:
2、一是重载强冲击导致信号畸变与假性劣化频发。电铲挖掘过程中,铲斗遇到大块物料或爆破不彻底的岩体时,传动系统会承受瞬时巨大的转矩冲击,导致电机电流信号产生严重的非平稳畸变,常规的总谐波畸变率thd等低次谐波指标因负载波动而产生与真实故障无关 的大幅震荡;同时振动信号中充斥着由载荷冲击而非部件损伤产生的 “伪冲击”成分,使得峭度等传统冲击指标频繁误报。现有面向稳态工况设计的融合方法(如基于小波包能量熵或卷积神经网络的端到端融合)缺乏针对强冲击工况的抗干扰机制,直接移植不仅无法降低误报,反而会因载荷冲击与真实故障特征的混淆导致误诊率飙升。
3、二是频繁正反转与间歇性堵转导致特征时间不对齐。电铲完成一次挖掘循环通常仅需30-45秒,期间经历空斗下降、挖掘切入、重载提升、回转卸料等多个阶段,传动系统频繁经历启停、正反转甚至堵转。这一特性使得电流信号(反映电磁转矩变化)与振动信号(反映机械冲击响应)对同一故障事件的激励与响应存在物理时延(约0.5-2ms), 若不做精确时域对齐,多源信息融合将失去物理基础,导致融合结果失真。
4、三是电机与减速箱刚性直连导致故障模式强耦合。电铲提升电机与减速箱之间通常为刚性机械连接,无缓冲环节。当齿轮出现点蚀或轴承出现磨损时,微小机械阻抗变化会直接通过转轴反馈至电机气隙磁场,引起电流谐波畸变;反之,电机电磁故障引起的转矩脉动也会加剧齿轮啮合冲击。这种“电-机强耦合”特性使得单一信号源的早期故障特征极其微弱,极易被正常运行的强信号淹没。现有通用融合方法多侧重后端算法优化,未针对该物理机制设计特征层融合策略,导致早期故障辨识灵敏度不足。
5、四是设备分散部署导致数据传输与实时分析受限。大型露天矿山通常部署数十台电铲,设备位置分散且处于移动作业中。若采用将所有原始高频电流、振动波形数据上传至云端的集中处理模式,现有工业无线网络带宽根本无法支撑,导致方案难以规模化落地。
6、此外,在电铲故障诊断领域,本领域技术人员普遍存在一种技术偏见: 认为强冲击载荷下的谐波畸变无法用于故障诊断,因为冲击本身会造成功率的剧烈波动,传统上都优先选取时域特征或低次谐波,从而形成了“高次谐波不适用于冲击工况”的固有认知。
7、综上所述,现有技术方案在直接应用于矿山电铲传动系统时,会因上述特殊工况而面临信号失效、融合失准、实施困难等问题。因此,亟需一种能够从根本上适配这些特殊工况,实现可靠、精准、可 工程化部署的预测性维护方法及系统。
技术实现思路
1、为了克服上述背景技术中指出的、现有技术因无法适应矿山电铲传动系统特殊工况而导致的诸多适用性困境,本发明提供一种基于电振信号融合的矿山电铲传动系统预测性维护方法及系统,不仅进行多源信号融合,更关键的是依据电铲传动系统特有的“重载强冲击、快变循环、电-机强耦合、分散部署”等工况特点,设计了一套从信号处理、特征选择、融合策略到系统架构的完整针对性解决方案,以从根本上解决传统方法的被动性与不适用性,推动运维模式向智能化预测性维护跃升。
2、一种基于电振信号融合的矿山电铲传动系统预测性维护方法,所述方法包括步骤:
3、h1.以微秒级时间戳精度同步采集矿山电铲提升电机的三相电流信号与其传动系统关键监测点的振动加速度信号;
4、h2.对所述三相电流信号进行处理,得到电流谱特征向量,对所述振动加速度信号进行处理,得到振动应力波特征向量;
5、h3.将所述电流谱特征向量与所述振动应力波特征向量进行拼接,得到联合特征向量;
6、h4.将所述联合特征向量输入预训练的健康评估模型,输出表征传动系统实时健康状态的连续健康指数hi;
7、h5.根据所述连续健康指数生成预测性维护决策。
8、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述h2包括:
9、h2.1.对所述三相电流信号进行克拉克-帕克变换得到交轴转矩电流分量,对该分量进行频谱分析,剔除受载荷波动影响显著的 3 次及以下低次谐波,计算4次及以上谐波的总畸变率,并提取 5 次谐波幅值与基波幅值的比值、7次谐波幅值与基波幅值的比值,组成电流谱特征向量;其中所述5次、7 次谐波对电机及负载电磁不对称性敏感,对纯载荷波动鲁棒;
10、h2.2.振动应力波特征提取:对所述振动加速度信号进行高通滤波,提取滤波后信号的时域峰值、峭度;并对滤波后信号进行包络解调得到包络信号,对包络信号进行频谱分析,提取轴承故障特征频率处的幅值,组成振动应力波特征向量。
11、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述连续健康指数 hi的取值范围为0-100。
