CN113687639B - 一种纺织机械设备的故障智能预警方法及系统 - Google Patents
一种纺织机械设备的故障智能预警方法及系统 Download PDFInfo
- Publication number
- CN113687639B CN113687639B CN202111243439.3A CN202111243439A CN113687639B CN 113687639 B CN113687639 B CN 113687639B CN 202111243439 A CN202111243439 A CN 202111243439A CN 113687639 B CN113687639 B CN 113687639B
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- nth
- fault type
- early warning
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 239000004753 textile Substances 0.000 title claims abstract description 43
- 230000008859 change Effects 0.000 claims description 81
- 230000002159 abnormal effect Effects 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 49
- 238000000605 extraction Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 20
- 238000009826 distribution Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 16
- 230000000694 effects Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31439—Alarms can be warning, alert or fault
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明提供了一种纺织机械设备的故障智能预警方法及系统,方法包括:获得第一故障类型,第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;通过第一故障类型获得第一设备的第一数据信息;通过第一数据信息和所述第一设备的操作习惯系数获得第一设备的第一数据损失函数,获得第一故障数据链;获得第N设备的第N数据信息;获得第N设备的第N数据损失函数;根据第N数据损失函数获得第N故障数据链;将第一故障数据链直至第N故障数据链进行聚类处理,获得第一聚类结果;基于第一聚类结果对第一故障类型进行预警。解决了现有技术中由于现有方案都具有一定局限性,导致存在缺少可行性强的预警方式的技术问题。
Description
技术领域
本发明涉及智能制造相关技术领域,具体涉及一种纺织机械设备的故障智能预警方法及系统。
背景技术
设备故障预警和状态监测根据设备运行规律或观测得到的可能性前兆,在设备真正发生故障之前,及时预报设备的异常状况,采取相应的措施,从而最大程度的降低设备故障所造成的损失。随着设备装置和工程控制系统的规模和复杂性日益增大,为保证生产过程的安全平稳,通过可靠的状态监控技术及时有效的监测和诊断过程异常就显得尤为迫切和重要。
目前主要通过两种方式进行预警,其一为基于机理模型的监控方法,但此种方法只适用于线性系统;其二为基于专家推荐系统的监控方法,但此种方法对于知识库中的专家知识及专家水平具有较强的依赖性。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中由于现有方案都具有一定局限性,导致存在缺少可行性强的预警方式的技术问题。
发明内容
本申请实施例通过提供了一种纺织机械设备的故障智能预警方法及系统,解决了现有技术中由于现有方案都具有一定局限性,导致存在缺少可行性强的预警方式的技术问题。通过采集纺织设备的各种故障类型集合,再依次计算每种故障类型N个设备的数据异常变化信息链,并进行聚类将冗杂的数据异常变化信息链降维,得到具有表征性的数据异常变化信息链聚类结果,通过聚类结果对设备数据进行监测,当满足聚类结果中的数据异常变化即对对应故障进行预警。基于机器学习构建的预警系统对于专家知识依赖性不强且可适应复杂设备的数据的监控,达到了得到可行性强的监控方案的技术效果。
鉴于上述问题,本申请实施例提供了一种纺织机械设备的故障智能预警方法及系统。
第一方面,本申请实施例提供了一种纺织机械设备的故障智能预警方法,其中,所述方法应用于一故障分析预警系统,所述方法包括:获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;通过所述第一故障类型获得第一设备的第一数据信息;通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;通过所述第一故障类型获得第N设备的第N数据信息;通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;将所述第一故障数据链直至所述第N 故障数据链进行聚类处理,获得第一聚类结果;基于所述第一聚类结果对所述第一故障类型进行预警。
