摘 要：針對(duì)濾棒成型機(jī)刀頭部件故障不易檢測(cè)的難題，本文提出了一種基于振動(dòng)信號(hào)的濾棒成型機(jī)刀頭部件故障預(yù)警新方法。在刀頭部件位置加裝振動(dòng)傳感器，建立了數(shù)據(jù)采集方法獲取高頻振動(dòng)信號(hào)，開展信號(hào)處理得到振動(dòng)數(shù)據(jù)分析和轉(zhuǎn)化，根據(jù)振動(dòng)信號(hào)轉(zhuǎn)化的時(shí)域信號(hào)和頻域信號(hào)及特征值的評(píng)價(jià)，實(shí)時(shí)監(jiān)測(cè)刀頭部件疲勞損傷性能，準(zhǔn)確識(shí)別故障狀態(tài)，提高了濾棒成型機(jī)刀頭部件的工作穩(wěn)定性，對(duì)確保煙草生產(chǎn)的穩(wěn)定、高效具有重要現(xiàn)實(shí)意義。

關(guān)鍵詞：煙草；刀頭部件；振動(dòng)特征值；故障診斷；神經(jīng)網(wǎng)絡(luò)算法

中圖分類號(hào)：TP 391 文獻(xiàn)標(biāo)志碼：A

刀頭部件是濾棒成型機(jī)的關(guān)鍵組成部分，高速運(yùn)動(dòng)的刀頭部件容易產(chǎn)生工作疲勞，導(dǎo)致事故發(fā)生。因此，對(duì)濾棒成型機(jī)刀頭部件進(jìn)行故障監(jiān)測(cè)非常有必要[1]。振動(dòng)信號(hào)是旋轉(zhuǎn)機(jī)械故障檢測(cè)的典型信號(hào)，它易于獲取、實(shí)時(shí)高效，通過刀頭部件的振動(dòng)信號(hào)判斷其工作故障狀態(tài)是一種切實(shí)可行的檢測(cè)方法，可以準(zhǔn)確識(shí)別運(yùn)行狀態(tài)的刀頭部件故障特征[2]。本文基于濾棒成型機(jī)的智能化管理系統(tǒng)中的狀態(tài)監(jiān)測(cè)功能，通過在成型機(jī)刀頭部件加裝高頻振動(dòng)傳感器采集相應(yīng)的振動(dòng)信號(hào)，通過信息收集和轉(zhuǎn)化得到高頻的振動(dòng)基礎(chǔ)數(shù)據(jù)，結(jié)合刀頭部件的結(jié)構(gòu)特點(diǎn)，設(shè)定特征值庫，提取與刀頭部件相關(guān)的振動(dòng)數(shù)據(jù)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法模型，探索了基于振動(dòng)信號(hào)開展濾棒成型機(jī)刀頭部件故障預(yù)警的可行性，為刀頭部件安全穩(wěn)定運(yùn)行提供了可行的在線監(jiān)測(cè)方法[3]。

1 系統(tǒng)框架

濾棒成型機(jī)刀頭振動(dòng)檢測(cè)系統(tǒng)主要由硬件和軟件2個(gè)部分組成。

硬件部分：主要包括振動(dòng)和溫度傳感器、IPC工控機(jī)、數(shù)據(jù)采集卡和顯示器等。其中，振動(dòng)傳感器采集的高頻信號(hào)，其采樣頻率為12800Hz，通過數(shù)據(jù)采集卡采集到數(shù)采模塊，數(shù)采模塊通過配置文件配置相關(guān)的數(shù)據(jù)采集方式。

軟件部分：主要包括數(shù)據(jù)采集模塊、信號(hào)處理模塊、數(shù)據(jù)分析模塊、算法模型管理模塊和告警模塊。軟件部分對(duì)存儲(chǔ)數(shù)據(jù)進(jìn)行信號(hào)處理，用于構(gòu)建基于神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)算法模型，同時(shí)對(duì)數(shù)據(jù)樣本進(jìn)行管理，獲取樣本模型訓(xùn)練的實(shí)時(shí)數(shù)據(jù)，對(duì)模型算法結(jié)果進(jìn)行實(shí)時(shí)評(píng)估。外部數(shù)據(jù)分析后可以形成相關(guān)報(bào)告，對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行展示。

