基于物联网的卷烟设备状态监测研究

摘要： 卷烟机械作为烟草工业的核心生产力，其运行状态直接决定了产品的质量稳定性与生产效率。随着工业物联网（IIoT）技术的迅猛发展，传统的定期维保模式正加速向智能化、预测性的实时监测模式转型。本文系统提出了一套基于物联网架构的卷烟设备状态监测方案，详细阐述了感知层、网络层及应用层的层级设计逻辑。通过引入多传感器融合技术与深度学习算法，研究了卷烟机关键部件振动特征的提取与故障分类机制。实践表明，该系统能够显著提升设备故障识别的准确率，缩短非计划停机时间。本文的研究为烟草企业构建数字化车间、实现设备全生命周期管理提供了理论支撑与技术参考。

关键词：物联网；卷烟设备；状态监测；边缘计算；预测性维护

1 引言

卷烟生产是一项高度精密且高速化的工业过程，现代卷烟机组如 ZJ117 等型号的运行速度已达到每分钟万支以上。在这种极端工况下，设备内部的鼓轮、刀盘、轴承等关键旋转部件极易因磨损、疲劳或润滑不良产生微小偏差，进而引发产品吸阻不均、空头等质量缺陷。传统的维护模式多依赖于技师的“听、摸、看”经验或基于时间的预防性检修，不仅存在明显的滞后性，还极易导致过度维修或维修不足。物联网技术的兴起为破解这一难题提供了契机。通过构建实时感知、高速传输与智能决策的闭环体系，企业能够精准掌握设备的“健康脉搏”，从根本上改变售后保障的被动局面，推动烟草工业向智能化迈进。

2 基于物联网的卷烟设备监测系统架构设计

2.1 感知层：多传感器融合的设备工况数据采集

在卷烟设备物联网体系中，感知层是获取原始物理信号的触角。由于卷烟机结构极其复杂且运行空间受限，单一类型的传感器难以覆盖所有潜在故障模式。本文设计的采集方案采用了多传感器融合技术，在卷烟机的驱动电机、切刀主轴、烟支吸放鼓轮等核心部位，针对性地布置了高频振动加速度传感器、红外温度传感器、声发射传感器及精密压力变送器。针对卷烟机高速转动产生的非线性信号，系统在采集端引入了同步采样技术，确保振动数据与转速脉冲在时域上高度对齐。通过对多种物理量（如振动的振幅、关键节点的温升、真空压力的脉动频率）的联合监测，感知层能够形成对设备运行状态的立体化“数字写实”。

2.2 网络层：高并发环境下的工业无线通信与边缘计算

由于烟草车间内部金属设备密集、电磁环境复杂，且高频率采集产生的数据量呈指数级增长，网络层必须兼顾传输的实时性与稳定性。本文方案采用工业以太网结合 5G 专网的混合架构，确保高并发数据的低延迟回传。为了缓解云端存储压力，系统在车间侧部署了边缘计算网关。边缘侧负责执行信号预处理任务，包括快速傅里叶变换（FFT）、自相关分析及数据降维。通过在边缘侧直接识别并过滤掉 90% 以上的平稳运行数据，仅将包含异常特征的波动数据和周期性的“健康快照”上传至云端。这种“端-边-云”协同的架构，极大优化了带宽利用率，并保证了在毫秒级触发异常报警。

2.3 应用层：状态可视化与决策支持平台构建

应用层作为人机交互的终端，其核心功能是将底层复杂的数据转化为直观的决策建议。该平台构建了基于数字孪生的设备状态可视化看板，实时展现每台卷烟机的负载率、关键轴承的包络谱图及温升趋势。应用层集成了设备健康档案管理模块，能够自动关联每台机器的维修记录与历史工况。通过对历史故障模式的聚类分析，平台可以为维修班组提供精准的派单建议。例如，当系统识别到 ZJ116 机组刀盘振动频率异常时，会自动推送该部件的备件库存状态及更换操作指导视频。这种从“数据可视化”到“管理智能化”的跨越，实现了卷烟设备运维效率的结构性提升。

3 卷烟设备状态特征提取与故障识别算法研究

3.1 基于时频域分析的机械振动特征提取逻辑

机械振动信号是反映卷烟机运行状态的最直接指标，但高速运转带来的复杂背景噪声常常淹没真实的故障特征。本文研究利用小波分解与经验模态分解（EMD）相结合的方法，对原始信号进行多尺度解构。在频域分析中，通过提取信号的重心频率、频率均方根等统计指标，能够定量描述设备磨损过程中的能量分布变化。例如，当切刀轴承出现点蚀故障时，其特有的冲击脉冲会在高频段激发共振。通过包络检波技术，算法可以准确锁定故障特征频率及其倍频成分，从而在故障尚未对产品质量产生实质性影响前，精准捕捉到零部件微观损伤的信号特征。