另一方面,本申请实施例提供了一种纺织机械设备的故障智能预警系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;第二获得单元,所述第二获得单元用于通过所述第一故障类型获得第一设备的第一数据信息;第三获得单元,所述第三获得单元用于通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;第四获得单元,所述第四获得单元用于根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;第五获得单元,所述第五获得单元用于通过所述第一故障类型获得第N设备的第N数据信息;第六获得单元,所述第六获得单元用于通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;第七获得单元,所述第七获得单元用于根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;第八获得单元,所述第八获得单元用于将所述第一故障数据链直至所述第N 故障数据链进行聚类处理,获得第一聚类结果;第一预警单元,所述第一预警单元用于基于所述第一聚类结果对所述第一故障类型进行预警。
第三方面,本申请实施例提供了一种纺织机械设备的故障智能预警系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于采用了获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;通过所述第一故障类型获得第一设备的第一数据信息;通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;通过所述第一故障类型获得第N设备的第N数据信息;通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;将所述第一故障数据链直至所述第N 故障数据链进行聚类处理,获得第一聚类结果;基于所述第一聚类结果对所述第一故障类型进行预警的技术方案,通过采集纺织设备的各种故障类型集合,再依次计算每种故障类型N个设备的数据异常变化信息链,并进行聚类将冗杂的数据异常变化信息链降维,得到具有表征性的数据异常变化信息链聚类结果,通过聚类结果对设备数据进行监测,当满足聚类结果中的数据异常变化即对对应故障进行预警。基于机器学习构建的预警系统对于专家知识依赖性不强且可适应复杂设备的数据的监控,达到了得到可行性强的监控方案的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种纺织机械设备的故障智能预警方法流程示意图;
图2为本申请实施例提供了一种不同纺织设备之间同一故障类型的智能预警方法流程示意图;
图3为本申请实施例提供了一种纺织机械设备的故障智能预警系统结构示意图;
图4为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第七获得单元17,第八获得单元18,第一预警单元19,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种纺织机械设备的故障智能预警方法及系统,解决了现有技术中由于现有方案都具有一定局限性,导致存在缺少可行性强的预警方式的技术问题。通过采集纺织设备的各种故障类型集合,再依次计算每种故障类型N个设备的数据异常变化信息链,并进行聚类将冗杂的数据异常变化信息链降维,得到具有表征性的数据异常变化信息链聚类结果,通过聚类结果对设备数据进行监测,当满足聚类结果中的数据异常变化即对对应故障进行预警。基于机器学习构建的预警系统对于专家知识依赖性不强且可适应复杂设备的数据的监控,达到了得到可行性强的监控方案的技术效果。
设备故障预警和状态监测根据设备运行规律或观测得到的可能性前兆,在设备真正发生故障之前,及时预报设备的异常状况,采取相应的措施,从而最大程度的降低设备故障所造成的损失。随着设备装置和工程控制系统的规模和复杂性日益增大,为保证生产过程的安全平稳,通过可靠的状态监控技术及时有效的监测和诊断过程异常就显得尤为迫切和重要。目前主要通过两种方式进行预警,其一为基于机理模型的监控方法,但此种方法只适用于线性系统;其二为基于专家推荐系统的监控方法,但此种方法对于知识库中的专家知识及专家水平具有较强的依赖性。但现有技术中由于现有方案都具有一定局限性,导致存在缺少可行性强的预警方式的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种纺织机械设备的故障智能预警方法,其中,所述方法应用于一故障分析预警系统,所述方法包括:获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;通过所述第一故障类型获得第一设备的第一数据信息;通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;通过所述第一故障类型获得第N设备的第N数据信息;通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;将所述第一故障数据链直至所述第N 故障数据链进行聚类处理,获得第一聚类结果;基于所述第一聚类结果对所述第一故障类型进行预警。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种纺织机械设备的故障智能预警方法,其中,所述方法应用于一故障分析预警系统,所述方法包括:
S100:获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;
具体而言,所述第一工厂为应用所述故障分析预警系统的纺织工厂,但是并不对其他类型工厂作以限制;所述纺织设备故障集合为所述第一工厂中各个设备基于历史数据以及经验总结得到常见设备故障类型集合;所述第一故障类型为所述设备故障类型集合中的一类故障,再进行预警分析时,对所述设备故障类型集合中的每一类故障都执行与所述第一故障类型相同的分析方式。通过调用所述纺织设备故障集合,便于确定故障预警的方向,并提供数据分析基础。
S200:通过所述第一故障类型获得第一设备的第一数据信息;
S300:通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;
