在现代畜牧业发展中，饲料加工是至关重要的物质基础，而挤压膨化技术凭借其独特优势已成为行业主流工艺。然而，当前市场主流膨化机的智能化水平普遍较低，运行中极易出现腔体堵塞、刀具磨损等故障。一旦发生严重堵塞，往往需要人工拆卸清理高温腔体，这不仅效率低下，更给操作人员带来严重的安全隐患。如何构建一套高智能、稳定可靠的故障诊断系统，在降低人工排查风险的同时提升生产效率，成为行业亟待解决的难题。
针对这一痛点，南京农业大学工程学院王勇建副教授与冯学斌副教授团队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。该研究通过融合多源信息，将温度、噪声、主电机电流及关键部件振动信号等监测数据整合，构建出能够同时捕捉局部特征与全局关联的智能诊断模型。相关成果已发表于《农业科学与工程前沿》（Frontiers of Agricultural Science and Engineering）。
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、噪声、电流及称重传感器在内的7类监测设备，实现了对设备运行状态的全面感知。采集的数据经由树莓派4B处理器处理后，利用贝叶斯优化算法对模型超参数进行调优，随后输入至融合卷积神经网络（CNN）与多头注意力机制（MHA）的深度学习框架中。
在这一架构中，CNN负责从数据中提取局部特征，如振动信号的高频成分和温度变化趋势；而MHA则通过多注意力头的并行计算，捕捉不同特征间的全局关联，例如腔体温度与饲料湿度共同作用对堵塞故障的影响。这种设计有效克服了传统依赖单一信号源、特征提取不完整的局限，显著提升了模型识别复杂故障模式的能力。
为验证系统性能，团队于2023年12月至2024年1月期间，收集了4760组涵盖正常运行及7种故障状态的膨化机运行数据。通过特征相关性分析与SHAP值重要性评估，锁定了腔体温度、饲料湿度及环境温度等关键影响因素，并优化了传感器组合方案。实验结果显示，BO-CNN-MHA模型在测试集上的整体准确率达到99.4%，对正常运行、轻微堵塞及入口堵塞等状态的识别准确率更是高达****。在实际工况验证中，针对1645组平衡采样数据，系统平均识别率为98.8%，其中入口堵塞识别率达99.1%，螺杆松动与严重刀具磨损识别率均超98%，性能优于传统ANN、BP神经网络及单CNN模型，完全满足实际生产中的实时诊断需求。
该系统的推广应用将大幅降低对人工排查膨化机故障的依赖，有效减少因拆卸高温腔体引发的安全事故。与台湾IDAH公司的连续润滑系统或瑞士布勒（Bühler）公司的停机分析工具相比，该系统通过多源数据融合与AI算法，实现了对故障类型的精准分类与早期预警，为饲料加工企业提供了更具前瞻性的智能化解决方案。对于中国饲料机械行业而言，这一技术路径表明，从单一硬件维护向“数据驱动+算法预测”的主动式健康管理转型，将是未来提升设备可靠性与竞争力的关键方向。