本發(fā)明涉及設(shè)備監(jiān)測，尤其涉及一種篩分機(jī)運(yùn)行監(jiān)測方法及系統(tǒng)。

背景技術(shù)：

1、傳統(tǒng)的篩分機(jī)監(jiān)測方法主要依賴振動傳感器、溫度傳感器、壓力傳感器等接觸式傳感器來獲取設(shè)備運(yùn)行參數(shù)，并基于這些傳感器數(shù)據(jù)進(jìn)行故障診斷和控制決策。然而，篩分機(jī)工作環(huán)境惡劣，粉塵積累、機(jī)械振動、溫度波動等因素容易導(dǎo)致接觸式傳感器出現(xiàn)信號漂移、連接松動、測量精度下降等問題，嚴(yán)重影響監(jiān)測系統(tǒng)的可靠性。

2、現(xiàn)有監(jiān)測技術(shù)面臨的核心問題是傳感器故障時系統(tǒng)缺乏有效的補(bǔ)償機(jī)制，往往需要停機(jī)維修或降級運(yùn)行，造成生產(chǎn)損失。雖然部分研究嘗試引入視覺監(jiān)測技術(shù)，但受限于篩分機(jī)高頻振動環(huán)境的干擾，傳統(tǒng)視覺方法難以獲得清晰穩(wěn)定的圖像，無法準(zhǔn)確提取設(shè)備運(yùn)行特征。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提供了一種篩分機(jī)運(yùn)行監(jiān)測方法及系統(tǒng)，本發(fā)明能夠準(zhǔn)確識別接觸傳感器的多種故障類型，在傳感器故障情況下仍能維持最佳篩分性能。

2、第一方面，本發(fā)明提供了一種篩分機(jī)運(yùn)行監(jiān)測方法，所述篩分機(jī)運(yùn)行監(jiān)測方法包括：

3、步驟s1：對篩分機(jī)工作區(qū)域的實(shí)時采集圖像進(jìn)行振動抗干擾穩(wěn)定化處理，得到運(yùn)行監(jiān)測圖像；

4、步驟s2：基于所述運(yùn)行監(jiān)測圖像進(jìn)行篩網(wǎng)區(qū)域、物料區(qū)域和設(shè)備區(qū)域的分域視覺特征解析，得到篩網(wǎng)張力狀態(tài)數(shù)據(jù)、物料流動狀態(tài)數(shù)據(jù)和設(shè)備振動狀態(tài)數(shù)據(jù)；

5、步驟s3：根據(jù)所述篩網(wǎng)張力狀態(tài)數(shù)據(jù)與篩分機(jī)振動傳感器的實(shí)測數(shù)據(jù)進(jìn)行耦合關(guān)聯(lián)性校驗(yàn)，得到接觸傳感器的運(yùn)行異常判定結(jié)果；

6、步驟s4：當(dāng)所述運(yùn)行異常判定結(jié)果指示接觸傳感器故障時，基于所述物料流動狀態(tài)數(shù)據(jù)和所述設(shè)備振動狀態(tài)數(shù)據(jù)進(jìn)行視覺數(shù)據(jù)替代補(bǔ)償處理，得到目標(biāo)運(yùn)行參數(shù)；

7、步驟s5：基于所述目標(biāo)運(yùn)行參數(shù)進(jìn)行篩分工藝參數(shù)優(yōu)化，輸出篩分機(jī)激振裝置控制指令。

8、可選的，在本發(fā)明第一方面的第一種實(shí)現(xiàn)方式中，步驟s1包括：

9、步驟s11：對篩分機(jī)工作區(qū)域的實(shí)時采集圖像進(jìn)行快速傅里葉變換頻譜分析，識別主導(dǎo)振動頻率分量；

10、步驟s12：將所述主導(dǎo)振動頻率分量用于動態(tài)計(jì)算卡爾曼預(yù)測模塊的狀態(tài)轉(zhuǎn)移矩陣系數(shù)和觀測噪聲協(xié)方差矩陣，并基于所述狀態(tài)轉(zhuǎn)移矩陣系數(shù)和所述觀測噪聲協(xié)方差矩陣形成振動頻率自適應(yīng)濾波參數(shù)；

11、步驟s13：將所述實(shí)時采集圖像輸入配置有所述振動頻率自適應(yīng)濾波參數(shù)的振動抗干擾編碼器-解碼器網(wǎng)絡(luò)進(jìn)行圖像穩(wěn)定化重構(gòu)處理，輸出運(yùn)行監(jiān)測圖像。

