CN115729292A - 一种喷水织机控制系统和方法 - Google Patents

Abstract

本说明书实施例提供一种喷水织机控制系统，该喷水织机控制系统包括：温度湿度监测装置，用于获取环境温度和环境湿度；织机监测装置，用于监测喷水织机的运行状况；交互终端，用于人机交互；处理器，用于接收温度湿度监测装置和织机监测装置获取的监测数据并进行分析处理，判断喷水织机是否发生故障，并确定是否基于故障发出报警至交互终端；开口调节器，用于调节喷水织机的开口量和开口时间；张力控制器，用于调节喷水织机的布辊张力。

Description

一种喷水织机控制系统和方法

技术领域

本说明书涉及喷水织机技术领域，特别涉及一种喷水织机控制系统和方法。

背景技术

喷水织机是一种采用喷射水柱牵引纬纱穿越梭口的高速无梭织机，其工艺参数主要有开口、引纬、打纬、送经、卷取、织边、剪刀等，正确设定和调整工艺参数是喷水织机高效运转和获得优良产品的保证。目前，在利用喷水织机进行布料生产过程中，时常会发生断纱、空停等故障现象，影响生产效率与生产质量。

因此，希望可以提供一种喷水织机控制系统和方法，利用智能化、自动化的控制手段，以降低故障发生率，从而提高生产效率与生产质量。

发明内容

本说明书实施例之一提供一种喷水织机控制系统，所述喷水织机控制系统包括：温度湿度监测装置，用于获取环境温度和环境湿度；织机监测装置，用于监测所述喷水织机的运行状况；交互终端，用于人机交互；处理器，用于接收所述温度湿度监测装置和所述织机监测装置获取的监测数据并进行分析处理，判断所述喷水织机是否发生故障，并确定是否基于所述故障发出报警至所述交互终端；开口调节器，用于调节所述喷水织机的开口量和开口时间；张力控制器，用于调节所述喷水织机的布辊张力。

在一些实施例中，所述处理器进一步用于：基于所述织机监测装置，获取第一故障数据；基于所述第一故障数据，判断所述喷水织机是否发生故障。

在一些实施例中，所述喷水织机控制系统还包括：图像采集装置、声音传感器和振动传感器；所述处理器进一步用于：基于所述图像采集装置、所述声音传感器和所述振动传感器中的至少一种，获取第二故障数据；基于所述第二故障数据，预测所述喷水织机发生故障的风险程度；基于所述风险程度，通过所述开口调节器和所述张力控制器，对所述喷水织机的控制参数进行调整；所述控制参数包括所述开口量、所述开口时间以及所述布辊张力。

在一些实施例中，所述基于所述第二故障数据，预测所述喷水织机发生故障的风险程度，包括：基于所述第二故障数据，通过风险模型，预测所述喷水织机发生故障的风险程度，所述风险模型为机器学习模型。

在一些实施例中，所述对所述喷水织机的控制参数进行调整，包括：响应于第一故障数据和所述第二故障数据满足预设条件，确定调整后的所述喷水织机的控制参数，并发出控制指令至所述开口调节器和所述张力控制器。

本说明书实施例之一提供一种喷水织机控制方法，所述方法由上述的系统中的处理器执行，所述方法包括：获取监测数据；基于所述监测数据，判断所述喷水织机是否发生故障；响应于所述喷水织机发生故障，发出报警至交互终端；其中，所述监测数据包括环境温度、环境湿度以及所述喷水织机的运行状况。

在一些实施例中，所述方法进一步包括：获取第一故障数据；基于所述第一故障数据，判断所述喷水织机是否发生故障。

在一些实施例中，所述方法还包括：获取第二故障数据；基于所述第二故障数据，预测所述喷水织机发生故障的风险程度；基于所述风险程度，对所述喷水织机的控制参数进行调整；所述控制参数包括所述喷水织机的开口量和开口时间以及所述喷水织机的布辊张力。

在一些实施例中，所述基于所述第二故障数据，预测所述喷水织机发生故障的风险程度，包括：基于所述第二故障数据，通过风险模型，预测所述喷水织机发生故障的风险程度，所述风险模型为机器学习模型。

在一些实施例中，所述对所述喷水织机的控制参数进行调整，包括：响应于第一故障数据和所述第二故障数据满足预设条件，确定调整后的所述喷水织机的控制参数；基于所述调整后的所述喷水织机的控制参数，发出控制指令，对所述开口量、所述开口时间和所述布辊张力进行调整。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的喷水织机控制系统的系统图；

