CN109615000A - 故障识别方法、装置和服务器 - Google Patents

故障识别方法、装置和服务器 Download PDF

Info

Publication number
CN109615000A
CN109615000A CN201811473906.XA CN201811473906A CN109615000A CN 109615000 A CN109615000 A CN 109615000A CN 201811473906 A CN201811473906 A CN 201811473906A CN 109615000 A CN109615000 A CN 109615000A
Authority
CN
China
Prior art keywords
fault
spinning machine
spinning
type
failure
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811473906.XA
Other languages
English (en)
Inventor
马修·罗伯特·斯科特
黄鼎隆
董登科
刘政杰
夏冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Malong Technologies Co Ltd
Original Assignee
Shenzhen Malong Technologies Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Malong Technologies Co Ltd filed Critical Shenzhen Malong Technologies Co Ltd
Priority to CN201811473906.XA priority Critical patent/CN109615000A/zh
Publication of CN109615000A publication Critical patent/CN109615000A/zh
Priority to CN201910602467.6A priority patent/CN110175659B/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Spinning Or Twisting Of Yarns (AREA)

Abstract

本发明提供一种故障识别方法、装置和服务器，该故障识别方法用于识别纺丝机的纺丝运行过程中的故障，包括：根据纺丝机的故障类型建立初始故障识别模型；将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型；在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。本发明的故障识别方法，建立故障识别模型，利用图像识别方法识别纺丝机故障的类型，可以提高识别故障类型的效率，降低识别故障类型的成本。

