CN116340875A - 一种基于数据分析的粗纱机运行故障预测系统 - Google Patents
一种基于数据分析的粗纱机运行故障预测系统 Download PDFInfo
- Publication number
- CN116340875A CN116340875A CN202310617583.1A CN202310617583A CN116340875A CN 116340875 A CN116340875 A CN 116340875A CN 202310617583 A CN202310617583 A CN 202310617583A CN 116340875 A CN116340875 A CN 116340875A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- module
- time
- voltage
- 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.)
- Granted
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 23
- 230000003993 interaction Effects 0.000 claims abstract description 8
- 238000013500 data storage Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 50
- 230000015654 memory Effects 0.000 claims description 39
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000005856 abnormality Effects 0.000 claims description 5
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 101150012763 endA gene Proteins 0.000 claims 1
- 238000004804 winding Methods 0.000 description 8
- 238000000034 method Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005316 response function Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000010985 leather Substances 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 235000002918 Fraxinus excelsior Nutrition 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 239000002956 ash Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000002087 whitening effect Effects 0.000 description 1
Images
Classifications
-
- D—TEXTILES; PAPER
- D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
- D01H—SPINNING OR TWISTING
- D01H13/00—Other common constructional features, details or accessories
- D01H13/32—Counting, measuring, recording or registering devices
-
- D—TEXTILES; PAPER
- D01—NATURAL OR MAN-MADE THREADS OR FIBRES; SPINNING
- D01H—SPINNING OR TWISTING
- D01H13/00—Other common constructional features, details or accessories
