为预测性维护磨煤机运行中磨辊的磨损程度，本文采用小波信号处理技术对磨煤机单耗信号进行趋势分解，从重构的低频单耗信号初步反映磨辊的磨损状况，进一步地，为解决重构后的低频磨单耗信号可能受到磨煤机工况影响而在一定范围内波动，且基于该方法所建立预报模型的固定阈值可能带来的误报和漏报问题，采用主成分分析法来筛选与磨辊磨损密切相关的磨煤机变量，并基于正常运行数据建立了重构单耗信号的自适应神经网络基准模型。仿真结果显示，采用自适应阈值后，相比采用固定阈值，模型准确度从91.3%上升到了97.4%，漏报率从9.4%下降到了1.5%，平均检测时间从413 s下降到230 s。说明采用自适应神经网络方法能够有效地表征磨辊的磨损状态，可以有效地对重构信号进行监测和预警，增加报警的准确性，减少漏报率和检测时间，从而为磨煤机磨辊的预测性维护提供了一种更可靠和高效的方法。

国家自然科学基金青年基金(52206009)；

0 引言
1 试验方法
1.1 基本原理
1.2 最佳小波基的选取
1.3 小波分析重构磨煤机单耗信号
1.3.1 磨辊磨损程度评估信号选取
1）磨煤机运行方式
2）磨辊磨损程度评估的信号选择
1.3.2 磨煤机单耗影响因素分析
1.3.3 磨辊磨损程度评估信号趋势分量提取
1.3.4 小波变换后重构单耗分析
2 结果与讨论
2.1 自适应阈值的基准模型
2.2 主成分分析选取建模信号
2.3 仿真验证
3 结语