基于接触面温度演化规律的托辊数字孪生故障判别方法与流程
本发明属于智能矿山设备状态监测与故障诊断,具体涉及一种基于托辊-皮带接触面温度演化规律物理模型的托辊数字孪生故障判别方法。本发明主要应用于煤矿井下带式输送机托辊群在线监测场景,依托柔性传感感知技术、热学物理建模与数字孪生仿真技术,针对托辊轴承磨损、卡死、打滑等典型故障实现精准判别、分类与劣化评估,属于矿山智能化安全监测、工业设备数字孪生建模与故障智能诊断交叉,适用于长距离、高密度矿山皮带机托辊的实时故障预警与健康管理。
背景技术:
1、带式输送机是煤矿井下物料运输的核心关键设备,托辊作为支撑皮带、降低运行阻力的基础部件,其运行状态直接决定输送机的作业安全性与稳定性。井下复杂潮湿、多粉尘、高负荷的恶劣工况,易导致托辊出现轴承磨损、辊体卡死、皮带打滑等故障,若无法早期识别,将引发局部过热、皮带磨损、起火等安全事故,严重威胁矿山生产安全。目前矿山托辊故障监测多采用传统单点温度传感、红外测温等技术,仅能实现固定阈值的超温被动报警,存在明显技术短板。传统监测方式仅采集单点瞬时温度数据,忽略托辊-皮带接触面的温度时空演化特性、热累积效应与热扩散规律,无法建立故障与温度参数的定量关联关系。同时,现有故障判别模式缺乏物理机理支撑,依赖单一温度阈值判定,抗环境干扰能力差,极易受井下环境温度、粉尘遮挡、设备空载/重载切换等工况影响,误报、漏报率极高。此外,现有技术难以区分磨损、卡死、打滑等不同故障的温度特征差异,无法实现故障类型归类与故障程度量化评估,仅能在故障恶化、温度急剧升高后触发报警,难以满足托辊早期隐性故障精准识别、提前预警的智能化监测需求,无法适配井下长距离、高密度托辊群的高精度在线监测场景。
技术实现思路
1、本发明提供一种基于接触面温度演化规律的托辊数字孪生故障判别方法,旨在解决现有矿山托辊故障监测技术存在的机理缺失、识别精度低、抗干扰能力弱、故障判别维度单一的行业技术痛点。
2、首先,解决了传统单点测温技术仅依托瞬时温度阈值报警,忽略托辊-皮带接触面温度演化机理、热累积与热扩散时空特征的问题,弥补了现有技术无物理模型支撑、故障判别缺乏定量依据的核心缺陷。
3、其次,解决了现有监测方法无法建立托辊不同故障与温度温升速率、温度场分布的定量映射关系,难以区分轴承磨损、卡死、打滑等故障类型,无法量化故障劣化程度的技术难题。同时,攻克了传统监测方式受井下复杂工况干扰大,误报、漏报率高,早期隐性故障识别能力不足的问题,有效提升复杂矿山工况下故障监测的稳定性与精准度。
4、最后,解决了现有技术难以实现长距离、高密度托辊群全域动态监测,无法完成实测数据与仿真数据动态比对、多维度温度异常特征提取的技术短板,突破传统被动报警模式,实现托辊故障从事后报警向早期预判、精准归类、量化评估的技术升级,满足智能矿山皮带机托辊群高精度在线监测的作业需求。
5、为了解决上述问题,本发明提供一种基于接触面温度演化规律的托辊数字孪生故障判别方法,包括如下步骤:
6、s1 井下托辊群全域嵌入式柔性无源传感阵列布设与数据采集:采用嵌入式柔性无源温度传感阵列贴合安装于皮带与托辊接触区域,同步采集皮带机运行基础工况数据;
7、s2 构建动态摩擦热-变载荷耦合数字孪生物理基底模型:构建托辊-皮带接触面动态摩擦生热与变载荷耦合演化的数字孪生物理基底模型,建立工况参数与接触面生热、散热的动态关联机制,完成高精度、工况自适应的托辊数字孪生模型的初始搭建;
8、s3 传感-模型双向自适应自校准迭代优化:建立实测数据与数字孪生模型的双向自校准迭代机制,实现模型核心参数自适应更新;