2 振動(dòng)數(shù)據(jù)采集原理

2.1 振動(dòng)數(shù)據(jù)采集流程

故障診斷系統(tǒng)中數(shù)據(jù)采集模塊按照秒級(jí)對(duì)傳感器發(fā)出的高頻數(shù)據(jù)流進(jìn)行分塊，將數(shù)據(jù)按照連續(xù)的秒級(jí)數(shù)據(jù)塊進(jìn)行轉(zhuǎn)發(fā)，將接收到的電流信號(hào)進(jìn)行單位換算成振動(dòng)數(shù)據(jù)后轉(zhuǎn)發(fā)到其他功能模塊，同時(shí)將高頻數(shù)據(jù)實(shí)時(shí)存儲(chǔ)到本地，確保數(shù)據(jù)采集連續(xù)無斷點(diǎn)[4]。

采集數(shù)據(jù)發(fā)送到信號(hào)處理模塊后對(duì)數(shù)據(jù)轉(zhuǎn)發(fā)模塊轉(zhuǎn)發(fā)的秒級(jí)數(shù)據(jù)塊進(jìn)行特征處理。具體處理步驟如下。1）信號(hào)處理模塊接收到t0s的數(shù)據(jù)塊，對(duì)數(shù)據(jù)進(jìn)行消除趨勢(shì)項(xiàng)處理，然后對(duì)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)值計(jì)算，計(jì)算的結(jié)果填入t0s特征值中。2）對(duì)t0s數(shù)據(jù)依次進(jìn)行傅里葉變換、包絡(luò)解調(diào)變換、時(shí)域平均變換、積分變換、小波變化，進(jìn)而得到頻域數(shù)據(jù)（freqdata）、包絡(luò)數(shù)據(jù)（envedata）、時(shí)域平均數(shù)據(jù)（syndata）、積分速度數(shù)據(jù)（veldata）、小波包分解數(shù)據(jù)（waveletdata），并進(jìn)行帶通頻率rms計(jì)算，填入特征值列表中，最后將變換數(shù)據(jù)添加到轉(zhuǎn)發(fā)字典中。3）完成以上工作后將轉(zhuǎn)發(fā)字典數(shù)據(jù)，將特征值數(shù)據(jù)發(fā)送至算法應(yīng)用模塊以及數(shù)據(jù)分析模塊。同時(shí)將特征值數(shù)據(jù)發(fā)送至存儲(chǔ)模塊進(jìn)行存儲(chǔ)。然后清理緩存進(jìn)行下一秒數(shù)據(jù)處理。接收t1s數(shù)據(jù)進(jìn)行以上步驟并不斷重復(fù)，如圖1所示。

數(shù)據(jù)處理后發(fā)送到數(shù)據(jù)分析模塊對(duì)信號(hào)處理模塊發(fā)送過來的轉(zhuǎn)發(fā)字典數(shù)據(jù)進(jìn)行對(duì)應(yīng)的圖形化展示，進(jìn)行局部縮放、roi選取、頻率點(diǎn)選擇、差值計(jì)算等。數(shù)據(jù)分析作為專業(yè)工具來幫助運(yùn)維人員進(jìn)行細(xì)致的故障分析。同時(shí)，當(dāng)進(jìn)行刀頭調(diào)?；蛘咂渌惭b工作時(shí)，可以通過數(shù)據(jù)工具動(dòng)態(tài)的查看特征頻率變化趨勢(shì)、頻率分布變化趨勢(shì)以及對(duì)應(yīng)頻率對(duì)現(xiàn)場(chǎng)動(dòng)作的頻率響應(yīng)，以指導(dǎo)刀頭調(diào)校工作。數(shù)據(jù)分析模塊內(nèi)置報(bào)告模板，將對(duì)應(yīng)的特征、數(shù)據(jù)分布等信息按照?qǐng)D形加文字說明的形式發(fā)送至報(bào)告管理模塊進(jìn)行報(bào)告展示管理。