图2是根据本说明书一些实施例所示的喷水织机控制方法的示例性流程图；

图3是根据本说明书一些实施例所示的喷水织机控制方法的示例性流程图；

图4是根据本说明书一些实施例所示的风险模型的模型示意图；

图5是根据本说明书一些实施例所示的调整模型的模型示意图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例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说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

喷水织机是一种采用喷射水柱牵引纬纱穿越梭口的高速无梭织机，其原理是以洁净的水作为介质引导纬纱，通过喷射水流对纬纱产生摩擦牵引力，从而引导纬纱穿越梭口。喷水织机采用喷水引纬对纬纱的摩擦牵引力较大，扩散性较小，适应表面光滑的合成纤维、玻璃纤维等长丝引纬的需要，同时可以增加合成纤维的导电性能，有效地克服织造中的静电。此外，喷射纬纱消耗的能量较少，噪音最低。但是在应用过程中，喷水织机时常会发生纬纱断纱、空停等故障现象，影响生产效率与质量。基于此，本说明书的一些实施例提供一种喷水织机控制系统与方法，以解决上述问题。

图1是根据本说明书一些实施例所示的喷水织机控制系统的系统图。

如图1所示，喷水织机控制系统100可以包括温度湿度监测装置110、织机监测装置120、交互终端130、处理器140、开口调节器150以及张力控制器160。

温度湿度监测装置110可以是指用于获取环境温度和环境湿度的监测装置，如温度传感器、湿度传感器等。温度湿度监测装置110可以是温度湿度一体测量的传感器，也可以是分开的温度传感器与湿度传感器，本说明书对此不作限定。

在一些实施例中，温度湿度监测装置110可以用于获取喷水织机的环境温度信息和环境湿度信息，并将环境温度信息与环境湿度信息发送至处理器140，处理器140接收环境温度信息与环境湿度信息并对两者进行分析、处理，以用于判断喷水织机是否发生故障。

织机监测装置120可以是指用于监测喷水织机的运行状况的装置，包括但不限于光电式纬纱监测装置、电子式纬纱监测装置等。

在一些实施例中，织机监测装置120可以监测故障情况，如，断纱、停机等，用并将故障情况以故障数据的方式发送至处理器140，处理器140接收到故障数据后对其进行分析、处理，以用于判断喷水织机是否发生故障。关于故障数据的更多内容，可以参见图2及其相关描述。

交互终端130可以是指用于人机交互的装置。例如，台式电脑、平板电脑、笔记本电脑、手机等可以实现数据处理以及数据通信的智能电子设备。

在一些实施例中，交互终端130可以用于获取处理器140的处理结果，并生成报警信号。例如，当处理器140判断喷水织机发生故障时，交互终端130可以在其屏幕上弹出“发生故障，请及时处理”字样等。

在一些实施例中，交互终端130还可以用于用户输入。例如，用户可以基于交互终端130调整相关参数，如风险程度阈值等。又例如，用户可以基于交互终端130调整喷水织机的控制参数，如开口量、开口时间、布辊张力等。关于风险程度阈值、喷水织机的控制参数的更多内容，可以参见图3及其相关描述。

在织机中，经纬纱的交织是形成机织物的必要条件。要实现经纬的交织需要把经纱按一定的规律分为上下两层，形成能供引纬器、引纬介质引入纬纱的通道，即梭口，待纬纱引入梭口后，两层经纱根据织物组织要求再上下交替，形成新的梭口，如此反复循环，这就是经纱的开口运动，简称开口。

开口工艺参数调整一般包括对开口量及开口时间的调整。喷水织机的开口量和开口时间可以根据品种要求、原料性能、开口机构和打纬机构不同而选择，以避免引纬不良或经纱断头。开口调节器150可以是指用于调节喷水织机的开口量和开口时间的装置。开口调节器150可以是利用一个整体结构实现开口量和开口时间的控制，也可以是利用多个结构分别实现开口量和开口时间的控制，本说明书对此不作限定。

