摘要：针对轴流脱分装置趋堵状态难界定、缺少趋堵诊断模型的问题，该研究研制了趋堵试验台架，开展了物料喂入量变化工况下的趋堵试验，基于转速和振动信号对脱分装置趋堵状态进行界定。研究结果表明，喂入量0.5kg/s增加20%时有轻微趋堵风险，增加40%时，轻微趋堵状态持续时间骤减至1 s以内，0.5 s内存在严重趋堵风险。基于黏菌算法优化的变分模态分解算法对传感器的振动信号进行分解，获取固有模态分量。通过转速信号与振动信号的相互验证与分析，对不同工况下各固有模态分量进行状态区间划分，对所有状态区间提取中心频率、能量熵等9种特征，拼接融合不同工况下传感器的所有特征，建立特征矩阵，提出加权平均值改进的平均影响值特征筛选算法，特征包络熵、能量熵、模糊熵、包络谱均值的最小加权平均影响值233 870.46与9个特征的加权平均影响值中位数53 370.36之间相差70.18%，加权平均值改进的平均影响值特征筛选算法能更好地区分有效特征，降低特征维数。筛选特征结合BP神经网络建立脱分装置趋堵诊断模型，模型的R2>0.9，诊断准确率达92.57%，预测速度约为每秒614个样本，模型准确率高、诊断时间短。研究结果对脱分装置堵塞的早期预警和保障整机工作效率具有重要意义。