9、s4 多物理场特征耦合解耦与多维故障特征提取:提取时空维度特征,同步采集托辊运行微振动信号,构建温度时空特征与微振动传导特征的多物理场耦合解耦体系,实现不同故障的特征精准解耦,区分各类故障的专属特征图谱;
10、s5 托辊群级联热扩散关联分析与干扰甄别:基于热扩散时域传导规律与空间关联矩阵,构建托辊群全域关联分析模型,开展托辊群热扩散级联关联分析,捕捉单托辊异常温升后的热传导、热蔓延时序规律,甄别邻辊热传导带来的假性温升干扰,排除环境、相邻设备传热导致的误判问题,同时依托群级联演化规律,识别多托辊同步温升、区域性热异常等群体性隐患,区分单点独立故障与集群连锁故障隐患,实现从单设备监测到设备群态势感知的升级;
11、s6 多特征融合模式识别与故障层级量化评估:融合模糊数学理论与概率统计判别机制,构建多维度故障判别评估模型,实现早期隐性故障精准判别与分级评估;
12、s7 全域故障态势可视化监测与提前预警推送:依托空间插值与时序态势推演算法,重构托辊群全域运行态势,结合分级预警阈值体系,实现隐患提前预判、精准推送,完成全技术闭环。
13、为实现传感数据标准化预处理与有效信号提取,剔除井下随机噪声与脉冲干扰,完成原始数据降噪、补全与归一化处理,步骤s1中,针对基础工况数据,构建基于时域加权平滑与统计阈值筛选的数据预处理数学模型:
14、
15、式中:为位置坐标、时刻的降噪后温度数值;为传感器采集的原始温度时序数据;为时序衰减加权系数;为滑动时间窗口;
16、对全域数据归一化:
17、
18、式中:为归一化后参数值;为温度、带速、载荷等原始实测参数;、分别为对应参数在正常工况区间内的最小值、最大值。
19、为了完成高精度、工况自适应的托辊数字孪生体初始搭建,步骤s2中,构建托辊-皮带接触面动态摩擦生热与变载荷耦合演化的数字孪生物理基底模型包括如下步骤:
20、首先基于摩擦生热机理,构建动态生热速率数学模型:
21、
22、式中:为时刻接触面单位面积生热功率;为皮带与托辊动态摩擦系数;为时刻接触面法向接触压强;为皮带实时运行线速度;
23、其次结合傅里叶传热定律与能量守恒方程,构建二维瞬态温度场偏微分方程模型:
24、
25、式中:为托辊辊体材料密度;为材料比热容;为温度时间偏导数;为辊体导热系数;为温度空间二阶偏导数;为时刻接触面综合散热功率;
26、最后构建动态散热系数修正模型:
27、
28、式中:为动态综合散热系数;为接触面实时温度;为井下环境实时温度。
29、为了解决传统孪生模型长期运行精度衰减、通用性差、无法适配设备老化的技术难题,保障孪生模型全生命周期仿真精度,步骤s3中,建立实测数据与数字孪生模型的双向自校准迭代机制包括如下步骤:
30、构建仿真误差目标函数,基于最小二乘准则实现模型参数反演优化:
31、
32、式中:为整体仿真误差泛函;为模型待优化核心参数向量;为参数迭代后的仿真温度值;为传感实测温度值;为时序采样样本总量;
33、引入梯度下降迭代算法实现参数动态更新,完成模型自适应校准:
34、
35、式中:为更新后的模型参数向量;为第次迭代参数向量;为迭代学习率;为误差函数的梯度向量;
36、引入滑动窗口均值约束,构建稳态校准机制:
37、
38、式中:为稳态最优参数向量;为稳态迭代窗口长度。
39、为了提取各类故障专属差异化特征,实现故障特征精准分离,步骤s4中,构建温度时空特征与微振动传导特征的多物理场耦合解耦体系包括如下步骤:
40、首先构建温度场多维特征量化模型,基于微分运算提取时空精细化特征:
41、温升速率特征:
42、
43、式中:为实时温升速率;
44、温度空间梯度特征:
45、
46、式中:为温度场空间梯度模值;
47、热累积效应积分模型:
48、
49、式中:为累积热效应值;为正常工况基准温度阈值;为异常起始时刻;为积分时序变量;
50、其次构建振动特征频域分析模型,基于傅里叶变换实现时域信号转频域特征提取:
51、
52、式中:为振动频域特征函数;为实时振动幅值时序信号;为角频率;为虚数单位;
53、最后构建高维主成分分析降维解耦模型,通过正交变换消除特征间耦合相关性:
54、
55、式中:为原始高维耦合特征向量;为正交变换矩阵;为解耦后的独立主成分特征向量。
56、为了甄别邻辊传热假性异常,识别群体性热演化隐患,实现单故障与集群故障精准区分,步骤s5中,构建托辊群全域关联分析模型包括如下步骤:
57、构建托辊间空间热传导关联矩阵,量化邻辊干扰权重:
58、
59、式中:为第、根托辊的热关联系数;为热传导基准系数;为距离衰减系数;为两托辊空间间距;为热传导有效作用阈值距离;
60、构建集群温升叠加判别模型,剥离邻域传导干扰:
61、
62、式中:为第根托辊真实故障温升;为第根托辊实测温升;为邻侧第根托辊异常温升量;
63、基于时序相关性分析,构建集群故障识别判据,通过全域温升时序协方差判断群体性隐患:
64、
65、式中:为两托辊温升时序协方差;为数学期望算子;为对应托辊时序平均温度。
66、为了大幅降低井下复杂工况下的误报、漏报概率,实现早期隐性故障的精准识别,步骤s6中,构建多维度故障判别评估模型包括如下步骤:
67、构建多特征模糊隶属度判别模型,适配故障边界模糊性特征,实现故障类型归类:
68、
69、式中:为第类故障的特征隶属度;为实测解耦特征向量;为第类故障标准特征中心向量;为第类故障特征标准差;
70、构建故障劣化程度加权评估模型,实现三级量化定级:
71、
72、式中:为故障综合劣化评分;为各特征权重系数,满足;为对应特征的严重故障极限阈值;
73、引入概率置信度模型,量化判别结果可靠性:
74、
75、式中:为故障判别置信概率。
76、为了完成数据可视化复现与分级预警输出,实现故障态势全域感知与运维精准赋能,步骤s7中,重构托辊群全域运行态势包括如下步骤:
77、采用二维空间插值算法,实现托辊群全域温度场连续可视化重构:
78、
79、
80、式中:为空间任意位置插值温度;为第个传感节点的空间权重;为空间位置与传感节点的距离;为传感节点实测温度;
81、构建故障时序态势推演模型,实现隐患提前预判:
82、
83、式中:为未来时刻预测温度;为预测步长;为温度二阶时序导数。
84、综上所述,本发明与现有技术相比,具有以下技术优势和有益效果:
85、(1)本发明动态耦合物理模型可精准还原井下真实非平稳热演化过程,为早期微故障识别提供机理支撑,弥补了传统技术静态建模失真的根本性缺陷;
86、(2)本发明通过多物理场耦合校正、集群干扰剔除、模型自校准机制逐层抵消各类误差源,实现整体误差趋近于零,精准验证各创新模块的技术增益与误差抑制效果;
87、(3)本发明通过连续热积分时序监测,可精准捕捉缓慢劣化类故障的累积效应;
88、(4)本发明可精准还原温度突变边界与局部热聚集区域,具备微米级热点演化识别能力,为早期隐性故障判别提供精细化数据支撑。
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