在一些实施例中，开口调节器150可以从处理器140获取喷水织机的控制参数中与开口相关的控制参数，并基于相应的控制参数对喷水织机的开口量和开口时间进行调节。

张力控制器160可以是指用于调节喷水织机的布辊张力的装置。张力控制器160可以采用多种结构设计，例如可以采用螺钉、弹簧、摩擦片等结构，通过调节螺钉改变弹簧压力，进而改变摩擦片张力，从而实现对喷水织机的布辊张力的控制。

在一些实施例中，张力控制器160可以从处理器140获取喷水织机的控制参数中与布辊相关的控制参数，并基于相应的控制参数对喷水织机的布辊张力进行调节。

处理器140用于处理从装置或系统组成部分中获得的数据和/或信息。处理器140可以基于这些数据、信息和/或处理结果执行程序指令，以执行本说明书中描述的一个或多个功能。

在一些实施例中，处理器140可以用于接收温度湿度监测装置110和织机监测装置120获取的监测数据并进行分析处理，判断喷水织机是否发生故障，并确定是否基于故障发出报警至交互终端130。关于监测数据的具体内容，可以参见图2及其相关描述。

在一些实施例中，处理器140可以用于接收用户输入，并基于用户输入进行调节。例如，处理器140可以基于用户输入调整相关参数，如风险程度阈值等。又例如，处理器140可以基于用户输入调整喷水织机的控制参数，如开口量、开口时间、布辊张力等。

在一些实施例中，处理器140还可以进一步用于基于织机监测装置120，获取第一故障数据，并基于第一故障数据，判断喷水织机是否发生故障。关于处理器140基于织机监测装置120判断喷水织机是否发生故障的具体内容，可以参见图2及其相关描述。

在一些实施例中，喷水织机控制系统还可以包括图像采集装置、声音传感器和振动传感器。图像采集装置可以是指用于采集织布表观数据的装置，如摄像头、照相机等。其中，织布表观数据可以是指织布图像等数据；声音传感器可以是指用于监测喷水织机运行声音的装置，如电容式声音传感器、磁电式声音传感器等；振动传感器可以是指用于监测喷水织机运行时振动情况的装置，如电涡流式振动传感器、电容式振动传感器等。

在一些实施例中，处理器140可以进一步用于基于图像采集装置、声音传感器和振动传感器中的至少一种，获取第二故障数据；基于第二故障数据，预测喷水织机发生故障的风险程度；再基于风险程度，通过开口调节器150和张力控制器160，对喷水织机的控制参数进行调整。其中，控制参数包括开口量、开口时间以及布辊张力。

在一些实施例中，喷水织机的控制参数除了开口量、开口时间和布辊张力之外，还可以包括水泵参数。其中，水泵参数可以是指与水泵相关的参数，如水泵的喷水时间、喷水量和水压。

关于第二故障数据、风险程度的更多内容，可以参见图3及其相关描述。

在一些实施例中，基于第二故障数据，预测喷水织机发生故障的风险程度可以包括：基于第二故障数据，通过风险模型，预测喷水织机发生故障的风险程度。关于风险模型的更多内容，可以参见图3及其相关描述。

在一些实施例中，对喷水织机的控制参数进行调整可以包括：响应于第一故障数据和第二故障数据满足预设条件，确定调整后的喷水织机的控制参数，并发出控制指令至开口调节器150和张力控制器160。关于预设条件、调整后的喷水织机的控制参数以及控制指令的更多内容，可以参见图3及其相关描述。

关于处理器140基于图像采集装置、声音传感器和振动传感器中的至少一种，对喷水织机的控制参数进行调整的更多内容，可以参见图3及其相关描述。

图2是根据本说明书一些实施例所示的喷水织机控制方法的示例性流程图。

在一些实施例中，流程200可以由处理器140执行。如图2所示，流程200可以包括以下步骤：

步骤210，获取监测数据。

监测数据可以是指与喷水织机相关的数据。在一些实施例中，监测数据可以包括喷水织机的环境温度、环境湿度以及喷水织机的运行状况。其中，喷水织机的运行状况可以是指喷水织机执行相应工艺步骤时的状态情况，如引纬正常、送经故障等。

监测数据可以基于多种方式进行获取，如利用监测数据采集装置进行采集等。在一些实施例中，监测数据可以基于温度湿度监测装置110和织机监测装置120获取。例如，通过温度湿度监测装置110采集喷水织机的环境温度和环境湿度。又例如，通过织机监测装置120获取喷水织机的运行状况。

