CN115914573A - 一种基于大数据的生产线用卷绕辊运行监测系统 - Google Patents

Abstract

本发明公开了一种基于大数据的生产线用卷绕辊运行监测系统，包括运行监测模块、图像摘取模块、异常判定模块、预测分级模块和硬件分析模块，属于物料输送领域，用于解决在生产过程中卷绕辊出现异常工作人员无从知晓，且卷绕辊的表面需要人为查看的问题，所述硬件分析模块用于对卷绕辊进行硬件分析，所述预测分级模块用于对卷绕辊进行预测分级，所述运行监测模块用于对卷绕辊进行运行监测，所述图像摘取模块用于对卷绕辊各个视角的图片方格进行摘取，所述异常判定模块用于对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定，本发明基于相匹配预测力度对卷绕辊的运行状况、表面状况进行异常判定。

Description

一种基于大数据的生产线用卷绕辊运行监测系统

技术领域

本发明属于生产线领域，涉及卷绕辊运行监测技术，具体是一种基于大数据的生产线用卷绕辊运行监测系统。

背景技术

流水线指每一个生产单位只专注处理某一个片段的工作，以提高工作效率及产量。按照流水线的输送方式大体可以分为：皮带流水装配线、板链线、倍速链、插件线、网带线、悬挂线及滚筒流水线这七类流水线。一般包括牵引件、承载构件、驱动装置、涨紧装置、改向装置和支承件等组成。流水线是人和机器的有效组合，最充分体现设备的灵活性，它将输送系统、随行夹具和在线专机、检测设备有机的组合，以满足多品种产品的输送要求。输送线的传输方式有同步传输的（强制式），也可以是非同步传输（柔性式），根据配置的选择，可以实现装配和输送的要求。输送线在企业的批量生产中不可或缺。

在生产线中需要使用到卷绕辊，例如布料生产线等，通常需要对卷绕辊的转速等运转参数进行设定和把控，一旦卷绕辊出现运转异常时工作人员却无法立即知晓，而且卷绕辊在使用时，需要人为检查卷绕辊的表面是否存在损伤和缺陷，为此，我们提出一种基于大数据的生产线用卷绕辊运行监测系统。

发明内容

针对现有技术存在的不足，本发明目的是提供一种基于大数据的生产线用卷绕辊运行监测系统。

本发明所要解决的技术问题为：

如何基于适配预测力度对卷绕辊的运行状况、表面状况进行异常判定。

本发明的目的可以通过以下技术方案实现：

一种基于大数据的生产线用卷绕辊运行监测系统，包括服务器，所述服务器连接有数据采集模块、运行监测模块、存储模块、图像摘取模块、异常判定模块、警报模块、预测分级模块和硬件分析模块，所述存储模块用于存储卷绕辊的硬件数据、标准运行数据和标准图像数据；所述硬件分析模块用于对卷绕辊进行硬件分析，得到卷绕辊的硬件分析值反馈至服务器，所述服务器将卷绕辊的硬件分析值发送至预测分级模块；

所述预测分级模块用于对卷绕辊进行预测分级，得到卷绕辊的硬件等级反馈至服务器，服务器依据硬件等级为卷绕辊设定相应的数据采集次数并发送至数据采集模块，数据采集模块按照对应数据采集次数采集物料经卷绕辊的输送长度和实时图像数据，并将输送长度和实时图像数据发送至服务器，所述服务器将输送长度发送至运行监测模块，所述服务器将实时图像数据发送至图像摘取模块；

所述运行监测模块用于对卷绕辊进行运行监测，生成运行正常信号或运行异常信号反馈至服务器；所述图像摘取模块用于对卷绕辊各个视角的图片方格进行摘取，得到卷绕辊中同一视角下的实时图片格和标准图片格反馈至服务器，所述服务器将卷绕辊中同一视角下的实时图片格和标准图片格发送至异常判定模块；所述异常判定模块用于对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定，生成判定通过信号或判定未过信号。

进一步地，所述预测分级模块的工作过程具体如下：

获取卷绕辊的硬件分析值；

将卷绕辊的硬件分析值与硬件分析阈值进行比对，将卷绕辊的硬件等级为第三硬件等级、第二硬件等级或第一硬件等级；

其中，第一硬件等级的级别高于第二硬件等级的级别，第二硬件等级的级别高于第三硬件等级的级别。

进一步地，数据采集次数的设定过程具体如下：

若为第一硬件等级，则为卷绕辊设定Y1次的数据采集次数；

若为第二硬件等级，则为卷绕辊设定Y2次的数据采集次数；

若为第三硬件等级，则为卷绕辊设定Y3次的数据采集次数；其中，Y1、Y2和Y3均为固定数值的正整数，且Y1＜Y2＜Y3。

进一步地，所述硬件分析模块的硬件分析过程具体如下：

获取卷绕辊的出厂时间和服务器的当前时间，当前时间减去出厂时间得到卷绕辊的使用时长；

获取卷绕辊在使用时长内的故障次数；

而后获取卷绕辊每次故障的故障时间，计算相邻故障时间的时间差值得到卷绕辊的若干组故障间隔时长，若干组故障间隔时长相加求和取平均值得到卷绕辊的平均间隔时长；

计算卷绕辊的硬件分析值。

进一步地，所述图像摘取模块的摘取过程具体如下：

获取卷绕辊各个视角的实时图像，得到卷绕辊的六组视角图，六组视角图即为实时正视图、实时左视图、实时左视图、实时右视图、实时俯视图和实时仰视图；

以六组视角图的左上角为坐标系原点，将六组视角图划分为若干个实时图片方格，实时图片方格左上角即为实时图片方格的位置坐标；

同理，依据卷绕辊各个视角的标准图像，得到若干个标准图片方格，标准图品方格左上角即为标准图片方格的位置坐标；

选择相同视角得实时图像和标准图像，并输入相同位置坐标得到卷绕辊中同一视角下的实时图片格和标准图片格。

进一步地，所述异常判定模块的判定过程具体如下：

获取卷绕辊中同一视角下的实时图片格和标准图片格；

将实时图片格与标准图片格进行比对，即提取比对实时图片格和标准图片格中不同颜色的像素点；

首先统计实时图片格和标准图片中像素点颜色的数量，若颜色数量相同，则比对所有颜色的像素点数量；

若任一颜色的像素点数量不相同，且任一颜色像素点数量的差值超过设定阈值，则生成判定未过信号；

若所有颜色的像素点数量均相同，且所有颜色像素点数量的差值未超过设定阈值，则通过图像摘取模块获取另外一次故障检测时卷绕辊中同一视角下的实时图片格和标准图片格，按照以上步骤重复操作，若生成判定通过信号则表明异常判定正确，判定通过信号反馈至服务器，若生成判定未过信号则重新对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定。

进一步地，所述异常判定模块将判定通过信号或判定未过信号反馈至服务器；

若服务器接收到判定通过信号，则不进行任何操作；

若服务器接收到判定未过信号，则生成警报指令加载至警报模块，警报接收到警报指令后发出警报声。

进一步地，硬件数据为卷绕辊的出厂时间、故障次数以及每次故障的故障时间；

标准运行数据为卷绕辊的标准转速范围；

标准图像数据为卷绕辊各个视角的标准图像，标准图像为卷绕辊的六组视角图，即为标准正视图、标准左视图、标准左视图、标准右视图、标准俯视图和标准仰视图；

实时图像数据为卷绕辊各个视角的实时图像。

进一步地，所述运行监测模块用于对卷绕辊进行运行监测，运行监测过程具体如下：

设定卷绕辊的运行监测时段，并将运行监测时段内设定若干个时间点；

将相邻时间点的间距时长标定为间隔时段，获取在间隔时段内物料经卷绕辊的输送长度，输送长度比对间隔时段的时长得到卷绕辊在间隔时段内实时运行转速；

将卷绕辊在各个间隔时段的实时运行转速与标准转速范围进行比对，将实时运行转速未在标准转速范围内的间隔时段标定为异常间隔时段；

异常间隔时段的数量比对间隔时段的数量得到卷绕辊在运行监测时段内的单次异常运行时长占比；

重复操作，得到若干组与数据采集次数相同次数的单次异常运行时长占比；

若干组单次异常运行时长占比相加求和除以数据采集次数得到卷绕辊的异常运行时长；

若异常运行时长占比超过预设时长占比阈值，则生成运行异常信号，若异常运行时长占比未超过预设时长占比阈值，则生成运行正常信号。

进一步地，所述运行监测模块将运行正常信号或运行异常信号反馈至服务器；

若服务器接收到运行正常信号，则不进行任何操作；

若服务器接收到运行异常信号，则生成警报指令加载至警报模块，警报接收到警报指令后发出警报声。

与现有技术相比，本发明的有益效果是：

本发明通过硬件分析模块对卷绕辊进行硬件分析，得到卷绕辊的硬件分析值发送至预测分级模块，利用预测分级模块对卷绕辊进行预测分级，得到卷绕辊的数据采集次数，结合数据采集次数，通过图像摘取模块对卷绕辊各个视角的图片方格进行摘取，得到卷绕辊中同一视角下的实时图片格和标准图片格发送至异常判定模块，异常判定模块对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定，生成判定通过信号或判定未过信号；

本发明首先通过卷绕辊的硬件情况设定相适配的故障预测力度，并在故障预测力度下对卷绕辊的运行、表面情况进行异常判定。

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为本发明的整体系统框图；

图2为本发明中存储模块的系统框图。

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做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。

实施例一

请参阅图1-图2所示，提出一种基于大数据的生产线用卷绕辊运行监测系统，包括数据采集模块、运行监测模块、存储模块、图像摘取模块、异常判定模块、警报模块、预测分级模块、硬件分析模块以及服务器；

在本实施例中，服务器内置有存储模块，所述存储模块用于存储卷绕辊的硬件数据、标准运行数据和标准图像数据；

需要进一步说明的是，硬件数据为卷绕辊的出厂时间、故障次数以及每次故障的故障时间等；标准运行数据为卷绕辊的标准转速范围；标准图像数据为卷绕辊各个视角的标准图像；其中，标准图像为卷绕辊的六组视角图，即为标准正视图、标准左视图、标准左视图、标准右视图、标准俯视图和标准仰视图，标准图像可以为卷绕辊未使用前的图像，即没有沾染任何污垢杂质的卷绕辊；

首先，统一将卷绕辊标记为u，u=1，2，……，z，z为正整数；

所述硬件分析模块用于对卷绕辊进行硬件分析，硬件分析过程具体如下：

获取卷绕辊的出厂时间和服务器的当前时间，当前时间减去出厂时间得到卷绕辊的使用时长TSu；而后获取卷绕辊在使用时长内的故障次数，并将故障次数标记为GCu；获取卷绕辊每次故障的故障时间，计算相邻故障时间的时间差值得到卷绕辊的若干组故障间隔时长，若干组故障间隔时长相加求和取平均值得到卷绕辊的平均间隔时长TJGu；通过公式YFu=（TSu×a1+GCu×a2）/TJGu计算得到卷绕辊的硬件分析值YFu；式中，a1和a2均为固定数值的比例系数，且a1和a2的取值均大于零，只要比例系数不影响参数与量化后数值的比例关系即可；

所述硬件分析模块将卷绕辊的硬件分析值YFu反馈至服务器，所述服务器将卷绕辊的硬件分析值YFu发送至预测分级模块，所述预测分级模块用于对卷绕辊进行预测分级，工作过程具体如下：

获取上述计算得到卷绕辊的硬件分析值YFu；将卷绕辊的硬件分析值与硬件分析阈值进行比对；若YFu＜X1，则卷绕辊的硬件等级为第三硬件等级；若X1≤YFu＜X2，则卷绕辊的硬件等级为第二硬件等级；若X2≤YFu，则卷绕辊的硬件等级为第一硬件等级；其中，X1和X2均为固定数值的硬件分析阈值，且X1＜X2；可理解的是，第一硬件等级的级别高于第二硬件等级的级别，第二硬件等级的级别高于第三硬件等级的级别；

所述预测分级模块将卷绕辊的硬件等级反馈至服务器，服务器依据硬件等级为卷绕辊设定相应的数据采集次数，具体为：

若为第一硬件等级，则为卷绕辊设定Y1次的数据采集次数；

若为第二硬件等级，则为卷绕辊设定Y2次的数据采集次数；

若为第三硬件等级，则为卷绕辊设定Y3次的数据采集次数；其中，Y1、Y2和Y3均为固定数值的正整数，且Y1＜Y2＜Y3；

所述服务器将卷绕辊的数据采集次数发送至数据采集模块，在不考虑光照、灯光等因素的情况下（即多次采集保证在完全相同的条件下进行操作），数据采集模块按照对应数据采集次数采集物料经卷绕辊的输送长度和实时图像数据，并将输送长度和实时图像数据发送至服务器，所述服务器将输送长度发送至运行监测模块，所述服务器将实时图像数据发送至图像摘取模块；

需要具体说明的是，实时图像数据为卷绕辊各个视角的实时图像；

所述运行监测模块用于对卷绕辊进行运行监测，运行监测过程具体如下：

设定卷绕辊的运行监测时段，并将运行监测时段内设定若干个时间点Tut，t=1，2，……，x，x为正整数，t代表时间点的编号；将相邻时间点的间距时长标定为间隔时段，获取在间隔时段内物料经卷绕辊的输送长度，输送长度比对间隔时段的时长得到卷绕辊在间隔时段内实时运行转速；将卷绕辊在各个间隔时段的实时运行转速与标准转速范围进行比对，将实时运行转速未在标准转速范围内的间隔时段标定为异常间隔时段；异常间隔时段的数量比对间隔时段的数量得到卷绕辊在运行监测时段内的单次异常运行时长占比；重复以上步骤，得到若干组与数据采集次数相同次数的单次异常运行时长占比；若干组单次异常运行时长占比相加求和除以数据采集次数得到卷绕辊的异常运行时长；若异常运行时长占比超过预设时长占比阈值，则生成运行异常信号；若异常运行时长占比未超过预设时长占比阈值，则生成运行正常信号；所述运行监测模块将运行正常信号或运行异常信号反馈至服务器；

例如：在时间点Tu1至时间点Tu2的间隔时段内，物料经卷绕辊的输送长度为CD，则利用公式ZS_Tu2-Tu1=CD/（Tu2-Tu1）得到卷绕辊在间隔时段内的实时运行转速ZS_Tu2-Tu1；

若服务器接收到运行正常信号，则不进行任何操作；若服务器接收到运行异常信号，则生成警报指令加载至警报模块，警报接收到警报指令后发出警报声；在具体实施时，警报模块为设置在卷绕辊两端上的声光警报器等；

所述图像摘取模块用于对卷绕辊各个视角的图片方格进行摘取，摘取过程具体如下：

获取卷绕辊各个视角的实时图像，得到卷绕辊的六组视角图，六组视角图即为实时正视图、实时左视图、实时左视图、实时右视图、实时俯视图和实时仰视图；以六组视角图的左上角为坐标系原点，将六组视角图划分为若干个实时图片方格，实时图片方格左上角即为实时图片方格的位置坐标；同理，依据卷绕辊各个视角的标准图像，得到若干个标准图片方格，标准图品方格左上角即为标准图片方格的位置坐标；选择相同视角得实时图像和标准图像，并输入相同位置坐标得到卷绕辊中同一视角下的实时图片格和标准图片格；

所述图像摘取模块将卷绕辊中同一视角下的实时图片格和标准图片格反馈至服务器，所述服务器将卷绕辊中同一视角下的实时图片格和标准图片格发送至异常判定模块；所述异常判定模块用于对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定，判定过程具体如下：

获取上述得到的卷绕辊中同一视角下的实时图片格和标准图片格；将实时图片格与标准图片格进行比对，即提取比对实时图片格和标准图片格中不同颜色的像素点；首先统计实时图片格和标准图片中像素点颜色的数量，若颜色数量相同，则比对所有颜色的像素点数量；若任一颜色的像素点数量不相同，且任一颜色像素点数量的差值超过设定阈值，则生成判定未过信号；若所有颜色的像素点数量均相同，且所有颜色像素点数量的差值未超过设定阈值，则进入下一步骤；通过图像摘取模块获取另外一次故障检测时卷绕辊中同一视角下的实时图片格和标准图片格，按照上述步骤进行操作，若生成判定通过信号则表明异常判定正确，判定通过信号反馈至服务器，若生成判定未过信号则重新对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定；

所述异常判定模块将判定通过信号或判定未过信号反馈至服务器；若服务器接收到判定通过信号，则不进行任何操作；若服务器接收到判定未过信号，则生成警报指令加载至警报模块，警报接收到警报指令后发出警报声；

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，权重系数和比例系数的大小是为了将各个参数进行量化得到的一个具体的数值，便于后续比较，关于权重系数和比例系数的大小，只要不影响参数与量化后数值的比例关系即可。

实施例二

基于同一发明的又一构思，现提出一种基于大数据的生产线用卷绕辊运行监测系统的工作方法，工作方法具体如下：

步骤S101，首先将卷绕辊标记为u，通过硬件分析模块对卷绕辊进行硬件分析，获取卷绕辊的出厂时间和服务器的当前时间，当前时间减去出厂时间得到卷绕辊的使用时长TSu，而后获取卷绕辊在使用时长内的故障次数GCu，最后获取卷绕辊每次故障的故障时间，计算相邻故障时间的时间差值得到卷绕辊的若干组故障间隔时长，若干组故障间隔时长相加求和取平均值得到卷绕辊的平均间隔时长TJGu，通过公式YFu=（TSu×a1+GCu×a2）/TJGu计算得到卷绕辊的硬件分析值YFu，硬件分析模块将卷绕辊的硬件分析值YFu反馈至服务器，服务器将卷绕辊的硬件分析值YFu发送至预测分级模块；

步骤S102，通过预测分级模块对卷绕辊进行预测分级，获取卷绕辊的硬件分析值YFu，将卷绕辊的硬件分析值与硬件分析阈值进行比对，若YFu＜X1，则卷绕辊的硬件等级为第三硬件等级，若X1≤YFu＜X2，则卷绕辊的硬件等级为第二硬件等级，若X2≤YFu，则卷绕辊的硬件等级为第一硬件等级，预测分级模块将卷绕辊的硬件等级反馈至服务器，服务器依据硬件等级为卷绕辊设定相应的数据采集次数，服务器将卷绕辊的数据采集次数发送至数据采集模块，数据采集模块按照对应数据采集次数采集物料经卷绕辊的输送长度和实时图像数据，并将输送长度和实时图像数据发送至服务器，服务器将输送长度发送至运行监测模块，服务器将实时图像数据发送至图像摘取模块；

步骤S103，利用运行监测模块对卷绕辊进行运行监测，设定卷绕辊的运行监测时段，并将运行监测时段内设定若干个时间点Tut，将相邻时间点的间距时长标定为间隔时段，获取在间隔时段内物料经卷绕辊的输送长度，输送长度比对间隔时段的时长得到卷绕辊在间隔时段内实时运行转速，将卷绕辊在各个间隔时段的实时运行转速与标准转速范围进行比对，将实时运行转速未在标准转速范围内的间隔时段标定为异常间隔时段，异常间隔时段的数量比对间隔时段的数量得到卷绕辊在运行监测时段内的单次异常运行时长占比，重复操作得到若干组与数据采集次数相同次数的单次异常运行时长占比，若干组单次异常运行时长占比相加求和除以数据采集次数得到卷绕辊的异常运行时长，若异常运行时长占比超过预设时长占比阈值，则生成运行异常信号，若异常运行时长占比未超过预设时长占比阈值，则生成运行正常信号，运行监测模块将运行正常信号或运行异常信号反馈至服务器，若服务器接收到运行正常信号，则不进行任何操作，若服务器接收到运行异常信号，则生成警报指令加载至警报模块，警报接收到警报指令后发出警报声；

步骤S104，通过图像摘取模块对卷绕辊各个视角的图片方格进行摘取，获取卷绕辊各个视角的实时图像，得到卷绕辊的六组视角图，六组视角图即为实时正视图、实时左视图、实时左视图、实时右视图、实时俯视图和实时仰视图，以六组视角图的左上角为坐标系原点，将六组视角图划分为若干个实时图片方格，实时图片方格左上角即为实时图片方格的位置坐标，同理，依据卷绕辊各个视角的标准图像，得到若干个标准图片方格，标准图品方格左上角即为标准图片方格的位置坐标，选择相同视角得实时图像和标准图像，并输入相同位置坐标得到卷绕辊中同一视角下的实时图片格和标准图片格，图像摘取模块将卷绕辊中同一视角下的实时图片格和标准图片格反馈至服务器，服务器将卷绕辊中同一视角下的实时图片格和标准图片格发送至异常判定模块；

步骤S105，通过异常判定模块对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定，获取卷绕辊中同一视角下的实时图片格和标准图片格，将实时图片格与标准图片格进行比对，即提取比对实时图片格和标准图片格中不同颜色的像素点，统计实时图片格和标准图片中像素点颜色的数量，若颜色数量相同，则比对所有颜色的像素点数量，若任一颜色的像素点数量不相同，且任一颜色像素点数量的差值超过设定阈值，则生成判定未过信号，若所有颜色的像素点数量均相同，且所有颜色像素点数量的差值未超过设定阈值，则再通过图像摘取模块再次获取另外一次故障检测时卷绕辊中同一视角下的实时图片格和标准图片格，重新操作，若生成判定通过信号则表明异常判定正确，判定通过信号反馈至服务器，若生成判定未过信号则重新对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定，异常判定模块将判定通过信号或判定未过信号反馈至服务器，若服务器接收到判定通过信号，则不进行任何操作，若服务器接收到判定未过信号，则生成警报指令加载至警报模块，警报接收到警报指令后发出警报声。

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 (10)

1.一种基于大数据的生产线用卷绕辊运行监测系统，包括服务器，其特征在于，所述服务器连接有数据采集模块、运行监测模块、存储模块、图像摘取模块、异常判定模块、警报模块、预测分级模块和硬件分析模块，所述存储模块用于存储卷绕辊的硬件数据、标准运行数据和标准图像数据；所述硬件分析模块用于对卷绕辊进行硬件分析，得到卷绕辊的硬件分析值反馈至服务器，所述服务器将卷绕辊的硬件分析值发送至预测分级模块；所述预测分级模块用于对卷绕辊进行预测分级，得到卷绕辊的硬件等级反馈至服务器，服务器依据硬件等级为卷绕辊设定相应的数据采集次数并发送至数据采集模块，数据采集模块按照对应数据采集次数采集物料经卷绕辊的输送长度和实时图像数据，并将输送长度和实时图像数据发送至服务器，所述服务器将输送长度发送至运行监测模块，所述服务器将实时图像数据发送至图像摘取模块；所述运行监测模块用于对卷绕辊进行运行监测，生成运行正常信号或运行异常信号反馈至服务器；所述图像摘取模块用于对卷绕辊各个视角的图片方格进行摘取，得到卷绕辊中同一视角下的实时图片格和标准图片格反馈至服务器，所述服务器将卷绕辊中同一视角下的实时图片格和标准图片格发送至异常判定模块；所述异常判定模块用于对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定，生成判定通过信号或判定未过信号。

2.根据权利要求1所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，所述预测分级模块的工作过程具体如下：获取卷绕辊的硬件分析值；将卷绕辊的硬件分析值与硬件分析阈值进行比对，将卷绕辊的硬件等级为第三硬件等级、第二硬件等级或第一硬件等级；其中，第一硬件等级的级别高于第二硬件等级的级别，第二硬件等级的级别高于第三硬件等级的级别。

3.根据权利要求2所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，数据采集次数的设定过程具体如下：若为第一硬件等级，则为卷绕辊设定Y1次的数据采集次数；若为第二硬件等级，则为卷绕辊设定Y2次的数据采集次数；若为第三硬件等级，则为卷绕辊设定Y3次的数据采集次数；其中，Y1、Y2和Y3均为固定数值的正整数，且Y1＜Y2＜Y3。

4.根据权利要求1所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，所述硬件分析模块的硬件分析过程具体如下：获取卷绕辊的出厂时间和服务器的当前时间，当前时间减去出厂时间得到卷绕辊的使用时长；获取卷绕辊在使用时长内的故障次数；而后获取卷绕辊每次故障的故障时间，计算相邻故障时间的时间差值得到卷绕辊的若干组故障间隔时长，若干组故障间隔时长相加求和取平均值得到卷绕辊的平均间隔时长；计算卷绕辊的硬件分析值。

5.根据权利要求1所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，所述图像摘取模块的摘取过程具体如下：获取卷绕辊各个视角的实时图像，得到卷绕辊的六组视角图，六组视角图即为实时正视图、实时左视图、实时左视图、实时右视图、实时俯视图和实时仰视图；以六组视角图的左上角为坐标系原点，将六组视角图划分为若干个实时图片方格，实时图片方格左上角即为实时图片方格的位置坐标；同理，依据卷绕辊各个视角的标准图像，得到若干个标准图片方格，标准图品方格左上角即为标准图片方格的位置坐标；选择相同视角得实时图像和标准图像，并输入相同位置坐标得到卷绕辊中同一视角下的实时图片格和标准图片格。

6.根据权利要求1所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，所述异常判定模块的判定过程具体如下：获取卷绕辊中同一视角下的实时图片格和标准图片格；将实时图片格与标准图片格进行比对，即提取比对实时图片格和标准图片格中不同颜色的像素点；首先统计实时图片格和标准图片中像素点颜色的数量，若颜色数量相同，则比对所有颜色的像素点数量；若任一颜色的像素点数量不相同，且任一颜色像素点数量的差值超过设定阈值，则生成判定未过信号；若所有颜色的像素点数量均相同，且所有颜色像素点数量的差值未超过设定阈值，则通过图像摘取模块获取另外一次故障检测时卷绕辊中同一视角下的实时图片格和标准图片格，按照以上步骤重复操作，若生成判定通过信号则表明异常判定正确，判定通过信号反馈至服务器，若生成判定未过信号则重新对卷绕辊中同一视角下的实时图片格和标准图片格进行异常判定。

7.根据权利要求6所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，所述异常判定模块将判定通过信号或判定未过信号反馈至服务器；若服务器接收到判定通过信号，则不进行任何操作；若服务器接收到判定未过信号，则生成警报指令加载至警报模块，警报接收到警报指令后发出警报声。

8.根据权利要求1所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，硬件数据为卷绕辊的出厂时间、故障次数以及每次故障的故障时间；标准运行数据为卷绕辊的标准转速范围；标准图像数据为卷绕辊各个视角的标准图像，标准图像为卷绕辊的六组视角图，即为标准正视图、标准左视图、标准左视图、标准右视图、标准俯视图和标准仰视图；实时图像数据为卷绕辊各个视角的实时图像。

9.根据权利要求1所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，所述运行监测模块用于对卷绕辊进行运行监测，运行监测过程具体如下：设定卷绕辊的运行监测时段，并将运行监测时段内设定若干个时间点；将相邻时间点的间距时长标定为间隔时段，获取在间隔时段内物料经卷绕辊的输送长度，输送长度比对间隔时段的时长得到卷绕辊在间隔时段内实时运行转速；将卷绕辊在各个间隔时段的实时运行转速与标准转速范围进行比对，将实时运行转速未在标准转速范围内的间隔时段标定为异常间隔时段；异常间隔时段的数量比对间隔时段的数量得到卷绕辊在运行监测时段内的单次异常运行时长占比；重复操作，得到若干组与数据采集次数相同次数的单次异常运行时长占比；若干组单次异常运行时长占比相加求和除以数据采集次数得到卷绕辊的异常运行时长；若异常运行时长占比超过预设时长占比阈值，则生成运行异常信号，若异常运行时长占比未超过预设时长占比阈值，则生成运行正常信号。

10.根据权利要求9所述的一种基于大数据的生产线用卷绕辊运行监测系统，其特征在于，所述运行监测模块将运行正常信号或运行异常信号反馈至服务器；若服务器接收到运行正常信号，则不进行任何操作；若服务器接收到运行异常信号，则生成警报指令加载至警报模块，警报接收到警报指令后发出警报声。

Images