具体而言,所述第一设备为有发生所述第一故障类型风险的多个设备中的一个设备;所述第一数据信息为通过历史数据以及理论知识确定当发生所述第一故障类型风险时,所述第一设备会发生变动的数据信息集合;所述第一设备的操作习惯系数为所述第一设备在生产过程中的工作参数常规设置流程及人工的习惯性操作对所述第一故障类型的影响程度;进一步的,所述第一设备的第一数据损失函数为通过所述第一数据信息和所述第一设备的操作习惯系数确定的损失函数,可选的确定方式为:通过比对所述第一数据信息和所述第一设备正常工作时的数据,得到参数变化带来的损失数据;比对所述第一设备的操作习惯系数下得到数据和标准数据之间的偏差,确定操作习惯带来的损失数据,将两项损失数据结合得到所述第一数据损失函数。通过所述第一损失函数可以表征在发生所述第一故障类型时不同数据对所述第一设备的影响程度。
S400:根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;
具体而言,所述第一故障数据链为通过所述第一损失函数确定的在发生所述第一故障类型故障时异常数据区间,以及数据异常变化趋势,其中数据异常变化趋势的确定方式举一例:针对线性的数据,基于多组历史信息,按照时间顺序绘制变化趋势图,归纳总结得到发生所述第一故障类型前的数据异常变化趋势;针对非线性数据,优选的以来依赖基于神经网络训练的智能化模型输入多组非线性数据训练得到近似的线性数据集合,进而绘制数据变化曲线,得到所述第一故障类型前的数据异常变化趋势。通过确定所述第一故障数据链,即对所述第一设备的所述第一故障类型进行预警,当出现异常数据或者异常变化趋势时,即进行预警。
S500:通过所述第一故障类型获得第N设备的第N数据信息;
S600:通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;
具体而言,依次使用和所述第一数据信息相同的获得方式得到所述第二设备的所述第二数据信息、所述第三设备的所述第三数据信息直到所述第N设备的所述第N数据信息;进一步的,再通过使用和所述第一数据损失函数相同的获得方式,基于所述第二数据信息、所述第三数据信息直到所述第N数据信息和所述第二设备的操作习惯系数、所述第三设备的操作习惯系数直到所述第N设备的操作习惯系数确定第二设备的所述第二数据损失函数、所述第三设备的所述第三损失函数直到所述第N设备的所述第N损失函数。
S700:根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;
具体而言,通过使用和所述第一故障数据链相同的获得方式获得所述第二设备的所述第二故障数据链、所述第三设备的第三故障数据链直到所述第N设备的所述第N故障数据链。通过对所有第一故障类型设备涉及到的所有设备进行所述故障数据链的采集,便于综合分析整体性异常数据变化。
S800:将所述第一故障数据链直至所述第N 故障数据链进行聚类处理,获得第一聚类结果;
S900:基于所述第一聚类结果对所述第一故障类型进行预警。
具体而言,所述第一聚类结果指的是对所述第一故障数据链、所述第二故障数据链、所述第三故障数据链直至所述第N 故障数据链进行聚类分析,将原本呈离散状态的各种数据异常变化信息链依据数据相似性降维聚集为多个类的可表征所有设备中的所述第一故障类型的数据集合。进一步的,依据所述第一聚类结果中的各项数据异常变化信息进行监控,当出现满足数据异常变化信息即将进行预警。通过聚类处理,得以将所述第一故障数据链直至所述第N 故障数据链原本冗杂的数据降维具有代表性的聚类结果信息,可以提高数据处理的效率及准确性。
进一步的,所述方法还包括步骤S1000:
S1010:获得第二故障类型的第二聚类结果,其中,所述第二故障类型与所述第一故障类型不同,且所述第二聚类结果与所述第一聚类结果具有第一相似度;
S1020:对所述第一聚类结果和所述第二聚类结果中具有所述第一相似度的参数数据进行比对,获得第一相似区别特征;
S1030:对所述第一聚类结果和所述第二聚类结果中不具有所述第一相似度的参数进行数据对比,获得第一区别特征;
S1040:根据所述第一相似区别特征和所述第一区别特征对所述第一聚类结果和所述第二聚类结果进行标识,获得第一标识结果;
S1050:通过所述第一标识结果对所述第一故障类型和所述第二故障类型进行甄别。
具体而言,所述第二故障类型为和所述第一故障类型不同的故障类型;所述第二聚类结果为使用和所述第一聚类结果相同的确定方式得到的结果;所述第一相似度指的是所述第一聚类结果和所述第二聚类结果重合或部分重合的各项数据异常变化信息链,或者重合和部分重合的各项数据异常变化信息链;进一步的,所述第一相似区别特征为将所述第一相似度对应的所述第一聚类结果中的所述各项数据异常变化信息链和所述第二聚类结果中的所述各项数据异常变化信息链进行比对,得到的在相似之下的区别数据,为微量数据;所述第一区别特征为将所述第一聚类结果和所述第二聚类结果没有所述第一相似度的参数提取进行比对,得到的区别数据,为大量数据;更进一步的,所述第一标识结果为基于所述第一相似区别特征和所述第一区别特征对所述第一聚类结果和所述第二聚类结果进行标识,便于所述系统基于所述第一标识结果分辨所述第一故障类型和所述第二故障类型,避免因分辨不清晰,导致预警错误的情况发生。
进一步的,所述方法步骤S300还包括:
S310:通过所述第一数据信息获得所述第一设备的操作习惯集合;
S320:对所述操作习惯集合进行去中心化处理,获得第一处理结果;
S330:获得第一操作用户,其中,所述第一操作用户为所述第一设备发生所述第一故障类型故障时的操作用户;
S340:根据所述第一操作用户对所述第一处理结果进行操作习惯的筛选,获得第一筛选结果;
S350:根据所述第一筛选结果获得所述第一设备的操作习惯系数。
具体而言,所述第一设备的操作习惯集合基于所述第一数据信息得到的所述第一设备出现所述第一故障类型时的参数常规调控流程及调整值记录数据集合;所述去中心化处理指的是在数据集合中任何一个节点都可能成为阶段性的中心,但不具备强制性的中心控制功能,节点与节点之间的影响,会通过网络而形成非线性因果关系;所述第一处理结果为将所述第一设备的操作习惯集合进行去中心化处理,将非线性关系的所述操作习惯集合处理得到相互影响的关系网络;所述第一操作用户为所述第一设备发生所述第一故障类型故障时的操作用户;所述第一筛选结果为比对所述第一操作用户的操作习惯,将所述第一操作用户未出现的所述第一处理结果中的操作习惯进行筛除,得到所述第一设备的操作习惯系数。优选的使用与所述第一设备的操作习惯系数相同的确定方式确定所述第二设备的操作习惯系数直到所述第N设备的操作习惯系数。通过对所述第一操作习惯的采集,并进行去中心化处理,可以表征非线性因素对所述第一设备的所述第一故障类型造成的影响,增加了数据类型,进而提高了预警的准确性。
