CN115018401B - 一种磨毛机滚轮辊间压力补偿及监控预警系统 - Google Patents
一种磨毛机滚轮辊间压力补偿及监控预警系统 Download PDFInfo
- Publication number
- CN115018401B CN115018401B CN202210949319.3A CN202210949319A CN115018401B CN 115018401 B CN115018401 B CN 115018401B CN 202210949319 A CN202210949319 A CN 202210949319A CN 115018401 B CN115018401 B CN 115018401B
- Authority
- CN
- China
- Prior art keywords
- sanding
- quality index
- value
- sanding quality
- feature vector
- 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
- 238000012544 monitoring process Methods 0.000 title abstract description 15
- 239000013598 vector Substances 0.000 claims abstract description 133
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 238000012937 correction Methods 0.000 claims abstract description 13
- 206010020112 Hirsutism Diseases 0.000 claims description 26
- 238000005070 sampling Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 abstract description 9
- 230000008569 process Effects 0.000 abstract description 7
- 238000012545 processing Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000005299 abrasion Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- D—TEXTILES; PAPER
- D02—YARNS; MECHANICAL FINISHING OF YARNS OR ROPES; WARPING OR BEAMING
- D02J—FINISHING OR DRESSING OF FILAMENTS, YARNS, THREADS, CORDS, ROPES OR THE LIKE
- D02J3/00—Modifying the surface
- D02J3/02—Modifying the surface by abrading, scraping, scuffing, cutting, or nicking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Textile Engineering (AREA)
- Finish Polishing, Edge Sharpening, And Grinding By Specific Grinding Devices (AREA)
Abstract
本发明涉及设备监控技术领域,具体涉及一种磨毛机滚轮辊间压力补偿及监控预警系统,该系统包括数据采集单元用于获取设定时段内由纱线的磨毛质量指标和磨毛机的辊间压力值构成的特征向量;数据优化单元用于对由连续多个设定时段内的特征向量所构成的特征向量序列进行每个磨毛质量指标的数据修正和特征向量序列的优化处理,得到目标特征向量序列;压力调整单元用于将目标特征向量序列输入训练好的LSTM网络,得到未来设定时段内的特征向量预测值,利用特征向量预测值进行辊间压力值的调整。该系统保证了LSTM网络的训练过程的严谨性,降低了预测误差,使得基于预测结果进行调整的辊间压力值更加准确和及时。
Description
技术领域
本发明涉及设备监控技术领域,具体涉及一种磨毛机滚轮辊间压力补偿及监控预警系统。