- D01H13/14—Warning or safety devices, e.g. automatic fault detectors, stop motions ; Monitoring the entanglement of slivers in drafting arrangements
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Textile Engineering (AREA)
- Mechanical Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Pure & Applied Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及运行故障预测技术领域，且公开了一种基于数据分析的粗纱机运行故障预测系统，包括数据采集模块、数据预处理模块、数据存储模块、数据分析模块、故障预测模块以及人机交互模块，通过设有数据分析模块与故障预测模块，有利于通过对电磁离合器的电压、电流、线圈温度以及粗纱的波谱图进行数据分析，建立层级预测模型与灰色预测模型，并对波谱图进行改进，找出隐波去除假波，能够依据预测结果及时对机器设备的电压、电流、线圈温度情况进行排查与维护，防止卷绕系统突发故障影响生产进度，减少损失，保证粗纱机的有效运行，同时保障了粗纱的质量，延长机器设备的使用寿命。
Description
技术领域
本发明涉及运行故障预测技术领域，更具体地涉及一种基于数据分析的粗纱机运行故障预测系统。
背景技术
粗纱的质量直接影响到细纱的质量，因此粗纱质量在纺纱质量控制中非常重要，原料、工艺以及设备的不良都会影响到粗纱的质量，其中设备状态不良是造成粗纱纱疵的主要因素，因此对粗纱机设备的故障进行预测十分重要，粗纱机的卷绕系统又是粗纱机运行过程中十分重要的系统。
现有的对粗纱机的运行故障进行检测大多为事后检测，以粗纱的产品质量来判断粗纱机是否发生故障，进而对设备进行检测维修来保证粗纱的质量，无法针对卷绕系统进行单独的故障预测，同时事后故障检测无法做到提前预防，无法对粗纱机卷绕系统进行提前维护与保养，故障发生后再对机器设备的卷绕系统进行维修会给粗纱的生产增加难度，在短时间内及时找到卷绕系统的故障原因也存在一定的难度，因此在查找故障原因的过程中会浪费人力物力以及时间，而对粗纱机卷绕系统运行故障进行预测能够及时地机器设备进行维护，减少此类事件发生。
发明内容
为了克服现有技术的上述缺陷，本发明提供了一种基于数据分析的粗纱机运行故障预测系统，以解决上述背景技术中存在的问题。
本发明提供如下技术方案：一种基于数据分析的粗纱机运行故障预测系统，包括：
数据采集模块：用于通过设备采集终端采集预定实时参数；
数据预处理模块：用于对数据采集模块采集的预定实时参数进行预处理得到预处理数据，并将预处理数据传输至数据分析模块；
数据存储模块：用于存储数据采集模块采集的预定实时参数与数据预处理模块的预处理数据；
数据分析模块：用于对数据预处理模块预处理后的数据进行分析计算，所述数据分析模块包括电压分析单元、电流分析单元、线圈温度分析单元，以及波谱图分析单元；
故障预测模块：根据数据分析模块的分析结果对粗纱机的故障进行预测，所述故障预测模块包括电压故障预测单元、电流故障预测单元、线圈温度预测单元，以及波谱图预测单元；
人机交互模块：用于将故障预测模块的数据结果通过文字终端进行显示；
其中，所述预定实时参数为电磁离合器的实时电压数据、电磁离合器的实时电流数据、电磁离合器的实时线圈温度以及粗纱的波谱图。
优选的，所述电压分析单元用于对电磁离合器的电压数据进行统计，分析其波动程度并基于Attention机制建立第一层级预测模型，所述电流分析单元用于对电磁离合器的电流数据进行统计并分析其波动程度，同样基于Attention机制建立第二层级预测模型，所述线圈温度分析单元用于对电磁离合器的线圈温度数据进行统计，分析其波动程度并建立灰色预测模型，所述波谱图分析单元用于对每次生产的粗纱波谱图进行分析，通过隐波计算公式与假波计算公式计算得出隐波同时去除假波，得到新的波谱图。
优选的，所述电压故障预测单元通过电压分析单元建立的第一层级预测模型对下一次电压发生异常的时间点进行预测，所述电流故障预测单元通过电流分析单元建立的第二层级预测模型对下一次电流发生异常的时间点进行预测，所述线圈温度预测单元通过线圈温度分析单元建立的灰色预测模型对下一次线圈温度异常的时间点进行预测，所述波谱图预测单元通过对新的波谱图进行异常峰值分析，利用ARIMA模型对下一次异常峰值进行预测。
