本發(fā)明涉及煙草通用輸送設(shè)備故障診斷的，更具體地，涉及一種煙絲振動輸送機(jī)的故障診斷方法。

背景技術(shù)：

1、煙絲的輸送設(shè)備主要是皮帶輸送機(jī)和振動輸送機(jī)，其中皮帶輸送機(jī)的輸送能力很穩(wěn)定，但是振動輸送機(jī)由于其振動式的工作狀態(tài)，經(jīng)常會因其零部件工作狀態(tài)異常而影響其輸送能力。振動輸送機(jī)電機(jī)帶輪磨損、減震套磨損、減震彈簧疲勞失效會影響動平衡，使振動輸送機(jī)的輸送能力下降，容易造成堵料，一旦堵料，煙絲會長時間暴露在空氣中，嚴(yán)重影響煙絲的填充能力和感官質(zhì)量。因此，如何對振動輸送機(jī)的工作狀態(tài)異常做出及時預(yù)警以及準(zhǔn)確定位故障位置，降低生產(chǎn)成本、減少維修時間，具有重要的意義。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種煙絲振動輸送機(jī)的故障診斷方法，解決現(xiàn)有煙絲振動輸送機(jī)存在故障時不能及時得到預(yù)警和診斷，易造成堵料的問題，能提高故障類型識別的精準(zhǔn)性，降低生產(chǎn)成本、減少維修時間。

2、為實現(xiàn)以上目的，本發(fā)明提供以下技術(shù)方案：

3、一種煙絲振動輸送機(jī)的故障診斷方法，包括：

4、在振動輸送機(jī)預(yù)設(shè)位置設(shè)置振動傳感器，以采集振動輸送機(jī)在不同工作狀態(tài)下的振動信號；

5、基于改進(jìn)集合經(jīng)驗?zāi)B(tài)分解算法eemd對采集的所述振動信號進(jìn)行分解；

6、基于峭度和相關(guān)系數(shù)準(zhǔn)則對分解得到的imf分量篩選，之后重構(gòu)信號并構(gòu)建特征向量；

7、將構(gòu)建的特征向量分為訓(xùn)練樣本和測試樣本，將訓(xùn)練樣本作為觀測序列輸入到隱馬爾可夫模型hmm中進(jìn)行訓(xùn)練，得到改進(jìn)eemd-hmm模型，將測試樣本輸入改進(jìn)eemd-hmm模型進(jìn)行狀態(tài)識別，完成對振動輸送機(jī)的故障診斷。

8、優(yōu)選的，所述采集振動輸送機(jī)在不同工作狀態(tài)下的振動信號，包括：振動輸送機(jī)電機(jī)帶輪磨損、減震套磨損以及減震彈簧疲勞失效三種工作狀態(tài)下的振動信號。

9、優(yōu)選的，所述基于改進(jìn)集合經(jīng)驗?zāi)B(tài)分解算法eemd對采集的所述振動信號進(jìn)行分解，包括：

10、利用細(xì)菌覓食算法bfa對集合經(jīng)驗?zāi)B(tài)分解算法eemd進(jìn)行參數(shù)尋優(yōu)，以eemd分解結(jié)果的標(biāo)準(zhǔn)差為目標(biāo)函數(shù)，在歷經(jīng)趨向性操作、復(fù)制操作以及遷徙操作后，通過對適應(yīng)度值的計算、比較與更新，找到影響eemd分解效果最重要的兩個參數(shù)白噪聲幅值系數(shù)nstd和總體平均次數(shù)ne的最佳組合；

11、將振動信號經(jīng)優(yōu)化eemd分解，每種狀態(tài)的振動信號經(jīng)分解會得到一系列imf分量和一個殘余分量。

12、優(yōu)選的，所述利用細(xì)菌覓食算法bfa對集合經(jīng)驗?zāi)B(tài)分解算法eemd進(jìn)行參數(shù)尋優(yōu)，包括：

13、對bfa中的種群規(guī)模s、趨向性操作次數(shù)、復(fù)制操作次數(shù)、遷徙操作次數(shù)、遷徙概率、趨向操作單向運動最大步數(shù)的參數(shù)進(jìn)行初始化；

14、導(dǎo)入振動信號數(shù)據(jù)，之后隨機(jī)生成s組（nstd，ne）坐標(biāo)作為細(xì)菌的初始位置；

15、將每一組坐標(biāo)都帶入至適應(yīng)度函數(shù)中進(jìn)行計算，得到標(biāo)準(zhǔn)差。

16、優(yōu)選的，所述基于峭度和相關(guān)系數(shù)準(zhǔn)則對分解得到的imf分量篩選，之后重構(gòu)信號并構(gòu)建特征向量，包括：

17、假設(shè)信號經(jīng)分解得到的任意一個imf分量為一個離散的序列，那么此離散序列的峭度公式為：

18、，其中，為離散序列的均值，為離散序列的標(biāo)準(zhǔn)差，n為離散序列包含的信號個數(shù)；

19、假設(shè)采集的原始信號為離散序列,原始信號經(jīng)分解得到的任意一個imf分量為，那么二者的相關(guān)系數(shù)為：

20、，其中，u代表離散序列和包含的信號個數(shù)，代表離散序列的平均值，代表離散序列的平均值；

21、計算出每個imf分量的峭度和相關(guān)系數(shù)，將峭度和相關(guān)系數(shù)均較大的前五階分量篩選出來，將篩選出來的分量定義為，其中r是篩選得到的分量的序號，b是篩選得到的分量所包含元素的序號，進(jìn)行信號重構(gòu)；