背景技术
磨毛机为纱线生产过程中提高纱线品质的重要设备,而磨毛机滚轮上的毛刷是直接对纱线品质产生影响的关键部件。而纱线上的毛羽缠绕和自身摩擦容易导致的毛刷滚筒表面趋于光滑,使得毛刷出现磨损,进而无法达到较好的磨毛效果,降低纱线的磨毛质量。
实际生产中,当毛刷的磨毛效率降低,工作人员会根据主观经验改变辊间压力或者对毛刷进行维护,但主观经验对工作人员的能力要求较高,当辊间压力的调整量小时,起不到较好的磨毛效果,而当辊间压力的调整量过大时,可能会造成纱线断裂,需要暂停流水线,造成时间和经济损失。
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磨毛机滚轮辊间压力补偿及监控预警系统,所采用的技术方案具体如下:
数据采集单元,用于采集纱线的毛羽值和张力值以计算设定时段内磨毛机的磨毛质量指标,以设定时段为采样频率采集磨毛机的辊间压力值,将所述磨毛质量指标和所述辊间压力值组成设定时段内的特征向量;
数据优化单元,用于获取连续多个设定时段内的特征向量,对每个特征向量中的所述磨毛质量指标进行聚类,基于聚类结果对每个特征向量中的所述磨毛质量指标进行修正,得到实际磨毛质量指标;利用所述实际磨毛质量指标替换特征向量中的所述磨毛质量指标,得到新特征向量,将所述新特征向量构成新特征向量序列;利用支持向量回归对所述新特征向量序列进行优化处理,得到目标特征向量序列;
压力调整单元,用于将所述目标特征向量序列输入训练好的LSTM网络,得到未来设定时段内的特征向量预测值;当所述特征向量预测值中的所述磨毛质量指标大于或等于磨毛质量指标阈值,且所述特征向量预测值中的所述辊间压力值小于最大辊间压力值时,将磨毛机的所述辊间压力值调整为所述特征向量预测值中的所述辊间压力值。
进一步的,所述数据采集单元中磨毛质量指标的获取方法,包括:
基于设定采样频率采集纱线的一组毛羽值,其中一组毛羽值为纱线磨毛前的一个毛羽值和磨毛后的一个毛羽值;将一组毛羽值中的两个数据之间的比值作为当前采样时刻的磨毛程度;
获取设定时段内的多个所述磨毛程度,将大于磨毛程度阈值的所述磨毛程度进行剔除,将保留下来的所述磨毛程度构成磨毛程度集合;
以同样的设定采样频率获取设定时段内纱线的张力值,得到一个张力值集合;结合所述磨毛程度集合和所述张力值集合得到设定时段内磨毛机的所述磨毛质量指标,则所述磨毛质量指标的计算公式为:
进一步的,所述数据优化单元中实际磨毛质量指标的获取方法,包括:
基于磨毛质量指标之间的差值对所有磨毛质量指标进行DBSCAN聚类,得到多个类别;
分别统计每个所述磨毛质量指标对应所述磨毛程度集合中所述磨毛程度的第一数量,以所述磨毛质量指标为横坐标、第一数量为纵坐标构建直方图,直方图中每个单元对应一个磨毛质量指标,获取每个单元的面积以得到所述直方图的总面积;
分别获取每个类别中的最大磨毛质量指标和最小磨毛质量指标,计算最大磨毛质量指标和最小磨毛质量指标之间的磨毛质量指标极差;根据一个类别中所有所述磨毛质量指标对应的第一数量计算第一数量均值,得到每个类别的第一数量均值,计算每个类别的第一数量均值和磨毛质量指标极差之间的乘积;
将每个类别的乘积与所述直方图的总面积之间的比值作为对应类别的修正系数,利用修正系数修正对应类别中每个磨毛质量指标,进而得到每个磨毛质量指标对应的实际磨毛质量指标。
进一步的,所述数据优化单元中修正系数与所述磨毛质量指标之间的乘积为所述实际磨毛质量指标。
进一步的,所述数据优化单元中利用支持向量回归对所述新特征向量序列进行优化处理,得到目标特征向量序列的方法,包括:
利用支持向量回归得到新特征向量对应的SVR模型,利用SVR模型对所述新特征向量序列中的新特征向量进行筛选,得到符合线性变化的新特征向量;
分别计算每个筛选掉的新特征向量相邻前后两个新特征向量之间的均值,利用均值替换对应筛选掉的新特征向量;
将符合线性变化的新特征向量和替换后的新特征向量重新组成时序上的目标特征向量序列。
本发明实施例至少具有如下有益效果:基于时序上每个相邻磨毛质量指标之间的差值以及计算每个磨毛质量指标时对应磨毛程度集合中磨毛程度的第一数量,对时序上由纱线的磨毛质量指标和磨毛机的辊间压力值构所成的特征向量中的每个磨毛质量指标进行数据修正,得到有效的新特征向量,进而利用支持向量回归对由新特征向量构成的序列进行筛选优化,使得LSTM网络的训练过程更加严谨,降低预测误差,进而使得基于预测结果进行调整的辊间压力值更加准确和及时。
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为本发明一个实施例提供的一种磨毛机滚轮辊间压力补偿及监控预警系统的结构框图。
