CN113721579A - 基于专家系统和神经网络算法融合的织机故障诊断方法 - Google Patents
基于专家系统和神经网络算法融合的织机故障诊断方法 Download PDFInfo
- Publication number
- CN113721579A CN113721579A CN202110770571.3A CN202110770571A CN113721579A CN 113721579 A CN113721579 A CN 113721579A CN 202110770571 A CN202110770571 A CN 202110770571A CN 113721579 A CN113721579 A CN 113721579A
- Authority
- CN
- China
- Prior art keywords
- fault
- rapier loom
- neural network
- weft
- expert system
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 78
- 238000003745 diagnosis Methods 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 24
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000003780 insertion Methods 0.000 claims description 5
- 230000037431 insertion Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 239000002344 surface layer Substances 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000007246 mechanism Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000004804 winding Methods 0.000 description 4
- 230000006855 networking Effects 0.000 description 3
- 238000009941 weaving Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000015271 coagulation Effects 0.000 description 1
- 238000005345 coagulation Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002759 woven fabric Substances 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Looms (AREA)
Abstract
本发明涉及基于专家系统和神经网络算法融合的织机故障诊断方法。该方法将神经网络用于剑杆织机的故障识别,将神经网络与专家系统协同耦合,实现对剑杆织机故障诊断的智能判断。该故障诊断方法能够很好的对运转的剑杆织机设备的运行状态进行实时监测和故障诊断,及时发现设备故障;能有效延长设备运行寿命,判断故障位置,同时提高设备稳定性,确保设备全生命周期的安全可靠。
Description
技术领域
本发明涉及剑杆织机故障诊断技术领域,具体是一种基于专家系统和神经网络算法融合的织机故障诊断方法。
背景技术
企业对生产效率、产品质量提出了更高的要求,提高传统制造业的智能化水平已成为大势所趋,车间设备互联互通以及车间联网是智能制造的前提条件之一。剑杆织机远程监控及故障诊断系统对于实现车间设备互联互通、车间联网功能以及提高剑杆织机智能故障诊断水平意义重大。
随着计算机技术、信号处理技术和人工智能纺织业的快速发展,剑杆织机的智能故障诊断开始受到关注。目前剑杆织机故障诊断正向着智能自动化、网络化方向发展。因此,人工智能的前沿技术已经成为了剑杆织机的故障诊断不可或缺的力量。利用信息融合技术,实现剑杆织机的智能诊断已成为剑杆织机故障诊断领域所面临的新问题。
例如浙江理工大学的现代纺织装备技术浙江省重点实验室开发了喷气剑杆织机工艺专家系统设计,能够设定智能化进程,利用在线同步和离线拷贝两种形式的获取剑杆织机数据。该套系统将专家系统的推理机及知识库的设计放在pc机上,但仅能在有限的定制式规则中寻求答案,当对于一个复杂无规律的知识库,传统专家系统仍无法收敛问题。传统的专家系统没有自学习功能,当遇到数据库不兼容类型时,无法处理,将陷入循环不终止状态。而神经网络的引入恰好解决了这一难题,目前将神经网络和专家系统结合用在剑杆织机上的方法未见报道。