12、可選的，在本發(fā)明第一方面的第二種實(shí)現(xiàn)方式中，步驟s13包括：

13、步驟s131：將所述振動頻率自適應(yīng)濾波參數(shù)中的狀態(tài)轉(zhuǎn)移矩陣系數(shù)配置到振動抗干擾編碼器-解碼器網(wǎng)絡(luò)的編碼器部分，在所述編碼器部分中對圖像特征進(jìn)行振動狀態(tài)預(yù)測，得到多層級圖像特征映射，所述編碼器部分包括6個卷積層，每個卷積層后接入基于狀態(tài)轉(zhuǎn)移矩陣系數(shù)的卡爾曼預(yù)測模塊；

14、步驟s132：將所述振動頻率自適應(yīng)濾波參數(shù)中的觀測噪聲協(xié)方差矩陣配置到振動抗干擾編碼器-解碼器網(wǎng)絡(luò)的中間層，通過觀測噪聲協(xié)方差矩陣對所述多層級圖像特征映射進(jìn)行卡爾曼更新濾波處理，得到濾波凈化后的圖像特征映射；

15、步驟s133：將所述濾波凈化后的圖像特征映射輸入振動抗干擾編碼器-解碼器網(wǎng)絡(luò)的解碼器部分進(jìn)行上采樣重構(gòu)處理，得到初始穩(wěn)定化圖像，所述解碼器部分包括6個反卷積層，每層反卷積層結(jié)合卡爾曼濾波的最優(yōu)估計(jì)結(jié)果進(jìn)行像素級重構(gòu)；

16、步驟s134：對所述初始穩(wěn)定化圖像進(jìn)行基于卡爾曼濾波狀態(tài)估計(jì)的像素位移補(bǔ)償處理，利用狀態(tài)轉(zhuǎn)移矩陣預(yù)測的振動位移量對圖像像素進(jìn)行反向校正，得到運(yùn)行監(jiān)測圖像。

17、可選的，在本發(fā)明第一方面的第三種實(shí)現(xiàn)方式中，步驟s2包括：

18、步驟s21：識別所述運(yùn)行監(jiān)測圖像中篩網(wǎng)線條、物料顆粒和設(shè)備結(jié)構(gòu)件的像素歸屬，并基于所述像素歸屬將所述運(yùn)行監(jiān)測圖像劃分為篩網(wǎng)區(qū)域、物料區(qū)域和設(shè)備區(qū)域；

19、步驟s22：基于所述篩網(wǎng)區(qū)域進(jìn)行邊緣檢測和線條彎曲度計(jì)算，提取篩網(wǎng)線條輪廓，并基于所述篩網(wǎng)線條輪廓計(jì)算篩網(wǎng)交叉點(diǎn)位移量和線條長度變化率，得到篩網(wǎng)張力狀態(tài)數(shù)據(jù)；

20、步驟s23：基于所述物料區(qū)域進(jìn)行光流追蹤和三維重建，得到物料顆粒運(yùn)動軌跡，并基于所述物料顆粒運(yùn)動軌跡進(jìn)行顆粒粒徑分布和流動速度矢量提取，得到物料流動狀態(tài)數(shù)據(jù)；

21、步驟s24：基于所述設(shè)備區(qū)域進(jìn)行背景減除和位移檢測，得到設(shè)備振動狀態(tài)數(shù)據(jù)。

22、可選的，在本發(fā)明第一方面的第四種實(shí)現(xiàn)方式中，步驟s3包括：

23、步驟s31：基于所述篩網(wǎng)張力狀態(tài)數(shù)據(jù)與篩分機(jī)振動傳感器的實(shí)測數(shù)據(jù)進(jìn)行篩網(wǎng)張力-振動耦合關(guān)系建模，得到篩網(wǎng)張力-振動耦合關(guān)系模型；

24、步驟s32：將篩分機(jī)振動傳感器、溫度傳感器和壓力傳感器的實(shí)時輸出信號輸入所述篩網(wǎng)張力-振動耦合關(guān)系模型進(jìn)行預(yù)測和關(guān)聯(lián)性偏差分析，得到各接觸傳感器的關(guān)聯(lián)性偏差數(shù)值；

25、步驟s33：對所述關(guān)聯(lián)性偏差數(shù)值進(jìn)行閾值比較判定，得到各接觸傳感器的異常判定標(biāo)識；

26、步驟s34：基于所述關(guān)聯(lián)性偏差數(shù)值和所述異常判定標(biāo)識進(jìn)行故障類型識別，得到接觸傳感器的運(yùn)行異常判定結(jié)果。

