CN114990743B - 基于总线控制器的棉原料处理设备智能监控及诊断系统 - Google Patents

基于总线控制器的棉原料处理设备智能监控及诊断系统 Download PDF

Info

Publication number
CN114990743B
CN114990743B CN202210838336.XA CN202210838336A CN114990743B CN 114990743 B CN114990743 B CN 114990743B CN 202210838336 A CN202210838336 A CN 202210838336A CN 114990743 B CN114990743 B CN 114990743B
Authority
CN
China
Prior art keywords
roller
abnormal
preset time
time period
carding machine
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
Application number
CN202210838336.XA
Other languages
English (en)
Other versions
CN114990743A (zh
Inventor
吕永法
侯兆冲
翟自勇
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.)
Shandong Rifa Textile Machinery Co Ltd
Original Assignee
Shandong Rifa Textile Machinery 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 Shandong Rifa Textile Machinery Co Ltd filed Critical Shandong Rifa Textile Machinery Co Ltd
Priority to CN202210838336.XA priority Critical patent/CN114990743B/zh
Publication of CN114990743A publication Critical patent/CN114990743A/zh
Application granted granted Critical
Publication of CN114990743B publication Critical patent/CN114990743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01G—PRELIMINARY TREATMENT OF FIBRES, e.g. FOR SPINNING
    • D01G31/00—Warning or safety devices, e.g. automatic fault detectors, stop motions
    • D—TEXTILES; PAPER
    • D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
    • D01G—PRELIMINARY TREATMENT OF FIBRES, e.g. FOR SPINNING
    • D01G31/00—Warning or safety devices, e.g. automatic fault detectors, stop motions
    • D01G31/006—On-line measurement and recording of process and product parameters
    • 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)
  • Textile Engineering (AREA)
  • Preliminary Treatment Of Fibers (AREA)

Abstract

本发明涉及棉原料处理设备监控技术领域，具体涉及一种基于总线控制器的棉原料处理设备智能监控及诊断系统，该系统是一种生产领域的人工智能系统，可以用于智能制造装备产业。该系统包括数据采集模块，用于采集经过梳理的棉花的透光度、梳理机辊筒两端轴承处的温度信息和音频信息；梳理效果监控模块，用于对经过梳理的棉花的透光度进行分析获得棉花的梳理效果进而判断获得异常梳理机；指标获取模块，用于获得异常梳理机各辊筒的第一、第二、第三和第四指标；动平衡监控模块，用于对第一、第二、第三和第四指标分析判断出现动平衡异常严重的辊筒。本发明能够对梳理机的各辊筒的生产状态进行实时的监控和诊断，且诊断的精确度和效率都是很高的。

