一种金属包装冲压机的检测系统及其监测方法
技术领域
本发明涉及金属包装技术领域,特别是一种金属包装冲压机的检测系统及其监测方法。
背景技术
现有金属包装饮料罐生产线(两片罐生产线)遇到转型升级困难,有如下问题需要解决;1、现有金属包装饮料罐生产线(两片罐生产线)主要设备金属包装冲压机没有针对冲压机关键部件冲杯机构的监测设备,无法实时查看其工作状态,无法对其故障进行提前告警;2、冲压机加工的产品质量是通过现场操作人员和QC人员定期抽检的方式进行判断;上述环节目前都是通过技术员定期抽检的方式来完成,很难做到全天候监控,并且操作方面非常依赖熟练的技术员。
发明内容
针对上述缺陷,本发明的目的在于提出一种金属包装冲压机的检测系统及其监测方法,该方案通过在冲压机方面设置监测设备和反馈装置,使设备的监控方面不依赖技术员的操作,还能达到全天候的监控。
为达此目的,本发明采用以下技术方案:
一种金属包装冲压机的检测系统,包括多个振动传感器,振动传感器分别安装于冲压机的支撑导柱的机体内侧,所述振动传感器用于采集支撑导柱的振动信号;
还包括数据采集器、数据采集控制器和云端服务器,所述振动传感器的信号输出连接于数据采集器,所述数据采集器的信号在数据采集控制器进行边缘计算后,上传到云端服务器;
所述云端服务器存有训练好的样本数据,云端服务器用于处理采集的数据,对设备进行健康监测与故障诊断,并且将运算结果发送到客户端。
较佳地,包括预先设置了正常值的对比数据,还包括如下步骤;
A、信息获取,在金属包装冲压机的4个导柱上安装振动传感器,通过振动传感器来获取冲压机工作过程中的4个导柱底部的振动数据;
B、工况判断,选择某个通道的振动数据进行阈值去燥,然后求取冲压机时域信号的冲杯时间间隔,即可求得冲压机工作速度,利用此速度即可进行工况的判断;
C、信号预处理,采集符合工况条件的振动信号和应变信号,去除信号中的异常点、均值、趋势项;
D、特征提取与优化,提取时域信号统计指标,构建冲压机导柱的特征矩阵,对形成的特征矩阵进行主成分分析,然后对特征进行降序排列,提取95%以上信息的特征序列;
E、健康度计算、对于降序后的特征数据进行假设检验,如果不服从高斯正态分布,则建立高斯混合模型,然后求取正常情况的高斯混合模型H(x),以及当前样本的高斯混合模型G(x);
利用当前的样本的模型与正常状态的模型进行对比,求取当前样本的健康指标CV,求取公式如下:
F、冲压机导柱性能评估
基于高斯混合模型的性能评估模型,利用冲压机正常状态的振动数据,提取特征值,建立正常状态高斯混合模型,作为基准模型。然后将各时刻的特征数据作为输入,输入基准模型中,根据相应的计算公式得到该时刻隶属于基准模型的似然概率,最后引入加权移动平均法对该似然概率进行处理,最终得到设备性能状态评估指标。
较佳地,还包括步骤G、冲压机冲杯质量趋势预测;
冲压机导柱的健康度趋势可以反映冲杯的质量变化,因此可以直接通过对冲压机导柱健康度的趋势分析来查看冲杯质量。
进一步地,还包括步骤H、故障判断;
随着冲压机的生产运行,可以积累生产过程中的故障数据,用于后续冲压机导柱的故障诊断与智能监测。
进一步地,还包括步骤I、信息展示;
设备将统计出的信息记录在存储装置中,并通过无线通讯技术传输到web端或手机端中,使用户能够随时查看冲压机的状态。
本发明的有益效果:1、本方案通过在冲压机的导柱设置振动传感器,以冲压机的导柱的振动为线索,收集到振动振动信息,进而分析到冲压机的各种数据;本方案根据冲压机的特点,使用正常工况样例与抽样的样例进行比对,以此找出冲压机是否处于正常的工作状态,本方案实现了金属包装冲压机的智能监测、故障诊断与工作性能评估,降低对生产人员与维修人员的技术要求;2、本方案具体地提到了监测方法,在步骤A中,获取了导柱的振动数据,然后在步骤B中对获取的振动数据进行抽样,并对抽样的数据进行阈值去噪,使抽样的数据能更精确,之后得到冲压机的工作频率,之后进入到步骤C中,在抽样的工况中找到预设工况对应的数据,去除对应的数据中的异常点、均值、趋势项,然后进入到步骤D中,在数据中有针对性地进一步提取了特征,并且进一步进行数据精确化处理,然后进行步骤E中的健康度计算,通过相应的公式和模型得到设备的健康指标,也可以根据高斯混合模型中的性能评估,也可以对冲压机导柱的性能进行评估,从而得到设备性能状态的评估数据,以此为参考,可以推断出较多的关于设备的信息。
附图说明
图1是本发明的一个实施例的系统工作流程示意图;
图2是本发明的一个实施例云端算法处理框架示意图;
