一种基于振动与电流特征融合的重晶石粉磨设备故障诊断系统的制作方法

本发明属于故障诊断领域，具体是一种基于振动与电流特征融合的重晶石粉磨设备故障诊断系统。

背景技术：

1、晶石粉磨设备是重晶石矿粉制备的核心装备，其工作原理为：物料经给料装置送入主机研磨室，由铲刀将物料铲起并抛入磨辊与磨环之间，磨辊在离心力作用下紧压磨环滚动，对物料进行碾压粉碎，粉碎后的粉料经风选系统分级收集，完成成品制备。该类设备在结构上具有显著的特殊性：它并非单一旋转机械，而是由主机研磨机构、分析机分级机构、风机-管道-旋风收集器构成的风路系统协同工作的复杂系统。这一结构特征决定了其故障机理的复杂性——研磨腔内的物料填充状态、风道是否堵塞、分析机转速变化等，均会通过机械负载和气流压力的变化传导至主机电机，反映在电流与振动信号中，因此需要基于振动与电流特征融合的重晶石粉磨设备故障诊断方案。

2、现有故障诊断方法多依赖振动信号或电流信号等单一信息源。振动信号虽对机械动态响应敏感，但易受周围环境噪声、传感器安装位置及低频干扰的影响；电流信号虽能反映电机与负载状态，但其有效故障特征常被基波、谐波及电噪声淹没。现有融合方法大多将振动与电流视为独立信息源进行特征拼接或决策融合，未充分考虑重晶石粉磨设备中振动与电流信号均受研磨负载过程共同驱动这一物理耦合关系。对于粉磨设备而言，磨辊碾压物料的负载变化会同时改变电机输出转矩和机体振动响应，二者之间存在由研磨力学过程决定的物理耦合关系。同时现有诊断方法对粉磨设备特有的风路系统关注不足。风道堵塞、管道积粉、密封失效等问题会通过气流压力变化传导至主机负载，改变电流与振动的耦合模式，然而，现有融合模型未显式考虑风路系统的动态特性，风路扰动与主机故障在信号层面的混叠导致诊断结果不可靠。

技术实现思路

1、本发明旨在至少解决现有技术中存在的技术问题之一；为此，本发明提出了一种基于振动与电流特征融合的重晶石粉磨设备故障诊断系统，用于解决现有方法多依赖单一信号源，振动易受噪声干扰，电流特征易被淹没；融合方法未考虑振动与电流的物理耦合关系，且未显式考虑风路动态特性，风路扰动与主机故障混叠，导致诊断不可靠的技术问题。

2、为解决上述问题，本发明的第一方面提供了一种基于振动与电流特征融合的重晶石粉磨设备故障诊断系统，包括：

3、信号重构模块：同步采集重晶石粉磨设备运行过程中的主机振动信号、主机电流信号，以及风路状态数据；构建振动信号与电流信号的相关分析模型，通过投影分量构成公共子空间，将原始信号重构为公共研磨状态分量、振动私有故障成分和电流私有故障成分；

4、特征融合模块：基于工况特征向量将振动私有故障成分进行归一化处理，得到归一化振动私有成分；构建基于研磨负载三源叠加物理模型的轻量化融合网络，基于归一化振动私有成分、电流私有故障成分和公共研磨状态分量提取融合特征；

5、故障分类模块：基于融合特征并通过分析电流私有故障成分的低频趋势变化、归一化振动私有成分的高频边带能量比以及振动电流因果关系指标，对故障类型进行分类；

6、风路健康分析模块：通过构建kalman滤波器对风路状态进行在线估计，分析风路健康度指标；

7、诊断维护模块：将归一化后的振动私有成分、故障类型分类和风路健康度指标进行综合评判，得到最终诊断结论。

8、可选地，在上述方面的一个示例中，信号重构模块包括：

9、信号采集单元：同步采集重晶石粉磨设备运行过程中的主机振动信号、主机电流信号，以及风路状态数据，风路状态数据包括风机电流信号及风压信号，并对采集的数据进行滤波去噪与时间对齐预处理；

10、信号重构单元：构建振动信号与电流信号的典型相关分析模型，在研磨负载主频带内施加物理频带约束，求解广义特征值问题得到典型相关系数序列，选取中等相关系数对应的投影分量构成公共子空间，将原始振动信号和原始电流信号重构为三个分量：公共研磨状态分量、振动私有故障成分和电流私有故障成分。

11、可选地，在上述方面的一个示例中，信号重构单元重构公共研磨状态分量、振动私有故障成分和电流私有故障成分，包括以下步骤：

12、基于物理约束的典型相关分析具体包括：

13、构建振动信号矩阵和电流信号矩阵；求解以下广义特征值公式以获取振动投影矩阵和电流投影矩阵；

14、选取典型相关系数处于预设中等区间的投影分量构成公共子空间，预设中等区间的下限和上限根据磨机工作转速下研磨负载主频带的能量分布通过自适应阈值确定，中等相关系数区间对应于研磨负载物理耦合过程的特征相关系数范围；