优选的，所述第一层级预测模型与所述第二层级预测模型均包括输入层、Attention机制层、神经网络层以及输出层，所述神经网络层包括记忆单元与更新单元，通过记忆公式计算记忆单元的记忆值，通过记忆控制公式实现更新单元的长期记忆功能，通过隐藏状态公式计算出记忆单元与更新单元中隐藏状态信息的最终值。
优选的，所述记忆公式为：
，其中，jt为记忆单元的记忆门，Wj为记忆单元的权重矩阵，bj为记忆单元的偏置，所述记忆控制公式为：
，其中，kt为更新单元的更新门，Wk为更新单元的权重矩阵，bk为更新单元的偏置，所述隐藏状态公式为：/>
，其中，/>
，其中，Wy为隐藏状态的权重矩阵，by为隐藏状态的偏置，Xt表示t时刻的输入，yt表示t时刻记忆单元与更新单元的隐藏状态，yt-1表示t-1时刻记忆单元与更新单元的隐藏状态。
优选的，所述隐波计算公式为：
，其中，λ1为隐波机械波长，d为输出机件直径，i为振动罗拉至输出罗拉转动比，z为振动罗拉轴头齿轮齿数。
优选的，所述假波计算公式为：
，其中，λ2为假波机械波长，Tt为粗纱号数制捻度。
优选的，所述电压故障预测单元与电流故障预测单元均通过层级预测模型对下一次电压与电流发生异常的时间点进行预测包括以下步骤：
步骤S11：通过CEEMDAN算法对时间序列进行信号分解，将分解后的信号作为神经网络层的输入特征，在t时刻中的输入序列表示为
；
步骤S12：将Xt作为神经网络层的输入序列，利用公式
计算神经网络层第i个输出的隐藏状态yi，其中，yi为t时刻中第i个神经网络层的隐藏状态，yt为最终在t时刻的神经网络层的隐藏状态；
步骤S13：将神经网络层输出的隐藏状态yt作为Attention机制层的输入，通过得分公式计算得出每个隐层单元的得分si，归一化后的得分gi以及最终输出ai；
步骤S14：输出预测结果：选择sigmoid函数作为激活全连接层的函数，输出t时刻的最终预测值Yt。
本发明的技术效果和优点：
本发明通过设有数据分析模块与故障预测模块，有利于通过对电磁离合器的电压、电流、线圈温度以及粗纱的波谱图进行数据分析，建立第一层级预测模型、第二层级预测模型以及灰色预测模型，并对波谱图进行改进，找出隐波去除假波，再分别根据电压、电流、线圈温度以及波谱图的数据进行故障预测，能够依据预测结果及时对机器设备的电压、电流、线圈温度情况进行排查与维护，防止卷绕系统突发故障影响生产进度，减少损失，保证粗纱机的有效运行，同时保障了粗纱的质量，延长机器设备的使用寿命。
附图说明
图1为本发明的基于数据分析的粗纱机运行故障预测系统结构图。
图2为本发明的基于数据分析的粗纱机运行故障预测系统的数据分析模块结构图。
图3为本发明的基于数据分析的粗纱机运行故障预测系统的故障预测模块结构图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，另外，在以下的实施方式中记载的各结构的形态只不过是例示，本发明所涉及的一种基于数据分析的粗纱机运行故障预测系统并不限定于在以下的实施方式中记载的各结构，在本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施方式都属于本发明保护的范围。
本发明提供了一种基于数据分析的粗纱机运行故障预测系统，包括数据采集模块、数据预处理模块、数据存储模块、数据分析模块、故障预测模块以及人机交互模块；
所述数据采集模块将采集的数据传输至数据预处理模块，所述数据预处理模块对数据进行预处理后传输于数据存储模块进行储存，所述数据存储模块将数据传输至数据分析模块进行分析，所述数据分析模块将电压数据传输至电压分析单元，将电流数据传输至电流分析单元，将温度数据传输至线圈温度分析单元，将波谱图数据传输至波谱图分析单元，所述数据分析模块将分析后的数据传输至故障预测模块，所述故障预测模块根据数据进行故障预测并将预测数据传输至人机交互模块；
所述数据采集模块用于通过设备采集终端采集预定实时参数，所述预定实时参数包括电磁离合器的实时电压数据、电磁离合器的实时电流数据、电磁离合器的实时线圈温度以及粗纱的波谱图，所述实时电压数据、实时电流数据以及实时线圈温度包括电压数值、与电压数值所对应的时间、电流数值、与电流数值所对应的时间、线圈温度数值以及与线圈温度数值所对应的时间；
所述数据预处理模块用于对数据采集模块采集的预定实时参数进行预处理得到预处理数据，并将预处理数据传输至数据分析模块；
所述数据存储模块用于存储数据采集模块采集的预定实时参数与数据预处理模块的预处理数据；