22、定義重構(gòu)信號中每個分量的能量為，求出所有篩選出來的分量所對應(yīng)的能量，然后進(jìn)行求和，即：

23、，其中，r是以峭度和相關(guān)系數(shù)準(zhǔn)則篩選出的分量的總個數(shù)；

24、求出各分量的能量與總能量的比值，即能量占比，構(gòu)造能量特征序列x，即：；

25、運用lloyds算法對得到的能量特征序列x進(jìn)行標(biāo)量量化，最終得到特征向量。

26、優(yōu)選的，所述將構(gòu)建的特征向量分為訓(xùn)練樣本和測試樣本，包括：

27、將構(gòu)建的特征向量按照5:5分為訓(xùn)練樣本和測試樣本。

28、優(yōu)選的，所述將測試樣本輸入改進(jìn)eemd-hmm模型進(jìn)行狀態(tài)識別，完成對振動輸送機(jī)的故障診斷，包括：

29、將振動輸送機(jī)的特征向量輸入到訓(xùn)練完成的改進(jìn)eemd-hmm模型中，此時每個模型將會根據(jù)特征向量計算出一個對數(shù)似然概率，其中計算的對數(shù)似然概率最大的模型所對應(yīng)的狀態(tài)即為振動輸送機(jī)當(dāng)前的故障類型。

30、優(yōu)選的，所述故障類型，包括：電機(jī)帶輪磨損、減震套磨損、減振彈簧疲勞失效。

31、本發(fā)明提供一種煙絲振動輸送機(jī)的故障診斷方法及系統(tǒng)，提出了一種利用bfa（細(xì)菌覓食算法）優(yōu)化eemd的模型，利用優(yōu)化前后的模型對振動信號進(jìn)行分解對比，從分量個數(shù)、重構(gòu)誤差以及分解效率上驗證了優(yōu)化模型的優(yōu)越性，最后，利用bfa-eemd與hmm結(jié)合的模型進(jìn)行訓(xùn)練和識別對比，以對故障類型進(jìn)行準(zhǔn)確識別，解決現(xiàn)有煙絲振動輸送機(jī)存在故障時不能及時得到預(yù)警和診斷，易造成堵料的問題，能提高故障類型識別的精準(zhǔn)性，降低生產(chǎn)成本、減少維修時間。

技術(shù)特征：

1.一種煙絲振動輸送機(jī)的故障診斷方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的煙絲振動輸送機(jī)的故障診斷方法，其特征在于，所述采集振動輸送機(jī)在不同工作狀態(tài)下的振動信號，包括：振動輸送機(jī)電機(jī)帶輪磨損、減震套磨損以及減震彈簧疲勞失效三種工作狀態(tài)下的振動信號。

3.根據(jù)權(quán)利要求2所述的煙絲振動輸送機(jī)的故障診斷方法，其特征在于，所述基于改進(jìn)集合經(jīng)驗?zāi)B(tài)分解算法eemd對采集的所述振動信號進(jìn)行分解，包括：

4.根據(jù)權(quán)利要求3所述的煙絲振動輸送機(jī)的故障診斷方法，其特征在于，所述利用細(xì)菌覓食算法bfa對集合經(jīng)驗?zāi)B(tài)分解算法eemd進(jìn)行參數(shù)尋優(yōu)，包括：

5.根據(jù)權(quán)利要求4所述的煙絲振動輸送機(jī)的故障診斷方法，其特征在于，所述基于峭度和相關(guān)系數(shù)準(zhǔn)則對分解得到的imf分量篩選，之后重構(gòu)信號并構(gòu)建特征向量，包括：

6.根據(jù)權(quán)利要求5所述的煙絲振動輸送機(jī)的故障診斷方法，其特征在于，所述將構(gòu)建的特征向量分為訓(xùn)練樣本和測試樣本，包括：

7.根據(jù)權(quán)利要求6所述的煙絲振動輸送機(jī)的故障診斷方法，其特征在于，所述將測試樣本輸入改進(jìn)eemd-hmm模型進(jìn)行狀態(tài)識別，完成對振動輸送機(jī)的故障診斷，包括：

8.根據(jù)權(quán)利要求7所述的煙絲振動輸送機(jī)的故障診斷方法，其特征在于，所述故障類型，包括：電機(jī)帶輪磨損、減震套磨損、減振彈簧疲勞失效。

技術(shù)總結(jié)
本發(fā)明公開了一種煙絲振動輸送機(jī)的故障診斷方法，包括：在振動輸送機(jī)預(yù)設(shè)位置設(shè)置振動傳感器，以采集振動輸送機(jī)在不同工作狀態(tài)下的振動信號；基于改進(jìn)集合經(jīng)驗?zāi)B(tài)分解算法EEMD對采集的所述振動信號進(jìn)行分解；基于峭度和相關(guān)系數(shù)準(zhǔn)則對分解得到的IMF分量篩選，之后重構(gòu)信號并構(gòu)建特征向量；將構(gòu)建的特征向量分為訓(xùn)練樣本和測試樣本，將訓(xùn)練樣本作為觀測序列輸入到隱馬爾可夫模型HMM中進(jìn)行訓(xùn)練，得到改進(jìn)EEMD?HMM模型，將測試樣本輸入改進(jìn)EEMD?HMM模型進(jìn)行狀態(tài)識別，完成對振動輸送機(jī)的故障診斷。本發(fā)明能提高故障類型識別的精準(zhǔn)性，降低生產(chǎn)成本、減少維修時間。

技術(shù)研發(fā)人員：王海鋒,王軼楠,馬媛媛,牛熙明,鄭竹風(fēng),張潤澤,徐衛(wèi)東,魯培巖,朱永建,郝識宇,霍嘉豪
受保護(hù)的技術(shù)使用者：河南中煙工業(yè)有限責(zé)任公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/30