基于振動信號的濾棒成型機刀頭部件故障預警系統研究

摘 要：針對濾棒成型機刀頭部件故障不易檢測的難題，本文提出了一種基于振動信號的濾棒成型機刀頭部件故障預警新方法。在刀頭部件位置加裝振動傳感器，建立了數據采集方法獲取高頻振動信號，開展信號處理得到振動數據分析和轉化，根據振動信號轉化的時域信號和頻域信號及特征值的評價，實時監測刀頭部件疲勞損傷性能，準確識別故障狀態，提高了濾棒成型機刀頭部件的工作穩定性，對確保煙草生產的穩定、高效具有重要現實意義。

關鍵詞：煙草；刀頭部件；振動特征值；故障診斷；神經網絡算法

中圖分類號：TP 391 文獻標志碼：A

刀頭部件是濾棒成型機的關鍵組成部分，高速運動的刀頭部件容易產生工作疲勞，導致事故發生。因此，對濾棒成型機刀頭部件進行故障監測非常有必要[1]。振動信號是旋轉機械故障檢測的典型信號，它易于獲取、實時高效，通過刀頭部件的振動信號判斷其工作故障狀態是一種切實可行的檢測方法，可以準確識別運行狀態的刀頭部件故障特征[2]。本文基于濾棒成型機的智能化管理系統中的狀態監測功能，通過在成型機刀頭部件加裝高頻振動傳感器采集相應的振動信號，通過信息收集和轉化得到高頻的振動基礎數據，結合刀頭部件的結構特點，設定特征值庫，提取與刀頭部件相關的振動數據，建立神經網絡預測算法模型，探索了基于振動信號開展濾棒成型機刀頭部件故障預警的可行性，為刀頭部件安全穩定運行提供了可行的在線監測方法[3]。

1 系統框架

濾棒成型機刀頭振動檢測系統主要由硬件和軟件2個部分組成。

硬件部分：主要包括振動和溫度傳感器、IPC工控機、數據采集卡和顯示器等。其中，振動傳感器采集的高頻信號，其采樣頻率為12800Hz，通過數據采集卡采集到數采模塊，數采模塊通過配置文件配置相關的數據采集方式。

軟件部分：主要包括數據采集模塊、信號處理模塊、數據分析模塊、算法模型管理模塊和告警模塊。軟件部分對存儲數據進行信號處理，用于構建基于神經網絡的故障預測算法模型，同時對數據樣本進行管理，獲取樣本模型訓練的實時數據，對模型算法結果進行實時評估。外部數據分析后可以形成相關報告，對實時數據進行展示。

2 振動數據采集原理

2.1 振動數據采集流程

故障診斷系統中數據采集模塊按照秒級對傳感器發出的高頻數據流進行分塊，將數據按照連續的秒級數據塊進行轉發，將接收到的電流信號進行單位換算成振動數據后轉發到其他功能模塊，同時將高頻數據實時存儲到本地，確保數據采集連續無斷點[4]。

采集數據發送到信號處理模塊后對數據轉發模塊轉發的秒級數據塊進行特征處理。具體處理步驟如下。1）信號處理模塊接收到t0s的數據塊，對數據進行消除趨勢項處理，然后對數據進行統計值計算，計算的結果填入t0s特征值中。2）對t0s數據依次進行傅里葉變換、包絡解調變換、時域平均變換、積分變換、小波變化，進而得到頻域數據（freqdata）、包絡數據（envedata）、時域平均數據（syndata）、積分速度數據（veldata）、小波包分解數據（waveletdata），并進行帶通頻率rms計算，填入特征值列表中，最后將變換數據添加到轉發字典中。3）完成以上工作后將轉發字典數據，將特征值數據發送至算法應用模塊以及數據分析模塊。同時將特征值數據發送至存儲模塊進行存儲。然后清理緩存進行下一秒數據處理。接收t1s數據進行以上步驟并不斷重復，如圖1所示。

數據處理后發送到數據分析模塊對信號處理模塊發送過來的轉發字典數據進行對應的圖形化展示，進行局部縮放、roi選取、頻率點選擇、差值計算等。數據分析作為專業工具來幫助運維人員進行細致的故障分析。同時，當進行刀頭調校或者其他安裝工作時，可以通過數據工具動態的查看特征頻率變化趨勢、頻率分布變化趨勢以及對應頻率對現場動作的頻率響應，以指導刀頭調校工作。數據分析模塊內置報告模板，將對應的特征、數據分布等信息按照圖形加文字說明的形式發送至報告管理模塊進行報告展示管理。

在板簧左右搖擺運動過程中，同一周期內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，板簧存在非對稱特征的疲勞損傷。當轉子帶動板簧向右偏轉時，由于右側材料損傷較大，因此導致出現大變形或開裂失效行為，此時對緊固支座的沖擊載荷將會將低，導致振動幅值明顯下降；同理，當板簧向左偏轉時，對緊固支座的沖擊載荷作用加強，使振動幅值明顯增加。由于偏心曲柄機構是周期性旋轉運動的，因此振幅增大或減小并不會一直持續存在，而是存在交替性變化。因此，產生刀頭故障時振動時域曲線產生明顯變化，其特征值能夠完全反映出設備的故障狀態情況，有助于故障判斷與準確識別。

2.2 振動數據特征值計算

振動數據的統計特征值計算方法如下[5]。

振動信號的有效值、振動信號的峰值、振動信號的峰峰值、振動信號的方差、峭度指標、偏斜度指標、脈沖指標、峰值指標如公式（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為信號樣本的數量；xi為振動信號在離散時間點的幅度；x為振動信號的幅度；μx為振動信號的平均值。