Description

故障识别方法、装置和服务器
技术领域
本发明涉及工业纺织技术领域，具体而言，涉及一种故障识别方法、装置、服务器和计算机存储介质。
背景技术
目前，在纺丝车间中，对于纺丝机的故障一般都是通过人工的方式进行监测，或者在纺丝机出丝线的下游安装特殊的硬件光电传感器或机械感应器进行丝线质量的监测，从而对故障进行监测。
由于纺丝机中拥有多个出丝线口，以及多个纺丝窗口，因此需要大量的工作人员，或者需要安装大量传感器来对故障进行实时的监测，导致其监测故障的成本较高。并且使用人工进行监测时，难免会出现监测的纰漏，监测效率较低。
发明内容
鉴于上述问题，本发明提供了一种故障识别方法、装置、服务器和计算机存储介质，以提高识别故障类型的效率，降低识别故障类型的成本。
为了实现上述目的，本发明采用如下的技术方案：
一种故障识别方法，用于识别纺丝机的纺丝运行过程中的故障，包括：
根据纺丝机的故障类型建立初始故障识别模型；
将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型；
在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。
优选地，所述的故障识别方法，还包括：
根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复。
优选地，所述的故障识别方法，还包括：
根据预设的等级判断规则判断纺丝机的当前故障类型的故障等级，并根据所述当前故障类型的故障等级调节纺丝机的工作参数。
优选地，所述故障等级包括轻微故障、中级故障以及重大故障，所述“根据预设的等级判断规则判断纺丝机的当前故障类型的故障等级，并根据所述当前故障类型的故障等级调节纺丝机的工作参数”包括：
根据预设规则判断纺丝机所述当前故障类型的故障等级，当所述当前故障类型的故障等级为轻微故障时，不调节纺丝机的工作参数；
当所述当前故障类型的故障等级为中级故障时，根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复；
当所述当前故障类型的故障等级为重大故障时，发送终止指令至纺丝机，停止纺丝机的运行。
优选地，所述的故障识别方法，还包括：
将所述纺丝机的预设区域的位置信息以及所述纺丝机的预设区域的故障类型发送至用户终端。
优选地，所述故障识别模型包括卷积神经网络和深度学习模型。
本发明还提供一种故障识别装置，用于识别纺丝机的纺丝运行过程中的故障，包括：
模型建立模块，用于根据纺丝机的故障类型建立初始故障识别模型；
模型训练模块，用于将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型；
故障类型判断模块，用于在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。
优选地，所述的故障识别装置，还包括：
纺丝机调节模块，用于根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复。
本发明还提供一种服务器，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述服务器执行所述的故障识别方法。
本发明还提供一种计算机存储介质，其存储有所述的服务器中所使用的计算机程序。
本发明提供一种故障识别方法，该故障识别方法用于识别纺丝机的纺丝运行过程中的故障，包括：根据纺丝机的故障类型建立初始故障识别模型；将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型；在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。本发明的故障识别方法，建立故障识别模型，利用图像识别方法识别纺丝机故障的类型，可以提高识别故障类型的效率，降低识别故障类型的成本。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明范围的限定。
图1是本发明实施例1提供的一种故障识别方法的流程图；
图2是本发明实施例2提供的一种故障识别方法的流程图；
图3是本发明实施例3提供的一种故障识别方法的流程图；
图4是本发明实施例4提供的一种故障识别方法的调节纺丝机的流程图；
图5是本发明实施例5提供的一种故障识别装置的结构示意图；
图6是本发明实施例5提供的另一种故障识别装置的结构示意图；
图7是本发明实施例5提供的一种故障识别装置的纺丝机调节模块结构示意图。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
图1是本发明实施例1提供的一种故障识别方法的流程图，该方法用于识别纺丝机的纺丝运行过程中的故障，包括如下步骤：
步骤S11：根据纺丝机的故障类型建立初始故障识别模型。
本发明实施例中，该故障识别模型包括卷积神经网络和深度学习模型。也即，该故障识别模型具有卷积神经网络、深度学习模型、输入端以及输出端，其中，该输入端连接卷积神经网络，将图像输入该卷积神经网络中，以提取有用的图像特征。卷积神经网络与该深度学习模型连接，将卷积后的图像以及图像特征输入深度学习模型中，以便训练该深度学习模型或利用该深度学习模型进行故障类型的判断。最终该深度学习模型通过连接的输出端输出学习的数据结果。其中，该输出端中输出的数据结果可以与故障类型进行softmax回归算法处理，以使该故障识别弄醒利用softmax回归算法进一步准确判断故障类型。
本发明实施例中，上述故障识别模型可以存储在远程服务器中，该服务器连接于摄像头并获取摄像头的图像数据，并且，该连接服务器的摄像头用于获取纺丝机中纺丝窗口的图像。其中，该纺丝机中包括有多个纺丝窗口，在每个纺丝窗口中个设置一个摄像机，用以实时获取纺丝运行图像，多个摄像机均连接至一台服务器中。服务器中也可以设置有多个故障识别模型，相应地用以处理多个摄像头的实时图像。
步骤S12：将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型。