12、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述 h2.1中所述q 轴转矩电流分量的提取方式为:先通过克拉克变换将三相静止坐标系下的电流转换为两相静止坐标系下的电流,再通过帕克变换将两相静止坐标系下的电流转换为同步旋转坐标系下的交轴电流;该分量直接对应电机输出电磁转矩,与传动系统机械转矩波动存在物理映射关系。
13、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述h2.2中轴承故障特征频率通过公式 bpfi= (z/2) * (n/60) * (1+(d/d) * cosα) 计算,其中z为轴承滚子数,n 为轴转速,d为滚子直径,d 为轴承节圆直径,α为滚子接触角。
14、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述健康评估模型为基于梯度提升决策树的回归模型,训练样本为同型号电铲在不同健康状态下的联合特征向量及对应的人工标注的健康指数标签,覆盖健康、早期点蚀、中度磨损和严重失效多种状态。
15、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述h5具体包括:h5.1.基于所述 hi 的历史时序数据进行分析:采用5点中位数对连续健康指数进行滤波消除瞬时波动后,判断是否满足连续5个采样周期内连续健康指数单调下降且累计降幅≥5%,若满足则触发相应等级的预警;并同时将滤波后的连续健康指数序列采用线性最小二乘拟合得到退化速率,外推至预设维修阈值,预测提升系统关键部件,如齿轮、轴承的剩余使用寿命;
16、h5.2.根据预警信息、剩余使用寿命预测结果及备件库存情况,生成预测性维护决策。
17、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述预测性维护决策包括维修优先级、窗口期和备件更换建议。
18、如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述累计降幅的计算公式为((首个滤波hi-末个滤波hi)/首个滤波hi)×100%。
19、本发明还提供了一种基于电振信号融合的矿山电铲传动系统预测性维护系统,所述系统用于实现所述的方法,包括如下模块:
20、感知与采集模块,包括至少一个三相电流传感器和至少一个振动加速度传感器,用于以微秒级时间戳精度同步采集矿山电铲提升电机的三相电流信号与其传动系统关键监测点的振动加速度信号;
21、边缘智能计算模块,与所述感知与采集模块通信连接,用于对所述三相电流信号进行处理,得到电流谱特征向量,对所述振动加速度信号进行处理,得到振动应力波特征向量,将所述电流谱特征向量与所述振动应力波特征向量进行拼接,得到联合特征向量并输出;
22、云端数据分析与决策模块,与所述边缘智能计算模块通信连接,用于将接收到的所述联合特征向量采用预训练的健康评估模型进行训练,得到表征传动系统实时健康状态的连续健康指数,根据健康指数得到健康评估结果、预警信息、预测结果及维护决策;
23、人机交互与展示模块,与所述云端数据分析与决策模块通信连接用于对健康评估结果、预警信息、预测结果及维护决策进行可视化展示与交互。
24、本发明的有益效果
25、本发明通过电振信号融合与智能分析,有效克服了背景技术中所述单一信号监测方案在早期故障下信号微弱、特异性不足的缺陷,以及传统维护模式的被动性问题,实现了以下有益效果:
26、1)基于多源信息融合的早期故障感知能力: 通过对电机电流与机械振动信号进行融合分析,实现了从电气和机械两个物理维度对故障征兆的交叉验证与互补增强。这直接克服了背景技术中单一信号源在早期故障下信号微弱或特异性不足的缺陷,从而显著提升了齿轮点蚀、轴承磨损等早期隐性故障的检测灵敏度与可靠性,实现了故障的“早发现”。
27、2)基于融合特征的智能评估与精准诊断能力: 将电流谱特征与振动应力波特征融合形成的联合特征向量,为机器学习模型提供了更全面、互补的信息维度。模型通过对这些融合后的深度特征进行学习,能够更有效地区分正常工况波动与真实的早期故障萌芽,并对故障类型进行更精准的初步识别,从而大幅降低了误报率,实现了设备健康状态的“准判断”。
28、3)基于趋势预测的决策前瞻性: 不仅关注当前状态,更注重健康评估指数的历史变化趋势,通过趋势外推与退化建模,能够预测部件剩余使用寿命,为制定经济、科学的维修计划提供了直接依据,实现了维护的“早规划”。
29、4)系统架构先进,实用性强: 所述方法逻辑清晰,对应的系统可采用“边缘侧特征提取与融合+云端智能分析与决策”的协同架构对现有设备改造兼容性好,数据传输带宽需求低,同时具备强大的分析与预警能力,具有良好的工程应用与推广价值。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com