Description

基于总线控制器的棉原料处理设备智能监控及诊断系统
技术领域
本发明涉及设备状态监控技术领域，具体涉及一种基于总线控制器的棉原料处理设备智能监控及诊断系统。
背景技术
目前的纺织行业大多企业依旧在使用十几年以前的老梳理机，这些设备多是第一、二代老型号梳棉机，主要机件结构多为铸铁制造，在常年的运转生产中，由于设备失修及设备的物理变形，陆续产生了一些较难修复的故障，如不具备丰富的维修经验一般很难修复。如锡林轴或轴承损坏，会使锡林在运转时发生位移，或导致发生严重的机械事故，又如锡林动平衡失准，在运转过程中纤维梳理始终处于不稳定的动态中，不利于产品品质和产量的提高。
动平衡直接影响梳理机的梳理效果，降低了梳理品质。并且长时间以一种不平衡的状态运转，会造成机械磨损异常，挠度增加，而且越来越严重。同时棉絮乱飞进入轴承，更加影响了锡林的正常工作。梳理机上都是由多根滚筒组成的，如锡林滚筒、道夫滚筒等，统称为辊筒，这些滚筒都有可能发生动平衡异常，但很难及时发现，并且找出具体发生在哪一根，传统的监控哪一根辊筒发生动平衡异常的方法是基于工人的经验进行判断，但这样准确率并不高，且做到确保监控到每一根辊筒耗费的人力是十分庞大的，效率低下。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种基于总线控制器的棉原料处理设备智能监控及诊断系统，所采用的技术方案具体如下：
本发明一个实施例提供了一种基于总线控制器的棉原料处理设备智能监控及诊断系统：数据采集模块，用于在传送带上将梳理过的棉花等分为预设数量的矩形区域；在预设时段内采集各矩形区域的透光度构成透光度矩阵；在预设时段内分别采集辊筒两端轴承处的温度分别构成第一温度序列和第二温度序列；在预设时段分别采集辊筒两端轴承处的音频频率分别构成第一音频序列和第二音频序列；
梳理效果监控模块，用于利用透光度矩阵中各列的元素、各列元素的均值和各列元素的极值获得第一梳理效果和第二梳理效果；利用透光度矩阵中各行的元素、各行元素的均值和各行元素的极值获得第三梳理效果和第四梳理效果；利用第一、第二、第三和第四梳理效果组成梳理机的特征向量；根据各梳理机的特征向量之间的差异判断异常的梳理机找出存在异常的梳理机；
指标获取模块，用于获得异常的梳理机的各辊筒在一个预设时段内的第一、第二温度序列中相同位置元素的差值和比值；根据在一个预设时段内的第一、第二温度序列中相同位置元素的差值和比值获得各辊筒在一个预设时段内的第一指标；获得异常的梳理机的各辊筒在一个预设时段内的第一、第二音频序列中相邻元素的差值和比值；基于第一、第二音频序列中相邻元素的差值和比值分别获得各辊筒在一个预设时段内的第二指标、第三指标和第四指标；
动平衡监控模块，用于将异常的梳理机特征向量的模和在一个预设时段内的各辊筒的第一、第二、第三和第四指标相乘得到各辊筒在一个预设时段内的异常指标；基于一个辊筒在多个预设时段内的异常指标预测得到多个预测异常指标；对各辊筒的在多个预设时段内的异常指标和多个预测异常指标分析判断出现动平衡异常的辊筒。
优选地，用于在传送带上将梳理过的棉花等分为预设数量的矩形区域包括：在垂直于传送带传送的方向上将棉花等分为预设数量的矩形区域，且预设数量的矩形区域属于同一列。
优选地，在预设时段内采集各矩形区域的透光度并构成透光度矩阵包括：在预设时段内随着棉花的传送采集矩形区域的透光度，其中位于一列的预设数量的矩形区域的透光度为透光度矩阵中的一列元素；一个预设时段对应一个透光度矩阵。
优选地，利用透光度矩阵中各列的元素、各列元素的均值和各列元素的极值获得第一梳理效果和第二梳理效果包括：
Figure 100002_DEST_PATH_IMAGE001
其中，
Figure 1942DEST_PATH_IMAGE002
表示第一梳理效果；
Figure 141936DEST_PATH_IMAGE003
表示第i个采样时刻采集的第n个矩形区域的透光度，也表示透光度矩阵中第i列中的第n个的元素；
Figure 643325DEST_PATH_IMAGE004
表示透光度矩阵中第i列元素的均值；
Figure 716323DEST_PATH_IMAGE005
表示取绝对值函数；
Figure 74492DEST_PATH_IMAGE006
其中，
Figure 100002_DEST_PATH_IMAGE007
表示第二梳理效果；
Figure 764099DEST_PATH_IMAGE008
表示透光度矩阵中第i列元素中的极大值，
Figure 272441DEST_PATH_IMAGE009
表示透光度矩阵中第i列元素中的极小值。
优选地，利用透光度矩阵中各行的元素、各行元素的均值和各行元素的极值获得第三梳理效果和第四梳理效果包括：
Figure 731104DEST_PATH_IMAGE010
其中，
Figure 666699DEST_PATH_IMAGE011
表示第三梳理效果；
Figure 312444DEST_PATH_IMAGE003
表示透光度矩阵中第n行中第i个元素；
Figure 624477DEST_PATH_IMAGE004
表示透光度矩阵中第n行元素的均值；
Figure 468805DEST_PATH_IMAGE012
其中，
Figure 44143DEST_PATH_IMAGE013
表示第四梳理效果；表示透光度矩阵中第n行元素中的极大值，
Figure 177184DEST_PATH_IMAGE014
表示透光度矩阵中第n行元素的极小值。
优选地，根据各梳理机的特征向量之间的差异判断异常的梳理机找出存在异常的梳理机包括：利用梳理正常的梳理机的特征向量对One-Class SVM模型训练；将梳理机的特征向量输入One-Class SVM模型，输出梳理机是否异常的判定结果，异常的梳理机找出存在异常的梳理机。
优选地，第一指标为：
Figure 100002_DEST_PATH_IMAGE015
其中，表示异常的梳理机中一个辊筒在一个预设时段内的第一指标；
Figure 948700DEST_PATH_IMAGE016
表示异常的梳理机中一个辊筒在一个预设时段内的第一温度序列中的第i个元素；
Figure 116376DEST_PATH_IMAGE017
表示异常的梳理机中一个辊筒在一个预设时段内的第二温度序列中的第i个元素。
优选地，第二指标和第三指标为：
Figure 862615DEST_PATH_IMAGE018
其中，
Figure DEST_PATH_IMAGE019
表示异常的梳理机中一个辊筒在一个预设时段内的第二指标；表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i个元素；
Figure 138744DEST_PATH_IMAGE020
表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i-1个元素；
Figure 792580DEST_PATH_IMAGE021
其中，
Figure 221287DEST_PATH_IMAGE022
表示异常的梳理机中一个辊筒在一个预设时段内的第三指标；
Figure DEST_PATH_IMAGE023
表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i个元素；
Figure 274780DEST_PATH_IMAGE024
表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i-1个元素。
优选地，第四指标为：
Figure 54517DEST_PATH_IMAGE025
其中，
Figure 246464DEST_PATH_IMAGE026
表示异常的梳理机中一个辊筒在一个预设时段内的第四指标；
Figure DEST_PATH_IMAGE027
表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i个元素；表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i个元素。
优选地，对各辊筒的在多个预设时段内的异常指标和多个预测异常指标分析判断出现动平衡异常的辊筒包括：将各辊筒的在多个预设时段内的异常指标分别输入RNN网络，分别输出各辊筒的多个预测异常指标；对于一个辊筒，利用该辊筒的在多个预设时段内的异常指标和多个预测异常指标进行直线拟合并获得直线的斜率，设定动平衡异常阈值，若所述直线斜率大于动平衡异常阈值，则该辊筒发生动平衡异常。
本发明实施例至少具有如下有益效果：本发明通过数据采集模块采集经过梳理的棉花的透光度、梳理机辊筒两端轴承处的温度信息和音频信息；再利用梳理效果监控模块对经过梳理的棉花的透光度进行分析得到棉花的梳理效果，从而判断得到异常的梳理机；同时，指标获取模块基于异常的梳理机各辊筒的温度和音频信息找出存在异常的梳理机的各辊筒的各项指标；最后动平衡监控模块对异常的梳理机各辊筒的各项指标进行分析判断出现动平衡异常的辊筒。本发明实施例实现了对梳理机各辊筒的智能化监控和诊断，替代了人工，使得监控和诊断的准确率和效率都得到了很大的提升，且监控具有实时性，能够及时的避免梳理机出现更严重的故障造成损失。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种基于总线控制器的棉原料处理设备智能监控及诊断系统的系统框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于总线控制器的棉原料处理设备智能监控及诊断系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于总线控制器的棉原料处理设备智能监控及诊断系统的具体方案。
实施例：
本发明的主要应用场景为：在梳理机梳理棉花时，辊筒可能会出现动平衡异常的情况，，此时会影响棉花的梳理效果，因此需要实时的监控辊筒的动平衡状况，并对其动平衡是否正常做出诊断，另外梳理机在刚开始工作时都是正常的，随着时间的变化，可能会出现异常的梳理机，要对其进行实时的监控。
请参阅图1，其示出了本发明实施例提供的基于总线控制器的棉原料处理设备智能监控及诊断系统的系统框图，该方法包括以下模块：
数据采集模块，用于在传送带上将梳理过的棉花等分为预设数量的矩形区域；在预设时段内采集各矩形区域的透光度构成透光度矩阵；在预设时段内分别采集辊筒两端轴承处的温度分别构成第一温度序列和第二温度序列；在预设时段分别采集辊筒两端轴承处的音频频率分别构成第一音频序列和第二音频序列。
首先，当梳理机的辊筒动平衡异常时，旋转过程中没有围绕着轴心，在棉花经过时，辊筒时高时低，尘纤分离则会不平均，会出现一块厚一块薄的情况，质量就会不达标，因此可以通过检测棉花的透光程度来反应动平衡是否异常。
在经过梳理过的棉花传送带上方安装一个透光检测仪，能够检测所经过的棉花的透光度，设传送带的传送方向是沿着X轴方向，则垂直于传送带的方向为Y轴方向，透光检测仪可以检测Y轴方向的棉花的透光度，因在传送带上的棉花较宽，为了使数据更精确，需要进行区域划分，在沿Y轴方向将棉花等分为预设数量的矩形区域，在本实施例中分为6个大小相同的矩形区域，这6个矩形区域属于同一列，采集每个矩形区域的透光度，设置采样频率，每3分钟采集一次，将每次采集的透光度记为
Figure 451049DEST_PATH_IMAGE003
，i表示不同的采样时刻，n表示1-6不同的矩形区域。
设置预设时段，本实施中预设时段为30分钟，在30分钟内随着传送带的移动会采集10列，每列为6个矩形区域的透光度，也即是每个采样时刻能够得到同一列的6个矩形区域的透光度，预设时段内矩形区域的透光度可以组成一个透光度矩阵，矩阵中每列元素表示处在同一列的矩形区域的透光度，每行元素随着传送带的移动处在同一行的矩形区域的透光度。
进一步的，当梳理机动平衡出现问题时，辊筒旋转会出现偏心，在旋转到某个角度时，轴承与轴承座摩擦加剧，会产生温度过高行为，因此可以通过温度信息来判断动平衡是否正常；在梳理机的所有辊筒两端轴承处各放置一个温度传感器，放置位置不影响梳理机的正常工作。采样频率同样是每3分钟采集一次，能够长时间进行温度的采集，采集得到温度
Figure 7933DEST_PATH_IMAGE028
，其中，a和b分别表示辊筒两端轴承处，i表示不同的采样时刻，在预设时段内，也即是30分钟内辊筒两端轴承处采集的温度分别构成第一温度序列
Figure 337283DEST_PATH_IMAGE029
和第二温度序列
Figure 129658DEST_PATH_IMAGE030
。
最后，需要采集梳理机所有辊筒两端轴承处音频信息，采集音频的原理和温度相同，当动平衡不正常时，偏心造成的不正常摩擦会带来异常声响，相对于正常运转的辊筒会有明显的区别。在梳理机两端轴承处各放置一个音频传感器，放置位置不影响正常工作，每3分钟采集一次当前的声音频率，长时间记录得到
Figure 595275DEST_PATH_IMAGE031
，其中a和b分别表示辊筒两端轴承处，i表示不同的采样时刻，在预设时段内，也即是30分钟内辊筒两端轴承处采集的声音频率分别构成第一音频序列
Figure 916535DEST_PATH_IMAGE032
和第二音频序列
Figure 874126DEST_PATH_IMAGE033
。
至此，可以得到每个梳理机在预设时段内的透光度矩阵，每个梳理机的辊筒两端轴承处在预设时段内对应的第一温度序列
Figure 735772DEST_PATH_IMAGE029
和第二温度序列
Figure 55895DEST_PATH_IMAGE030
、第一音频序列
Figure 689001DEST_PATH_IMAGE032
和第二音频序列
Figure 992944DEST_PATH_IMAGE033
，这些数据都需要按照时序顺序采集在多个预设时段内的，以便于后续分析使用。
梳理效果监控模块，用于利用透光度矩阵中各列的元素、各列元素的均值和各列元素的极值获得第一梳理效果和第二梳理效果；利用透光度矩阵中各行的元素、各行元素的均值和各行元素的极值获得第三梳理效果和第四梳理效果；利用第一、第二、第三和第四梳理效果组成梳理机的特征向量；根据各梳理机的特征向量之间的差异判断找出存在异常的梳理机。
首先，棉花的梳理效果不能用设备直观的检测出来，因此本实施例中用到了透光检测仪检测梳理过的棉花的透光度来反应棉花是否梳理正常，一个梳理机一个预设时段内对应一个透光度矩阵，利用每个预设时段内对应的透光度矩阵来判断在预设时段内棉花尘纤分离效果是否正常。
利用透光度矩阵中各列的元素、各列元素的均值和各列元素的极值获得第一梳理效果和第二梳理效果，第一梳理效果为：
Figure 392701DEST_PATH_IMAGE001
其中，
Figure 832910DEST_PATH_IMAGE002
表示第一梳理效果；
Figure 230393DEST_PATH_IMAGE003
表示第i个采样时刻采集的第n个矩形区域的透光度，也表示透光度矩阵中第i列中的第n个的元素；
Figure 428156DEST_PATH_IMAGE004
表示透光度矩阵中第i列元素的均值；
Figure 569288DEST_PATH_IMAGE005
表示取绝对值函数；
第二梳理效果为：
Figure 660740DEST_PATH_IMAGE034
其中，
Figure 901229DEST_PATH_IMAGE007
表示第二梳理效果；
Figure 914184DEST_PATH_IMAGE008
表示透光度矩阵中第i列元素中的极大值，
Figure 780378DEST_PATH_IMAGE009
表示透光度矩阵中第i列元素中的极小值。
其中，第一梳理效果
Figure 601703DEST_PATH_IMAGE002
越大，意味着梳理效果越差，垂直于传送带方向的棉花梳理的并不理想，同样的第二梳理效果
Figure 340989DEST_PATH_IMAGE007
表示在预设时段内，10个采样时刻对应的10列矩形区域中每列矩形区域的透光度对应的极大值和极小值的比值的和，数值越大意味着梳理效果越差，垂直于传送带方向的棉花梳理的并不理想。
进一步的，利用透光度矩阵中各行的元素、各行元素的均值和各行元素的极值获得第三梳理效果和第四梳理效果，第三梳理效果为：
Figure 575661DEST_PATH_IMAGE035
其中，
Figure 120912DEST_PATH_IMAGE011
表示第三梳理效果；
Figure 124640DEST_PATH_IMAGE003
表示透光度矩阵中第n行中第i个元素；
Figure 972511DEST_PATH_IMAGE037
表示透光度矩阵中第n行元素的均值；
第四梳理效果为：
Figure 694479DEST_PATH_IMAGE012
其中，
Figure 777842DEST_PATH_IMAGE039
表示第四梳理效果；
Figure 901655DEST_PATH_IMAGE040
表示透光度矩阵中第n行元素中的极大值，
Figure 920427DEST_PATH_IMAGE014
表示透光度矩阵中第n行元素的极小值。
第三梳理效果
Figure 864112DEST_PATH_IMAGE011
越大，意味着梳理效果越差，沿着传送带方向的棉花梳理的并不理想，同样的第四梳理效果
Figure 751166DEST_PATH_IMAGE013
表示在预设时段内，透光度矩阵每行元素对应的矩形区域的透光度对应的极大值和极小值的比值的和，数值越大意味着梳理效果越差，沿着传送带方向的棉花梳理的并不理想。
接着，对于棉花的梳理效果需要看整体的效果，同时关注垂直于传送带方向和沿传送带方向的棉花的梳理效果，因此构建关于梳理机的棉花的梳理效果的特征向量，只有特征向量中每个维度都正常，才意味着此梳理机梳理效果正常。
最后，通过One-Class SVM实时监测梳理机的梳理效果，因为梳棉机梳理效果是通过构建的特征向量G来判断梳理效果好坏，因此需要使用One-Class SVM单分类进行效果识别，将构建的特征向量完成后投入到分类器中，判断梳理机的梳理效果好坏，从而得到梳理机是否异常。
One-Class SVM模型训练具体为：选取200个梳理正常过程中所得到的特征向量G数据集，将数据集投入到模型中，用于正常数据训练，训练完成后，取20个异常和正常的特征向量G投入到训练好的模型中，判断分类器的正确率，正确率达标后将分类器投入使用，若分类效果不准确继续修正调节模型中分类参数，直到正确率符合预期。
需要说明的是，一个梳理机会有在多个预设时段内的特征向量，在对梳理机进行监控判断其是否存在异常时，需要实时的采集，然后根据每个预设时段的特征向量进行判断，因此将梳理机在一个预设时段内的特征向量输入One-Class SVM模型，One-Class SVM模型的输出为0或1，当梳理效果正常时输出0，结果异常时输出1。当输出0时，认为此时在这个预设时段内梳理机工作情况正常，不需要进行后续的步骤，不会触发后续的预警，若输出结果为1，认为此时在这个预设时段内梳理机工作情况异常，此时梳理机的工作情况就变的异常了，还需要进行后续的计算与分析，找到出现动平衡异常的辊筒。由此可以得到异常的梳理机。
指标获取模块，用于获得异常的梳理机的各辊筒在一个预设时段内的第一、第二温度序列中相同位置元素的差值和比值；基于第一、第二温度序列中相同位置元素的差值和比值获得各辊筒在一个预设时段内的第一指标；获得异常的梳理机的各辊筒在一个预设时段内的第一、第二音频序列中相邻元素的差值和比值；基于第一、第二音频序列中相邻元素的差值和比值分别获得各辊筒在一个预设时段内的第二指标、第三指标和第四指标。
首先，由数据采集模块找出存在异常的梳理机每个预设时段内对应的第一温度序列
Figure 729486DEST_PATH_IMAGE029
和第二温度序列
Figure 247055DEST_PATH_IMAGE030
、第一音频序列
Figure 220913DEST_PATH_IMAGE032
和第二音频序列
Figure 521445DEST_PATH_IMAGE033
，需要说明的是，这些数据在采集过程中，可能存在噪声数据，为了增加最后结果的鲁棒性，则需要对数据进行预处理。
使用中值滤波器的中值窗口沿着所采集的异常的梳理机每个预设时段内对应的第一温度序列
Figure 354272DEST_PATH_IMAGE029
和第二温度序列
Figure 573900DEST_PATH_IMAGE030
、第一音频序列
Figure 757757DEST_PATH_IMAGE032
和第二音频序列
Figure 189875DEST_PATH_IMAGE033
进行滤波处理，得到了滤波后的序列，此时的序列能有有效的减少噪声数据，后续的所有数据分析都使用滤波后的数据。
进一步的，辊筒动平衡异常会造成辊筒两端的运动情况不一致，这样就会造成辊筒两端轴承处采集的数据序列不会相似，同时也会造成一个轴承处前后采集时刻的采集的数据不一致；以一个异常的梳理机的一个辊筒对应的一个预设时段为例，基于该异常的梳理机的一个辊筒在一个预设时段内的第一、第二温度序列中相同位置元素的差值和比值获得该辊筒在一个预设时段内的第一指标：
Figure 814892DEST_PATH_IMAGE015
其中，
Figure 674263DEST_PATH_IMAGE041
表示异常的梳理机中一个辊筒在一个预设时段内的第一指标；
Figure 142154DEST_PATH_IMAGE016
表示异常的梳理机中一个辊筒在一个预设时段内的第一温度序列中的第i个元素；
Figure 846805DEST_PATH_IMAGE017
表示异常的梳理机中一个辊筒在一个预设时段内的第二温度序列中的第i个元素。
当辊筒出现动平衡异常时，两端轴承的磨损程度是不同的，因此摩擦带来的温度差异也是不同的，公式中第一项为轴承两端的第一、第二温度序列各个对应的采集时刻的温度的差值绝对值和，第二项为对应的采样时刻的温度的比值和，因此，当第一指标越大时，此时辊筒两端的温差越大，动平衡出现异常的几率越大。
最后，基于该异常的梳理机的一个辊筒在一个预设时段内的第一、第二音频序列中相邻元素的差值和比值分别获得该梳理机一个辊筒在一个预设时段内的第二指标和第三指标；第二指标为：
Figure 919803DEST_PATH_IMAGE018
其中，
Figure 622180DEST_PATH_IMAGE019
表示异常的梳理机中一个辊筒在一个预设时段内的第二指标；表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i个元素；表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i-1个元素；
第三指标为：
Figure 515049DEST_PATH_IMAGE021
其中，
Figure 85708DEST_PATH_IMAGE022
表示异常的梳理机中一个辊筒在一个预设时段内的第三指标；
Figure 13213DEST_PATH_IMAGE023
表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i个元素；
Figure 886491DEST_PATH_IMAGE024
表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i-1个元素。
当辊筒出现动平衡异常时，各处的摩擦不同则会造成前后采集时刻的采集的声音频率不同，当异常的梳理机中的一个辊筒第二指标和第三指标的值越大时，说明该辊筒出现动平衡异常的概率越大。
同样的，与第一指标的计算方式相同，基于该异常的梳理机的一个辊筒在一个预设时段内的第一、第二音频序列中相同位置元素的差值和比值获得该异常的梳理机的一个辊筒在一个预设时段内的第四指标：
Figure 1077DEST_PATH_IMAGE025
其中，
Figure 375427DEST_PATH_IMAGE026
表示异常的梳理机中一个辊筒在一个预设时段内的第四指标；
Figure 423017DEST_PATH_IMAGE027
表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i个元素；
Figure 529513DEST_PATH_IMAGE023
表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i个元素。因此，当第四指标越大时，此时辊筒两端的音频信息相差越大，动平衡出现异常的几率越大。
动平衡监控模块，将异常的梳理机特征向量的模和一个预设时段各辊筒的第一、第二、第三和第四指标相乘得到各辊筒在一个预设时段内的异常指标；基于一个辊筒在多个预设时段内的异常指标预测得到多个预测异常指标；对各辊筒的在多个预设时段内的异常指标和多个预测异常指标分析判断出现动平衡异常严重的辊筒。
首先，对于每个异常的梳理机来说，每个辊筒的每个预设时段都会对应一个异常指标，该异常指标由异常的梳理机每个预设时段对应的特征向量的模长和其对应预设时段的第一、第二、第三、第四指标获得；一个异常的梳理机的一个辊筒在一个预设时段内的异常指标为：
Figure 803500DEST_PATH_IMAGE042
对于每个异常的梳理机的每个辊筒，每30分钟就会得到一个异常指标，因此长时间的采集数据会每个辊筒会有多个预设时段对应的异常指标，异常指标越大，其辊筒出现动平衡异常的概率越大。
进一步的，为了检测每个异常的梳理机的中是哪一个辊筒出现了动平衡异常，可以预测其异常指标进行对比分析，这是由于辊筒出现动平衡异常时，短期时间内会使辊筒运转问题加剧，故可根据短期内的异常指标进行预测，判断是否真正存在异常，本实施例中将一个异常的梳理机的一个辊筒的各预设时段异常指标组成一个序列，该序列是一个时序序列，元素的排列按照时间顺序，优选的，本实施例中序列中的元素的数量为100，把该序列记为异常指标序列，m表示第m个异常的梳理机，n表示第m个异常的梳理机的第n个辊筒。
基于异常指标序列
Figure 715961DEST_PATH_IMAGE043
利用RNN网络进行预测，具体为：获得大量的异常指标序列
Figure 352479DEST_PATH_IMAGE043
，将其中的80%作为训练集，投入到RNN网络中的训练中，将其中的20%作为测试集，将测试集的数据集与到训练好的模型所得到的结果进行对比，判断预测精确度，不断调整预测模型，直到预测准确率达到要求；将均方误差作为损失函数，将训练集中各个序列的第t+1时刻的异常指标作为训练标签。将异常的梳理机的一个辊筒的异常指标序列输入到训练好的RNN网络中，输出预测异常指标。
最后，基于一个辊筒的异常指标序列和预测得到的多个预测异常指标进行直线拟合，获得拟合的直线的斜率K，将此斜率作为辊筒是否出现动平衡的判断标准，当斜率越大，则意味着辊筒的动平衡异常情况已经严重影响的梳理机的正常生产与机械自身状态，同时这里利用斜率判断是否动平衡异常的目的是为了判断动平衡异常是否已经严重到随着时间的变化一直在变的更加严重，使得梳理机不能正常工作，同时如果只根据在一个预设时段内的异常指标进行判断，误差会很大。求得一个异常的梳理机的所有辊筒对应的斜率K，并将其归一化；设置动平衡异常阈值TH，优选地，本实施例中动平衡阈值TH的取值为0.37，由于实际情况的不同因此动平衡阈值的取值也不同，在实施者实施时需要根据实际情况确定；当异常的梳理机中一个辊筒对应的斜率K大于平衡异常阈值TH时，说明此辊筒的动平衡异常情况十分严重，由此可以得到出现动平衡异常严重的辊筒，需要及时停止生产，进行检修；同时当斜率小于等于0.37时说明此时辊筒的动平衡异常情况并不是十分严重，此时只需要对其多关注即可。
由此，可以达到对每个梳理机的每个辊筒的监控和诊断的目的，利用上述数据分析判断后若发现辊筒存在故障，则通过CAN总线发送停机信号传输给控制器进行停机，并在控制面板上显示，然后LED报警灯闪亮。其中该系统的实际集成时的连接方式为基于CAN总线的梳棉机控制器到CAN通讯卡，然后再到现场智能监控主机，现场智能监控主机通过CAN总线与梳理机的下位机进行通讯。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于总线控制器的棉原料处理设备智能监控及诊断系统，其特征在于，该系统包括：数据采集模块，用于在传送带上将梳理过的棉花等分为预设数量的矩形区域；在预设时段内采集各矩形区域的透光度构成透光度矩阵；在预设时段内分别采集辊筒两端轴承处的温度分别构成第一温度序列和第二温度序列；在预设时段分别采集辊筒两端轴承处的音频频率分别构成第一音频序列和第二音频序列；
梳理效果监控模块，用于利用透光度矩阵中各列的元素、各列元素的均值和各列元素的极值获得第一梳理效果和第二梳理效果；利用透光度矩阵中各行的元素、各行元素的均值和各行元素的极值获得第三梳理效果和第四梳理效果；利用第一、第二、第三和第四梳理效果组成梳理机的特征向量；根据各梳理机的特征向量之间的差异判断找出存在异常的梳理机；所述利用透光度矩阵中各列的元素、各列元素的均值和各列元素的极值获得第一梳理效果和第二梳理效果包括：
Figure DEST_PATH_IMAGE001
其中，
Figure 92046DEST_PATH_IMAGE002
表示第一梳理效果；
Figure 788738DEST_PATH_IMAGE003
表示第i个采样时刻采集的第n个矩形区域的透光度，也表示透光度矩阵中第i列中的第n个的元素；
Figure 842538DEST_PATH_IMAGE004
表示透光度矩阵中第i列元素的均值；
Figure 749314DEST_PATH_IMAGE005
表示取绝对值函数；
Figure 622461DEST_PATH_IMAGE006
其中，
Figure DEST_PATH_IMAGE007
表示第二梳理效果；
Figure 14739DEST_PATH_IMAGE008
表示透光度矩阵中第i列元素中的极大值，
Figure 534713DEST_PATH_IMAGE009
表示透光度矩阵中第i列元素中的极小值；
所述利用透光度矩阵中各行的元素、各行元素的均值和各行元素的极值获得第三梳理效果和第四梳理效果包括：
Figure 302687DEST_PATH_IMAGE010
其中，
Figure 74465DEST_PATH_IMAGE011
表示第三梳理效果；
Figure 198279DEST_PATH_IMAGE003
表示透光度矩阵中第n行中第i个元素；
Figure 125040DEST_PATH_IMAGE004
表示透光度矩阵中第n行元素的均值；
Figure 678512DEST_PATH_IMAGE012
其中，
Figure 486937DEST_PATH_IMAGE013
表示第四梳理效果；
Figure 543886DEST_PATH_IMAGE014
表示透光度矩阵中第n行元素中的极大值，
Figure DEST_PATH_IMAGE015
表示透光度矩阵中第n行元素的极小值；
所述根据各梳理机的特征向量之间的差异判断找出存在异常的梳理机包括：利用梳理正常的梳理机的特征向量对One-Class SVM模型训练；将梳理机的特征向量输入One-ClassSVM模型，输出梳理机是否异常的判定结果，找出存在异常的梳理机；
指标获取模块，用于获得异常的梳理机的各辊筒在一个预设时段内的第一、第二温度序列中相同位置元素的差值和比值；基于所述第一、第二温度序列中相同位置元素的差值和比值获得各辊筒在一个预设时段内的第一指标；获得异常的梳理机的各辊筒在一个预设时段内的第一、第二音频序列中相邻元素的差值和比值，根据所述第一、第二音频序列中相邻元素的差值和比值分别获得各辊筒在一个预设时段内的第二指标、第三指标和第四指标；所述第一指标为：
Figure 375969DEST_PATH_IMAGE016
其中，
Figure 603688DEST_PATH_IMAGE017
表示异常的梳理机中一个辊筒在一个预设时段内的第一指标；
Figure 638640DEST_PATH_IMAGE018
表示异常的梳理机中一个辊筒在一个预设时段内的第一温度序列中的第i个元素；
Figure 18937DEST_PATH_IMAGE019
表示异常的梳理机中一个辊筒在一个预设时段内的第二温度序列中的第i个元素；
所述第二指标和第三指标为：
Figure 707407DEST_PATH_IMAGE020
其中，
Figure 406111DEST_PATH_IMAGE021
表示异常的梳理机中一个辊筒在一个预设时段内的第二指标；
Figure 838229DEST_PATH_IMAGE022
表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i个元素；
Figure 807453DEST_PATH_IMAGE023
表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i-1个元素；
Figure 666825DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示异常的梳理机中一个辊筒在一个预设时段内的第三指标；
Figure 59016DEST_PATH_IMAGE026
表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i个元素；
Figure 825984DEST_PATH_IMAGE027
表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i-1个元素；
所述第四指标为：
Figure 39928DEST_PATH_IMAGE028
其中，
Figure 352091DEST_PATH_IMAGE029
表示异常的梳理机中一个辊筒在一个预设时段内的第四指标；
Figure 776120DEST_PATH_IMAGE022
表示异常的梳理机中一个辊筒在一个预设时段内的第一音频序列中的第i个元素；
Figure 956565DEST_PATH_IMAGE026
表示异常的梳理机中一个辊筒在一个预设时段内的第二音频序列中的第i个元素；
动平衡监控模块，用于将异常的梳理机特征向量的模和在一个预设时段内的各辊筒的第一、第二、第三和第四指标相乘得到各辊筒在一个预设时段内的异常指标；基于一个辊筒在多个预设时段内的异常指标预测得到多个预测异常指标；对各辊筒的在多个预设时段内的异常指标和多个预测异常指标分析判断出现动平衡异常严重的辊筒；
所述对各辊筒的在多个预设时段内的异常指标和多个预测异常指标分析判断出现动平衡异常严重的辊筒包括：将各辊筒的在多个预设时段内的异常指标分别输入RNN网络，分别输出各辊筒的多个预测异常指标；对于一个辊筒，利用该辊筒的在多个预设时段内的异常指标和多个预测异常指标进行直线拟合并获得直线的斜率，设定动平衡异常阈值，若所述直线斜率大于动平衡异常阈值，则该辊筒为动平衡异常严重的辊筒。
2.根据权利要求1所述的基于总线控制器的棉原料处理设备智能监控及诊断系统，其特征在于，所述用于在传送带上将梳理过的棉花等分为预设数量的矩形区域包括：在垂直于传送带传送的方向上将棉花等分为预设数量的矩形区域，且预设数量的矩形区域属于同一列。
3.根据权利要求1所述的基于总线控制器的棉原料处理设备智能监控及诊断系统，其特征在于，所述在预设时段内采集各矩形区域的透光度构成透光度矩阵包括：在预设时段内随着棉花的传送采集矩形区域的透光度，其中位于一列的预设数量的矩形区域的透光度为透光度矩阵中的一列元素；一个预设时段对应一个透光度矩阵。
CN202210838336.XA 2022-07-18 2022-07-18 基于总线控制器的棉原料处理设备智能监控及诊断系统 Active CN114990743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210838336.XA CN114990743B (zh) 2022-07-18 2022-07-18 基于总线控制器的棉原料处理设备智能监控及诊断系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210838336.XA CN114990743B (zh) 2022-07-18 2022-07-18 基于总线控制器的棉原料处理设备智能监控及诊断系统