27、可選的，在本發(fā)明第一方面的第五種實(shí)現(xiàn)方式中，步驟s31包括：

28、步驟s311：對所述篩網(wǎng)張力狀態(tài)數(shù)據(jù)與篩分機(jī)振動傳感器的實(shí)測數(shù)據(jù)進(jìn)行時間同步，得到篩網(wǎng)張力-振動數(shù)據(jù)序列；

29、步驟s312：根據(jù)篩分機(jī)振動響應(yīng)的物理特性構(gòu)建篩網(wǎng)張力與振動輸出之間的二次多項(xiàng)式耦合函數(shù)，其中振動傳感器輸出作為響應(yīng)變量，篩網(wǎng)張力作為激勵變量，耦合函數(shù)包含平方項(xiàng)、線性項(xiàng)、常數(shù)項(xiàng)和隨機(jī)擾動項(xiàng)；

30、步驟s313：基于所述篩網(wǎng)張力-振動數(shù)據(jù)序列，采用最小二乘回歸算法對所述二次多項(xiàng)式耦合函數(shù)進(jìn)行模型參數(shù)辨識，計(jì)算得到平方項(xiàng)系數(shù)、線性項(xiàng)系數(shù)和常數(shù)項(xiàng)數(shù)值；

31、步驟s314：基于所述平方項(xiàng)系數(shù)、所述線性項(xiàng)系數(shù)和所述常數(shù)項(xiàng)數(shù)值建立篩網(wǎng)張力-振動耦合關(guān)系模型。

32、可選的，在本發(fā)明第一方面的第六種實(shí)現(xiàn)方式中，步驟s4包括：

33、步驟s41：當(dāng)所述運(yùn)行異常判定結(jié)果指示接觸傳感器故障時，基于所述物料流動狀態(tài)數(shù)據(jù)中的物料堆積厚度、顆粒覆蓋面積和顆粒粒徑分布參數(shù)進(jìn)行物料負(fù)載重量逆推計(jì)算，得到視覺感知物料負(fù)載數(shù)值；

34、步驟s42：將所述視覺感知物料負(fù)載數(shù)值作為輸入變量代入篩分機(jī)物料負(fù)載-振動響應(yīng)傳遞函數(shù)進(jìn)行振動輸出理論值求解，得到理論振動參數(shù)基準(zhǔn)值；

35、步驟s43：依據(jù)所述接觸傳感器的運(yùn)行異常判定結(jié)果確定視覺補(bǔ)償策略和權(quán)重分配方案，當(dāng)傳感器信號完全不可信時采用純視覺替代模式，當(dāng)傳感器部分可用時采用視覺-傳感器混合補(bǔ)償模式，并計(jì)算視覺數(shù)據(jù)與傳感器數(shù)據(jù)的自適應(yīng)補(bǔ)償權(quán)重系數(shù)；

36、步驟s44：運(yùn)用所述自適應(yīng)補(bǔ)償權(quán)重系數(shù)對所述理論振動參數(shù)基準(zhǔn)值與可用接觸傳感器的實(shí)測數(shù)據(jù)進(jìn)行智能融合重構(gòu)，得到目標(biāo)運(yùn)行參數(shù)。

37、可選的，在本發(fā)明第一方面的第七種實(shí)現(xiàn)方式中，步驟s42包括：

38、步驟s421：根據(jù)篩分機(jī)設(shè)備型號和當(dāng)前工況條件確定篩分機(jī)物料負(fù)載-振動響應(yīng)傳遞函數(shù)中的增益系數(shù)、延遲時間常數(shù)和時間常數(shù)，得到傳遞函數(shù)參數(shù)集合；

39、步驟s422：針對所述視覺感知物料負(fù)載數(shù)值進(jìn)行數(shù)值預(yù)處理和格式轉(zhuǎn)換，得到物料負(fù)載變量；

40、步驟s423：基于所述傳遞函數(shù)參數(shù)集合，將所述物料負(fù)載變量輸入篩分機(jī)物料負(fù)載-振動響應(yīng)傳遞函數(shù)進(jìn)行時域響應(yīng)分析，得到動態(tài)響應(yīng)數(shù)據(jù)；

41、步驟s424：將所述動態(tài)響應(yīng)數(shù)據(jù)中的振動特征量按照接觸傳感器的輸出標(biāo)準(zhǔn)進(jìn)行數(shù)值映射和單位歸一化，得到理論振動參數(shù)基準(zhǔn)值。

