托辊故障速度-时间解算定位方法与流程

本发明属于智能矿山带式输送机故障精准定位，具体涉及一种基于皮带运行速度与时序时间差耦合解算的托辊故障定位方法。本发明针对煤矿井下长距离带式输送机复杂运行工况，依托嵌入式柔性传感阵列随动感知技术，结合动态时序信号分析与速度补偿解算算法，构建速度-时间-空间位置关联定位体系，实现托辊故障的高精度非接触定位。本发明适用于矿山、冶金等工业场景的皮带输送设备故障监测与智能运维，属于矿山智能化监测、工业动态信号处理与精密设备故障定位交叉。

背景技术：

1、带式输送机是矿山连续化物料输送的核心装备，托辊作为关键支撑部件，长期在高粉尘、强干扰、变载荷工况下运行，极易出现磨损、卡滞、过热等故障，直接影响输送设备运行安全性与稳定性。现阶段托辊故障监测多依托外置振动、温度传感器实现故障识别，定位方式普遍采用静态距离标定、固定时序差值算法完成故障点位推算。现有技术普遍存在核心缺陷，其一，传统定位算法默认皮带匀速运行，未考量皮带实时变速、弹性形变、运行滑移等动态工况，无法建立速度参数与故障信号时序的动态关联，时序误差、位移误差累积严重，定位精度仅能达到米级，难以锁定单根故障托辊。其二，外置传感器信号采集滞后，易受井下环境干扰，虚假故障信号多，无法提取精准的故障时序差值数据，进一步导致定位结果失真。其三，传统定位方案依赖人工定点标定校准，仅适配固定工况，无法适配长距离、变速度皮带运行场景，工况自适应能力极差。当前行业内缺乏以皮带动态运行速度为核心补偿参数、依托故障信号时间差动态解算位置的精准定位技术，难以满足智能矿山对托辊故障厘米级精准定位、高效运维的发展需求。

技术实现思路

1、本发明针对现有托辊故障定位技术的核心短板，重点解决基于皮带速度与时序时间差的动态精准定位技术难题。

2、首先，解决了传统定位算法依赖匀速理想化假设、未结合皮带动态速度补偿的技术缺陷，摒弃静态固定标定模式，通过引入皮带实时运行速度参数，修正变速、滑移、形变带来的定位偏差，从算法层面解决动态工况下定位精度低、误差大的问题。

3、其次，解决了现有技术无法精准提取故障时序差值、干扰信号影响定位准确性的问题，通过有效故障特征甄别滤除环境干扰，精准提取多传感节点故障信号时间差，为位置解算提供可靠时序数据支撑。

4、同时，解决了传统技术速度、时序、空间位置相互割裂的技术痛点，构建三者动态耦合映射关系，实现故障托辊位置的自适应解算，突破传统米级定位瓶颈。

5、最后，解决了现有定位方案工况适配性差、需频繁人工标定的运维难题，通过模型自适应迭代优化，适配皮带全生命周期运行状态变化，大幅提升复杂井下工况下故障定位的可靠性与运维效率，实现免标定、高精度自动化故障定位。

6、本发明的方案核心立足于皮带实时运行速度参数与故障信号时序时间差耦合解算定位核心发明原理，依托皮带内嵌柔性传感阵列的随动感知能力，摒弃传统固定距离标定、静态定位的落后方式，通过采集皮带动态运行速度、故障特征信号到达各传感节点的时间差，建立速度-时间-空间位置的量化关联关系，精准反演故障托辊的实际空间位置。方案围绕核心定位方法，全程以速度、时间时序数据为核心驱动，解决复杂井下变速、滑移、强干扰工况下的定位失真问题，最终实现煤矿井下托辊故障厘米级精准定位。

7、为了解决上述问题，本发明提供一种皮带嵌入式柔性传感阵列驱动的托辊故障速度-时间解算定位方法包括如下步骤：

8、s1 柔性传感阵列时序同步与速度采集基准初始化：首先开展全域传感节点时钟同步校准，针对阵列内所有传感节点构建时钟偏差修正模型，消除各节点微秒级时序偏移，采集皮带空载稳态运行参数，构建皮带运行速度基准模型；