在板簧左右搖擺運(yùn)動(dòng)過程中，同一周期內(nèi)受到相反方向的交變載荷作用，使板簧頂部、底部固定端位置，板簧存在非對(duì)稱特征的疲勞損傷。當(dāng)轉(zhuǎn)子帶動(dòng)板簧向右偏轉(zhuǎn)時(shí)，由于右側(cè)材料損傷較大，因此導(dǎo)致出現(xiàn)大變形或開裂失效行為，此時(shí)對(duì)緊固支座的沖擊載荷將會(huì)將低，導(dǎo)致振動(dòng)幅值明顯下降；同理，當(dāng)板簧向左偏轉(zhuǎn)時(shí)，對(duì)緊固支座的沖擊載荷作用加強(qiáng)，使振動(dòng)幅值明顯增加。由于偏心曲柄機(jī)構(gòu)是周期性旋轉(zhuǎn)運(yùn)動(dòng)的，因此振幅增大或減小并不會(huì)一直持續(xù)存在，而是存在交替性變化。因此，產(chǎn)生刀頭故障時(shí)振動(dòng)時(shí)域曲線產(chǎn)生明顯變化，其特征值能夠完全反映出設(shè)備的故障狀態(tài)情況，有助于故障判斷與準(zhǔn)確識(shí)別。

2.2 振動(dòng)數(shù)據(jù)特征值計(jì)算

振動(dòng)數(shù)據(jù)的統(tǒng)計(jì)特征值計(jì)算方法如下[5]。

振動(dòng)信號(hào)的有效值、振動(dòng)信號(hào)的峰值、振動(dòng)信號(hào)的峰峰值、振動(dòng)信號(hào)的方差、峭度指標(biāo)、偏斜度指標(biāo)、脈沖指標(biāo)、峰值指標(biāo)如公式（1）～公式（8）所示。

（1）

Peak=max（|x|） （2）

P2P=max（x）-min（x） （3）

（4）

（5）

（6）

（7）

（8）

式中：N為信號(hào)樣本的數(shù)量；xi為振動(dòng)信號(hào)在離散時(shí)間點(diǎn)的幅度；x為振動(dòng)信號(hào)的幅度；μx為振動(dòng)信號(hào)的平均值。

3 振動(dòng)數(shù)據(jù)分析

3.1 振動(dòng)時(shí)域信號(hào)

通過試驗(yàn)獲得正常狀態(tài)、故障狀態(tài)下振動(dòng)時(shí)域信號(hào)，如圖2所示。由圖2（a）可知，振動(dòng)時(shí)域信號(hào)呈現(xiàn)正弦變化趨勢(shì)，振動(dòng)狀態(tài)相對(duì)平穩(wěn)，幅值相對(duì)不高，旋轉(zhuǎn)離心力并未產(chǎn)生明顯的不平衡。由圖2（b）可知，與正常狀態(tài)相比，故障過程中刀頭部件振動(dòng)信號(hào)開始明顯變化，振幅顯著增大，振動(dòng)能量增強(qiáng)，存在部分振動(dòng)能量集中情況。在軸承外圈故障狀態(tài)，此時(shí)由于軸承外圈產(chǎn)生了局部磨損、裂紋等缺陷損傷，軸承旋轉(zhuǎn)過程中受損的部位會(huì)不斷地接觸周圍的環(huán)境，從而產(chǎn)生規(guī)律性的突波信號(hào)，振動(dòng)幅值明顯增加；由于周期性旋轉(zhuǎn)過程的不穩(wěn)定性，因此振動(dòng)時(shí)域信號(hào)依然存在近似正弦周期變化規(guī)律特征。

3.2 振動(dòng)頻域信號(hào)