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磨毛机滚轮辊间压力补偿及监控预警系统,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,一个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磨毛机滚轮辊间压力补偿及监控预警系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种磨毛机滚轮辊间压力补偿及监控预警系统的结构框图,该系统包括数据采集单元10、数据优化单元20和压力调整单元30。
数据采集单元10用于采集纱线的毛羽值和张力值以计算设定时段内磨毛机的磨毛质量指标,以设定时段为采样频率采集磨毛机的辊间压力值,将磨毛质量指标和辊间压力值组成设定时段内的特征向量。
具体的,纱线通过滚轮磨蚀,使得纱线的表面变得相对光滑,在实际工作过程中,磨毛存在的实时数据会直接表达毛羽值,因此纱线的毛羽值可以直接表达纱线的磨平质量。
在磨毛机的滚轮前后各安装一个静电式纱线毛羽测试仪,用于测量纱线磨毛前后的毛羽值,以1S的采样频率对纱线进行毛羽值的获取,得到一组毛羽值,其中,为前一个静电式纱线毛羽测试仪所采集的数据,为后一个静电式纱线毛羽测试仪所采集的数据;利用前后两个静电式纱线毛羽测试仪所采集的数据,计算磨毛程度,则磨毛程度为一组毛羽值中两个数据之间的比值。
纱线的张力会直接影响到磨毛时效率,当纱线上的张力小时,会导致磨毛效率低效,因为纱线在高速运转的滚轮摩擦下可能会出现捻度系数下降的情况,磨毛机会对纱线造成直接损坏,而当纱线上的张力过大时,在高速运转的滚轮摩擦下可能会发生断线的情况,因此在磨毛机上安装一个纱线张力检测仪,用于记录纱线的张力值,同理以1S为采样频率,10分钟为设定时段,将10分钟内采集的张力值构成张力值集合。
考虑到纱线的张力和磨毛程度都可以体现纱线磨毛的效果,因此结合磨毛程度集合和张力值集合计算10分钟内纱线的磨毛质量指标,则磨毛质量指标的计算公式为:
需要说明的是,表示纱线张力的稳定性,利用其稳定性表达磨毛机的磨毛情况,由于纱线上的张力会直接影响磨毛时的质量,因此越大,说明纱线上受到的张力越稳定;用于表征的是利用较差的磨毛程度评价磨毛结果的波动性。
磨毛机的辊间压力可以直接作用在纱线上,当辊间压力大时,会导致纱线损坏,当辊间压力过小时,会导致磨毛效率低下,因此以10分钟为采样频率,采集磨毛机的辊间压力值,进而将10分钟内磨毛机的磨毛质量指标和辊间压力值组成一个特征向量。
数据优化单元20用于获取连续多个设定时段内的特征向量,对每个特征向量中的磨毛质量指标进行聚类,基于聚类结果对每个特征向量中的磨毛质量指标进行修正,得到实际磨毛质量指标;利用实际磨毛质量指标替换特征向量中的磨毛质量指标,得到新特征向量,将新特征向量构成新特征向量序列,用支持向量回归对新特征向量序列进行优化处理,得到目标特征向量序列。
由于磨毛机滚轮上的毛刷是随着使用时间其磨损越来越大,进而导致磨损质量指标越大,但由于数据采集误差,会出现后面采集的磨毛质量指标小于前面采集的磨毛质量指标,因此为了保证时序上采集的磨毛质量指标是有效数据,需要对每个特征向量中的磨毛质量指标进行修正,以保证采集磨毛质量指标更加符合真实数据,则修正方法为:分别统计计算磨毛质量指标时每个磨毛程度集合中磨毛程度的第一数量,则一个磨毛质量指标对应一个第一数量;然后以磨毛质量指标为横坐标、第一数量为纵坐标构建直方图,直方图中每个单元对应一个磨毛质量指标,获取每个单元的面积,得到直方图的总面积;基于磨毛质量指标之间的差值对所有磨毛质量指标进行DBSCAN聚类,得到多个类别,获取每个类别中的最大磨毛质量指标和最小磨毛质量指标,以计算最大磨毛质量指标和最小磨毛质量指标之间的磨毛质量指标极差,一个类别对应一个磨毛质量指标极差,根据一个类别中所有磨毛质量指标对应的第一数量计算第一数量均值,得到每个类别的第一数量均值,计算每个类别的第一数量均值和磨毛质量指标极差之间的乘积;将每个类别的乘积与直方图的总面积之间的比值作为对应类别的修正系数,利用修正系数修正对应类别中每个磨毛质量指标,进而得到每个磨毛质量指标对应的实际磨毛质量指标。
作为一个示例,实际磨毛质量指标的方法为:将修正系数与磨毛质量指标之间的乘积作为实际磨毛质量指标。
需要说明的是,直方图中每个单元的面积也是通过获取当前磨毛质量指标与前一个新磨毛质量指标之间的磨毛质量指标差值,将磨毛质量指标差值与当前磨毛质量指标的第一数量之间的乘积作为当前磨毛质量指标所对应单元的面积。
进一步的,利用支持向量回归(SVR)对新特征向量序列中的新特征向量进行筛选,基于筛选结果对新特征向量序列进行优化处理,得到目标特征向量序列,则目标特征向量序列的获取过程具体为:
(1)将新特征向量序列中的新特征向量映射到一个高维特征空间中,并在这个高维特征空间进行线性回归。
限制条件为:
通过构建拉格朗日方程,并利用SMO方法求解拉格朗日方程,以得到新特征向量对应的SVR模型,也即是辊间压力值和实际磨毛质量指标之间的关系,支持向量回归(SVR)是现有技术,本发明中不再过多赘述。
(2)利用步骤(1)的方法得到的SVR模型,将新特征向量序列中符合线性变化的新特征向量进行保留;对于新特征向量序列中不符合线性变化的新特征向量,也即是筛选掉的新特征向量,基于新特征向量序列的时序变化,分别计算每个筛选掉的新特征向量相邻前后两个新特征向量之间的均值,将均值代替对应筛选掉的新特征向量,进而重新组成时序上的目标特征向量序列。
需要说明的是,采用支持向量回归(SVR)的目的是筛选出新特征向量序列中不符合线性变化的新特征向量,且不符合线性变化的新特征向量也即是数据波动性比较大的,可认为是一些异常数据,而这些数据的存在会导致下述预测网络的训练出现较大偏差,即在预测训练时会有重复的训练过程,若不进行筛选,波动性比较大的数据会使下述的预测出现较大偏差;对于筛选后时间序列中缺少的新特征向量,采用数据均值进行补充,其好处是均值为最符合线性趋势的数值,该值的加入填补了时序上的空缺,且符合线性变化关系,利用均值补充新特征向量序列中不符合线性变化的新特征向量,不但保证了时序上的数据完整性,而且降低了下述预测网络的预测误差。
压力调整单元30用于将目标特征向量序列输入训练好的LSTM网络,得到未来设定时段内的特征向量预测值;当特征向量预测值中的磨毛质量指标大于或等于磨毛质量指标阈值,且特征向量预测值中的辊间压力值小于最大辊间压力值时,将磨毛机的辊间压力值调整为特征向量预测值中的辊间压力值。
具体的,LSTM网络的训练过程为:将目标特征向量中的前几个特征向量输入LSTM网络中,并将下一个特征向量作为标签,重复进行训练;损失函数为均方差损失函数,通过不断训练使得损失函数变小,以确保损失函数收敛,LSTM网络的预测结果更加准确。
将目标特征向量序列输入训练好的LSTM网络,得到未来一个设定时段内的特征向量预测值,根据特征向量预测值对磨毛机滚轮的辊间压力进行补偿和监控预警,具体为:当特征向量预测值中的磨毛质量指标大于或等于磨毛质量指标阈值,且特征向量预测值中的辊间压力值小于最大辊间压力值时,说明辊间压力过小降低了磨毛机的磨毛质量,则将磨毛机的辊间压力值调整为特征向量预测值中的辊间压力值;当特征向量预测值中的辊间压力值大于或等于最大辊间压力值时,说明辊间压力值过大,超过了补偿边界,应该立即停机修剪磨毛机滚轮上毛刷,使得毛刷符合使用标准。
需要说明的是,最大辊间压力值是指在保证纱线不断线的情况下的纱线所能承受的辊间压力值极值。
综上所述,本发明实施例提供了一种磨毛机滚轮辊间压力补偿及监控预警系统,该系统包括数据采集单元用于获取设定时段内由纱线的磨毛质量指标和磨毛机的辊间压力值构成的特征向量;数据优化单元用于对由连续多个设定时段内的特征向量所构成的特征向量序列进行每个磨毛质量指标的数据修正和特征向量序列的优化处理,得到目标特征向量序列;压力调整单元用于将目标特征向量序列输入训练好的LSTM网络,得到未来设定时段内的特征向量预测值,利用特征向量预测值进行辊间压力值的调整。该系统保证了LSTM网络的训练过程的严谨性,降低了预测误差,使得基于预测结果进行调整的辊间压力值更加准确和及时。
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 (4)
1.一种磨毛机滚轮辊间压力补偿及监控预警系统,其特征在于,该系统包括:
数据采集单元,用于采集纱线的毛羽值和张力值以计算设定时段内磨毛机的磨毛质量指标,以设定时段为采样频率采集磨毛机的辊间压力值,将所述磨毛质量指标和所述辊间压力值组成设定时段内的特征向量;
数据优化单元,用于获取连续多个设定时段内的特征向量,对每个特征向量中的所述磨毛质量指标进行聚类,基于聚类结果对每个特征向量中的所述磨毛质量指标进行修正,得到实际磨毛质量指标;利用所述实际磨毛质量指标替换特征向量中的所述磨毛质量指标,得到新特征向量,将所述新特征向量构成新特征向量序列;利用支持向量回归对所述新特征向量序列进行优化处理,得到目标特征向量序列;
压力调整单元,用于将所述目标特征向量序列输入训练好的LSTM网络,得到未来设定时段内的特征向量预测值;当所述特征向量预测值中的所述磨毛质量指标大于或等于磨毛质量指标阈值,且所述特征向量预测值中的所述辊间压力值小于最大辊间压力值时,将磨毛机的所述辊间压力值调整为所述特征向量预测值中的所述辊间压力值;
所述数据采集单元中磨毛质量指标的获取方法,包括:
基于设定采样频率采集纱线的一组毛羽值,其中一组毛羽值为纱线磨毛前的一个毛羽值和磨毛后的一个毛羽值;将一组毛羽值中的两个数据之间的比值作为当前采样时刻的磨毛程度;
获取设定时段内的多个所述磨毛程度,将大于磨毛程度阈值的所述磨毛程度进行剔除,将保留下来的所述磨毛程度构成磨毛程度集合;
以同样的设定采样频率获取设定时段内纱线的张力值,得到一个张力值集合;结合所述磨毛程度集合和所述张力值集合得到设定时段内磨毛机的所述磨毛质量指标,则所述磨毛质量指标的计算公式为:
2.如权利要求1所述的一种磨毛机滚轮辊间压力补偿及监控预警系统,其特征在于,所述数据优化单元中实际磨毛质量指标的获取方法,包括:
基于磨毛质量指标之间的差值对所有磨毛质量指标进行DBSCAN聚类,得到多个类别;
分别统计每个所述磨毛质量指标对应所述磨毛程度集合中所述磨毛程度的第一数量,以所述磨毛质量指标为横坐标、第一数量为纵坐标构建直方图,直方图中每个单元对应一个磨毛质量指标,获取每个单元的面积以得到所述直方图的总面积;
分别获取每个类别中的最大磨毛质量指标和最小磨毛质量指标,计算最大磨毛质量指标和最小磨毛质量指标之间的磨毛质量指标极差;根据一个类别中所有所述磨毛质量指标对应的第一数量计算第一数量均值,得到每个类别的第一数量均值,计算每个类别的第一数量均值和磨毛质量指标极差之间的乘积;
将每个类别的乘积与所述直方图的总面积之间的比值作为对应类别的修正系数,利用修正系数修正对应类别中每个磨毛质量指标,进而得到每个磨毛质量指标对应的实际磨毛质量指标。
3.如权利要求2所述的一种磨毛机滚轮辊间压力补偿及监控预警系统,其特征在于,所述数据优化单元中修正系数与所述磨毛质量指标之间的乘积为所述实际磨毛质量指标。
4.如权利要求1所述的一种磨毛机滚轮辊间压力补偿及监控预警系统,其特征在于,所述数据优化单元中利用支持向量回归对所述新特征向量序列进行优化处理,得到目标特征向量序列的方法,包括:
利用支持向量回归得到新特征向量对应的SVR模型,利用SVR模型对所述新特征向量序列中的新特征向量进行筛选,得到符合线性变化的新特征向量;
分别计算每个筛选掉的新特征向量相邻前后两个新特征向量之间的均值,利用均值替换对应筛选掉的新特征向量;
将符合线性变化的新特征向量和替换后的新特征向量重新组成时序上的目标特征向量序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949319.3A CN115018401B (zh) | 2022-08-09 | 2022-08-09 | 一种磨毛机滚轮辊间压力补偿及监控预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210949319.3A CN115018401B (zh) | 2022-08-09 | 2022-08-09 | 一种磨毛机滚轮辊间压力补偿及监控预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115018401A CN115018401A (zh) | 2022-09-06 |
CN115018401B true CN115018401B (zh) | 2022-10-25 |
Family
ID=83065736
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210949319.3A Active CN115018401B (zh) | 2022-08-09 | 2022-08-09 | 一种磨毛机滚轮辊间压力补偿及监控预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018401B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115293294A (zh) * | 2022-09-26 | 2022-11-04 | 南通佳晟宏机械配件有限公司 | 一种用于热轧机轧辊轴承损耗的识别与预测方法 |
CN117093828B (zh) * | 2023-10-16 | 2023-12-26 | 张家港市友明机械制造有限公司 | 一种液压缸缸体密封性检测方法及系统 |
CN117144616B (zh) * | 2023-10-31 | 2024-01-23 | 江苏华一机械有限公司 | 一种磨毛机的反馈控制方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
WO2022062432A1 (zh) * | 2020-09-27 | 2022-03-31 | 中南大学 | 乘客分布预测模型训练方法与系统、乘客诱导方法与系统 |
-
2022
- 2022-08-09 CN CN202210949319.3A patent/CN115018401B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659933A (zh) * | 2018-12-20 | 2019-04-19 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
CN111597729A (zh) * | 2020-05-27 | 2020-08-28 | 北京天泽智云科技有限公司 | 加工设备工艺参数优化方法及系统 |
WO2022062432A1 (zh) * | 2020-09-27 | 2022-03-31 | 中南大学 | 乘客分布预测模型训练方法与系统、乘客诱导方法与系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115018401A (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018401B (zh) | 一种磨毛机滚轮辊间压力补偿及监控预警系统 | |
CN113011050B (zh) | 一种细纱机产量的在线估算方法及相关装置 | |
CN117556279B (zh) | 基于电参数分析的匀胶显影机运行状态监测方法及系统 | |
CN115983721B (zh) | 一种基于物联网大数据的电缆生产质量数据管理系统 | |
CN116307289B (zh) | 一种纺织品加工工序参数检测预测方法、系统及存储介质 | |
CN114090646A (zh) | 异常用电辨识方法及系统 | |
CN117972314B (zh) | 一种基于数字孪生的云平台监控方法及系统 | |
CN116050644A (zh) | 一种基于灰色模型预测大坝变形极值的方法 | |
CN117786445B (zh) | 一种自动化摇纱机运行数据智能处理方法 | |
CN116523913A (zh) | 一种丝杆质量智能检测方法 | |
CN106325258B (zh) | 一种基于在线监测信息的继电保护装置状态评估方法 | |
CN115933564A (zh) | 一种纺织纱线生产工艺监测调控系统 | |
CN111950166A (zh) | 一种基于数据挖掘的生活用纸造纸机成本优化方法 | |
CN117000780A (zh) | 一种自适应冷轧带材多通道板形预报方法 | |
CN114461704B (zh) | 一种基于织机产能预测织机了机的方法及系统 | |
CN113378102B (zh) | 一种用于短期负荷预测数据缺失预处理方法、介质及应用 | |
CN115099291A (zh) | 一种建筑节能监测方法 | |
CN114362231A (zh) | 一种直流频率调制参数优化方法、系统及存储介质 | |
CN115035024A (zh) | 基于图像处理的纱线并捻质量评估方法 | |
CN113822587A (zh) | 一种基于总线电流数据的工厂产能评估方法 | |
CN113263057A (zh) | 一种热轧带钢卷取机刚度的精度评价方法 | |
CN113142630A (zh) | 卷烟叶组年度标准配方建立方法及装置 | |
CN114798760B (zh) | 钢材生产线的精轧机辊缝调整方法、装置、终端及介质 | |
CN117950324A (zh) | 一种智能化塑胶供料控制方法及装置 | |
CN118371541B (zh) | 热轧带钢终轧温度的控制方法、装置和电子设备 |
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 |