进一步的,所述方法步骤S900还包括:
S910:根据所述第一聚类结果,构建所述第一故障类型的主故障特征集合;
S920:根据所述第一故障数据链直至所述第N 故障数据链,构建所述第一故障类型的次故障特征集合;
S930:根据所述第一故障数据链直至所述第N故障数据链中各个次故障特征的出现次数对所述次故障特征集合进行特征值分配,获得第一分配结果;
S940:通过所述主故障特征集合、所述次故障特征集合和所述第一分配结果构建所述第一故障类型的故障特征匹配模型;
S950:通过所述故障特征匹配模型对所述第一故障类型进行识别和预警。
具体而言,所述第一故障类型的主故障特征集合为依据具有代表性的聚类结果得到聚类中对应的故障特征集合;所述第一故障类型的次故障特征集合为遍历所述第一故障数据链直至所述第N 故障数据链得到的不同于所述主故障特征集合的其他故障特征集合数据;所述第一分配结果为基于所述第一故障类型的次故障特征在历史数据中的出现频率为所述次故障特征集合进行标识并分配得到的结果,用来表征不同的所述次故障特征的出现概率以及出现周期;所述故障特征匹配模型为基于神经网络模型构建的无监督模型,通过神经网络模型构建的模型具有较强的学习能力,基于多组所述主故障特征集合、所述次故障特征集合和所述第一分配结果数据输入所述故障特征匹配模型,当输出结果达到收敛时结束,当输出结果显示监测中识别出现所述主故障特征集合、所述次故障特征集合和所述第一分配结果则对相应的设备进行所述第一故障类型的预警,提高了预警监测的智能性。
进一步的,所述系统还与第一图像采集装置通信连接,所述方法还包括步骤S1100:
S1110:通过所述图像采集装置获得所述第一设备的第一图像集合,其中,所述第一图像集合为所述第一设备在发生所述第一故障类型故障前的生产产品图像集合;
S1120:对所述第一图像集合进行基于生产产品的时间线标识,将标识后的所述第一图像集合按照时间顺序排序,获得第二图像集合;
S1130:对所述第二图像集合进行图像时间变化特征提取,获得第一提取结果;
S1140:将所述第一提取结果作为所述第一故障类型识别的预警特征。
具体而言,所述图像采集装置为对所述第一设备进行图像信息采集的设备,包括但不限于智能摄像头等设备;所述第一图像集合为所述第一设备在发生所述第一故障类型故障前的生产产品图像集合;所述第二图像集合为对所述第一图像集合依据生产产品的生产时间线进行标识并依据标识结果按照时间正序进行排序得到的图像集合;所述第一提取结果为对所述第二图像集合提取的依据时间要素的变化特征数据,优选的使用基于卷积神经网络训练的特征提取模型进行特征提取,卷积可以作为在机器学习中的特征提取器,从而使得提取到的特征信息具有集中性和代表性,进而获得所述第二图像集合的卷积特征,卷积神经网络是神经网络的一种,对于特征提取尤其是图像特征提取有着优异的识别功能;进一步的,当所述图像采集装置采集到的产品图像特征信息和所述第一提取结果比对具有差异时,即对相应的所述第一故障类型进行报警。通过对产品图像信息进行分析,可以及时的依据异常产品分析所述第一故障类型信息,达到实时性预警的技术效果。
进一步的,所述方法步骤S1140还包括:
S1141:根据所述第一提取结果获得第一特征变化规律;
S1142:根据所述第二图像集合获得所述第一特征变化系数;
S1143:将所述第一特变化规律和所述第一特征变化系数作为所述第一故障类型识别的预警特征。
具体而言,所述第一特征变化规律为通过将所述图像采集装置采集的产品图像和所述第一提取结果进行比对得到特征数据偏离变化数据,偏离方式包括但不限于渐变增大偏离、完全偏离、突然持续性偏离、周期性偏离、紊乱性偏离等;所述第一特征变化系数为在确定产品图像发生偏离后,依据所述第二图像和所述图像采集装置采集的产品图像进行比对确定的具体的偏离物理量,包括带符号的偏离,即正偏离,负偏离等;将所述第一特征变化规律和对应的所述第一特征变化系数对应存储并输出作为所述第一故障类型识别的预警特征,预警特征举例如:渐变增大偏离及对应的偏离物理量,进一步的,依据渐变增大偏离及对应的偏离物理量对所述第一设备进行调整,保证了设备的稳步生产与安全。
进一步的,如图2所示,所述方法还包括步骤S1200:
S1210:获得第P设备信息;
S1220:根据所述第一聚类结果对所述第P设备信息进行比对,获得第一匹配等级信息;
S1230:根据所述第一聚类结果对应的所述第一故障类型生成第一颜色预警灯;
S1240:根据所述第一匹配等级生成第二颜色预警灯;
S1250:根据所述第一颜色预警灯和所述第二颜色预警灯获得第一组合预警灯,基于所述第一组合预警灯对所述第P设备信息进行预警。
具体而言,所述第P设备为不同于N个设备的工厂设备;所述第P设备信息为表征所述第P设备发生所述第一故障类型时的各种异常信息变化数据;所述第一匹配等级信息为将所述第一聚类结果和所述第P设备信息进行比对,依据发生所述第一故障类型时的各种异常信息变化数据的重合度确定的数据,重合度越高,则匹配度越高;所述第一颜色预警灯为和所述第一故障类型相适配的预警灯;所述第二颜色预警灯为表征所述第一匹配等级的预警灯;进一步的,当所述第P设备监测到出现所述第一聚类结果中对应的各种异常信息变化数据,则亮起所述第一颜色预警灯,再判断所述第P设备中监测到的各种异常信息变化数据占据所述第一聚类结果中的重合程度,得到对应的所述第一匹配等级,则亮起对应的所述第二颜色预警灯,二者组合得到所述第一组合预警灯对所述第P设备信息进行预警。通过对发生所述第一故障类型的不同于所述第一设备的其他设备进行异常数据匹配,再对所述第一故障类型设置预警灯预警的基础上,再基于匹配度设置对应的信号灯预警,提高了预警的精准性。
综上所述,本申请实施例所提供的一种纺织机械设备的故障智能预警方法及系统具有如下技术效果:
1.通过采集纺织设备的各种故障类型集合,再依次计算每种故障类型N个设备的数据异常变化信息链,并进行聚类将冗杂的数据异常变化信息链降维,得到具有表征性的数据异常变化信息链聚类结果,通过聚类结果对设备数据进行监测,当满足聚类结果中的数据异常变化即对对应故障进行预警。基于机器学习构建的预警系统对于专家知识依赖性不强且可适应复杂设备的数据的监控,达到了得到可行性强的监控方案的技术效果。
2.基于所述第一相似区别特征和所述第一区别特征对所述第一聚类结果和所述第二聚类结果进行标识,便于所述系统基于所述第一标识结果分辨所述第一故障类型和所述第二故障类型,避免因分辨不清晰,导致预警错误的情况发生。
3.通过对发生所述第一故障类型的不同于所述第一设备的其他设备进行异常数据匹配,再对所述第一故障类型设置预警灯预警的基础上,再基于匹配度设置对应的信号灯预警,提高了预警的精准性。
实施例二
基于与前述实施例中一种纺织机械设备的故障智能预警方法相同的发明构思,如图3所示,本申请实施例提供了一种纺织机械设备的故障智能预警系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;
第二获得单元12,所述第二获得单元12用于通过所述第一故障类型获得第一设备的第一数据信息;
第三获得单元13,所述第三获得单元13用于通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;
第四获得单元14,所述第四获得单元14用于根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;
第五获得单元15,所述第五获得单元15用于通过所述第一故障类型获得第N设备的第N数据信息;
第六获得单元16,所述第六获得单元16用于通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;
第七获得单元17,所述第七获得单元17用于根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;
第八获得单元18,所述第八获得单元18用于将所述第一故障数据链直至所述第N故障数据链进行聚类处理,获得第一聚类结果;
第一预警单元19,所述第一预警单元19用于基于所述第一聚类结果对所述第一故障类型进行预警。
进一步的,所述系统还包括:
第九获得单元,所述第九获得单元用于获得第二故障类型的第二聚类结果,其中,所述第二故障类型与所述第一故障类型不同,且所述第二聚类结果与所述第一聚类结果具有第一相似度;
第十获得单元,所述第十获得单元用于对所述第一聚类结果和所述第二聚类结果中具有所述第一相似度的参数数据进行比对,获得第一相似区别特征;
第十一获得单元,所述第十一获得单元用于对所述第一聚类结果和所述第二聚类结果中不具有所述第一相似度的参数进行数据对比,获得第一区别特征;
第十二获得单元,所述第十二获得单元用于根据所述第一相似区别特征和所述第一区别特征对所述第一聚类结果和所述第二聚类结果进行标识,获得第一标识结果;
第一甄别单元,所述第一甄别单元用于通过所述第一标识结果对所述第一故障类型和所述第二故障类型进行甄别。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于通过所述第一数据信息获得所述第一设备的操作习惯集合;
第十四获得单元,所述第十四获得单元用于对所述操作习惯集合进行去中心化处理,获得第一处理结果;
第十五获得单元,所述第十五获得单元用于获得第一操作用户,其中,所述第一操作用户为所述第一设备发生所述第一故障类型故障时的操作用户;
第十六获得单元,所述第十六获得单元用于根据所述第一操作用户对所述第一处理结果进行操作习惯的筛选,获得第一筛选结果;
第十七获得单元,所述第十七获得单元用于根据所述第一筛选结果获得所述第一设备的操作习惯系数。
进一步的,所述系统还包括:
第一构建单元,所述第一构建单元用于根据所述第一聚类结果,构建所述第一故障类型的主故障特征集合;
第二构建单元,所述第二构建单元用于根据所述第一故障数据链直至所述第N 故障数据链,构建所述第一故障类型的次故障特征集合;
第十八获得单元,所述第十八获得单元用于根据所述第一故障数据链直至所述第N故障数据链中各个次故障特征的出现次数对所述次故障特征集合进行特征值分配,获得第一分配结果;
第三构建单元,所述第三构建单元用于通过所述主故障特征集合、所述次故障特征集合和所述第一分配结果构建所述第一故障类型的故障特征匹配模型;
第二预警单元,所述第二预警单元用于通过所述故障特征匹配模型对所述第一故障类型进行识别和预警。
进一步的,所述系统还包括:
第十九获得单元,所述第十九获得单元用于通过所述图像采集装置获得所述第一设备的第一图像集合,其中,所述第一图像集合为所述第一设备在发生所述第一故障类型故障前的生产产品图像集合;
第二十获得单元,所述第二十获得单元用于对所述第一图像集合进行基于生产产品的时间线标识,将标识后的所述第一图像集合按照时间顺序排序,获得第二图像集合;
第二十一获得单元,所述第二十一获得单元用于对所述第二图像集合进行图像时间变化特征提取,获得第一提取结果;
第一设置单元,所述第一设置单元用于将所述第一提取结果作为所述第一故障类型识别的预警特征。
进一步的,所述系统还包括:
第二十二获得单元,所述第二十二获得单元用于根据所述第一提取结果获得第一特征变化规律;
第二十三获得单元,所述第二十三获得单元用于根据所述第二图像集合获得所述第一特征变化系数;
第二设置单元,所述第二设置单元用于将所述第一特变化规律和所述第一特征变化系数作为所述第一故障类型识别的预警特征。
进一步的,所述系统还包括:
第二十四获得单元,所述第二十四获得单元用于获得第P设备信息;
第二十五获得单元,所述第二十五获得单元用于根据所述第一聚类结果对所述第P设备信息进行比对,获得第一匹配等级信息;
第一生成单元,所述第一生成单元用于根据所述第一聚类结果对应的所述第一故障类型生成第一颜色预警灯;
第二生成单元,所述第二生成单元用于根据所述第一匹配等级生成第二颜色预警灯;