本发明实施例中，为迅速提高故障识别模型辨别故障类型的能力，需要对该故障识别模型进行训练，因此需要人为地输入预先标记有故障类型的故障的纺丝运行图像进行训练，也即进行有监督的训练。其中，该预先标记有故障类型的故障的纺丝运行图像，也即训练样本，均来自于纺丝机故障时纺丝窗口的图像。其中，该纺丝窗口内部具有出丝的喷头，通过该纺丝窗口可以观察到许多细丝最后凝聚成线，因此纺丝运行的故障包括有出丝不均匀、断续、冒黑丝以及丝线错误纠缠等故障。
本发明实施例中，训练后的故障识别模型，在进行使用的一段时间内，还可以结合工作人员作进一步的训练，以进一步提高辨别故障类型的准确度。例如，工作人员可以查看训练后故障识别模型进行识别的故障类型是否准确，在错误识别时做出及时的纠正，提取该错误识别的图像作为训练样本进行训练。上述使用过程中进行训练方式也是一种有监督训练的方式。
步骤S13：在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。
本发明实施例中，在纺丝机的下游检测中，例如下游的红外传感器检测到纺出来的丝线出现瑕疵，或这下游不出丝线等情况下，可以断定该纺丝机出现了故障。其中，纺丝机中的红外传感器等自检传感器均连接与上述服务器中，并在发生故障时通知该服务器。服务器在接收到纺丝机故障的通知后，可以立即控制摄像头获取产生故障的纺丝窗口的图像，并输入相应的训练后的故障识别模型中进行故障类型的确定。其中，该纺丝窗口也即纺丝机的预设区域，该纺丝机的预设区域还可以是纺丝机的其它位置，例如出丝线的下游等。
本发明实施例中，该摄像头也可以进行实时图像的获取，该服务器进行故障的实时监测。例如，利用摄像头全天候实时获取各个纺丝窗口的纺丝运行图像，并传输至服务器中的故障识别模型中，当故障识别模型产生故障类型结构时，也即相应的纺丝窗口产生故障。
实施例2
图2是本发明实施例2提供的一种故障识别方法的流程图，该方法用于识别纺丝机的纺丝运行过程中的故障，包括如下步骤：
步骤S21：根据纺丝机的故障类型建立初始故障识别模型。
此步骤与上述步骤S11一致，在此不再赘述。
步骤S22：将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型。
此步骤与上述步骤S12一致，在此不再赘述。
步骤S23：在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。
此步骤与上述步骤S13一致，在此不再赘述。
步骤S24：根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复。
本发明实施例中，服务器通过故障训练模型确定纺丝机的故障类型后，可以发送与故障类型相应的调节指令至纺丝机的微控制其中，以便纺丝机通过微控制器修复故障。其中，该调节指令可以是预先存储在服务器中的指令，在需要时进行调用，也可以是利用服务器中存储的算法或应用程序来生成，例如可以在服务器中设置有应用程序，该应用程序可以根据服务器获得的纺丝机的故障类型，生成相应的调节指令。
步骤S25：将所述纺丝机的预设区域的位置信息以及所述纺丝机的预设区域的故障类型发送至用户终端。
本发明实施例中，在确定纺丝机的故障类型后，该服务器还可以通过互联网将纺丝机的故障类型，以及发生故障的纺丝机预设区域的位置信息发送至用胡终端中，以便工作人员通过用户终端实时了解纺丝机的运作状态。其中，该纺丝机预设区域包括纺丝机的纺丝窗口，在该纺丝窗口前设置有摄像头获取实时图像。
实施例3
图3是本发明实施例3提供的一种故障识别方法的流程图，该方法用于识别纺丝机的纺丝运行故障类型，包括如下步骤：
步骤S31：根据纺丝机的故障类型建立初始故障识别模型。
此步骤与上述步骤S11一致，在此不再赘述。
步骤S32：将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型。
此步骤与上述步骤S12一致，在此不再赘述。
步骤S33：在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。
此步骤与上述步骤S13一致，在此不再赘述。
步骤S34：根据预设的等级判断规则判断纺丝机的当前故障类型的故障等级，并根据所述当前故障类型的故障等级调节纺丝机的工作参数。
本发明实施例中，服务器通过故障训练模型确定纺丝机的故障类型后，还可以根据预设规则判断该故障类型的故障等级，在判断出故障类型的故障等级后还可以根据故障等级调节纺丝机的工作参数。其中，该故障等级包括轻微故障、中级故障以及重大故障。例如，在判断出当前故障类型的故障等级为轻微故障，并且对生产造成的影响可以忽略不计，该服务器可以不作任何修复故障的动作。上述判断故障等级的过程可以利用算法或应用程序来实现，在此不再限定。
实施例4
图4是本发明实施例4提供的一种故障识别方法的调节纺丝机的流程图，包括如下步骤：
步骤S41：根据预设规则判断纺丝机所述当前故障类型的故障等级，当所述当前故障类型的故障等级为轻微故障时，不调节纺丝机的工作参数。
步骤S42：当所述当前故障类型的故障等级为中级故障时，根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复。
本发明实施例中，在服务器判断出当前纺丝机的故障等级为中级故障时，可以利用应用程序生成当前故障类型相应的调节指令发送至纺丝机的微控制器中，进行故障的修复。其中，服务器还可以通过摄像头的实时纺丝运行图像判断该故障是否修复成功，若修复不成功，该服务器还可以发送远程消息通知工作人员，并关闭该纺丝机，避免损失继续扩大。
步骤S43：当所述当前故障类型的故障等级为重大故障时，发送终止指令至纺丝机，停止纺丝机的运行。
本发明实施例中，在服务器判断出当前纺纱丝的故障等级为重大故障时，可以生成终止指令并发送至纺丝机，关闭该纺丝机，避免损失扩大，并且，还可以发送消息通知工作人员进行纺丝机的维护。
通过上述步骤进行故障等级的判断，可以排除一些不必要修复的小故障，从而提高生产的效率。
实施例5