3 振動數據分析

3.1 振動時域信號

通過試驗獲得正常狀態、故障狀態下振動時域信號，如圖2所示。由圖2（a）可知，振動時域信號呈現正弦變化趨勢，振動狀態相對平穩，幅值相對不高，旋轉離心力并未產生明顯的不平衡。由圖2（b）可知，與正常狀態相比，故障過程中刀頭部件振動信號開始明顯變化，振幅顯著增大，振動能量增強，存在部分振動能量集中情況。在軸承外圈故障狀態，此時由于軸承外圈產生了局部磨損、裂紋等缺陷損傷，軸承旋轉過程中受損的部位會不斷地接觸周圍的環境，從而產生規律性的突波信號，振動幅值明顯增加；由于周期性旋轉過程的不穩定性，因此振動時域信號依然存在近似正弦周期變化規律特征。

3.2 振動頻域信號

比較振動信號在正常狀態和故障狀態下頻率的分析結果。正常工況下僅在低頻256.51Hz存在最大幅值，而中高頻區域的振動幅值相對較低，系統運行穩定。當軸承外圈故障時，振動信號的中低頻段頻譜幅值明顯上升，在0Hz～2000Hz范圍內存在多個較大幅值，最大幅值時特征頻率為1436.47Hz，而在中高頻區域的振動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。當板簧疲勞故障時，低頻、中頻區域的振動幅值變化較大，特別是低頻區域，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，數據略低于正常工況。

3.3 振動特征值變化

由上述結果表明，刀頭部件故障狀態與振動信號具有明確的關系，可以通過進一步深入分析振動時域信號的特征參數，尋找故障狀態的敏感故障特征。圖3描述了運行狀態的特征參數比較情況。由圖3可知，與正常狀態相比，故障狀態下振動信號的方差緩慢增加，振幅的波動越來明顯；均方根值略有增加，振動信號的強度得到增強，振幅有增大的趨勢。同時，峭度指標表明，故障狀態下振動信號波形的尖銳程度更高，尾部的高峰值對數據分布產生重要的影響。脈沖指標可以看出，故障狀態下振動信號具有明顯的脈沖特性，峰值與整個時間周期內信號能量之比較大。6種特征值參數相比，當刀頭部件位于故障狀態下，其振動信號均方根值和方差變化不大，而偏度、脈沖、峰值和峭度均發生明顯變化，屬于故障狀態下的敏感特征值[6]。

對比2種類型故障，軸承外圈故障狀態下，軸承外圈存在裂紋、局部磨損等異常情況，導致振動信號形成突變，偏度、脈沖、峰值和峭度等數據變化更顯著，對固定支座的振動影響更大。

4 神經網絡預測模型

神經網絡具有自學習性、自適應性，可以滿足刀頭部件2種故障檢測的要求。在算法模型管理模塊中，對樣本管理標簽化的數據進行模型訓練，選擇傳統的BP神經網絡模型[7]，訓練結果在模型評估模塊進行模型效果評估，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信號處理模塊的實時數據的過程中，可以對某段時間域內的振動信號進行處理，將刀頭部件振動信號的偏度、脈沖、峰值和特征頻率等4個關鍵特征值作為輸入層神經網絡的輸入，根據實時振動信號數據不斷更新這些關鍵特征值，建立算法模型并進行模型訓練，形成刀頭部件故障診斷模型，對故障類型進行實時預測。

通過自定義編寫程序的方式來構建BP神經網絡模型，分別構建了單隱含層BP神經網絡與雙隱含層BP神經網絡。設置每層隱含層的神經元個數為5，節點傳遞函數為線性傳遞函數purelin，訓練函數為trainlm函數，迭代次數最多為500，學習率為0.1。主要的模型訓練結果見表1。由表1可知，偏度、脈沖、峰值、特征頻率等參數是描述刀頭部件運行狀態的關鍵特征參數，根據實時振動信號獲得這些參數并作為神經網絡輸入端，可以準確預測刀頭部件故障類型，準確率較高[8]。

5 結語

濾棒成型機刀頭部件的振動數據與故障狀態具有明顯的關聯關系，故障狀態下形成明顯的振動現象，根據振動數據評價刀頭部件的故障狀態是可行的方法。刀頭部件的振動數據處理獲得的數據特征值和評價指標能夠準確描述刀頭故障狀態下的振動特征，識別故障狀態，可以評價運行狀態的穩定性。本文開發了故障預測模型，充分借助了故障狀態下振動信號的關鍵特征值的變化規律，實現刀頭部件疲勞損傷性能的實時監測，對確保刀頭部件安全穩定運行具有重要意義。

參考文獻

[1]王淑敏.民航企業數字化和智能化管理的幾點思考[J].民航學報，2024，8（3）：167-169.

[2]許加兵.振動數據采集分析裝置中的DSP系統的開發[J].儀器儀表學報，2001，22（合刊1）：406-408.

[3]徐奧迪，高利霞，趙妍琛，等.集成式軸承狀態實時監測系統設計[J].儀表技術與傳感器，2024（4）：43-47.

[4]徐文濤.燃氣輪機振動數據采集及分析[J].燃氣輪機技術，2022，35（3）：38-41.

[5]全恩懋，秦小平，許宏科，等.基于自適應加權的多傳感器實時數據特征值提取[J].重慶郵電大學學報（自然科學版），2023，35（2）：368-376.

[6]安增輝，江星星，楊蕊，等.非完備數據集下的標準自學習數據增強滾動軸承故障診斷方法[J].振動工程學報，2024，37（4）：667-676.

[7]章玉珠，張康雷，孫哲煜，等.基于BP神經網絡X頻段調制器故障預測[J].飛控與探測，2024，7（1）：58-61.

[8]邱鐵成.基于BP神經網絡的橋式起重機主梁故障預測和評估[J].港口科技，2022（8）：23-26.