42、可選的，在本發(fā)明第一方面的第八種實(shí)現(xiàn)方式中，步驟s5包括：

43、步驟s51：從所述目標(biāo)運(yùn)行參數(shù)中提取篩上物粒徑分布和篩下物流量，通過篩下物流量與總流量的比值計(jì)算實(shí)時篩分效率，將實(shí)時篩分效率與設(shè)定目標(biāo)值進(jìn)行差值運(yùn)算，得到粒徑偏差量和流量偏差量；

44、步驟s52：依據(jù)篩分機(jī)動態(tài)響應(yīng)特性，以所述粒徑偏差量和流量偏差量為輸入量，以激振力調(diào)節(jié)量和頻率調(diào)節(jié)量為輸出量，得到智能控制優(yōu)化模型；

45、步驟s53：運(yùn)用所述智能控制優(yōu)化模型執(zhí)行當(dāng)前偏差狀態(tài)分析，得到激振調(diào)節(jié)參數(shù)，并將所述激振調(diào)節(jié)參數(shù)轉(zhuǎn)換為篩分機(jī)激振裝置控制指令。

46、第二方面，本發(fā)明提供了一種篩分機(jī)運(yùn)行監(jiān)測系統(tǒng)，所述篩分機(jī)運(yùn)行監(jiān)測系統(tǒng)包括：

47、處理模塊，用于對篩分機(jī)工作區(qū)域的實(shí)時采集圖像進(jìn)行振動抗干擾穩(wěn)定化處理，得到運(yùn)行監(jiān)測圖像；

48、特征解析模塊，用于基于所述運(yùn)行監(jiān)測圖像進(jìn)行篩網(wǎng)區(qū)域、物料區(qū)域和設(shè)備區(qū)域的分域視覺特征解析，得到篩網(wǎng)張力狀態(tài)數(shù)據(jù)、物料流動狀態(tài)數(shù)據(jù)和設(shè)備振動狀態(tài)數(shù)據(jù)；

49、關(guān)聯(lián)性校驗(yàn)?zāi)K，用于根據(jù)所述篩網(wǎng)張力狀態(tài)數(shù)據(jù)與篩分機(jī)振動傳感器的實(shí)測數(shù)據(jù)進(jìn)行耦合關(guān)聯(lián)性校驗(yàn)，得到接觸傳感器的運(yùn)行異常判定結(jié)果；

50、替代補(bǔ)償模塊，用于當(dāng)所述運(yùn)行異常判定結(jié)果指示接觸傳感器故障時，基于所述物料流動狀態(tài)數(shù)據(jù)和所述設(shè)備振動狀態(tài)數(shù)據(jù)進(jìn)行視覺數(shù)據(jù)替代補(bǔ)償處理，得到目標(biāo)運(yùn)行參數(shù)；

51、輸出模塊，用于基于所述目標(biāo)運(yùn)行參數(shù)進(jìn)行篩分工藝參數(shù)優(yōu)化，輸出篩分機(jī)激振裝置控制指令。

52、本發(fā)明提供的技術(shù)方案中，通過振動頻率自適應(yīng)濾波參數(shù)配置的振動抗干擾編碼器-解碼器網(wǎng)絡(luò)，能夠在高頻振動環(huán)境下獲得清晰穩(wěn)定的篩分機(jī)運(yùn)行圖像，采用篩網(wǎng)區(qū)域、物料區(qū)域和設(shè)備區(qū)域的三域并行特征解析方法，實(shí)現(xiàn)對篩分機(jī)運(yùn)行狀態(tài)的全面感知。建立篩網(wǎng)張力狀態(tài)數(shù)據(jù)與振動傳感器實(shí)測數(shù)據(jù)的耦合關(guān)系模型，能夠準(zhǔn)確識別接觸傳感器的多種故障類型。當(dāng)傳感器出現(xiàn)故障時，利用視覺感知的物料負(fù)載和設(shè)備振動狀態(tài)數(shù)據(jù)，通過物料負(fù)載-振動響應(yīng)傳遞函數(shù)實(shí)現(xiàn)對失效傳感器數(shù)據(jù)的智能補(bǔ)償，確保篩分機(jī)連續(xù)穩(wěn)定運(yùn)行。根據(jù)傳感器故障程度動態(tài)調(diào)整視覺數(shù)據(jù)與傳感器數(shù)據(jù)的融合權(quán)重，基于融合補(bǔ)償后的完整運(yùn)行參數(shù)，采用智能控制算法實(shí)時調(diào)節(jié)激振參數(shù)，在傳感器故障情況下仍能維持最佳篩分性能，顯著提高了監(jiān)測系統(tǒng)的容錯能力和環(huán)境適應(yīng)性。