所述数据分析模块用于对数据预处理模块的预处理数据进行分析计算，所述数据分析模块包括电压分析单元、电流分析单元、线圈温度分析单元以及波谱图分析单元，所述电压分析单元用于对电磁离合器的电压数据进行统计，分析其波动程度并基于Attention机制建立第一层级预测模型，所述电流分析单元用于对电磁离合器的电流数据进行统计并分析其波动程度，基于Attention机制建立第一层级预测模型，所述线圈温度分析单元用于对电磁离合器的线圈温度数据进行统计，分析其波动程度并建立灰色预测模型，所述电压分析单元与电流分析单元通过将实时的电压与电流数值形成折线图，通过分析各数值之间的差值作为波动幅度来分析电压与电流的波动程度，所述波谱图分析单元用于对每次生产的粗纱波谱图进行分析，通过隐波计算公式与假波计算公式计算得出隐波同时去除假波，得到新的波谱图；
所述故障预测模块用于根据数据分析模块的分析结果对粗纱机的故障进行预测，所述故障预测模块包括电压故障预测单元、电流故障预测单元、线圈温度预测单元以及波谱图预测单元，所述电压故障预测单元通过电压分析单元建立的第一层级预测模型对下一次电压发生异常的时间点进行预测，所述电流故障预测单元通过电流分析单元建立的第二层级预测模型对下一次电流发生异常的时间点进行预测，所述线圈温度预测单元通过线圈温度分析单元建立的灰色预测模型对下一次线圈温度异常的时间点进行预测，所述波谱图预测单元通过对新的波谱图进行异常峰值分析，利用ARIMA模型对下一次异常峰值进行预测，所述波谱图预测单元通过新的波谱图异常峰值的数值作为判断故障原因的参考依据，以此来对异常峰值进行分析，异常峰值4cm处对应的是粗纱机搓波板驱动轴或筒子卷绕中心轴承故障；5cm处对应的是皮圈故障、气泡转动不灵活故障；7~10cm处对应的是前罗拉磨损、皮辊凹伤故障；8cm处对应的是小托板罗拉或轴承故障；9cm处对应的是搓条板和传动轴之间的张力不适合、皮辊磨损、前罗拉轴承损坏故障……；
所述人机交互模块用于将故障预测模块的数据结果进行人机交互。
本实施例中，需要具体说明的是，所述第一层级预测模型与第二层级预测模型均包括输入层、Attention机制层、神经网络层以及输出层，所述神经网络层包括记忆单元与更新单元，通过记忆公式计算记忆单元的记忆值，通过记忆控制公式实现更新单元的长期记忆功能，通过隐藏状态公式计算出记忆单元与更新单元中隐藏状态信息的最终值。
本实施例中，需要具体说明的是，所述记忆公式为：
，其中，jt为记忆单元的记忆门，Wj为记忆单元的权重矩阵，bj为记忆单元的偏置，所述记忆控制公式为：/>
，其中，kt为更新单元的更新门，Wk为更新单元的权重矩阵，bk为更新单元的偏置，所述隐藏状态公式为：/>
，其中，
，其中，Wy为隐藏状态的权重矩阵，by为隐藏状态的偏置，Xt表示t时刻的输入，yt表示t时刻记忆单元与更新单元的隐藏状态，yt-1表示t-1时刻记忆单元与更新单元的隐藏状态。
本实施例中，需要具体说明的是，所述灰色预测模型的建立包括以下步骤：
步骤S01：将原始数据数列记为
，并对原始数据数列做一次累加，形成新的数据数列x(1)，即/>
，其中，/>
，则GM（1，1）的白化形式方程为：/>
，其中，a为发展灰数，u为内生控制系数；
步骤S02：构造向量Yn和矩阵B，则
，/>
，将待估的参数向量标记为β，则/>
，利用最小二乘法求解参数β，则/>
；
步骤S03：利用响应函数公式求解GM（1，1）模型方程，得出相应时间的响应函数，所述响应函数公式为：
；
步骤S04：通过对步骤S01中一次累加生成的数据列的预测值做累减还原，从而得到原始数据x(0)的灰色预测模型，所述原始数据x(0)的灰色预测模型数据表达式为：
，其中，t=1，2，3……n，且x(0)=0；
步骤S05：利用残差计算公式与相对误差计算公式对模型进行检验，所述残差计算公式为：
，其中，/>
为通过步骤04中灰色预测模型数据表达式计算得出的预测值，所述相对误差计算公式为：/>
。
本实施例中，需要具体说明的是，所述隐波计算公式为：
，其中，λ1为隐波的机械波长，d为输出机件直径，即粗纱机机件直径，i为振动罗拉至输出罗拉转动比，z为振动罗拉轴头齿轮齿数。
本实施例中，需要具体说明的是，所述假波计算公式为：
，其中，λ2为假波的机械波长，Tt为粗纱号数制捻度。
本实施例中，需要具体说明的是，所述电压故障预测单元通过电压分析单元建立的第一层级预测模型对下一次电压发生异常的时间点进行预测包括以下步骤：
步骤S11：通过CEEMDAN算法对时间序列进行信号分解，将分解后的信号作为神经网络层的输入特征，在t时刻中的输入序列表示为
