在橡胶挤出生产中,螺杆是影响挤出制品质量的关键部件,也是挤出机最为核心的部件。螺杆一旦发生故障,将对设备的挤出性能造成严重影响。螺杆的常见故障主要体现在螺棱的磨损上。因为螺杆安装在机筒内部,运行环境密闭,肉眼和仪器均无法观测到螺杆的磨损状态;螺杆的磨损进程根据挤出胶料特性、挤出工艺参数的不同而不同;若挤出机的喂入胶料中意外混入金属异物,还会造成螺杆的异常磨损,所以螺杆的磨损故障在橡胶的连续挤出生产中呈现出强隐蔽性、不易监测和弱规律性等特征。因此,螺杆磨损故障的在线诊断是橡胶挤出生产中的一个维护难点。目前橡胶生产企业普遍采用定期拆机检查或异常故障临时拆机检查的方法来确定螺杆的磨损程度并制定相应的维修方案。但是这种方法不仅会造成企业生产效率的降低和生产成本的上升,还会由于一些螺杆的异常磨损故障未能在挤出生产中及时被发现导致出现大量废次品,造成严重的产品质量损失。为此,针对这一问题,本文对螺杆磨损故障的在线诊断展开研究。本文以单螺杆橡胶挤出机的螺杆为研究对象,首先,通过对橡胶挤出理论进行分析,得出了理论上可以使用胶料温度和压力等挤出参数对螺杆磨损故障进行诊断的结论。然后,通过ANSYS软件Fluent模块,截取挤出机的挤出段模拟胶料的挤出过程,根据螺杆的磨损进程设置了8组不同磨损量下的有限元模型来模拟螺杆从正常状态到磨损故障的过程。把仿真结果与挤出机实际挤胶生产过程的测试结果进行对比,两者的误差为5%左右,表明了仿真结果的合理性。之后对8组仿真模型监测到的胶料温度和胶料压力数据进行分析,结果表明,胶料温度和胶料压力等挤出参数与螺杆磨损确实存在关联,表明了挤出参数可以作为螺杆磨损故障的特征参数。最后,利用仿真分析得到的样本数据,在MATLAB软件中建立Elman神经网络进行故障诊断。经过多次的网络仿真实验,选出了适合本论文研究内容的网络参数,建立了最终的网络模型。使用故障样本数据对该网络模型进行训练和测试,结果表明,Elman神经网络对螺杆磨损故障的诊断准确率高达99%,验证了使用挤出参数对螺杆磨损故障诊断方法的可行性。相对于传统定期或临时拆机检查的螺杆磨损故障诊断方法,本文研究出了一种基于神经网络、使用挤出参数实现螺杆磨损故障诊断的方法。该方法能够连续地对螺杆进行在线监测,符合目前橡胶行业自动化、智能化生产的发展需求。本文的研究成果为橡胶生产企业的螺杆磨损故障诊断提供了一种新的思路和方法,具有较大的应用价值。