步骤220，基于监测数据，判断喷水织机是否发生故障。

在一些实施例中，基于监测数据，可以利用多种方式判断喷水织机是否发生故障。例如，可以通过将监测数据与历史故障数据进行匹配，若两者的相似度满足故障阈值，则可以认为此时喷水织机已发生故障。其中，历史故障数据可以是指此前喷水织机发生故障时所采集的监测数据的集合；故障阈值可以是预先设定的值，可以基于历史经验、试验等多种方式进行确定。

在一些实施例中，可以基于故障数据判断喷水织机是否发生故障。在一些实施例中，可以获取第一故障数据，并基于第一故障数据，判断喷水织机是否发生故障。

第一故障数据可以是指与喷水织机发生的故障相关的数据。在一些实施例中，第一故障数据可以包括断纱、断头和停机等。

第一故障数据的表示方式可以是向量形式。例如，可以用“0”和“1”表示是否发生故障，若为“0”则表示正常；为“1”则表示故障。示例的，若喷水织机发生了“断纱”，则第一故障数据可以表示为(1，0，0)；若喷水织机发生了“断头”，则第一故障数据可以表示为(0，1，0)；若喷水织机发生了“停机”，则第一故障数据可以表示为(0，0，1)。第一故障数据的表示方式也可以是其他形式，本说明书对此不作限定。

第一故障数据可以通过多种方式进行获取，例如可以通过人工观察并手动输入等。在一些实施例中，第一故障数据可以基于织机监测装置120进行获取。例如，当织机监测装置120监测到发生“断纱”，而未监测到其他问题时，织机监测装置120生成第一故障数据(1，0，0)，并将其发送至处理器140。

在一些实施例中，基于第一故障数据，可以通过预设规则判断喷水织机是否发生故障。例如，前文中所述的可以用“0”和“1”表示是否发生故障，若为“0”则表示正常；为“1”则表示故障。具体的，若第一故障数据为(0，0，0)，则表示喷水织机未发生任何故障；若第一故障数据为(1，0，0)，则表示喷水织机发生了“断纱”这一故障，并未出现“断头”、“停机”问题；若第一故障数据为(0，1，0)，则表示喷水织机发生了“断头”这一故障，并未出现“断纱”、“停机”问题。预设规则可以是指预先设定的规则，可以有多种设置方式，本说明书对此不作限定。需要说明的是，喷水织机的故障数据可能同时对应一个或多个故障，只要喷水织机包括一项故障(例如，断纱)，则认为喷水织机发生了故障。

步骤230，响应于喷水织机发生故障，发出报警至交互终端130。

报警可以是指处理器140响应于喷水织机发生故障后生成的报警指令。

在一些实施例中，处理器140响应于喷水织机发生故障后生成报警指令，并将其发送至交互终端130，交互终端130接收到报警指令后进行故障警示。例如，可以通过“滴滴滴”的警示音进行警示，也可以利用在交互终端130的屏幕上显示字样等其中一种或多种方式进行警示。

本说明书一些实施例，通过获取第一故障数据，基于第一故障数据判断喷水织机是否发生故障，可以直接且快速地获取到喷水织机的故障信息，以及时对喷水织机进行维修，保证生产效率。

图3是根据本说明书一些实施例所示的喷水织机控制方法的示例性流程图。

在一些实施例中，流程300可以由处理器140执行。如图3所示，流程300可以包括以下步骤：

步骤310，获取第二故障数据。

第二故障数据可以是指能够反映喷水织机是否发生故障的相关数据。在一些实施例中，第二故障数据可以包括织布图像特征、声音特征和振动特征。

其中，织布图像特征可以是指与织布的图像相关的特征，如织布的密度、织布的花纹等；声音特征可以是指与喷水织机运行时发出的声音有关的特征，如声音的大小等；振动特征可以是指与喷水织机运行时的振动情况有关的特征，如振幅、振动周期等。

在一些实施例中，可以利用图像采集装置采集织布表观数据，再基于织布表观数据，获取织布图像特征。例如，基于织布表观数据，可以通过算法模型等多种方式提取织布图像特征。织布表观数据可以指织布的宏观数据，如织布图像、织布的长宽等。关于基于织布表观数据，获取织布图像特征的更多内容，可以参见图4及其相关描述。