；
步骤S12：将Xt作为神经网络层的输入序列，利用公式
计算神经网络层第i个输出的隐藏状态yi，其中，yi为t时刻中第i个神经网络层的隐藏状态，yt为最终在t时刻的神经网络层的隐藏状态；
步骤S13：将神经网络层输出的隐藏状态yt作为Attention机制层的输入，通过得分公式计算得出每个隐层单元的得分si，归一化后的得分gi以及最终输出ai；
所述得分公式为：
，其中，W为权重系数，b为偏置系数，yi为神经网络层中t时刻输出的第i个隐藏单元状态值；
步骤S14：输出预测结果：选择sigmoid函数作为激活全连接层的函数，输出t时刻的最终预测值Yt；
所述sigmoid函数公式为：
。
本实施例中，需要具体说明的是，所述电流故障预测单元通过电流分析单元建立的第二层级预测模型对下一次电流发生异常的时间点进行预测与所述电压故障预测单元通过电压分析单元建立的第一层级预测模型对下一次电压发生异常的时间点进行预测的步骤相同，在此不做赘述。
本实施例中，需要具体说明的是，所述故障预测模块的数据结果包括电磁离合器的电压值异常时间、电磁离合器的电流异常时间、线圈温度异常时间以及波谱图出现异常的峰值点。
本实施例中，需要具体说明的是，一种基于数据分析的粗纱机运行故障预测的方法，用于实现一种基于数据分析的粗纱机运行故障预测系统，包括以下步骤：
步骤S21：通过设备采集终端采集预定实时参数；
步骤S22：对步骤S21中采集的预定实时参数进行预处理；
步骤S23：对步骤S22中预处理后的数据进行分析计算：对电磁离合器的电压数据进行统计，分析其波动程度并基于Attention机制建立第一层级预测模型，对电磁离合器的电流数据进行统计并分析其波动程度，基于Attention机制建立第二层级预测模型，对电磁离合器的线圈温度数据进行统计，分析其波动程度并建立灰色预测模型，对每次生产的粗纱波谱图进行分析，通过隐波计算公式与假波计算公式计算得出隐波同时去除假波，得到新的波谱图；
步骤S24：根据步骤S23中的分析结果对粗纱机的故障进行预测：通过第一层级预测模型与第二层级预测模型对下一次电压与电流发生异常的时间点进行预测，通过灰色预测模型对下一次线圈温度异常的时间点进行预测，通过对新的波谱图进行异常峰值分析，利用ARIMA模型对下一次异常峰值进行预测；
步骤S25：将步骤S24中的数据结果进行人机交互。
本实施例中，需要具体说明的是，本实施与现有技术的区别主要在于本实施例具备数据分析模块与故障预测模块，通过对电磁离合器的电压、电流、线圈温度以及粗纱的波谱图进行数据分析，建立第一层级预测模型、第二层级预测模型以及灰色预测模型，并对波谱图进行改进，找出隐波去除假波，再分别根据电压、电流、线圈温度以及波谱图的数据进行故障预测，能够依据预测结果及时对机器设备的电压、电流、线圈温度情况进行排查与维护，防止卷绕系统突发故障影响生产进度，减少损失，保证粗纱机的有效运行，同时保障了粗纱的质量，延长机器设备的使用寿命。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于数据分析的粗纱机运行故障预测系统，其特征在于：包括：
数据采集模块：用于通过设备采集终端采集预定实时参数；
数据预处理模块：用于对数据采集模块采集的预定实时参数进行预处理得到预处理数据，并将预处理数据传输至数据分析模块；
数据存储模块：用于存储数据采集模块采集的预定实时参数与数据预处理模块的预处理数据；
数据分析模块：用于对数据预处理模块的预处理数据进行分析计算，所述数据分析模块包括电压分析单元、电流分析单元、线圈温度分析单元，以及波谱图分析单元；
故障预测模块：根据数据分析模块的分析结果对粗纱机的故障进行预测，所述故障预测模块包括电压故障预测单元、电流故障预测单元、线圈温度预测单元，以及波谱图预测单元；
人机交互模块：用于将故障预测模块的数据结果通过文字终端进行显示；
其中，所述预定实时参数为电磁离合器的实时电压数据、电磁离合器的实时电流数据、电磁离合器的实时线圈温度以及粗纱的波谱图。
2.根据权利要求1所述的一种基于数据分析的粗纱机运行故障预测系统，其特征在于：所述电压分析单元用于对电磁离合器的电压数据进行统计，分析其波动程度并基于Attention机制建立第一层级预测模型，所述电流分析单元用于对电磁离合器的电流数据进行统计并分析其波动程度，基于Attention机制建立第二层级预测模型，所述线圈温度分析单元用于对电磁离合器的线圈温度数据进行统计，分析其波动程度并建立灰色预测模型，所述波谱图分析单元用于对每次生产的粗纱波谱图进行分析，通过隐波计算公式与假波计算公式计算得出隐波同时去除假波，得到新的波谱图。
3.根据权利要求1所述的一种基于数据分析的粗纱机运行故障预测系统，其特征在于：所述电压故障预测单元通过电压分析单元建立的第一层级预测模型对下一次电压发生异常的时间点进行预测，所述电流故障预测单元通过电流分析单元建立的第二层级预测模型对下一次电流发生异常的时间点进行预测，所述线圈温度预测单元通过线圈温度分析单元建立的灰色预测模型对下一次线圈温度异常的时间点进行预测，所述波谱图预测单元通过对新的波谱图进行异常峰值分析，利用ARIMA模型对下一次异常峰值进行预测。
4.根据权利要求2所述的一种基于数据分析的粗纱机运行故障预测系统，其特征在于：所述第一层级预测模型与所述第二层级预测模型均包括输入层、Attention机制层、神经网络层以及输出层，所述神经网络层包括记忆单元与更新单元，通过记忆公式计算记忆单元的记忆值，通过记忆控制公式实现更新单元的长期记忆功能，通过隐藏状态公式计算出记忆单元与更新单元中隐藏状态信息的最终值。
5.根据权利要求4所述的一种基于数据分析的粗纱机运行故障预测系统，其特征在于：所述记忆公式为：
，其中，jt为记忆单元的记忆门，Wj为记忆单元的权重矩阵，bj为记忆单元的偏置，所述记忆控制公式为：/>
，其中，kt为更新单元的更新门，Wk为更新单元的权重矩阵，bk为更新单元的偏置，所述隐藏状态公式为：/>
，其中，/>
，其中，Wy为隐藏状态的权重矩阵，by为隐藏状态的偏置，Xt表示t时刻的输入，yt表示t时刻记忆单元与更新单元的隐藏状态，yt-1表示t-1时刻记忆单元与更新单元的隐藏状态。
6.根据权利要求2所述的一种基于数据分析的粗纱机运行故障预测系统，其特征在于：所述隐波计算公式为：
，其中，λ1为隐波机械波长，d为输出机件直径，i为振动罗拉至输出罗拉转动比，z为振动罗拉轴头齿轮齿数。
7.根据权利要求2所述的一种基于数据分析的粗纱机运行故障预测系统，其特征在于：所述假波计算公式为：
，其中，λ2为假波机械波长，Tt为粗纱号数制捻度。
8.根据权利要求1所述的一种基于数据分析的粗纱机运行故障预测系统，其特征在于：电压故障预测单元通过电压分析单元建立的第一层级预测模型对下一次电压发生异常的时间点进行预测包括以下步骤：
步骤S11：通过CEEMDAN算法对时间序列进行信号分解，将分解后的信号作为神经网络层的输入特征，在t时刻中的输入序列表示为
；
步骤S12：将Xt作为神经网络层的输入序列，利用公式
计算神经网络层第i个输出的隐藏状态yi，其中，yi为t时刻中第i个神经网络层的隐藏状态，yt为最终在t时刻的神经网络层的隐藏状态；
步骤S13：将神经网络层输出的隐藏状态yt作为Attention机制层的输入，通过得分公式计算得出每个隐层单元的得分si，归一化后的得分gi以及最终输出ai；
步骤S14：输出预测结果：选择sigmoid函数作为激活全连接层的函数，输出t时刻的最终预测值Yt。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617583.1A CN116340875B (zh) | 2023-05-30 | 2023-05-30 | 一种基于数据分析的粗纱机运行故障预测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310617583.1A CN116340875B (zh) | 2023-05-30 | 2023-05-30 | 一种基于数据分析的粗纱机运行故障预测系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116340875A true CN116340875A (zh) | 2023-06-27 |
| CN116340875B CN116340875B (zh) | 2023-10-17 |
Family
ID=86884508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310617583.1A Active CN116340875B (zh) | 2023-05-30 | 2023-05-30 | 一种基于数据分析的粗纱机运行故障预测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116340875B (zh) |
Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108318491A (zh) * | 2017-12-04 | 2018-07-24 | 华南理工大学 | 一种基于频谱曲率分析的织物缺陷检测方法 |
| CN109003038A (zh) * | 2018-06-11 | 2018-12-14 | 广州中国科学院沈阳自动化研究所分所 | 一种纺织印染行业数字化工厂系统架构 |
| KR101962739B1 (ko) * | 2018-08-27 | 2019-03-28 | 서울교통공사 | 빅데이터 분석을 이용한 기계장비의 고장예측분석시스템 및 그 방법 |
| CN110569623A (zh) * | 2019-09-19 | 2019-12-13 | 西安工程大学 | 一种细纱机电机使用寿命预测方法 |
| CN111636123A (zh) * | 2020-01-20 | 2020-09-08 | 武汉裕大华纺织有限公司 | 一种智能纺纱生产线故障检测系统 |
| CN111733498A (zh) * | 2020-06-04 | 2020-10-02 | 武汉道非科技有限公司 | 一种智能纺纱细纱故障检测系统 |
| CN111733499A (zh) * | 2020-06-04 | 2020-10-02 | 武汉道非科技有限公司 | 一种智能纺纱粗纱故障检测系统 |
| CN112394702A (zh) * | 2020-12-10 | 2021-02-23 | 安徽理工大学 | 基于lstm的光缆制造设备故障远程预测系统 |
| CN112462734A (zh) * | 2020-11-03 | 2021-03-09 | 贵州江南航天信息网络通信有限公司 | 一种工业生产设备故障预测分析方法及模型 |
| CN112633317A (zh) * | 2020-11-02 | 2021-04-09 | 国能信控互联技术有限公司 | 基于注意力机制的cnn-lstm风机故障预测方法及系统 |
| CN113822139A (zh) * | 2021-07-27 | 2021-12-21 | 河北工业大学 | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 |
| CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
| KR20220028428A (ko) * | 2020-08-28 | 2022-03-08 | 호남대학교 산학협력단 | 태양광 접속함의 지락 차단을 위한 장치 및 이를 위한 방법 |
| CN114971252A (zh) * | 2022-05-19 | 2022-08-30 | 浙江理工大学 | 一种纺织设备运维与故障预诊断系统 |
| CN115034410A (zh) * | 2022-06-06 | 2022-09-09 | 浙江理工大学 | 一种基于多源数据融合的纺织机械运维方法 |
| CN115130702A (zh) * | 2022-09-02 | 2022-09-30 | 山东汇泓纺织科技有限公司 | 一种基于大数据分析的纺织机故障预测系统 |
| CN115409066A (zh) * | 2022-08-31 | 2022-11-29 | 北京中电普华信息技术有限公司 | 时间序列数据的异常检测方法、装置及计算机存储介质 |
| CN115510917A (zh) * | 2022-10-12 | 2022-12-23 | 广西大学 | 一种模态分解预测卷积注意力网络的轴承故障诊断方法 |
| CN115833937A (zh) * | 2022-11-17 | 2023-03-21 | 中兴飞流信息科技有限公司 | 一种基于变分自编码器和长短时记忆网络混合模型的光模块故障预测方法 |
| CN115854355A (zh) * | 2022-08-01 | 2023-03-28 | 浙江大学 | 一种蓄热式热力氧化炉的故障预测与诊断系统及方法 |
| CN115983452A (zh) * | 2022-12-19 | 2023-04-18 | 河南科技大学 | 一种基于lstm的轴承故障预测方法 |
-
2023
- 2023-05-30 CN CN202310617583.1A patent/CN116340875B/zh active Active
