如何提升膨化机故障诊断准确率？

在现代畜牧业发展中，饲料工业是关键的物质基础，而挤压膨化技术凭借独特优势成为主流饲料的加工技术之一。然而，当前市场上的膨化机智能化水平较低，在运行过程中易出现腔体堵塞、刀具磨损等故障。一旦发生严重堵塞，需人工拆卸清理膨化腔，而腔体高温可能导致操作人员受伤，存在显著安全风险。如何开发一套高智能、稳定可靠的膨化机故障诊断系统，以减少人工排查风险并提高生产效率呢？

南京农业大学工学院王永健副教授和冯学斌副教授等提出了一种基于贝叶斯优化卷积神经网络与多头注意力机制（BO-CNN-MHA）的膨化机故障诊断系统。该系统通过多源信息融合技术，整合温度、噪声、主电机电流及关键部件振动信号等监测数据，构建了能同时捕捉局部与全局特征的智能诊断模型。相关文章已发表于《农业科学与工程前沿》（英文）（DOI: 10.15302/J-FASE-2025634）。

该系统的核心在于多源传感器信号的协同分析。研究团队在膨化机上部署了7类监测传感器，包括PT100温度传感器、SHT20饲料温湿度传感器、SLS132R-25环境温湿度传感器、振动传感器、噪声传感器、电流传感器及称重传感器等，实现对设备运行状态的全方位感知。这些数据经树莓派4B处理器采集后，通过贝叶斯优化算法对模型超参数进行优化，再输入卷积神经网络（CNN）与多头注意力机制（MHA）融合的深度学习框架。

CNN负责提取数据中的局部特征，如振动信号的高频分量和温度变化趋势；MHA则通过并行计算多个注意力头，捕捉不同特征之间的全局关联，例如腔体温度与饲料湿度对堵塞故障的综合影响。这种结构设计解决了传统故障诊断方法依赖单一信号、特征提取不全面的问题，提升了模型对复杂故障模式的识别能力。

为验证系统性能，研究团队在2023年12月至2024年1月期间采集了4760组膨化机运行数据，涵盖正常运行及7类故障状态。通过特征相关性分析和SHAP值重要性评估，筛选出腔体温度、饲料湿度、环境温度等关键影响因素，并优化传感器组合。

实验结果显示，BO-CNN-MHA模型在测试集上的总体准确率达99.4%，其中正常运行、轻微堵塞、进料口堵塞等状态识别准确率达100%。在实际工况验证中，系统对1645组平衡采样数据的平均识别率为98.8%，其中进料口堵塞识别率99.1%，螺杆松动和严重刀具磨损识别率均超过98%。这一性能优于传统ANN、BP神经网络及单一CNN模型，且满足膨化机实际生产中的实时诊断需求。

该系统的推广应用将显著降低膨化机故障排查的人工依赖，减少因高温腔体拆卸导致的安全事故。与台湾IDAH公司的连续润滑系统、瑞士布勒公司的停机时间分析工具等现有技术相比，该系统通过多源数据融合与AI算法，实现了故障类型的精准分类和提前预警，为饲料加工企业提供了智能化解决方案。