在一些实施例中，可以通过声音传感器获取声音特征。例如，可以直接将声音传感器采集的喷水织机运行时发出的声音大小作为声音特征。

在一些实施例中，可以基于振动传感器获取振动特征。例如，可以直接将振动传感器采集的喷水织机运行时的振动频率、振幅等作为振动特征。又例如，将振动传感器采集的喷水织机运行时的振动频率、振幅等进行分桶处理，获得分桶值作为振动特征。

步骤320，基于第二故障数据，预测喷水织机发生故障的风险程度。

风险程度可以是指喷水织机发生故障的可能性大小。风险程度越高，喷水织机发生故障的可能性越大。风险程度可以基于多种方式表示，例如数值或等级等方式。在一些实施例中，风险程度可以基于0-100％之间的数值进行表示。在一些实施例中，风险程度还可以基于等级划分进行表示。数值越大或等级越高，则表示风险程度越高，喷水织机发生故障的可能性越大。等级划分的规则可以基于实际情况进行确定。

在一些实施例中，基于第二故障数据，可以基于人工经验或算法模型等预测喷水织机发生故障的风险程度。

在一些实施例中，可以基于第二故障数据，通过风险模型，预测喷水织机发生故障的风险程度。在一些实施例中，风险模型可以为机器学习模型。例如，深度神经网络(DeepNeural Networks，DNN)模型、循环神经网络(Recurrent Neural Network，RNN)、长短期记忆神经网络(Long Short Term Memory，LSTM)模型或其他自定义的模型结构中的任意一种或组合。

图4是根据本说明书一些实施例所示的风险模型的模型示意图。风险模型400可以是指对喷水织机发生故障的风险程度进行预测的模型。

在一些实施例中，风险模型400可以基于织布表观数据410、声音特征440和振动特征450，确定风险程度470。在一些实施例中，风险模型400可以包括图像特征提取层420和判断层460。

在一些实施例中，图像特征提取层420可以对织布表观数据410进行处理，确定织布图像特征430。其中，图像特征提取层420的输入可以包括织布表观数据410，其输出可以包括织布图像特征430。

在一些实施例中，判断层460可以对织布图像特征430、声音特征440和振动特征450进行处理，确定风险程度470。其中，判断层460的输入可以包括织布图像特征430、声音特征440和振动特征450，其输出可以包括风险程度470。其中，关于声音特征440和振动特征450的内容可以参见上文的相关描述。

在一些实施例中，基于实时获取的织布图像特征430、声音特征440和振动特征450三种实时特征向量与正常特征向量的距离向量(例如，每个特征向量包括多个维度，分别比较实时特征向量的维度与其对应的正常特征向量的维度，获得距离向量)，通过判断层460，实现对风险程度470的预测。其中，正常特征向量分别基于喷水织机正常运行状况下的织布图像特征、声音特征和振动特征做均值获取。

在一些实施例中，判断层460基于实时特征向量与正常特征向量的距离向量预测风险程度，能够保证模型输出的准确度较高。

在一些实施例中，可以基于正常织布图像与有缺陷织布图像的对比，以及正常声音、振动和包括异常声音振动的数据进行对比，通过单独训练或联合训练，获取训练好的风险模型400。

在一些实施例中，可以分别利用带有标签的训练样本对初始图像特征提取层和初始判断层进行训练，获得风险模型。其中，初始图像特征提取层的训练样本可以包括样本织布表观数据，包括正常数据和有缺陷或故障的数据；样本对应的标签可以为织布图像特征；初始判断层的训练样本可以包括样本织布图像特征、样本声音特征和样本振动特征，样本对应的标签可以为风险程度。标签可以基于人工标注获取。需要说明的是，样本数据中包括正常数据和有缺陷或故障的数据，即有缺陷或故障的数据并不一定对应喷水织机必然发生故障，还可能对应于有缺陷或故障的数据喷水织机发生质量缺陷等不影响运行的问题，因此需要人工标注风险程度。

将多组带有标签的训练样本分别输入初始图像特征提取层和初始判断层，分别基于初始图像特征提取层和初始判断层的输出和其对应的标签构建损失函数，基于损失函数分别迭代更新初始图像特征提取层和初始判断层，直至满足预设要求，训练结束，获取训练好的风险模型。预设要求可以包括但不限于损失函数收敛、训练周期达到阈值等。

在一些实施例中，还可以通过联合训练，获取训练好的风险模型。其中，图像特征提取层的输出可以作为判断层的输入。

例如，向初始图像特征提取层输入样本训练数据(即，样本织布表观数据)，得到初始图像特征提取层输出的织布图像特征，并将其与声音特征、振动特征作为初始判断层的输入，得到初始判断层输出的风险程度。使用人工标注的风险程度对初始判断层的输出进行验证，利用神经网络模型的反向传播特征，得到初始判断层输出结果的验证数据，使用该验证数据继续进行上述训练，直至得到训练好的风险模型。

又例如，可以将样本织布表观数据输入初始图像特征提取层，并将初始图像特征提取层的输出结果与声音特征、振动特征一同输入至初始判断层，基于初始判断层的输出结果和标签构造损失函数，并同时更新初始图像特征提取层和初始判断层的参数，直至初始图像特征提取层和初始判断层满足预设要求，得到训练好的风险模型。关于预设要求的说明可以参见上文中的相关描述。

在本说明书的一些实施例中，通过训练好的风险模型对织布表观数据、声音特征和振动特征进行处理，能够比较快速准确地确定风险程度，提高处理效率。此外，可以综合多种特征，通过与喷水织机正常情况的差异，可以用正常情况作参考，从而灵活适应不同生产条件下正常的图像、声音、振动之间的差异。在一些实施例中，通过提前训练图像提取层，可以获得适应不同生产条件的统一的图像特征提取模型，避免了在不同生产条件下分别训练模型的负担。

步骤330，基于风险程度，对喷水织机的控制参数进行调整。

在一些实施例中，基于风险程度，可以通过开口调节器150调节开口量和开口时间，还可以通过张力控制器160调节布辊张力，还可以通过水泵调节喷水时间、喷水量和水压等。关于如何基于风险程度确定具体的调整量并进行调整可以参见下文的相关描述。

在一些实施例中，基于风险程度，处理器可以利用多种方式确定对喷水织机的控制参数的调整方式，并进行调整。例如，用户可以根据历史经验，基于风险程度，通过交互终端130手动输入参数以调整喷水织机的控制参数等。

在一些实施例中，可以基于不同故障数据的类型、大小、次数等，对喷水织机的控制参数进行调整。例如，若喷水织机出现“断纱”问题，则可以相应地减小布辊张力；若喷水织机出现“断头”问题，则可以相应地减小开口量和开口时间等，具体的调整值可以基于经验设定，如采用渐进式降低等方式。

在一些实施例中，可以响应于第一故障数据和第二故障数据满足预设条件，确定调整后的喷水织机的控制参数；再基于调整后的喷水织机的控制参数，发出控制指令，对开口量、开口时间和布辊张力进行调整。

预设条件可以是指预先设定的与风险程度相关的条件。在一些实施例中，预设条件可以是风险程度小于风险程度阈值。

风险程度阈值可以是指喷水织机所能允许的最高风险程度值。在一些实施例中，风险程度阈值可以是人工设定的，风险程度阈值还可以相关于风险模型输出结果的可靠度进行进一步调整。可靠度可以是指风险模型输出结果的可靠程度，可以基于数据统计等方式确定。例如，风险模型输出了风险程度为100％(即，发生故障的可能性为100％)的结果30次，而实际上只有20次真正发生了故障，则可以认为风险模型输出结果的可靠度为66.7％。

在一些实施例中，当风险模型输出结果的可靠度低于可靠度阈值时，可以相应地提高风险程度阈值。例如，可靠度阈值为80％，原风险程度阈值为60％，当风险模型输出结果的可靠度仅为60％，远小于可靠度阈值80％时，则可以将原风险程度阈值由60％提高至80％，以使后续对于喷水织机的控制参数的调整更加符合实际需求。需要说明的是，根据风险模型输出结果的可靠度，相应调整风险程度阈值的方式可以有多种，如基于历史经验、预设的规则等，本说明书对此不作限定。

在本说明书的一些实施例中，基于风险模型输出结果的可靠度，相应调整喷水织机的风险程度阈值，不仅可以对风险模型的输出结果进行评估，使输出结果可靠度低的风险模型进行重新训练，以提高其结果准确率；而且可以保证对喷水织机的控制参数进行更严谨地调整，使其更符合实际的生产需求。

在一些实施例中，可以有多种方式确定调整后的喷水织机的控制参数。例如，可以通过第一故障数据和第二故障数据与历史数据进行对比，将历史数据中与第一故障数据和第二故障数据相似度最高的数据作为参考数据，参考数据后进行调整使得喷水织机回复正常状态的喷水织机的控制参数可以作为调整后的喷水织机的控制参数。其中，历史数据可以是指喷水织机的过往所有监测数据的集合。

在一些实施例中，可以利用调整模型，基于第一故障数据、第二故障数据以及当前的喷水织机的控制参数，确定调整后的喷水织机的控制参数。

图5是根据本说明书一些实施例所示的调整模型的模型示意图。调整模型500可以用于确定调整后的喷水织机的控制参数。在一些实施例中，调整模型500可以为机器学习模型。例如，卷积神经网络模型(Convolutional Neural Networks,CNN)、循环神经网络(Recurrent Neural Network,RNN)等。

在一些实施例中，调整模型500可以对第一故障数据510、第二故障数据520以及当前的喷水织机的控制参数530进行处理，确定调整后的喷水织机的控制参数540。其中，调整模型的输入为第一故障数据510、第二故障数据520以及当前的喷水织机的控制参数530，其输出为调整后的喷水织机的控制参数540。其中，第一故障数据510、第二故障数据520以及喷水织机的控制参数的具体内容可以参见前文的相关说明。

在一些实施例中，训练样本可以包括调整前的织机控制参数以及历史故障数据，标签为历史调整成功的数据中，调整后的织机控制参数。

在一些实施例中，将训练样本输入初始调整模型，得到初始调整模型输出的调整后的喷水织机的控制参数。基于历史调整成功的数据中调整后的织机控制参数与初始调整模型输出的调整后的喷水织机的控制参数构建损失函数，损失函数中包含的损失项可以是调整模型输出的调整后的喷水织机的控制参数和训练时历史调整成功的数据中调整后的织机控制参数之间的差异。并基于损失函数更新初始调整模型中的参数，直至满足预设要求，确定调整模型中的参数，获得训练好的调整模型。关于预设要求的说明可以参见上文中的相关描述。

在一些实施例中，可以设定第一故障数据的对应的损失项权重大于第二故障数据对应的损失项权重，即第一故障数据比第二故障数据重要，例如第一故障数据的损失项权重为0.5，第二故障数据的损失项权重为0.3等。这是基于喷水织机运行的实际情况确定的，即第一故障数据对应喷水织机的较大缺陷或较大问题，影响喷水织机的运行；第二故障数据只是造成产品小缺陷，不影响喷水织机的运行，只影响对生产参数进行微调。

在本说明书的一些实施例中，通过利用训练好的调整模型，可以更加快速准确地确定调整后的喷水织机的控制参数。此外，通过规定不同的损失项权重，可以保证调整模型的训练结果更加满足实际需求，使调整后的喷水织机的控制参数更具有针对性，以确保喷水织机的生产质量。

在一些实施例中，基于调整后的喷水织机的控制参数，处理器140可以分别对开口调节器150和张力控制器160发出相应的控制指令，以实现对开口量、开口时间和布辊张力的调整。例如，当前的喷水织机的控制参数表示为(60，355，1)，分别对应于当前的喷水织机的开口量为60mm、开口时间为355°、布辊张力为1cN/dtex；调整后的喷水织机的控制参数为(58，350，0.8)，分别对应于调整后的喷水织机的开口量为58mm、开口时间为350°、布辊张力为0.8cN/dtex。

当处理器140获取调整后的喷水织机的控制参数后，可以对开口调节器150发出减小开口量2mm、减小开口时间5°的控制指令，对张力控制器160发出减小布辊张力0.2cN/dtex的控制指令，从而实现对开口量、开口时间和布辊张力的调整。需要说明的是，开口时间也可以称为综平时间，以综平时织机主轴的角度值来表示。

在一些实施例中，对喷水织机的控制参数进行调整还可以包括对水泵参数的调节。同样地，可以有多种方式实现对水泵参数的调节。例如，用户可以根据历史经验，基于交互终端130手动输入参数以调整喷水织机的水泵参数。又例如，可以基于调整模型，确定调整后的水泵参数，然后通过控制指令来控制水泵，以实现水泵参数的调节。