第三预警单元,所述第三预警单元用于根据所述第一颜色预警灯和所述第二颜色预警灯获得第一组合预警灯,基于所述第一组合预警灯对所述第P设备信息进行预警。
下面参考图4来描述本申请实施例的电子设备,
基于与前述实施例中一种纺织机械设备的故障智能预警方法相同的发明构思,本申请实施例还提供了一种纺织机械设备的故障智能预警系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的系统,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdisc
read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种纺织机械设备的故障智能预警方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种纺织机械设备的故障智能预警方法,其中,所述方法应用于一故障分析预警系统,所述方法包括:获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;通过所述第一故障类型获得第一设备的第一数据信息;通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;通过所述第一故障类型获得第N设备的第N数据信息;通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;将所述第一故障数据链直至所述第N 故障数据链进行聚类处理,获得第一聚类结果;基于所述第一聚类结果对所述第一故障类型进行预警。通过采集纺织设备的各种故障类型集合,再依次计算每种故障类型N个设备的数据异常变化信息链,并进行聚类将冗杂的数据异常变化信息链降维,得到具有表征性的数据异常变化信息链聚类结果,通过聚类结果对设备数据进行监测,当满足聚类结果中的数据异常变化即对对应故障进行预警。基于机器学习构建的预警系统对于专家知识依赖性不强且可适应复杂设备的数据的监控,达到了得到可行性强的监控方案的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a ,b,或c中的至少一项(个、种),可以表示:a ,b,c,a -b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程系统。所述计算机指
令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑系统,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算系统的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (3)
1.一种纺织机械设备的故障智能预警方法,其中,所述方法应用于一故障分析预警系统,所述方法包括:
获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;
通过所述第一故障类型获得第一设备的第一数据信息;
通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;
根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;
通过所述第一故障类型获得第N设备的第N数据信息;
通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;
根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;
将所述第一故障数据链直至所述第N 故障数据链进行聚类处理,获得第一聚类结果;
基于所述第一聚类结果对所述第一故障类型进行预警;
所述方法还包括:
获得第二故障类型的第二聚类结果,其中,所述第二故障类型与所述第一故障类型不同,且所述第二聚类结果与所述第一聚类结果具有第一相似度;
对所述第一聚类结果和所述第二聚类结果中具有所述第一相似度的参数数据进行比对,获得第一相似区别特征;
对所述第一聚类结果和所述第二聚类结果中不具有所述第一相似度的参数进行数据对比,获得第一区别特征;
根据所述第一相似区别特征和所述第一区别特征对所述第一聚类结果和所述第二聚类结果进行标识,获得第一标识结果;
通过所述第一标识结果对所述第一故障类型和所述第二故障类型进行甄别;
所述方法还包括:
通过所述第一数据信息获得所述第一设备的操作习惯集合;
对所述操作习惯集合进行去中心化处理,获得第一处理结果;
获得第一操作用户,其中,所述第一操作用户为所述第一设备发生所述第一故障类型故障时的操作用户;
根据所述第一操作用户对所述第一处理结果进行操作习惯的筛选,获得第一筛选结果;
根据所述第一筛选结果获得所述第一设备的操作习惯系数;
所述方法还包括:
根据所述第一聚类结果,构建所述第一故障类型的主故障特征集合;
根据所述第一故障数据链直至所述第N 故障数据链,构建所述第一故障类型的次故障特征集合;
根据所述第一故障数据链直至所述第N故障数据链中各个次故障特征的出现次数对所述次故障特征集合进行特征值分配,获得第一分配结果;
通过所述主故障特征集合、所述次故障特征集合和所述第一分配结果构建所述第一故障类型的故障特征匹配模型;
通过所述故障特征匹配模型对所述第一故障类型进行识别和预警;
其中,所述系统还与第一图像采集装置通信连接,所述方法还包括:
通过所述图像采集装置获得所述第一设备的第一图像集合,其中,所述第一图像集合为所述第一设备在发生所述第一故障类型故障前的生产产品图像集合;
对所述第一图像集合进行基于生产产品的时间线标识,将标识后的所述第一图像集合按照时间顺序排序,获得第二图像集合;
对所述第二图像集合进行图像时间变化特征提取,获得第一提取结果;
将所述第一提取结果作为所述第一故障类型识别的预警特征;
所述方法还包括:
根据所述第一提取结果获得第一特征变化规律;
根据所述第二图像集合获得第一特征变化系数;
将所述第一特征变化规律和所述第一特征变化系数作为第一故障类型识别的预警特征;