图5是本发明实施例5提供的一种故障识别装置的结构示意图。
该故障识别装置500包括：
模型建立模块510，用于根据纺丝机的故障类型建立初始故障识别模型。
模型训练模块520，用于将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型。
故障类型判断模块530，用于在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。
如图6所示，该故障识别装置500还包括：
纺丝机调节模块540，用于根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复。
如图7所示，该纺丝机调节模块540包括：
故障等级判断单元541，用于根据预设规则判断纺丝机所述当前故障类型的故障等级，当所述当前故障类型的故障等级为轻微故障时，不调节纺丝机的工作参数。
故障修复单元542，用于当所述当前故障类型的故障等级为中级故障时，根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复。
终止指令发送单元543，用于当所述当前故障类型的故障等级为重大故障时，发送终止指令至纺丝机，停止纺丝机的运行。
本发明实施例中，上述各个模块以及单元更加详细的功能描述可以参考前述实施例中相应部分的内容，在此不再赘述。
此外，本发明还提供了一种服务器，该服务器包括存储器和处理器，存储器可用于存储计算机程序，处理器通过运行所述计算机程序，从而使服务器执行上述方法或者上述故障识别装置中的各个模块的功能。
存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据服务器的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本实施例还提供了一种计算机存储介质，用于储存上述服务器中使用的计算机程序。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，结构图和/或流程图中的每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是智能手机、个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种故障识别方法，用于识别纺丝机的纺丝运行过程中的故障，其特征在于，包括：
根据纺丝机的故障类型建立初始故障识别模型；
将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型；
在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。
2.根据权利要求1所述的故障识别方法，其特征在于，还包括：
根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复。
3.根据权利要求1所述的故障识别方法，其特征在于，还包括：
根据预设的等级判断规则判断纺丝机的当前故障类型的故障等级，并根据所述当前故障类型的故障等级调节纺丝机的工作参数。
4.根据权利要求3所述的故障识别方法，其特征在于，所述故障等级包括轻微故障、中级故障以及重大故障，所述“根据预设的等级判断规则判断纺丝机的当前故障类型的故障等级，并根据所述当前故障类型的故障等级调节纺丝机的工作参数”包括：
根据预设规则判断纺丝机所述当前故障类型的故障等级，当所述当前故障类型的故障等级为轻微故障时，不调节纺丝机的工作参数；
当所述当前故障类型的故障等级为中级故障时，根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复；
当所述当前故障类型的故障等级为重大故障时，发送终止指令至纺丝机，停止纺丝机的运行。
5.根据权利要求1所述的故障识别方法，其特征在于，还包括：
将所述纺丝机的预设区域的位置信息以及所述纺丝机的预设区域的故障类型发送至用户终端。
6.根据权利要求1所述的故障识别方法，其特征在于，所述故障识别模型包括卷积神经网络和深度学习模型。
7.一种故障识别装置，用于识别纺丝机的纺丝运行过程中的故障，其特征在于，包括：
模型建立模块，用于根据纺丝机的故障类型建立初始故障识别模型；
模型训练模块，用于将包含有属于预设的故障类型的故障的纺丝运行图像输入所述初始故障识别模型进行训练，获得训练后故障识别模型；
故障类型判断模块，用于在检测到纺丝机发生故障时，获取纺丝机的预设区域内的纺丝运行图像，并将获取的纺丝运行图像输入所述训练后故障识别模型，确定纺丝机的故障类型。
8.根据权利要求7所述的故障识别装置，其特征在于，还包括：
纺丝机调节模块，用于根据确定的纺丝机的故障类型，发送相应调节指令至纺丝机的微控制器，命令所述微控制器进行故障修复。
9.一种服务器，其特征在于，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述服务器执行根据权利要求1至6中任一项所述的故障识别方法。
10.一种计算机存储介质，其特征在于，其存储有权利要求9所述的服务器中所使用的计算机程序。
CN201811473906.XA 2018-12-04 2018-12-04 故障识别方法、装置和服务器 Pending CN109615000A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811473906.XA CN109615000A (zh) 2018-12-04 2018-12-04 故障识别方法、装置和服务器
CN201910602467.6A CN110175659B (zh) 2018-12-04 2019-07-05 纺丝机故障监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811473906.XA CN109615000A (zh) 2018-12-04 2018-12-04 故障识别方法、装置和服务器