仅作为示例的，当前水泵参数为(90，0.5，1.5)，分别对应于当前的喷水时间为90°、喷水量为0.5L、水压为1.5Mpa；调整后的水泵参数为(88，0.45，1.25)，分别对应于调整后的喷水时间为88°、喷水量为0.45L、水压为1Mpa。当处理器140获取调整后的水泵参数后，可以对喷水织机的水泵发出减小喷水时间2°、减小喷水量0.05L以及减小水压0.25Mpa的控制指令，以实现对水泵参数的调节。需要说明的是，喷水时间可以是指喷水织机的水泵凸轮最高点与转子接触的时间，一般以角度表示。

本说明书的一些实施例，基于预设条件和调整模型确定调整后的喷水织机的控制参数，不仅可以有效提高控制参数的调节效率，而且可以确保调整后的喷水织机的控制参数的准确率，在一定程度上可以实现喷水织机的自我检测与修正，有利于降低故障发生率，提高生产效率与生产质量。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种喷水织机控制系统，其特征在于，所述喷水织机控制系统包括：

温度湿度监测装置，用于获取环境温度和环境湿度；

织机监测装置，用于监测所述喷水织机的运行状况；

交互终端，用于人机交互；

处理器，用于接收所述温度湿度监测装置和所述织机监测装置获取的监测数据并进行分析处理，判断所述喷水织机是否发生故障，并确定是否基于所述故障发出报警至所述交互终端；

开口调节器，用于调节所述喷水织机的开口量和开口时间；

张力控制器，用于调节所述喷水织机的布辊张力。

2.根据权利要求1所述的喷水织机控制系统，其特征在于，所述处理器进一步用于：

基于所述织机监测装置，获取第一故障数据；

基于所述第一故障数据，判断所述喷水织机是否发生故障。

3.根据权利要求1所述的喷水织机控制系统，其特征在于，所述喷水织机控制系统还包括：图像采集装置、声音传感器和振动传感器；

所述处理器进一步用于：

基于所述图像采集装置、所述声音传感器和所述振动传感器中的至少一种，获取第二故障数据；

基于所述第二故障数据，预测所述喷水织机发生故障的风险程度；

基于所述风险程度，通过所述开口调节器和所述张力控制器，对所述喷水织机的控制参数进行调整；

所述控制参数包括所述开口量、所述开口时间以及所述布辊张力。

4.根据权利要求3所述的喷水织机控制系统，其特征在于，所述基于所述第二故障数据，预测所述喷水织机发生故障的风险程度，包括：基于所述第二故障数据，通过风险模型，预测所述喷水织机发生故障的风险程度，所述风险模型为机器学习模型。

5.根据权利要求3所述的喷水织机控制系统，其特征在于，所述对所述喷水织机的控制参数进行调整，包括：

响应于第一故障数据和所述第二故障数据满足预设条件，确定调整后的所述喷水织机的控制参数，并发出控制指令至所述开口调节器和所述张力控制器。

6.一种喷水织机控制方法，其特征在于，所述方法由权利要求1-5中任一项所述的系统中的处理器执行，所述方法包括：

获取监测数据；

基于所述监测数据，判断所述喷水织机是否发生故障；

响应于所述喷水织机发生故障，发出报警至交互终端；

其中，所述监测数据包括环境温度、环境湿度以及所述喷水织机的运行状况。

7.根据权利要求6所述的喷水织机控制方法，其特征在于，所述方法进一步包括：

获取第一故障数据；

基于所述第一故障数据，判断所述喷水织机是否发生故障。

8.根据权利要求6所述的喷水织机控制方法，其特征在于，所述方法还包括：

获取第二故障数据；

基于所述第二故障数据，预测所述喷水织机发生故障的风险程度；

基于所述风险程度，对所述喷水织机的控制参数进行调整；

所述控制参数包括所述喷水织机的开口量和开口时间以及所述喷水织机的布辊张力。

9.根据权利要求8所述的喷水织机控制方法，其特征在于，所述基于所述第二故障数据，预测所述喷水织机发生故障的风险程度，包括：基于所述第二故障数据，通过风险模型，预测所述喷水织机发生故障的风险程度，所述风险模型为机器学习模型。

10.根据权利要求8所述的喷水织机控制方法，其特征在于，所述对所述喷水织机的控制参数进行调整，包括：

响应于第一故障数据和所述第二故障数据满足预设条件，确定调整后的所述喷水织机的控制参数；

基于所述调整后的所述喷水织机的控制参数，发出控制指令，对所述开口量、所述开口时间和所述布辊张力进行调整。

Images