所述方法还包括:
获得第P设备信息;
根据所述第一聚类结果对所述第P设备信息进行比对,获得第一匹配等级信息;
根据所述第一聚类结果对应的所述第一故障类型生成第一颜色预警灯;
根据所述第一匹配等级生成第二颜色预警灯;
根据所述第一颜色预警灯和所述第二颜色预警灯获得第一组合预警灯,基于所述第一组合预警灯对所述第P设备信息进行预警。
2.一种纺织机械设备的故障智能预警系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于获得第一故障类型,其中,所述第一故障类型为第一工厂下的纺织设备故障集合中的故障类型;
第二获得单元,所述第二获得单元用于通过所述第一故障类型获得第一设备的第一数据信息;
第三获得单元,所述第三获得单元用于通过所述第一数据信息和所述第一设备的操作习惯系数获得所述第一设备的第一数据损失函数;
第四获得单元,所述第四获得单元用于根据所述第一数据损失函数获得第一故障数据链,其中,所述第一故障数据链为所述第一设备产生所述第一故障类型故障时的各项数据异常变化信息链;
第五获得单元,所述第五获得单元用于通过所述第一故障类型获得第N设备的第N数据信息;
第六获得单元,所述第六获得单元用于通过所述第N数据信息和所述第N设备的操作习惯系数获得所述第N设备的第N数据损失函数;
第七获得单元,所述第七获得单元用于根据所述第N数据损失函数获得第N故障数据链,其中,所述第N故障数据链为所述第N设备产生所述第一故障类型故障时的各项数据异常变化信息链;
第八获得单元,所述第八获得单元用于将所述第一故障数据链直至所述第N 故障数据链进行聚类处理,获得第一聚类结果;
第一预警单元,所述第一预警单元用于基于所述第一聚类结果对所述第一故障类型进行预警;
第九获得单元,所述第九获得单元用于获得第二故障类型的第二聚类结果,其中,所述第二故障类型与所述第一故障类型不同,且所述第二聚类结果与所述第一聚类结果具有第一相似度;
第十获得单元,所述第十获得单元用于对所述第一聚类结果和所述第二聚类结果中具有所述第一相似度的参数数据进行比对,获得第一相似区别特征;
第十一获得单元,所述第十一获得单元用于对所述第一聚类结果和所述第二聚类结果中不具有所述第一相似度的参数进行数据对比,获得第一区别特征;
第十二获得单元,所述第十二获得单元用于根据所述第一相似区别特征和所述第一区别特征对所述第一聚类结果和所述第二聚类结果进行标识,获得第一标识结果;
第一甄别单元,所述第一甄别单元用于通过所述第一标识结果对所述第一故障类型和所述第二故障类型进行甄别;
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于通过所述第一数据信息获得所述第一设备的操作习惯集合;
第十四获得单元,所述第十四获得单元用于对所述操作习惯集合进行去中心化处理,获得第一处理结果;
第十五获得单元,所述第十五获得单元用于获得第一操作用户,其中,所述第一操作用户为所述第一设备发生所述第一故障类型故障时的操作用户;
第十六获得单元,所述第十六获得单元用于根据所述第一操作用户对所述第一处理结果进行操作习惯的筛选,获得第一筛选结果;
第十七获得单元,所述第十七获得单元用于根据所述第一筛选结果获得所述第一设备的操作习惯系数;
第一构建单元,所述第一构建单元用于根据所述第一聚类结果,构建所述第一故障类型的主故障特征集合;
第二构建单元,所述第二构建单元用于根据所述第一故障数据链直至所述第N 故障数据链,构建所述第一故障类型的次故障特征集合;
第十八获得单元,所述第十八获得单元用于根据所述第一故障数据链直至所述第N故障数据链中各个次故障特征的出现次数对所述次故障特征集合进行特征值分配,获得第一分配结果;
第三构建单元,所述第三构建单元用于通过所述主故障特征集合、所述次故障特征集合和所述第一分配结果构建所述第一故障类型的故障特征匹配模型;
第二预警单元,所述第二预警单元用于通过所述故障特征匹配模型对所述第一故障类型进行识别和预警;
第十九获得单元,所述第十九获得单元用于通过图像采集装置获得所述第一设备的第一图像集合,其中,所述第一图像集合为所述第一设备在发生所述第一故障类型故障前的生产产品图像集合;
第二十获得单元,所述第二十获得单元用于对所述第一图像集合进行基于生产产品的时间线标识,将标识后的所述第一图像集合按照时间顺序排序,获得第二图像集合;
第二十一获得单元,所述第二十一获得单元用于对所述第二图像集合进行图像时间变化特征提取,获得第一提取结果;
第一设置单元,所述第一设置单元用于将所述第一提取结果作为所述第一故障类型识别的预警特征;
第二十二获得单元,所述第二十二获得单元用于根据所述第一提取结果获得第一特征变化规律;
第二十三获得单元,所述第二十三获得单元用于根据所述第二图像集合获得第一特征变化系数;
第二设置单元,所述第二设置单元用于将所述第一特征变化规律和所述第一特征变化系数作为所述第一故障类型识别的预警特征;
第二十四获得单元,所述第二十四获得单元用于获得第P设备信息;
第二十五获得单元,所述第二十五获得单元用于根据所述第一聚类结果对所述第P设备信息进行比对,获得第一匹配等级信息;
第一生成单元,所述第一生成单元用于根据所述第一聚类结果对应的所述第一故障类型生成第一颜色预警灯;
第二生成单元,所述第二生成单元用于根据所述第一匹配等级生成第二颜色预警灯;
第三预警单元,所述第三预警单元用于根据所述第一颜色预警灯和所述第二颜色预警灯获得第一组合预警灯,基于所述第一组合预警灯对所述第P设备信息进行预警。
3.一种纺织机械设备的故障智能预警系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如权利要求1所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111243439.3A CN113687639B (zh) | 2021-10-25 | 2021-10-25 | 一种纺织机械设备的故障智能预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111243439.3A CN113687639B (zh) | 2021-10-25 | 2021-10-25 | 一种纺织机械设备的故障智能预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113687639A CN113687639A (zh) | 2021-11-23 |