Publications (1)

Publication Number Publication Date
CN109615000A true CN109615000A (zh) 2019-04-12

Family

ID=66007010

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811473906.XA Pending CN109615000A (zh) 2018-12-04 2018-12-04 故障识别方法、装置和服务器

Country Status (1)

Country Link
CN (1) CN109615000A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175601A (zh) * 2018-12-04 2019-08-27 深圳码隆科技有限公司 纺丝机监控方法、纺丝机监控设备和纺丝机
CN110428400A (zh) * 2019-07-09 2019-11-08 北京百分点信息科技有限公司 一种设备故障的定位方法、装置、设备及存储介质
CN113011524A (zh) * 2021-04-15 2021-06-22 浙江三一装备有限公司 一种卷扬钢丝绳状态识别方法、装置、作业机械及电子设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110175601A (zh) * 2018-12-04 2019-08-27 深圳码隆科技有限公司 纺丝机监控方法、纺丝机监控设备和纺丝机
CN110175601B (zh) * 2018-12-04 2021-12-28 深圳码隆科技有限公司 纺丝机监控方法、纺丝机监控设备和纺丝机
CN110428400A (zh) * 2019-07-09 2019-11-08 北京百分点信息科技有限公司 一种设备故障的定位方法、装置、设备及存储介质
CN113011524A (zh) * 2021-04-15 2021-06-22 浙江三一装备有限公司 一种卷扬钢丝绳状态识别方法、装置、作业机械及电子设备

Similar Documents

Publication Publication Date Title
CN109615000A (zh) 故障识别方法、装置和服务器
CN106372662B (zh) 安全帽佩戴的检测方法和装置、摄像头、服务器
CN112018892A (zh) 一种电力运维远程指导系统
WO2020113773A1 (zh) 一种基于图像识别技术的纺丝机故障监测系统及方法
CN107168294B (zh) 一种火电水系统设备无人巡检监控方法
WO2018014502A1 (zh) 电梯的预诊断方法及装置
CN109544549A (zh) 纺丝机故障监测方法、装置和服务器
CN110287917B (zh) 基建工地的安全管控系统和方法
CN104732710A (zh) 雷管自动装填生产线人员在岗状态自动监控方法及装置
CN109179128A (zh) 一种电梯监控装置、系统及方法
CN113191699A (zh) 一种配电施工现场安全监管方法
US11714403B2 (en) Method for learning and detecting abnormal part of device through artificial intelligence
EP3575925A1 (en) Network device modifications via augmented reality user interfaces
CN112487891B (zh) 一种应用于电力作业现场的视觉智能动态识别模型构建方法
CN116055690B (zh) 一种机房监控视频的处理方法及设备
CN208732382U (zh) 电梯信号采集装置及系统
CN110163084A (zh) 操作员动作监督方法、装置及电子设备
CN104298972A (zh) 家用设备状态识别方法、系统及移动终端
CN109040742A (zh) 摄像头故障智能寻因方法、装置和摄像头
CN113487166A (zh) 一种基于卷积神经网络的化纤飘丝质量检测方法及系统
CN112260402B (zh) 基于视频监控的变电站智能巡检机器人状态的监控方法
CN112906441B (zh) 用于通信行业查勘维护的图像识别系统及方法
CN112489017A (zh) 一种电力设备故障智能识别方法及识别系统
CN106453653A (zh) 一种云平台对呼吸机进行监测的方法及云平台
CN111674048B (zh) 一种基于机器视觉的3d打印机断丝报警装置及报警方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190412

WD01 Invention patent application deemed withdrawn after publication