发明内容
针对剑杆织机的故障诊断问题,本发明公开了一种基于专家系统和神经网络算法融合的织机故障诊断方法,该方法创立了神经网络与专家系统协同耦合的全新模式,改进专家系统的故障树,并将神经网络用于剑杆织机的故障识别,进而实现对剑杆织机故障诊断的智能判断。
为了实现上述目的,本发明采用的技术方案是:
一种基于专家系统和神经网络算法融合的织机故障诊断方法,其特征在于,该方法将神经网络用于剑杆织机的故障识别,将神经网络与专家系统协同耦合,实现对剑杆织机故障诊断的智能判断,包括以下步骤:
对直接影响剑杆织机生产状况的定量因素进行分析,发现发生故障后将定量因素作为影响剑杆织机生产状况的因子进行预测分析;
建立剑杆织机的逻辑关系故障树:
将一个故障事件分层划分为初事件、中间事件、底事件,最上层即初事件是设备故障的表象,底事件才是真正造成故障具体原因,中间事件位于初事件和底事件的二者之间;当故障发生时,将故障事件集合后,按照各事件发生的相互逻辑诊断推理,推论得出诊断结果;
对于剑杆织机系统具有多个子故障树,将涉及交集的子事件设为引用关系,不同的子故障树能引用同一子事件。
所述直接影响剑杆织机生产状况的定量因素包括引纬参数、送经参数、电子卷取参数、启停参数、储纬参数;采集剑杆织机运行状态信号,这些运行状态信号包括:振动信号、各级温度信号、电流信号、开关量信号;对运行状态信号进行处理,凝练故障信号的特性;
将剑杆织机故障划分为元器键故障、传感器故障、执行器件故障;
其中元器键为决定剑杆织机系统能否正常工作的固定器件,包括伺服驱动器、控制电路板、变频器、变压器、开关电源;
传感器为用于监控剑杆织机工作时各部位工作状态的器件,包括编码器、接近开关、断经传感器、纬纱检测器、张力传感器、油位、油压传感器;
执行器件为在剑杆织机系统中接受主控制器控制信号,并驱动被控对象按照工艺需求动作的器件,包括主离合器、慢离合器、刹车制动器、纬离合器合、主电机、慢电机、电子多臂、送经卷取伺服电机、风机、储纬器;
建立上述各故障类型下对应的相关故障信号特征之间的联系,利用剑杆织机的逻辑关系故障树按照专家系统的规则建立样本知识库。
以多个并排设置的BP神经网络为基础,将所有BP神经网络的输出进行融合,获得故障诊断结果,构建诊断模型,
以经纱与纬纱张力值、剑杆织机主轴转速RPM、温度特征、各类电流特征、振动信号的时域特征和频域特征的参数分别作为一个BP神经网络的输入,输入信号在正向传递过程是沿输入层、隐藏层、输出层逐级处理;将诊断模型作为专家系统的一个调用。
与现有技术相比,本发明的有益效果是:
一、摒弃传统故障树方案对多个子故障树的重复操作,解决了原有剑杆织机故障知识库的拖沓冗余问题。由于剑杆织机系统中并发故障的现象很少出现,因此可以将故障树进行简化,将涉及交集的子事件设为引用关系,不同的子故障树可以引用同一子事件。例如编码器故障会导致系统读取主轴角度出现错误,纬纱检测角度范围或选纬指伸缩出现错误都是由其导致的。有同类原因导致的故障,不必再占用额外储存空间,应用引用关系优化传统冗杂方案,节省空间。
二、神经网络与专家系统技术的结合解决了剑杆织机故障模式和故障特征的复杂性问题,而不是单单使用传统专家系统。基于神经网络的故障诊断专家系统,将利用神经网络的自学习功能、联想记忆功能和并行信息处理功能等来解决诊断系统的知识表述、知识获取和并行推理等问题。
知识表述不仅是指存储在知识库中专家系统形式化经验化的规则,也是存储在神经网络节点上的从难以形式化变为非线性的专家经验。系统推理分为神经网络的经验知识推理和专家系统的逻辑知识推理。
神经网络与专家系统的集成可以发挥各自的优势,表达故障诊断及处理系统的知识。神经网络将剑杆织机故障的问题特征数值化和形式化(这里是指将难以形式化的专家经验以非线性映射的方式),专家系统的知识获取从工程师整理、总结固定知识的传统形式跳脱出来,使用剑杆织机领域解决问题的方案和实例来训练神经网络。神经网络利用误差反向传播(BP)算法对输入的历史数据进行训练,从输出到输入进行反馈连接;反向传播网络结构简单,学习算法步骤清晰,数学意义明确且学习能力强。这种推理方法与同一层的处理单元并行,不需要匹配规则,克服了传统推理中“匹配冲突、组合爆炸、无限递归”的困难。网络的参数将决定这个推理过程,因此它具有自适应能力。这种知识获取方法既具有更高的时间效率,又能保证更高的质量。因此,原先在专家系统中称为瓶颈的知识库,即知识经验不全面,遇到未解决过的问题陷入封闭,知识获取困难问题得到了比较好的解决。
三、使用神经网络和专家系统联合架构用于剑杆织机故障诊断,将学习样本数量对剑杆织机系统影响因素大大降低,增加问询机制和解释能力(问询和解释就是指的是故障诊断)。保持神经网络的知识表达式由神经元反射完成,将神经网络算法作为专家系统的一个调用(在算法中多一个选择结构),将数据库加工后加权,神经网络的训练过程中的参数学习时基于梯度下降算法进行优化的。梯度下降法需要在开始训练时给每个参数赋予一个初始值。为了不使神经元作用为零,将每层的权重都进行随机化,这样使得不同层的神经元输出结果有区分性。随机初始化参数后得到的诊断预测结果。
附图说明
图1为基于优化神经网络的专家系统的架构;
图2为本发明基于专家系统和神经网络算法融合的织机故障诊断方法的流程图;
图3为本发明的专家系统的故障树与传统故障树的对比;
图4为断纬故障树示意图;
图5为传统剑杆织机模型图。
具体实施方式
下面结合附图对本发明作进一步说明,需要指出的是以下介绍是为了更好的理解本发明的过程,而不是对本发明起约束作用。
本发明目的是提供一种基于专家系统和神经网络算法融合的织机故障诊断方法,利用专家系统和神经网络实现剑杆织机的智能诊断,具有广阔的工业应用前景。
传统性质的专家系统及专家系统数据库。一般专家系统分为人机接口、知识库、数据库、推理机和解释机。本专利主要针对知识库方面进行讲解。构建知识库时,采用非传统故障树的知识构建剑杆织机的故障树。
步骤1、采集剑杆织机运行状态信号,这些运行状态信号包括:振动信号、物理相位信号、动态压力信号、各级温度信号、电流信号,开关量信号;
所述的步骤1中,所述的各级温度信号包括剑杆织机的各级电机、电路板、离合器温度传感器测取的温度信号;每一个剑杆织机的各个工作部分,包括引纬参数、送经参数、电子卷取、启停参数、储纬参数,每一种能确定剑杆织机故障类别形式的称之为各级。
所述的开关量信号包括剑杆织机的变频器、伺服驱动、离合器、接近开关等信号。
所述的振动信号,包含一个或多个物料与剑杆织机交汇点的振动传感器测取的振动信号;
所述的电流信号包括电机、电路板测取的电流信号;
步骤2、对步骤1采集的运行状态信号进行处理,凝练故障信号的特性;
对剑杆织机各级电路板的电流信号、开关量信号、温度信号,进行归一化处理,得到温度特征和各类电流特征(开关量信号也属于电流特征),
采集的运行状态信号获得不同工况或不同状态下的纬纱与经纱张力值、经向缩率,
提取统计振动信号时域特征和频域特征,将振动信号的时域和频域特征参数作为神经网络输入层的输入节点;具体提取统计可以采用短时傅里叶处理、傅里叶变换处理、小波分析、统计信号处理等进行处理;
记录运动状态信号对应高低压时间的剑杆织机主轴转速,
根据工况选择以剑杆织机主轴转速、纬纱与经纱张力值、经向缩率、温度特征、各类电流特征、振动信号时域特征和频域特征参数等中的直接影响需要分析工序的生产状况的定量因素作为输入节点;
步骤3、利用步骤2提取的故障特征,结合故障类型,建立样本知识库;
将剑杆织机故障划分为元器键故障、传感器故障、执行器件故障。
其中元器键为决定剑杆织机系统能否正常工作的固定器件,包括伺服驱动器、控制电路板、变频器、变压器、开关电源、电磁制动器等;
传感器为用于监控剑杆织机工作时各部位工作状态的器件,包括编码器、接近开关、断经传感器、纬纱检测器、张力传感器、油位、油压传感器等;
执行器件为在剑杆织机系统中接受主控制器控制信号,并驱动被控对象按照工艺需求动作的器件,包括主离合器、慢离合器、刹车制动器、纬离合器合、主电机、慢电机、电子多臂、送经卷取伺服电机、风机、储纬器、绞边机构、选纬机构等。
出现纬纱在进口处断裂,判断储纬器与纱筒是否对准,产生该特征的故障类型为储纬器故障,属于执行器件故障。常出现纬纱没断,而出现断纬停车现象,产生该特征的故障类型为纬纱检测器故障。出现选纬信号异常或选纬板出现过流保护,产生该特征的故障类型为选纬机构故障。出现绞边信号异常或绞边板出现过流保护,产生该特征的故障类型为绞边机构故障。出现送经卷取减速比异常,PID参数失衡,产生该特征的故障类型为送经卷取伺服电机故障,即为执行器件故障。出现AD模块的毁坏或张力传感器线路连接异常,产生该特征的故障类型为张力传感器故障。出现主离合器过流,产生该特征的故障类型为断经传感器。出现慢离合器线路短路或者阻值变小,产生该特征的故障类型为慢离合器故障。出现纬离合器开关位置异常或纬离合器高压时间过短,产生该特征的故障类型为纬离合器故障。出现主轴转速设定异常或电机出现过流保护,产生该特征的故障类型为变频器故障,即元器键故障。出现慢电机热保电流设置异常,产生该特征的故障类型为慢电机故障,即执行器件故障。发现电磁制动器电流值异常或电磁制动器线路出现短路或阻值变小,产生该特征的故障类型为电磁制动器故障,即元器键故障。
为了数目繁多的检测参数及其相关的故障现象(现象是描述类型的具体形式,类型是组成故障树的每一个部分,现象决定故障类型)建立清晰简明的逻辑关系,建立剑杆织机的逻辑关系故障树,利用剑杆织机的逻辑关系故障树按照专家系统的规则建立样本知识库。
构建知识库时,采用非传统故障树的知识构建剑杆织机的故障树。
故障树诊断方法将一个故障事件分层划分为初事件、中间事件、底事件,最上层是设备故障的表象,底事件才是真正造成故障具体原因,中间事件位于初事件和底事件的二者之间。当故障发生时,将故障事件集合后,按照各事件发生的相互逻辑诊断推理,推论得出诊断结果。
事件1是底事件,事件7、8、9为初事件,事件3、4、5、2为并列无关的中间事件,事件7、8、9与事件3、4、5相关的初事件,事件2与事件7、8、9之间无引用关系,事件3、 4与事件7有引用关系,事件1和时间10属于不同的子故障树。
通过与控制系统的通讯,控制系统不仅可以读取各部位的工作参数,还能在故障时采集故障信息。各级单位发送故障信息后,控制系统对故障消息帧进行处理获得故障报警编号,获得的故障报警编号与故障变量对象相对应,然后利用IF<条件>THEN<结论>的表示方法将内部知识建立现场系统的知识库。
对于剑杆织机系统具有多个子故障树,故障树的分支叫做子故障树,将涉及交集的子事件(如事件7)设为引用关系,不同的子故障树(相对整个剑杆织机系统的故障树而言)能引用同一子事件。
步骤4、构建剑杆织机诊断模型;
以多个并排设置的BP神经网络为基础,将所有BP神经网络的输出进行融合,获得故障诊断结果,构建剑杆织机诊断模型,如可以温度值、电流值、经纱与纬纱张力值、剑杆织机主轴转速RPM、振动信号的时域特征和频域特征等参数分别作为一个BP神经网络的输入,输入信号在正向传递过程是沿输入层、隐藏层、输出层逐级处理。
步骤5、对构建的诊断模型进行训练,用BP神经网络训练,调整BP网络的影响因子,加减权值,使每个BP神经网络逐渐逼近设定实验数据(故障结果),扩充专家系统的知识库,神经网络通过互联的神经元及对不同连接权值的分布来表示专家系统外的知识,在进行知识获取时,它只要求提供实例对应的数据,通过已定的学习算法对样本进行学习,经过神经网络内部自适应算法不断修改权值分布以输出问题的结果,供专家系统进行选择。
神经网络利用误差反向传播(BP)算法对输入的现场历史数据进行训练,从输出到输入进行反馈连接;反向传播网络结构简单、学习算法步骤分明、且数学意义明确,具有很强的学习能力。因此在函数逼近、模式识别等方面得到了广泛的应用。函数逼近、模式识别等功能使神经网络推算的输出不断近似期望输出,获取最佳神经网络。
根据输入剑杆织机设备参数(即转化凝练后的输入节点参数)和故障类型,加权匹配,确定故障位置导致的故障原因。加权匹配属于神经网络训练环节,如果与某个特征相关联的权重为正,则表示该特征与目标值之间存在直接关系;如果与该特征相关联的权重为负,则意味着在特征与目标之间存在逆关系。
BP神经网络的训练过程中的参数学习时可以通过梯度下降算法进行优化。梯度下降法需要在开始训练时给各个参数给定一个初始值。在神经网络的训练过程中,如果将神经网络的权重全部设置为0,第一次前向传播过程中,则会导致相同的隐藏层神经元激活函数值,导致深层神经元作用为零,这一现象称为对称权重现象。为了跳出这个常规,比较好的方法是将每层的权重都随机进行初始化,这样便于区分隐含层的不同层的神经元。随机初始化参数后得到的诊断预测结果,来扩充知识库。
利用神经网络完善专家系统在规则推理、知识获取方面的不足,专家系统凭借神经网络结论的验证和解释更好的呈现知识,将神经网络与专家系统便耦合起来,进而完成系统故障诊断任务。
图1为基于优化神经网络的专家系统的架构,包括剑杆织机问题输入、神经网络、知识库、推理机、剑杆织机问题输出,
当输入剑杆织机故障现象和设备参数时,初始化此系统,专家系统先行判断(在推理机这一部分有预测问题解决的功能)使用样本参数是否需要改善,如果需要改善,神经网络交叉变异,迭代出最佳神经网络结构,加权匹配得到故障原因及故障点(故障点是故障的具体位置),经过神经网络加入工作后的专家系统能完成上述过程;如果不需要改善直接匹配专家系统的知识库,专家系统校验最优解,专家系统会将神经网络输出结果与期望输出结果进行比较,满足需求后,确定是最优解后结束并输出。
优化神经网络的专家系统架构,将学习样本数量对专家系统影响因素降低,增加问询机制和解释能力(问询能力是指解决问题的能力,即能解决大部分问题)。保持普通神经网络的知识表达式由神经元反射完成,但推理策略转换为推理机所控制的神经网络距离-权重策略,即两个神经元之间的连接代表连接权重。神经网络的输出取决于之一为权重,通过改变不同的权重值增加了系统的容错性,将神经网络算法作为专家系统的一个调用,将神经网络的各类参数构成的数据库加工后加权,控制被神经网络优化过的专家系统最后的收敛速度。知识库指的是专家系统。
图3为本发明的专家系统的故障树与传统故障树的对比。(a)图为简化前的故障树逻辑关系图,(b)图为简化后的故障树逻辑关系图;
然后针对于剑杆织机人机交互现场系统的故障诊断功能必然具有多个子故障树,这些故障树中的子事件会出现相互交集的情况,这就导致对多个故障树的重复操作,使得故障知识库出现冗余。由于剑杆织机系统中并发故障的现象很少出现,因此可以将故障树进行简化,将涉及交集的子事件设为引用关系,不同的子故障树可以引用同一子事件;该方法是一种非结构式存储方法,具有节省内存空间,查询速度快的特点,特别适合现场系统的硬件条件。虽然多个底事件故障可能都会导致剑杆织机出现相同的表层故障现象,但是底事件与初事件之间逻辑关系比较简单,这就使得许多故障树层次简化,部分故障树并没有中间事件,也使得故障诊断策略脚本的软件开发更为容易。
图4为剑杆织机断纬故障树示意图:
以断纬这一表层故障为例,断纬为底事件,编码器、储纬器、纬纱检测、选纬指四个设备故障都可能是导致剑杆织机出现断纬现象的原因。编码器故障为初事件,纬纱监测故障和选纬指故障都是与编码故障有关,所以设置引用关系,储纬器故障与编码器故障无关,编码器故障会导致系统读取主轴角度出现错误,从而导致纬纱检测角度范围或选纬指伸缩出现错误,进而导致断纬现象。储纬器故障会直接导致纬纱的输出造成断纬。纬纱检测失常或灵敏度不准确也会造成系统进行故障报警。选纬指伸缩不到位也会造成剑带漏接纬纱造成断纬。
步骤7、根据故障树,对剑杆织机故障知识进行基于故障诊断规则的运用,使专家系统推理机处理更便捷。
图5为传统剑杆织机模型图:
首先进行张力张紧,工作人员检查张力是否符合要求,符合要求后按下主轴启动。剑杆织机依据角度信号,一次执行开口、送经、引纬、打纬、卷取等几个工艺流程,并循环往复。
引纬:将纬纱自剑杆织机的一边引入张开的经纱层。
打纬:打纬是把纬纱打入上下两组经纱交会的地方(即织口),为排除纬纱在前后方向上的活动可能性准备条件。通过下一次开口,上下两组经纱的全部或局部互相交换位置,并加以固定。
送经:保护从织轴上均匀地送出经纱,以适应交织的需要。
卷取:使已经织好的织物及时且定量的从织口输送到外部,卷到卷取辊上,使新进入织口的纬纱不会受到影响。
故障树用于改善专家系统原有结构,根据故障树,对剑杆织机故障知识进行基于故障诊断规则与框架融合,知识库的建立就是将故障树中的知识转化为专家系统的规则,而框架也是对于整个专家系统结构而言,使专家系统推理更便捷。而神经网络能用来改善专家系统的发散性思维,提高故障诊断的效果。该故障诊断方法能够很好的对运转的剑杆织机设备的运行状态进行实时监测和故障诊断,及时发现设备故障;能有效延长设备运行寿命,判断故障位置,同时提高设备稳定性,确保设备全生命周期的安全可靠。
本发明未述及之处适用于现有技术。
Claims (6)
1.一种基于专家系统和神经网络算法融合的织机故障诊断方法,其特征在于,该方法将神经网络用于剑杆织机的故障识别,将神经网络与专家系统协同耦合,实现对剑杆织机故障诊断的智能判断,包括以下步骤:
对直接影响剑杆织机生产状况的定量因素进行分析,发现发生故障后将定量因素作为影响剑杆织机生产状况的因子进行预测分析;
建立剑杆织机的逻辑关系故障树:
将一个故障事件分层划分为初事件、中间事件、底事件,最上层即初事件是设备故障的表象,底事件才是真正造成故障具体原因,中间事件位于初事件和底事件的二者之间;当故障发生时,将故障事件集合后,按照各事件发生的相互逻辑诊断推理,推论得出诊断结果;
对于剑杆织机系统具有多个子故障树,将涉及交集的子事件设为引用关系,不同的子故障树能引用同一子事件。
2.根据权利要求1所述的故障诊断方法,其特征在于,所述直接影响剑杆织机生产状况的定量因素包括引纬参数、送经参数、电子卷取参数、启停参数、储纬参数;采集剑杆织机运行状态信号,这些运行状态信号包括:振动信号、各级温度信号、电流信号、开关量信号;对运行状态信号进行处理,凝练故障信号的特性;
将剑杆织机故障划分为元器键故障、传感器故障、执行器件故障;
其中元器键为决定剑杆织机系统能否正常工作的固定器件,包括伺服驱动器、控制电路板、变频器、变压器、开关电源;
传感器为用于监控剑杆织机工作时各部位工作状态的器件,包括编码器、接近开关、断经传感器、纬纱检测器、张力传感器、油位、油压传感器;
执行器件为在剑杆织机系统中接受主控制器控制信号,并驱动被控对象按照工艺需求动作的器件,包括主离合器、慢离合器、刹车制动器、纬离合器合、主电机、慢电机、电子多臂、送经卷取伺服电机、风机、储纬器;
建立上述各故障类型下对应的相关故障信号特征之间的联系,利用剑杆织机的逻辑关系故障树按照专家系统的规则建立样本知识库。
3.根据权利要求2所述的故障诊断方法,其特征在于,凝练故障信号的特性包括:
对剑杆织机各级电路板的电流信号、开关量信号、温度信号,进行归一化处理,得到温度特征和各类电流特征,
根据采集的运行状态信号获得不同工况或不同状态下的纬纱与经纱张力值、经向缩率,
提取统计振动信号时域特征和频域特征,
记录运动状态信号对应的高低压时间、剑杆织机主轴转速,
根据工况选择以剑杆织机主轴转速、纬纱与经纱张力值、经向缩率、温度特征、各类电流特征、振动信号时域特征和频域特征参数中的直接影响需要分析工序的生产状况的定量因素作为输入节点。
4.根据权利要求2所述的故障诊断方法,其特征在于,以多个并排设置的BP神经网络为基础,将所有BP神经网络的输出进行融合,获得故障诊断结果,构建诊断模型,
以经纱与纬纱张力值、剑杆织机主轴转速RPM、温度特征、各类电流特征、振动信号的时域特征和频域特征的参数分别作为一个BP神经网络的输入,输入信号在正向传递过程是沿输入层、隐藏层、输出层逐级处理;将诊断模型作为专家系统的一个调用,
神经网络通过互联的神经元及对不同连接权值的分布来表示专家系统外的知识,在进行知识获取时,它只要求提供实例对应的数据,通过已定的学习算法对样本进行学习,经过神经网络内部自适应算法不断修改权值分布以达到解决问题的要求;
神经网络利用误差反向传播算法对输入的现场历史数据进行训练,从输出到输入进行反馈连接,使神经网络推算的输出不断近似期望输出,最终获取最佳神经网络;
根据输入剑杆织机设备参数和故障类型,加权匹配,确定故障位置及导致的故障原因,加权匹配属于神经网络训练环节,如果与某个特征相关联的权重为正,则表示该特征与目标值之间存在直接关系;如果与该特征相关联的权重为负,则意味着在特征与目标之间存在逆关系;
BP神经网络的训练过程中的参数学习时基于梯度下降算法进行优化,对每层的权重都进行随机初始化,使得隐含层的不同层神经元之间有很好的区分性,随机初始化参数后得到的诊断预测结果,扩充专家系统的知识库。
5.根据权利要求1所述的剑杆织机故障诊断方法,其特征在于,所述的振动信号,包含一个或多个物料与剑杆织机交汇点的振动传感器测取的振动信号;所述的各级温度信号包括各级电机、电路板、离合器温度传感器测取的温度信号;所述的开关量信号包括变频器、伺服驱动、离合器、接近开关的信号。
6.根据权利要求1所述的剑杆织机故障诊断方法,其特征在于,以断纬这一表层故障为例,断纬为底事件,编码器、储纬器、纬纱检测、选纬指四个设备故障都可能是导致剑杆织机出现断纬现象的原因;编码器故障为初事件,纬纱监测故障和选纬指故障都与编码故障有关,所以设置引用关系,储纬器故障与编码器故障无关,储纬器故障与编码器故障无引用关系。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770571.3A CN113721579A (zh) | 2021-07-08 | 2021-07-08 | 基于专家系统和神经网络算法融合的织机故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770571.3A CN113721579A (zh) | 2021-07-08 | 2021-07-08 | 基于专家系统和神经网络算法融合的织机故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113721579A true CN113721579A (zh) | 2021-11-30 |
Family
ID=78673109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110770571.3A Pending CN113721579A (zh) | 2021-07-08 | 2021-07-08 | 基于专家系统和神经网络算法融合的织机故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113721579A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114204874A (zh) * | 2021-12-16 | 2022-03-18 | 河北工业大学 | 一种剑杆织机主轴用磁阻电机的控制系统及控制方法 |
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN116610105A (zh) * | 2023-07-20 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于数据融合的轧机机械运行故障监测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020049625A1 (en) * | 2000-09-11 | 2002-04-25 | Srinivas Kilambi | Artificial intelligence manufacturing and design |
CN101859128A (zh) * | 2010-07-05 | 2010-10-13 | 北京信息科技大学 | 一种基于知识的车铣复合机床故障预测专家系统 |
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN102968113A (zh) * | 2012-11-16 | 2013-03-13 | 国电南瑞科技股份有限公司 | 一种发电机励磁系统故障分析及展示方法 |
CN108564313A (zh) * | 2018-06-14 | 2018-09-21 | 华北水利水电大学 | 基于故障树的风电机组状态监测与健康评估的方法及装置 |
CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息系统故障定位系统及方法 |
CN109783500A (zh) * | 2019-01-21 | 2019-05-21 | 北京邮电大学 | 一种基于故障树和案例相似性的故障诊断方法 |
CN110296124A (zh) * | 2019-06-03 | 2019-10-01 | 武汉工程大学 | 基于专家系统的远程故障诊断系统及方法 |
-
2021
- 2021-07-08 CN CN202110770571.3A patent/CN113721579A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020049625A1 (en) * | 2000-09-11 | 2002-04-25 | Srinivas Kilambi | Artificial intelligence manufacturing and design |
CN101859128A (zh) * | 2010-07-05 | 2010-10-13 | 北京信息科技大学 | 一种基于知识的车铣复合机床故障预测专家系统 |
CN102637019A (zh) * | 2011-02-10 | 2012-08-15 | 武汉科技大学 | 一种工业生产过程智能集成故障诊断方法及装置 |
CN102968113A (zh) * | 2012-11-16 | 2013-03-13 | 国电南瑞科技股份有限公司 | 一种发电机励磁系统故障分析及展示方法 |
CN108564313A (zh) * | 2018-06-14 | 2018-09-21 | 华北水利水电大学 | 基于故障树的风电机组状态监测与健康评估的方法及装置 |
CN109726200A (zh) * | 2018-12-06 | 2019-05-07 | 国网甘肃省电力公司信息通信公司 | 基于双向深度神经网络的电网信息系统故障定位系统及方法 |
CN109783500A (zh) * | 2019-01-21 | 2019-05-21 | 北京邮电大学 | 一种基于故障树和案例相似性的故障诊断方法 |
CN110296124A (zh) * | 2019-06-03 | 2019-10-01 | 武汉工程大学 | 基于专家系统的远程故障诊断系统及方法 |
Non-Patent Citations (1)
Title |
---|
刘惠媛等: "潜艇舵机系统故障智能诊断技术研究", 《计算机仿真》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114204874A (zh) * | 2021-12-16 | 2022-03-18 | 河北工业大学 | 一种剑杆织机主轴用磁阻电机的控制系统及控制方法 |
CN114204874B (zh) * | 2021-12-16 | 2023-07-21 | 江苏科瑞德智控自动化科技有限公司 | 一种剑杆织机主轴用磁阻电机的控制系统及控制方法 |
CN116520817A (zh) * | 2023-07-05 | 2023-08-01 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN116520817B (zh) * | 2023-07-05 | 2023-08-29 | 贵州宏信达高新科技有限责任公司 | 基于高速公路的etc系统运行状态实时监控系统及方法 |
CN116610105A (zh) * | 2023-07-20 | 2023-08-18 | 江苏甬金金属科技有限公司 | 一种基于数据融合的轧机机械运行故障监测方法及系统 |
CN116610105B (zh) * | 2023-07-20 | 2023-11-17 | 江苏甬金金属科技有限公司 | 一种基于数据融合的轧机机械运行故障监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113721579A (zh) | 基于专家系统和神经网络算法融合的织机故障诊断方法 | |