3.2 深度学习模型在卷烟设备故障分类中的应用

针对传统故障诊断中过度依赖人工经验设阈值的局限，本文引入了卷积神经网络（CNN）与长短期记忆网络（LSTM）的融合模型。CNN 负责从二维化的振动频谱图中提取空间拓扑特征，识别典型的故障模式；而 LSTM 则利用其强大的时间序列建模能力，捕捉状态参数随时间演化的动态规律。通过对成千上万组卷烟机正常运行与典型故障（如润滑失效、皮带松动、鼓轮对正不良）的数据训练，模型能够自动建立从原始信号到故障类别的非线性映射。这种端到端的智能诊断机制，将故障分类的准确率提升至 95% 以上，大幅降低了由于技师水平参差不齐带来的判断误差。

3.3 预测性维护逻辑下设备剩余寿命评估

卷烟设备状态监测的终极目标是实现预测性维护。基于数据驱动的退化模型，系统通过计算当前工况与历史失效轨迹的马氏距离，实时评估关键零部件的剩余使用寿命（RUL）。算法通过对电池衰减、轴承震动加剧及功耗上升等趋势的联合拟合，能够推算在当前生产强度下，设备还能稳定运行的有效时长。这种预测性维护逻辑使得卷烟厂能够将原本分散的“救火式”维修整合为有计划的“机会维修”。在下一次班次交替或品牌切换的计划停机期内，预先更换即将失效的易损件，从而实现车间生产效率的整体优化与资源配置的精准化。

4 系统的工程化实现与应用价值分析

4.1 工业现场复杂干扰下的信号保真与安全保障

在卷烟厂的实际工程化过程中，高频干扰和粉尘环境是必须攻克的难题。本文方案在硬件端采用了具备电磁屏蔽能力的防护外壳，并利用差分信号传输技术抑制共模干扰。针对传感器在恶劣环境下的漂移问题，系统引入了自校准算法与数据清洗机制，自动剔除由于传感器松动或通信抖动产生的伪信号。在数据安全维度，物联网网关采用了硬件级的加密芯片，确保生产数据在内网与云端流转时的机密性。这种软硬结合的保真与安全体系，保证了监测系统在 24 小时不间断高强度作业环境下的可靠运行。

4.2 运维模式变革带来的综合效益评估

基于物联网的状态监测系统投入运行后，为烟草企业带来了显著的经济与管理效益。首先是在降本增效维度，通过精准的预警，某大型烟厂的非计划停机率下降了 35%，备件库存周转率提升了 20%，有效解决了“预防性换件”带来的浪费。其次是在质量控制维度，由于能够实时监控切刀与卷制机构的微小抖动，烟支克重的均匀度指标得到了显著改善，吸阻稳定性提升了约 15%。最后，该系统推动了人力资源的重组，一线技师从繁琐的巡检中解放出来，转向更高价值的算法维护与工艺优化工作，为建设智慧工厂夯实了数据与人才基础。

5 结语

基于物联网的卷烟设备状态监测研究，不仅是技术手段的迭代，更是烟草制造业向精细化管理转型的核心支撑。通过感知、通信与算法的深度耦合，本文构建的监测体系成功实现了对复杂卷烟机组全天候的“数字化体检”，将传统的经验化运维推向数据驱动的预测化运维。尽管目前在微小故障的早期识别及异构协议的完全统一上仍存挑战，但随着 5G 与工业大模型技术的持续赋能，未来的卷烟生产线将具备更强的自我感知与自愈能力。这种智能运维生态的构建，不仅能确保卷烟产品的高质量产出，更将成为推动烟草工业数字化转型的重要里程碑。

参考文献

[1] 张建平, 周利平, 陈明. 基于工业物联网的烟草机械智能运维体系研究 [J]. 包装工程, 2025, 46(04): 112-118.

[2] 王志强, 李明华. 卷烟机关键旋转部件故障特征提取及诊断模型优化 [J]. 机械设计与制造, 2024, (05): 202-207.

[3] 赵宏图, 郑永胜. 深度学习在高速卷烟生产线预测性维护中的应用实践 [J]. 工业工程, 2023, 36(08): 66-72.