图3是本发明的一个实施例的冲压机性能评估流程示意图;
图4是本发明的一个实施例的系统逻辑框架示意图。
具体实施方式
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
如图1-4所示,一种金属包装冲压机的检测系统,包括多个振动传感器,振动传感器分别安装于冲压机的支撑导柱的机体内侧,所述振动传感器用于采集支撑导柱的振动信号;
还包括数据采集器、数据采集控制器和云端服务器,所述振动传感器的信号输出连接于数据采集器,所述数据采集器的信号在数据采集控制器进行边缘计算后,上传到云端服务器;
所述云端服务器存有训练好的样本数据,云端服务器用于处理采集的数据,对设备进行健康监测与故障诊断,并且将运算结果发送到客户端。
本方案通过在冲压机的导柱设置振动传感器,以冲压机的导柱的振动为线索,收集到振动振动信息,进而分析到冲压机的各种数据;本方案根据冲压机的特点,使用正常工况样例与抽样的样例进行比对,以此找出冲压机是否处于正常的工作状态,本方案实现了金属包装冲压机的智能监测、故障诊断与工作性能评估,降低对生产人员与维修人员的技术要求。
其中,包括预先设置了正常值的对比数据,还包括如下步骤;
A、信息获取,在金属包装冲压机的4个导柱上安装振动传感器,通过振动传感器来获取冲压机工作过程中的4个导柱底部的振动数据;
B、工况判断,选择某个通道的振动数据进行阈值去燥,然后求取冲压机时域信号的冲杯时间间隔,即可求得冲压机工作速度,利用此速度即可进行工况的判断;
C、信号预处理,采集符合工况条件的振动信号和应变信号,去除信号中的异常点、均值、趋势项;
D、特征提取与优化,提取时域信号统计指标,构建冲压机导柱的特征矩阵,对形成的特征矩阵进行主成分分析,然后对特征进行降序排列,提取95%以上信息的特征序列;
E、健康度计算、对于降序后的特征数据进行假设检验,如果不服从高斯正态分布,则建立高斯混合模型,然后求取正常情况的高斯混合模型H(x),以及当前样本的高斯混合模型G(x);
利用当前的样本的模型与正常状态的模型进行对比,求取当前样本的健康指标CV,求取公式如下:
F、冲压机导柱性能评估
基于高斯混合模型的性能评估模型,利用冲压机正常状态的振动数据,提取特征值,建立正常状态高斯混合模型,作为基准模型。然后将各时刻的特征数据作为输入,输入基准模型中,根据相应的计算公式得到该时刻隶属于基准模型的似然概率,最后引入加权移动平均法对该似然概率进行处理,最终得到设备性能状态评估指标。
本方案具体地提到了监测方法,在步骤A中,获取了导柱的振动数据,然后在步骤B中对获取的振动数据进行抽样,并对抽样的数据进行阈值去噪,使抽样的数据能更精确,之后得到冲压机的工作频率,之后进入到步骤C中,在抽样的工况中找到预设工况对应的数据,去除对应的数据中的异常点、均值、趋势项,然后进入到步骤D中,在数据中有针对性地进一步提取了特征,并且进一步进行数据精确化处理,然后进行步骤E中的健康度计算,通过相应的公式和模型得到设备的健康指标,也可以根据高斯混合模型中的性能评估,也可以对冲压机导柱的性能进行评估,从而得到设备性能状态的评估数据,以此为参考,可以推断出较多的关于设备的信息。
其中,还包括步骤G、冲压机冲杯质量趋势预测;
冲压机导柱的健康度趋势可以反映冲杯的质量变化,因此可以直接通过对冲压机导柱健康度的趋势分析来查看冲杯质量。
通过已知的数据来判断出加工工件的质量变化,由于冲压机下落的状态决定了工件的品质,所以在推断出了冲压机导柱的健康度之后,也可以推出加工出的产品的品质。
此外,还包括步骤H、故障判断;
随着冲压机的生产运行,可以积累生产过程中的故障数据,用于后续冲压机导柱的故障诊断与智能监测。
设备在使用中,通常都由正常逐渐到不正常,当加工设备和工件大部分都是一致的情况下,设备从正常到不正常的大致时间是一致的;是有规律可循的,所以是可以进行故障判断作业的。
此外,还包括步骤I、信息展示;
设备将统计出的信息记录在存储装置中,并通过无线通讯技术传输到web端或手机端中,使用户能够随时查看冲压机的状态。
本方案中得出的数据通过存储装置存储,然后通过无线通讯的方式传输到客户端,客户端可以是电脑,也可以是手机app,从而方便用户随时查看。
以上结合具体实施例描述了本发明的技术原理。这些描述只是为了解释本发明的原理,而不能以任何方式解释为对本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。