比較振動(dòng)信號(hào)在正常狀態(tài)和故障狀態(tài)下頻率的分析結(jié)果。正常工況下僅在低頻256.51Hz存在最大幅值，而中高頻區(qū)域的振動(dòng)幅值相對(duì)較低，系統(tǒng)運(yùn)行穩(wěn)定。當(dāng)軸承外圈故障時(shí)，振動(dòng)信號(hào)的中低頻段頻譜幅值明顯上升，在0Hz～2000Hz范圍內(nèi)存在多個(gè)較大幅值，最大幅值時(shí)特征頻率為1436.47Hz，而在中高頻區(qū)域的振動(dòng)幅值比正常工況略有增加，這些變化都是軸承外圈故障的典型特征。當(dāng)板簧疲勞故障時(shí)，低頻、中頻區(qū)域的振動(dòng)幅值變化較大，特別是低頻區(qū)域，存在顯著的幅值增加。但與軸承外圈故障不同，其最大特征頻率為153.91Hz，數(shù)據(jù)略低于正常工況。

3.3 振動(dòng)特征值變化

由上述結(jié)果表明，刀頭部件故障狀態(tài)與振動(dòng)信號(hào)具有明確的關(guān)系，可以通過進(jìn)一步深入分析振動(dòng)時(shí)域信號(hào)的特征參數(shù)，尋找故障狀態(tài)的敏感故障特征。圖3描述了運(yùn)行狀態(tài)的特征參數(shù)比較情況。由圖3可知，與正常狀態(tài)相比，故障狀態(tài)下振動(dòng)信號(hào)的方差緩慢增加，振幅的波動(dòng)越來明顯；均方根值略有增加，振動(dòng)信號(hào)的強(qiáng)度得到增強(qiáng)，振幅有增大的趨勢(shì)。同時(shí)，峭度指標(biāo)表明，故障狀態(tài)下振動(dòng)信號(hào)波形的尖銳程度更高，尾部的高峰值對(duì)數(shù)據(jù)分布產(chǎn)生重要的影響。脈沖指標(biāo)可以看出，故障狀態(tài)下振動(dòng)信號(hào)具有明顯的脈沖特性，峰值與整個(gè)時(shí)間周期內(nèi)信號(hào)能量之比較大。6種特征值參數(shù)相比，當(dāng)?shù)额^部件位于故障狀態(tài)下，其振動(dòng)信號(hào)均方根值和方差變化不大，而偏度、脈沖、峰值和峭度均發(fā)生明顯變化，屬于故障狀態(tài)下的敏感特征值[6]。

對(duì)比2種類型故障，軸承外圈故障狀態(tài)下，軸承外圈存在裂紋、局部磨損等異常情況，導(dǎo)致振動(dòng)信號(hào)形成突變，偏度、脈沖、峰值和峭度等數(shù)據(jù)變化更顯著，對(duì)固定支座的振動(dòng)影響更大。

4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)性、自適應(yīng)性，可以滿足刀頭部件2種故障檢測(cè)的要求。在算法模型管理模塊中，對(duì)樣本管理標(biāo)簽化的數(shù)據(jù)進(jìn)行模型訓(xùn)練，選擇傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)模型[7]，訓(xùn)練結(jié)果在模型評(píng)估模塊進(jìn)行模型效果評(píng)估，選擇最合適的模型作為備選模型庫里的模型。在接收來自刀頭部件振動(dòng)信號(hào)處理模塊的實(shí)時(shí)數(shù)據(jù)的過程中，可以對(duì)某段時(shí)間域內(nèi)的振動(dòng)信號(hào)進(jìn)行處理，將刀頭部件振動(dòng)信號(hào)的偏度、脈沖、峰值和特征頻率等4個(gè)關(guān)鍵特征值作為輸入層神經(jīng)網(wǎng)絡(luò)的輸入，根據(jù)實(shí)時(shí)振動(dòng)信號(hào)數(shù)據(jù)不斷更新這些關(guān)鍵特征值，建立算法模型并進(jìn)行模型訓(xùn)練，形成刀頭部件故障診斷模型，對(duì)故障類型進(jìn)行實(shí)時(shí)預(yù)測(cè)。