9、s2 皮带动态速度与托辊故障特征时序信号同步采集：采用连续时域采样机制，对皮带运行速度进行全域动态采集，基于微积分微分思想捕捉瞬时速度变化，构建皮带时域速度连续函数；

10、s3 故障信号有效时序时间差精准提取与干扰滤除：基于概率论与数理统计方法开展信号降噪处理，对采集的原始特征信号幅值构建正态分布统计模型，筛选有效故障信号样本，引入模糊数学模糊甄别算法，区分托辊故障真实信号与工况干扰信号，以首个接收故障信号的节点为基准，计算各传感节点的时序差值；

11、s4 构建速度-时间差-托辊空间位置动态关联关系：基于线性代数矩阵映射思想，构建多参数耦合空间关联模型，建立时序差与皮带动态位移的量化关系，基于多节点位移序列，构建速度-时间-空间三维映射矩阵，完成动态关联建模；

12、s5基于速度补偿的时序误差修正与精准位置解算：构建多维度误差补偿模型，针对三类核心误差进行量化修正，采用最小二乘法进行多节点交叉迭代优化，求解最优故障位置，结合巷道基准坐标，解算故障托辊绝对空间坐标；

13、s6 故障点位匹配定位与运行数据溯源归档：构建托辊点位坐标匹配数据库，将现场所有托辊的安装坐标、编号、区间位置构建离散台账矩阵，同时建立故障数据溯源归档模型，构建多维时序数据存储矩阵，将故障发生时刻的皮带速度时序曲线、各节点时序差值、误差补偿参数、故障坐标、工况参数进行统一封装存储，形成结构化故障数据档案；

14、s7 速度-时序定位模型自适应迭代优化：构建模型参数动态迭代优化机制，以定位精度最优为优化目标，构建运筹学目标优化函数，综合不同速度区间、不同载荷工况下的定位误差，建立全局优化模型，基于累积的海量工况样本数据，采用梯度下降迭代算法对模型核心参数进行迭代更新。

15、为了消除系统初始误差，构建标准化运算基准，步骤s1中，构建时钟偏差修正模型方法如下：

16、设传感阵列包含个传感节点，任意节点的原始采集时钟时间为，系统基准统一时钟为，节点固有时钟偏差为，构建时钟偏差修正模型：

17、

18、式中：为系统统一基准时序；为第个传感节点原始采集时间；为第节点时钟固有偏差；

19、构建皮带运行速度基准模型的方法如下：

20、基于数值统计方法，采集多组稳态运行速度样本，通过均值滤波剔除偶然波动误差，确立皮带额定运行基准速度：

21、

22、式中：为皮带基准运行速度；为第组空载稳态瞬时速度采样值；为有效采样样本总数；

23、同时统计皮带正常变速区间、稳态滑移系数，建立完整的设备初始基准参数库。

24、为了实现两类核心数据的高频同步采集与时序绑定，保证后续建模解算的数据匹配度，步骤s2中，构建皮带时域速度连续函数方法如下：

25、设皮带运行时间为，皮带位移随时间变化的连续函数为，则皮带瞬时运行速度为位移对时间的一阶微分：

26、

27、式中：为时刻皮带瞬时运行速度；为皮带随时间变化的运行位移；为系统统一采集时间；

28、通过高频离散采样，将连续速度函数转化为时序离散速度序列，完整记录皮带启停、加速、减速的全工况速度变化曲线。

29、为了滤除无效干扰，精准提取真实故障信号的时序差值特征，步骤s3具体包括如下步骤：

30、s31 设某时刻传感信号幅值为，正常工况信号幅值服从正态分布，其中，为正常信号幅值均值，为正常信号幅值标准差，通过3σ准则筛选异常信号：

31、

32、式中：满足上式的信号判定为异常候选信号，剔除落在正态分布置信区间内的环境噪声、随机波动信号，初步筛除无效干扰数据；

33、s32 构建故障特征模糊评判集，选取信号持续时长、周期规律性、幅值稳定性三个维度作为评判因子，建立模糊隶属度函数，表征信号属于托辊故障信号的隶属程度,设定隶属度阈值，当时，判定为真实托辊故障信号，彻底剔除物料颠簸、皮带跑偏引发的瞬时虚假异常信号；