CN113687639B true CN113687639B (zh) | 2023-04-18 |
Family
ID=78588149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111243439.3A Active CN113687639B (zh) | 2021-10-25 | 2021-10-25 | 一种纺织机械设备的故障智能预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113687639B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676593B (zh) * | 2022-04-18 | 2023-05-23 | 无锡物联网创新中心有限公司 | 一种纺织设备的异常检测方法及相关装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105063A (zh) * | 2018-10-26 | 2020-05-05 | 北京国双科技有限公司 | 故障预测、模型构建方法、装置、处理器及可读存储介质 |
CN110362068A (zh) * | 2019-08-02 | 2019-10-22 | 苏州容思恒辉智能科技有限公司 | 一种基于工业物联网的机械设备故障预警方法、系统和可读存储介质 |
CN113393211B (zh) * | 2021-06-22 | 2022-12-09 | 柳州市太启机电工程有限公司 | 一种智能化提高自动化生产效率的方法及系统 |
CN113344552B (zh) * | 2021-07-08 | 2021-12-31 | 中宬建设管理有限公司 | 一种基于工程造价的多项目联合管理方法及系统 |
CN113506009B (zh) * | 2021-07-19 | 2022-02-18 | 浙江工企信息技术股份有限公司 | 一种基于智慧云服务的设备管理方法及系统 |
-
2021
- 2021-10-25 CN CN202111243439.3A patent/CN113687639B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN113687639A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111158977A (zh) | 一种异常事件根因定位方法及装置 | |
KR101872342B1 (ko) | 개선된 RTC(Real-time contrasts) 기법을 이용한 지능형 이상 진단 방법 및 장치 | |
CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
KR102079359B1 (ko) | 개선된 sax 기법 및 rtc 기법을 이용한 공정 모니터링 장치 및 방법 | |
CN111367777B (zh) | 告警处理的方法、装置、设备及计算机可读存储介质 | |
Gibadullin et al. | Analysis of industrial network parameters using neural network processing | |
CN113687639B (zh) | 一种纺织机械设备的故障智能预警方法及系统 | |
CN114861788A (zh) | 一种基于dbscan聚类的负荷异常检测方法及系统 | |
US20210406727A1 (en) | Managing defects in a model training pipeline using synthetic data sets associated with defect types | |
CN113971425A (zh) | 一种异常分析方法、装置及存储介质 | |
EP3503473A1 (en) | Server classification in networked environments | |
CN111160329A (zh) | 一种根因分析的方法及装置 | |
JP2020194320A (ja) | 情報処理装置、予測判別システム、および予測判別方法 | |
CN112652351A (zh) | 硬件状态检测方法、装置、计算机设备及存储介质 | |
CN117540826A (zh) | 机器学习模型的优化方法、装置、电子设备及存储介质 | |
CN111813644A (zh) | 系统性能的评价方法、装置、电子设备和计算机可读介质 | |
CN114430361A (zh) | 一种异常带宽检测方法、装置、电子设备及存储介质 | |
CN117909112A (zh) | 应用程序故障自动诊断方法、装置、设备及存储介质 | |
CN117591860A (zh) | 一种数据异常检测方法及装置 | |
CN113724211B (zh) | 一种基于状态感应的故障自动识别方法及系统 | |
JP6640765B2 (ja) | 状態分析装置、状態分析方法及び状態分析プログラム | |
CN113656452B (zh) | 调用链指标异常的检测方法、装置、电子设备及存储介质 | |
CN111815442B (zh) | 一种链接预测的方法、装置和电子设备 | |
CN114579519A (zh) | 文件系统的异常检测方法及装置、存储介质及电子设备 | |
CN114140241A (zh) | 一种交易监控指标的异常识别方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |