CN115130702A - 一种基于大数据分析的纺织机故障预测系统 - Google Patents

Abstract

本发明公开了一种基于大数据分析的纺织机故障预测系统，涉及故障预测技术领域，解决了现有技术中，纺织机运行过程中纺织机运行预测效率低的技术问题，将纺织机进行故障特征分析，根据纺织机故障特征分析能够准确分析出纺织机当前运行状态，同时在纺织机运行异常时能够准确进行维护，提高了纺织机的工作效率，也能够为纺织机故障预测提高依据，增强故障预测的准确性；将分析对象的运行过程进行分析，判断该运行过程的运行强度与运行维护力度是否匹配合格，从而防止分析对象的运行强度与维护力度匹配不一致，造成分析对象设备本身出现磨损，容易降低分析对象的工作效率。

Description

一种基于大数据分析的纺织机故障预测系统

技术领域

本发明涉及故障预测技术领域，具体为一种基于大数据分析的纺织机故障预测系统。

背景技术

纺织机，又叫纺机、织机、棉纺机等，纺织机就是把线、丝、麻等原材料加工成丝线后织成布料的工具全称。象纺坠、纺车、锭子、踏板织布机，还有现代机械织布机、现代数控自动织布机等。随着纺织机使用频率的增加，其纺织机的故障预测至关重要。

但是在现有技术中，纺织机运行过程中无法根据纺织机的故障特征分析以及运行维护力度进行综合分析，以至于纺织机运行预测效率降低，无法降低纺织机的运行故障风险，且在通过预测的纺织机运行后，无法将对应纺织机的实时运行效率进行监管。

针对上述的技术缺陷，现提出一种解决方案。

发明内容

本发明的目的就在于为了解决上述提出的问题，而提出一种基于大数据分析的纺织机故障预测系统，将纺织机进行故障特征分析，根据纺织机故障特征分析能够准确分析出纺织机当前运行状态，同时在纺织机运行异常时能够准确进行维护，提高了纺织机的工作效率，也能够为纺织机故障预测提高依据，增强故障预测的准确性；将分析对象的运行过程进行分析，判断该运行过程的运行强度与运行维护力度是否匹配合格，从而防止分析对象的运行强度与维护力度匹配不一致，造成分析对象设备本身出现磨损，容易降低分析对象的工作效率。

本发明的目的可以通过以下技术方案实现：

一种基于大数据分析的纺织机故障预测系统，包括服务器，服务器通讯连接有：

故障特征分析单元，用于将纺织机进行故障特征分析，将纺织机标记为分析对象，设置标号i，i为大于1的自然数，获取到分析对象的故障特征，故障特征表示为分析对象的故障部位以及故障影响的参数；通过分析将分析对象的故障划分为可控故障和非可控故障，并将可控故障和非可控故障以及对应故障特征发送至服务器；

设备维护分析单元，用于将分析对象的运行过程进行分析，将历史运行时间段划分为o个时刻点，获取到各个时刻点对应分析对象的运行强度系数和维护力度系数，并将运行强度划分为一级强度和二级强度，将维护力度划分为一级维护和二级维护，根据分析对象的运行过程将对应运行划分为高风险运行和低风险运行，并将高风险运行和低风险运行的时刻点发送至服务器；

设备运行故障预测单元，用于将分析对象进行故障预测，通过分析获取到分析对象的故障预测系数，根据故障预测系数获取到故障预测曲线，通过故障预测曲线将分析对象的预测结果划分为低故障风险和高故障风险，并根据预测结果生成高故障风险信号和低故障风险信号发送至服务器；

实时运行效率监管单元，用于将投入使用的分析对象进行实时运行效率监管，通过分析生成运行效率预警信号和运行效率正常信号，并将其发送至服务器。

作为本发明的一种优选实施方式，故障特征分析单元的运行过程如下：

获取到分析对象的历史运行时间段，且历史运行时间段内分析对象进行过维修，采集到历史运行时间段内分析对象的故障时刻，并将对应故障时刻分析对象的故障特征进行获取；

采集到分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长以及对应故障影响参数浮动后数值可控制速度，并将其分别与间隔时长阈值和可控制速度阈值进行比较：

若分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长超过间隔时长阈值，且对应故障影响参数浮动后数值可控制速度超过可控制速度阈值，则将对应故障标记为可控故障；若分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长未超过间隔时长阈值，或者对应故障影响参数浮动后数值可控制速度未超过可控制速度阈值，则将对应故障标记为非可控故障。

作为本发明的一种优选实施方式，设备维护分析单元的运行过程如下：

将历史运行时间段划分为o个时刻点，采集到各个时刻点对应分析对象的持续运行时长以及分析对象的产量需求速度；通过分析获取到分析对象对应时刻点的运行强度系数；将分析对象对应时刻点的运行强度系数与运行强度系数阈值进行比较：若分析对象对应时刻点的运行强度系数超过运行强度系数阈值，则判定对应时刻点的运行强度为一级强度；若分析对象对应时刻点的运行强度系数未超过运行强度系数阈值，则判定对应时刻点的运行强度为二级强度；

采集到各个时刻点对应分析对象的维护周期以及对应维护周期内分析对象的抽检频率，通过分析获取到分析对象对应时刻点的维护力度系数；将分析对象对应时刻点的维护力度系数与维护力度系数阈值进行比较：若分析对象对应时刻点的维护力度系数超过维护力度系数阈值，则判定分析对象对应时刻点的维护为一级维护；若分析对象对应时刻点的维护力度系数未超过维护力度系数阈值，则判定分析对象对应时刻点的维护为二级维护。

作为本发明的一种优选实施方式，在分析对象的历史运行时间段内，若分析对象运行强度为一级强度且对应维护力度为二级维护，则将对应分析对象运行标记为高风险运行；反之，则将对应分析对象运行标记为低风险运行。

作为本发明的一种优选实施方式，设备运行故障预测单元的运行过程如下：

采集到分析对象在历史运行时间段内高风险运行的出现频率以及对应高风险运行次数与低风险运行次数的比值；采集到分析对象在历史运行时间段非可控故障的出现数量以及对应可控故障的出现频率；通过分析获取到分析对象的故障预测系数；

根据历史运行时间段内时刻点作为X轴、以故障预测系数作为Y轴构建直角坐标系，根据历史运行时间段构建故障预测曲线，若故障预测曲线起始点与结束点对应故障预测系数差值未超过差值阈值，且故障预测曲线内两时刻点的最大斜率未超过斜率阈值，则将分析对象的预测结果设置为低故障风险；若故障预测曲线起始点与结束点对应故障预测系数差值超过差值阈值，或者故障预测曲线内两时刻点的最大斜率超过斜率阈值，则将分析对象的预测结果设置为高故障风险。

作为本发明的一种优选实施方式，实时运行效率监管单元的运行过程如下：

采集到分析对象对应各个运行部位配合运行速度稳定的缓冲时长以及对应运行部位配合运行速度可稳定持续时长，并将其分别与缓冲时长阈值和可稳定持续时长阈值进行比较：

若分析对象对应各个运行部位配合运行速度稳定的缓冲时长超过缓冲时长阈值，或者对应运行部位配合运行速度可稳定持续时长未超过可稳定持续时长阈值，生成运行效率预警信号并将运行效率预警信号发送至服务器；若分析对象对应各个运行部位配合运行速度稳定的缓冲时长未超过缓冲时长阈值，且对应运行部位配合运行速度可稳定持续时长超过可稳定持续时长阈值，生成运行效率正常信号并将运行效率正常信号发送至服务器。

与现有技术相比，本发明的有益效果是：

1、本发明中，将纺织机进行故障特征分析，根据纺织机故障特征分析能够准确分析出纺织机当前运行状态，同时在纺织机运行异常时能够准确进行维护，提高了纺织机的工作效率，也能够为纺织机故障预测提高依据，增强故障预测的准确性；将分析对象的运行过程进行分析，判断该运行过程的运行强度与运行维护力度是否匹配合格，从而防止分析对象的运行强度与维护力度匹配不一致，造成分析对象设备本身出现磨损，容易降低分析对象的工作效率；

2、本发明中，将分析对象进行故障预测，根据故障预测判断对应分析对象是否能够运行，从而提高分析对象的运行稳定性，降低分析对象运行故障的风险；将投入使用的分析对象进行实时运行效率监管，保证实时运行效率的合格性，提高了分析对象的实时产量，增强实时产量的稳定性；同时能够对实时运行故障进行检测。

附图说明

为了便于本领域技术人员理解，下面结合附图对本发明作进一步的说明。

图1为本发明一种基于大数据分析的纺织机故障预测系统的原理框图。

具体实施方式

下面将结合实施例对本发明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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1所示，一种基于大数据分析的纺织机故障预测系统，包括服务器，服务器通讯连接有故障特征分析单元、设备维护分析单元、设备运行故障预测单元以及实时运行效率监管单元，其中，服务器与故障特征分析单元、设备维护分析单元、设备运行故障预测单元以及实时运行效率监管单元均为双向通讯连接；

服务器生成故障特征分析信号并将故障特征分析信号发送至故障特征分析单元，故障特征分析单元接收到故障特征分析信号后，将纺织机进行故障特征分析，根据纺织机故障特征分析能够准确分析出纺织机当前运行状态，同时在纺织机运行异常时能够准确进行维护，提高了纺织机的工作效率，也能够为纺织机故障预测提高依据，增强故障预测的准确性；

将纺织机标记为分析对象，设置标号i，i为大于1的自然数，获取到分析对象的历史运行时间段，且历史运行时间段内分析对象进行过维修，采集到历史运行时间段内分析对象的故障时刻，并将对应故障时刻分析对象的故障特征进行获取，其对应故障特征表示为分析对象的故障部位以及故障影响的参数等相关故障数据；可以理解的是，故障影响的参数表示为故障部位出现后，分析对象出现浮动的运行参数，运行参数表示为纺织机的运行噪音分贝值、运行振动频率等参数；

采集到分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长以及对应故障影响参数浮动后数值可控制速度，并将分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长以及对应故障影响参数浮动后数值可控制速度分别与间隔时长阈值和可控制速度阈值进行比较：其中，数值可控制速度表示为故障影响参数数值浮动后，可以控制的数值浮动速度；其可以控制的数值浮动速度越大，则对应故障的可控性越强；

若分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长超过间隔时长阈值，且对应故障影响参数浮动后数值可控制速度超过可控制速度阈值，则将对应故障标记为可控故障；若分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长未超过间隔时长阈值，或者对应故障影响参数浮动后数值可控制速度未超过可控制速度阈值，则将对应故障标记为非可控故障；

将可控故障和非可控故障以及对应故障特征一同发送至服务器；

服务器生成设备维护分析信号并将设备维护分析信号发送至设备维护分析单元，设备维护分析单元接收到设备维护分析信号后，将分析对象的运行过程进行分析，判断该运行过程的运行强度与运行维护力度是否匹配合格，从而防止分析对象的运行强度与维护力度匹配不一致，造成分析对象设备本身出现磨损，容易降低分析对象的工作效率；

将历史运行时间段划分为o个时刻点，采集到各个时刻点对应分析对象的持续运 行时长以及分析对象的产量需求速度，并将各个时刻点对应分析对象的持续运行时长以及 分析对象的产量需求速度分别标记为SCo和SDo；通过公式

获取 到分析对象对应时刻点的运行强度系数Xo，其中，a1和a2均为预设比例系数，且a1＞a2＞0；

将分析对象对应时刻点的运行强度系数Xo与运行强度系数阈值进行比较：

若分析对象对应时刻点的运行强度系数Xo超过运行强度系数阈值，则判定对应时刻点的运行强度为一级强度；若分析对象对应时刻点的运行强度系数Xo未超过运行强度系数阈值，则判定对应时刻点的运行强度为二级强度；

采集到各个时刻点对应分析对象的维护周期以及对应维护周期内分析对象的抽 检频率，并将各个时刻点对应分析对象的维护周期以及对应维护周期内分析对象的抽检频 率分别标记为ZQo和CJo；通过公式

获取到分析对象对应时刻点的维 护力度系数Co，其中，a3和a4均为预设比例系数，且a3＞a4＞0；

将分析对象对应时刻点的维护力度系数Co与维护力度系数阈值进行比较：

若分析对象对应时刻点的维护力度系数Co超过维护力度系数阈值，则判定分析对象对应时刻点的维护为一级维护；若分析对象对应时刻点的维护力度系数Co未超过维护力度系数阈值，则判定分析对象对应时刻点的维护为二级维护；

在分析对象的历史运行时间段内，若分析对象运行强度为一级强度且对应维护力度为二级维护，则将对应分析对象运行标记为高风险运行；反之，则将对应分析对象运行标记为低风险运行；

将高风险运行和低风险运行对应时刻点发送至服务器；

服务器接收到高风险运行和低风险运行对应时刻点后，生成设备运行故障预测信号并将设备运行故障预测信号发送至设备运行故障预测单元，设备运行故障预测单元接收到设备运行故障预测信号后，将分析对象进行故障预测，根据故障预测判断对应分析对象是否能够运行，从而提高分析对象的运行稳定性，降低分析对象运行故障的风险；

采集到分析对象在历史运行时间段内高风险运行的出现频率以及对应高风险运行次数与低风险运行次数的比值，并将分析对象历史运行时间段内高风险运行的出现频率以及对应高风险运行次数与低风险运行次数的比值分别标记为CXP和YXB；采集到分析对象在历史运行时间段非可控故障的出现数量以及对应可控故障的出现频率，并将分析对象在历史运行时间段非可控故障的出现数量以及对应可控故障的出现频率分别标记为FKS和KKP；

通过公式

获 取到分析对象的故障预测系数H，其中，bet1、bet2、bet3以及bet4均为预设比例系数，且 bet1+bet2+bet3+bet4=1.365，β为误差修正因子，取值为0.586；

根据历史运行时间段内时刻点作为X轴、以故障预测系数作为Y轴构建直角坐标系，根据历史运行时间段构建故障预测曲线，若故障预测曲线起始点与结束点对应故障预测系数差值未超过差值阈值，且故障预测曲线内两时刻点的最大斜率未超过斜率阈值，则将分析对象的预测结果设置为低故障风险；若故障预测曲线起始点与结束点对应故障预测系数差值超过差值阈值，或者故障预测曲线内两时刻点的最大斜率超过斜率阈值，则将分析对象的预测结果设置为高故障风险；

根据预测结果生成高故障风险信号和低故障风险信号发送至服务器；

服务器接收到高故障风险信号后，将对应分析对象进行故障检修，服务器接收到低故障风险信号后，将对应分析对象投入使用，同时生成实时运行效率监管信号并将实时运行效率监管信号发送至实时运行效率监管单元，实时运行效率监管单元接收到实时运行效率监管信号后，将投入使用的分析对象进行实时运行效率监管，保证实时运行效率的合格性，提高了分析对象的实时产量，增强实时产量的稳定性；同时能够对实时运行故障进行检测；

采集到分析对象对应各个运行部位配合运行速度稳定的缓冲时长以及对应运行部位配合运行速度可稳定持续时长，并将分析对象对应各个运行部位配合运行速度稳定的缓冲时长以及对应运行部位配合运行速度可稳定持续时长分别与缓冲时长阈值和可稳定持续时长阈值进行比较：

可以理解的是，运行速度稳定表示为运行部位配合运行速度达到预设运行速度值时；

若分析对象对应各个运行部位配合运行速度稳定的缓冲时长超过缓冲时长阈值，或者对应运行部位配合运行速度可稳定持续时长未超过可稳定持续时长阈值，则判定分析对象的实时运行效率异常，生成运行效率预警信号并将运行效率预警信号发送至服务器，服务器接收到运行效率预警信号后，将对应分析对象进行运行维护，在维护后运行部位配合运行速度仍无法稳定，则将对应分析对象暂停使用；

若分析对象对应各个运行部位配合运行速度稳定的缓冲时长未超过缓冲时长阈值，且对应运行部位配合运行速度可稳定持续时长超过可稳定持续时长阈值，则判定分析对象的实时运行效率正常，生成运行效率正常信号并将运行效率正常信号发送至服务器。

上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式，公式中的系数是由本领域技术人员根据实际情况进行设置；

本发明在使用时，通过故障特征分析单元将纺织机进行故障特征分析，将纺织机标记为分析对象，获取到分析对象的故障特征；通过分析将分析对象的故障划分为可控故障和非可控故障，并将可控故障和非可控故障以及对应故障特征发送至服务器；通过设备维护分析单元将分析对象的运行过程进行分析，将历史运行时间段划分为o个时刻点，获取到各个时刻点对应分析对象的运行强度系数和维护力度系数，并将运行强度划分为一级强度和二级强度，将维护力度划分为一级维护和二级维护，根据分析对象的运行过程将对应运行划分为高风险运行和低风险运行，并将高风险运行和低风险运行的时刻点发送至服务器；通过设备运行故障预测单元将分析对象进行故障预测，通过分析获取到分析对象的故障预测系数，根据故障预测系数获取到故障预测曲线，通过故障预测曲线将分析对象的预测结果划分为低故障风险和高故障风险，并根据预测结果生成高故障风险信号和低故障风险信号发送至服务器；通过实时运行效率监管单元将投入使用的分析对象进行实时运行效率监管，通过分析生成运行效率预警信号和运行效率正常信号，并将其发送至服务器。

以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (6)

1.一种基于大数据分析的纺织机故障预测系统，其特征在于，包括服务器，服务器通讯连接有：故障特征分析单元，用于将纺织机进行故障特征分析，将纺织机标记为分析对象，设置标号i，i为大于1的自然数，获取到分析对象的故障特征，故障特征表示为分析对象的故障部位以及故障影响的参数；通过分析将分析对象的故障划分为可控故障和非可控故障，并将可控故障和非可控故障以及对应故障特征发送至服务器；设备维护分析单元，用于将分析对象的运行过程进行分析，将历史运行时间段划分为o个时刻点，获取到各个时刻点对应分析对象的运行强度系数和维护力度系数，并将运行强度划分为一级强度和二级强度，将维护力度划分为一级维护和二级维护，根据分析对象的运行过程将对应运行划分为高风险运行和低风险运行，并将高风险运行和低风险运行的时刻点发送至服务器；设备运行故障预测单元，用于将分析对象进行故障预测，通过分析获取到分析对象的故障预测系数，根据故障预测系数获取到故障预测曲线，通过故障预测曲线将分析对象的预测结果划分为低故障风险和高故障风险，并根据预测结果生成高故障风险信号和低故障风险信号发送至服务器；实时运行效率监管单元，用于将投入使用的分析对象进行实时运行效率监管，通过分析生成运行效率预警信号和运行效率正常信号，并将其发送至服务器。

2.根据权利要求1所述的一种基于大数据分析的纺织机故障预测系统，其特征在于，故障特征分析单元的运行过程如下：获取到分析对象的历史运行时间段，且历史运行时间段内分析对象进行过维修，采集到历史运行时间段内分析对象的故障时刻，并将对应故障时刻分析对象的故障特征进行获取；采集到分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长以及对应故障影响参数浮动后数值可控制速度，并将其分别与间隔时长阈值和可控制速度阈值进行比较：若分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长超过间隔时长阈值，且对应故障影响参数浮动后数值可控制速度超过可控制速度阈值，则将对应故障标记为可控故障；若分析对象故障特征内对应故障部位出现磨损时刻与故障影响参数浮动时刻的间隔时长未超过间隔时长阈值，或者对应故障影响参数浮动后数值可控制速度未超过可控制速度阈值，则将对应故障标记为非可控故障。

3.根据权利要求1所述的一种基于大数据分析的纺织机故障预测系统，其特征在于，设备维护分析单元的运行过程如下：将历史运行时间段划分为o个时刻点，采集到各个时刻点对应分析对象的持续运行时长以及分析对象的产量需求速度；通过分析获取到分析对象对应时刻点的运行强度系数；将分析对象对应时刻点的运行强度系数与运行强度系数阈值进行比较：若分析对象对应时刻点的运行强度系数超过运行强度系数阈值，则判定对应时刻点的运行强度为一级强度；若分析对象对应时刻点的运行强度系数未超过运行强度系数阈值，则判定对应时刻点的运行强度为二级强度；采集到各个时刻点对应分析对象的维护周期以及对应维护周期内分析对象的抽检频率，通过分析获取到分析对象对应时刻点的维护力度系数；将分析对象对应时刻点的维护力度系数与维护力度系数阈值进行比较：若分析对象对应时刻点的维护力度系数超过维护力度系数阈值，则判定分析对象对应时刻点的维护为一级维护；若分析对象对应时刻点的维护力度系数未超过维护力度系数阈值，则判定分析对象对应时刻点的维护为二级维护。

4.根据权利要求3所述的一种基于大数据分析的纺织机故障预测系统，其特征在于，在分析对象的历史运行时间段内，若分析对象运行强度为一级强度且对应维护力度为二级维护，则将对应分析对象运行标记为高风险运行；反之，则将对应分析对象运行标记为低风险运行。

5.根据权利要求1所述的一种基于大数据分析的纺织机故障预测系统，其特征在于，设备运行故障预测单元的运行过程如下：采集到分析对象在历史运行时间段内高风险运行的出现频率以及对应高风险运行次数与低风险运行次数的比值；采集到分析对象在历史运行时间段非可控故障的出现数量以及对应可控故障的出现频率；通过分析获取到分析对象的故障预测系数；根据历史运行时间段内时刻点作为X轴、以故障预测系数作为Y轴构建直角坐标系，根据历史运行时间段构建故障预测曲线，若故障预测曲线起始点与结束点对应故障预测系数差值未超过差值阈值，且故障预测曲线内两时刻点的最大斜率未超过斜率阈值，则将分析对象的预测结果设置为低故障风险；若故障预测曲线起始点与结束点对应故障预测系数差值超过差值阈值，或者故障预测曲线内两时刻点的最大斜率超过斜率阈值，则将分析对象的预测结果设置为高故障风险。

6.根据权利要求1所述的一种基于大数据分析的纺织机故障预测系统，其特征在于，实时运行效率监管单元的运行过程如下：采集到分析对象对应各个运行部位配合运行速度稳定的缓冲时长以及对应运行部位配合运行速度可稳定持续时长，并将其分别与缓冲时长阈值和可稳定持续时长阈值进行比较：若分析对象对应各个运行部位配合运行速度稳定的缓冲时长超过缓冲时长阈值，或者对应运行部位配合运行速度可稳定持续时长未超过可稳定持续时长阈值，生成运行效率预警信号并将运行效率预警信号发送至服务器；若分析对象对应各个运行部位配合运行速度稳定的缓冲时长未超过缓冲时长阈值，且对应运行部位配合运行速度可稳定持续时长超过可稳定持续时长阈值，生成运行效率正常信号并将运行效率正常信号发送至服务器。

Images