34、s33 设首个响应节点采集时刻为，第节点故障信号接收时刻为，则第节点相对时序差为：

35、

36、式中：为第节点相对基准节点的故障信号时序差，恒大于等于0；

37、通过该模型提取全域节点精准时序差数据集。

38、为了构建速度、时序差、空间位置三者的非线性动态映射模型，实现工况自适应关联匹配，步骤s4中，构建多参数耦合空间关联模型如下：

39、

40、式中：为第节点时序差对应的皮带动态位移；为皮带弹性形变修正系数；为皮带滑移修正系数；为皮带瞬时速度函数；积分区间为故障信号在基准节点与第节点的响应时间区间，积分运算表征变速工况下皮带的实际累积位移；

41、构建速度-时间-空间三维映射矩阵方法如下：

42、设全域节点时序差位移向量为，时序差向量为，实时速度向量为，构建线性映射关系：

43、

44、式中：为工况修正系数矩阵。

45、为了对初始映射结果进行优化，最终解算故障托辊精准空间坐标，步骤s5中，构建多维度误差补偿模型方法如下：

46、定义总定位误差，包含速度波动误差、信号时延误差、形变滑移误差三类分量：

47、

48、式中：为皮带变速波动引发的位移误差；为传感信号传输时延误差；为皮带弹性形变与滑移引发的位置误差；

49、通过实测标定各误差分量的量化系数，完成误差逐项抵消修正；

50、采用最小二乘法求解最优故障位置方法如下：

51、设模型计算位移值为，现场标准标定位移值为，构建残差平方和目标函数：

52、

53、式中：为残差平方和，表征计算值与真实值的偏差程度；

54、通过迭代求解使得目标函数，完成模型参数最优修正，消除单一节点数据的偶然误差；

55、解算故障托辊绝对空间坐标方法如下：

56、计算公式为：

57、

58、式中：为皮带巷道监测起点基准坐标；为迭代优化后的最优故障位移。

59、为了实现故障点位唯一锁定与数据闭环留存，步骤s6中，通过欧式距离判别算法，匹配最优故障托辊点位：

60、

61、式中：为解算坐标与第根托辊安装坐标的欧式距离；为解算得到的故障坐标。

62、为了实现模型参数自适应更新，保障长期定位精度，步骤s7中，全局优化模型如下：

63、

64、式中：为全局综合误差目标值；为速度误差均值；为时序误差均值；为形变滑移误差均值；为权重系数；

65、迭代更新模型如下：

66、

67、式中：为第次迭代的模型核心修正系数；为更新后的优化系数；为迭代学习率；为目标函数对参数的一阶偏导数，表征参数误差梯度。

68、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：

69、（1）本发明通过概率降噪与模糊隶属度甄别算法，可最大限度保留托辊故障真实特征波形、压制全域随机干扰噪声，本发明具备极强的工况抗干扰能力，可为后续速度-时间差解算提供高纯净、高可信度的原始时序数据，从数据源头解决传统技术定位基准失效的问题；

70、（2）本发明依托动态速度补偿、时序差精准解算与抗干扰机制，全工况精度稳定优异，本发明工况通用性与工程实用性远优于现有技术，解决了传统技术适配场景单一、真实工况失效的痛点；

71、（3）本发明采用最小二乘数值迭代算法，可快速收敛至最优误差区间，持续修正模型参数偏差，本发明具备极强的参数自校正能力，能够逐步消除系统固有偏差与随机工况误差，保障每次定位结果均处于高精度最优状态，是实现厘米级精准定位的核心优化机制；

72、（4）本发明通过多维度特征甄别，可在强干扰环境下稳定识别真实故障，随着环境干扰提升，传统技术误判率急剧飙升，本发明误判率始终维持极低水平，有效解决了现有技术抗干扰弱、故障识别可靠性差的行业难题。