15、重构公共研磨状态分量、振动私有故障成分和电流私有故障成分。

16、可选地，在上述方面的一个示例中，构建基于研磨负载三源叠加物理模型的轻量化融合网络，基于归一化振动私有成分、电流私有故障成分和公共研磨状态分量提取融合特征，包括以下步骤：

17、构建基于研磨负载三源叠加物理模型的轻量化融合网络包括共享物理参数层、振动残差层和电流残差层，以归一化振动私有成分、电流私有故障成分和公共研磨状态分量三者共同作为输入，经共享物理参数层提取三路输入中的公共负载特征，经振动残差层提取归一化振动私有成分中的振动特有故障特征，经电流残差层提取电流私有故障成分中的电流特有故障特征，将共享物理参数层的输出、振动残差层的输出和电流残差层的输出拼接后得到融合特征。

18、可选地，在上述方面的一个示例中，分析电流私有故障成分的低频趋势变化、归一化振动私有成分的高频边带能量比以及振动电流因果关系指标，包括以下步骤：

19、归一化振动私有成分的高频边带能量比；

20、电流私有故障成分的低频趋势通过对电流私有故障成分进行低通滤波获得；

21、分析归一化振动私有成分与电流私有故障成分之间的振动电流因果关系指标。

22、可选地，在上述方面的一个示例中，对故障类型进行分类，包括以下步骤：

23、基于电流私有故障成分的低频趋势变化、归一化振动私有成分的高频边带能量比以及振动电流因果关系指标；

24、当电流私有故障成分的低频趋势在检测时间段的变化量大于正常阈值范围、且边带能量比处于正常范围、且因果关系指标时，诊断为工艺异常；

25、当电流私有故障成分的低频趋势在检测时间段的变化量小于正常阈值范围、且边带能量比超出正常范围、且因果关系指标时，诊断为机械故障；

26、当电流私有故障成分的低频趋势在检测时间段的变化量大于正常阈值范围、且边带能量比超出正常范围、且两者具有不同时间尺度变化特征时，诊断为复合故障。

27、可选地，在上述方面的一个示例中，通过构建kalman滤波器对风路状态进行在线估计，分析风路健康度指标，包括以下步骤：

28、基于一阶惯性加纯延迟模型，构建风路系统的动态模型；

29、基于风路系统的动态模型的风路系统增益系数的当前值和标称值，以及风路系统等效时间常数的当前值和标称值，计算风路健康度指标；

30、若风路健康度指标小于阈值，或小于阈值，则判断存在风路健康风险，否则不判断存在风路健康风险。

31、可选地，在上述方面的一个示例中，将归一化后的振动私有成分、故障类型分类和风路健康度指标进行综合评判，得到最终诊断结论，包括以下步骤：

32、当归一化振动私有成分的变化符合工况自适应归一化模式、且归一化振动私有成分的高频边带能量比正常、且电流私有故障成分的低频趋势变化与工况特征向量的变化一致时，诊断为物料工况波动；

33、当风路健康度指标低于预设健康阈值且归一化振动私有成分的高频边带能量比正常时，诊断为风路子系统故障；

34、当风路健康度指标不低于预设健康阈值且归一化振动私有成分的高频边带能量比异常时，诊断为主机机械故障；

35、当风路健康度指标低于预设健康阈值且归一化振动私有成分的高频边带能量比异常时，诊断为复合故障。

36、与现有技术相比，本发明的有益效果是：

37、本发明通过构建振动信号与电流信号的典型相关分析模型，在研磨负载主频带内施加物理频带约束，利用中等相关系数对应的投影分量构成公共子空间，将原始信号重构为公共研磨状态分量、振动私有故障成分和电流私有故障成分；实现了公共研磨状态与各自独有故障信息的有效分离，为后续高精度故障诊断奠定了基础。

38、本发明通过对融合特征进行多尺度分解，利用电流私有故障成分的低频趋势判断工艺状态变化，利用归一化振动私有成分的高频边带能量比诊断机械健康状态，并结合振动-电流因果关系指标，实现了工艺异常与机械故障的精准区分，克服了现有方法对两类本质不同的故障容易产生误判的缺陷。

39、本发明通过构建kalman滤波器对风路状态进行在线估计，计算风路健康度指标，并以前馈补偿方式从主机电流信号中剔除风路干扰分量，使风路扰动与主机故障在信号层面实现有效解耦。同时，本发明可独立诊断风道堵塞、管道积粉、密封失效等风路故障类型，增强了诊断方法对风路状态变化的鲁棒性。