Publications (2)

Publication Number Publication Date
CN114990743A CN114990743A (zh) 2022-09-02
CN114990743B true CN114990743B (zh) 2022-10-21

Family

ID=83022049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210838336.XA Active CN114990743B (zh) 2022-07-18 2022-07-18 基于总线控制器的棉原料处理设备智能监控及诊断系统

Country Status (1)

Country Link
CN (1) CN114990743B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1370861A (zh) * 2000-12-18 2002-09-25 里特机械公司 一种在线检测技术
CN101191256A (zh) * 2006-10-19 2008-06-04 阿瓦恩德米尔斯有限公司 梳理机

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE4229234C2 (de) * 1991-09-02 1997-09-11 Murata Machinery Ltd Verfahren und Anlage zum Steuern und Planen von Betriebsabläufen in einem Textilwerk
DE112015003528T5 (de) * 2014-07-31 2017-07-06 Camozzi Digital S.R.L. System zum Überwachen physikalischer Parameter von Textilmaschinen und Verfahren zur vorausschauenden Instandhaltung
CZ306378B6 (cs) * 2015-03-26 2016-12-28 Rieter Cz S.R.O. Textilní stroj vyrábějící nebo zpracovávající přízi vybavený bezdrátovým komunikačním rozhraním
CN206706270U (zh) * 2017-04-24 2017-12-05 山东日发纺织机械有限公司 一种梳理机输出皮帘用涨紧调节装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1370861A (zh) * 2000-12-18 2002-09-25 里特机械公司 一种在线检测技术
CN101191256A (zh) * 2006-10-19 2008-06-04 阿瓦恩德米尔斯有限公司 梳理机

Also Published As

Publication number Publication date
CN114990743A (zh) 2022-09-02

Similar Documents

Publication Publication Date Title
CN105332123B (zh) 一种细纱细度均匀度在线检测方法
CN111353482A (zh) 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法
CN111922095A (zh) 一种冷轧机轧辊扭振故障异常的振动诊断方法
CN111947928A (zh) 一种多源信息融合的轴承故障预测系统及方法
CN109615126A (zh) 一种轴承剩余寿命预测方法
CN110565220B (zh) 一种基于在线监测的细纱断头因素实时关联定位方法
KR20060100248A (ko) 검사 장치, 검사 장치용 판정 모델 생성 지원 장치, 내구성테스트 장치용 이상 검출 장치 및 내구성 테스트 방법
WO2020181759A1 (zh) 微型变压器生产线的设备故障和潜在不良品智能预测系统
CN110285045B (zh) 一种核电厂rcp主泵振动相位监测系统和方法
CN111426498B (zh) 一种监测设备运行状态的边缘处理方法
CN112173636B (zh) 一种巡检机器人对皮带机托辊故障的检测方法
CN107844067A (zh) 一种水电站闸门在线状态监测控制方法及监测系统
CN110108474B (zh) 一种旋转机械运行稳定性在线监测与评估方法及系统
CN114990743B (zh) 基于总线控制器的棉原料处理设备智能监控及诊断系统
CN113418731A (zh) 一种卷烟机组的在线故障诊断方法
CN111733498A (zh) 一种智能纺纱细纱故障检测系统
KR20230127337A (ko) 기계 장치 또는 기계 부품의 이상을 식별하기 위한방법 및 장치
CN111985654A (zh) 一种智能化设备健康管理系统及方法
CN212316325U (zh) 一种智能纺纱粗纱故障检测系统
CN1056204C (zh) 纱厂粗纺机的在线质量检控方法及设备
CN116263734A (zh) 工业机器人状态监控方法、系统及提示终端
CN111733499A (zh) 一种智能纺纱粗纱故障检测系统
JP2003344150A (ja) 回転機械の軸振動解析による状態診断方法及び装置
CN112621381A (zh) 机床进给系统健康状态智能评估方法及装置
CN111599033B (zh) 一种诊断卷烟机故障的处理方法

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
GR01 Patent grant
GR01 Patent grant