Frank et al. | New developments using AI in fault diagnosis | |
Lo et al. | Review of machine learning approaches in fault diagnosis applied to IoT systems | |
Frank et al. | Fuzzy logic and neural network applications to fault diagnosis | |
CN111596604A (zh) | 一种基于数字孪生的工程装备故障智能诊断与自愈控制系统及方法 | |
CN113505458B (zh) | 连锁故障关键触发支路预测方法、系统、设备及存储介质 | |
CN113339204B (zh) | 一种基于混合神经网络的风力发电机故障识别方法 | |
CN110515781A (zh) | 一种复杂系统状态监测及故障诊断方法 | |
CN109740727A (zh) | 一种基于神经网络的水轮机转轴状态监测方法和系统 | |
Kim et al. | An intelligent approach to integration and control of textile processes | |
CN112163474B (zh) | 一种基于模型融合的齿轮箱智能诊断方法 | |
Bocaniala et al. | Computational intelligence methodologies in fault diagnosis: review and state of the art | |
CN113887751A (zh) | 基于知识图谱的机械故障预测性维护方法及系统 | |
CN116097252A (zh) | 安全联锁推荐系统 | |
Chen et al. | Integrated group-based valuable sensor selection approach for remaining machinery life estimation in the future industry 4.0 era | |
Huifang et al. | The application of fuzzy neural network in fault self-diagnosis system of automatic transmission | |
JPH0222027A (ja) | 射出成形機の故障診断装置 | |
Wang et al. | Research on Fault Diagnosis Based on Dynamic causality diagram and Fuzzy Reasoning Fusion Method | |
Ahola et al. | Prediction of paper machine runnability by identification of operating situations | |
Juuso et al. | Combining monitoring and process data in detecting operation conditions in process industry | |
Lin | A genetic algorithm-based solution search to fuzzy logical inference for breakdown causes in fabric inspection | |
Xueyuan | Fault self-diagnosis system of automatic transmission based on fuzzy BP network | |
CN118037280B (zh) | 一种瓦楞纸生产线维护与故障诊断系统 | |
Ahola et al. | Paper web break sensitivity monitoring in modern paper machines | |
Bonissone et al. | Soft computing applications in equipment maintenance and service |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211130 |
|
RJ01 | Rejection of invention patent application after publication |