通過自定義編寫程序的方式來構(gòu)建BP神經(jīng)網(wǎng)絡(luò)模型，分別構(gòu)建了單隱含層BP神經(jīng)網(wǎng)絡(luò)與雙隱含層BP神經(jīng)網(wǎng)絡(luò)。設(shè)置每層隱含層的神經(jīng)元個(gè)數(shù)為5，節(jié)點(diǎn)傳遞函數(shù)為線性傳遞函數(shù)purelin，訓(xùn)練函數(shù)為trainlm函數(shù)，迭代次數(shù)最多為500，學(xué)習(xí)率為0.1。主要的模型訓(xùn)練結(jié)果見表1。由表1可知，偏度、脈沖、峰值、特征頻率等參數(shù)是描述刀頭部件運(yùn)行狀態(tài)的關(guān)鍵特征參數(shù)，根據(jù)實(shí)時(shí)振動(dòng)信號(hào)獲得這些參數(shù)并作為神經(jīng)網(wǎng)絡(luò)輸入端，可以準(zhǔn)確預(yù)測(cè)刀頭部件故障類型，準(zhǔn)確率較高[8]。

5 結(jié)語

濾棒成型機(jī)刀頭部件的振動(dòng)數(shù)據(jù)與故障狀態(tài)具有明顯的關(guān)聯(lián)關(guān)系，故障狀態(tài)下形成明顯的振動(dòng)現(xiàn)象，根據(jù)振動(dòng)數(shù)據(jù)評(píng)價(jià)刀頭部件的故障狀態(tài)是可行的方法。刀頭部件的振動(dòng)數(shù)據(jù)處理獲得的數(shù)據(jù)特征值和評(píng)價(jià)指標(biāo)能夠準(zhǔn)確描述刀頭故障狀態(tài)下的振動(dòng)特征，識(shí)別故障狀態(tài)，可以評(píng)價(jià)運(yùn)行狀態(tài)的穩(wěn)定性。本文開發(fā)了故障預(yù)測(cè)模型，充分借助了故障狀態(tài)下振動(dòng)信號(hào)的關(guān)鍵特征值的變化規(guī)律，實(shí)現(xiàn)刀頭部件疲勞損傷性能的實(shí)時(shí)監(jiān)測(cè)，對(duì)確保刀頭部件安全穩(wěn)定運(yùn)行具有重要意義。

參考文獻(xiàn)

[1]王淑敏.民航企業(yè)數(shù)字化和智能化管理的幾點(diǎn)思考[J].民航學(xué)報(bào)，2024，8（3）：167-169.

[2]許加兵.振動(dòng)數(shù)據(jù)采集分析裝置中的DSP系統(tǒng)的開發(fā)[J].儀器儀表學(xué)報(bào)，2001，22（合刊1）：406-408.

[3]徐奧迪，高利霞，趙妍琛，等.集成式軸承狀態(tài)實(shí)時(shí)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)[J].儀表技術(shù)與傳感器，2024（4）：43-47.

[4]徐文濤.燃?xì)廨啓C(jī)振動(dòng)數(shù)據(jù)采集及分析[J].燃?xì)廨啓C(jī)技術(shù)，2022，35（3）：38-41.

[5]全恩懋，秦小平，許宏科，等.基于自適應(yīng)加權(quán)的多傳感器實(shí)時(shí)數(shù)據(jù)特征值提取[J].重慶郵電大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，35（2）：368-376.

[6]安增輝，江星星，楊蕊，等.非完備數(shù)據(jù)集下的標(biāo)準(zhǔn)自學(xué)習(xí)數(shù)據(jù)增強(qiáng)滾動(dòng)軸承故障診斷方法[J].振動(dòng)工程學(xué)報(bào)，2024，37（4）：667-676.

[7]章玉珠，張康雷，孫哲煜，等.基于BP神經(jīng)網(wǎng)絡(luò)X頻段調(diào)制器故障預(yù)測(cè)[J].飛控與探測(cè)，2024，7（1）：58-61.

[8]邱鐵成.基于BP神經(jīng)網(wǎng)絡(luò)的橋式起重機(jī)主梁故障預(yù)測(cè)和評(píng)估[J].港口科技，2022（8）：23-26.