Patent Citations (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108318491A (zh) * | 2017-12-04 | 2018-07-24 | 华南理工大学 | 一种基于频谱曲率分析的织物缺陷检测方法 |
| CN109003038A (zh) * | 2018-06-11 | 2018-12-14 | 广州中国科学院沈阳自动化研究所分所 | 一种纺织印染行业数字化工厂系统架构 |
| KR101962739B1 (ko) * | 2018-08-27 | 2019-03-28 | 서울교통공사 | 빅데이터 분석을 이용한 기계장비의 고장예측분석시스템 및 그 방법 |
| CN110569623A (zh) * | 2019-09-19 | 2019-12-13 | 西安工程大学 | 一种细纱机电机使用寿命预测方法 |
| CN111636123A (zh) * | 2020-01-20 | 2020-09-08 | 武汉裕大华纺织有限公司 | 一种智能纺纱生产线故障检测系统 |
| CN111733498A (zh) * | 2020-06-04 | 2020-10-02 | 武汉道非科技有限公司 | 一种智能纺纱细纱故障检测系统 |
| CN111733499A (zh) * | 2020-06-04 | 2020-10-02 | 武汉道非科技有限公司 | 一种智能纺纱粗纱故障检测系统 |
| KR20220028428A (ko) * | 2020-08-28 | 2022-03-08 | 호남대학교 산학협력단 | 태양광 접속함의 지락 차단을 위한 장치 및 이를 위한 방법 |
| CN112633317A (zh) * | 2020-11-02 | 2021-04-09 | 国能信控互联技术有限公司 | 基于注意力机制的cnn-lstm风机故障预测方法及系统 |
| CN112462734A (zh) * | 2020-11-03 | 2021-03-09 | 贵州江南航天信息网络通信有限公司 | 一种工业生产设备故障预测分析方法及模型 |
| CN112394702A (zh) * | 2020-12-10 | 2021-02-23 | 安徽理工大学 | 基于lstm的光缆制造设备故障远程预测系统 |
| CN113822139A (zh) * | 2021-07-27 | 2021-12-21 | 河北工业大学 | 一种基于改进1DCNN-BiLSTM的设备故障诊断方法 |
| CN113848417A (zh) * | 2021-08-09 | 2021-12-28 | 上海应用技术大学 | 轨道交通供电设备故障预测方法及装置 |
| CN114971252A (zh) * | 2022-05-19 | 2022-08-30 | 浙江理工大学 | 一种纺织设备运维与故障预诊断系统 |
| CN115034410A (zh) * | 2022-06-06 | 2022-09-09 | 浙江理工大学 | 一种基于多源数据融合的纺织机械运维方法 |
| CN115854355A (zh) * | 2022-08-01 | 2023-03-28 | 浙江大学 | 一种蓄热式热力氧化炉的故障预测与诊断系统及方法 |
| CN115409066A (zh) * | 2022-08-31 | 2022-11-29 | 北京中电普华信息技术有限公司 | 时间序列数据的异常检测方法、装置及计算机存储介质 |
| CN115130702A (zh) * | 2022-09-02 | 2022-09-30 | 山东汇泓纺织科技有限公司 | 一种基于大数据分析的纺织机故障预测系统 |
| CN115510917A (zh) * | 2022-10-12 | 2022-12-23 | 广西大学 | 一种模态分解预测卷积注意力网络的轴承故障诊断方法 |
| CN115833937A (zh) * | 2022-11-17 | 2023-03-21 | 中兴飞流信息科技有限公司 | 一种基于变分自编码器和长短时记忆网络混合模型的光模块故障预测方法 |
| CN115983452A (zh) * | 2022-12-19 | 2023-04-18 | 河南科技大学 | 一种基于lstm的轴承故障预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| BASIT FAROOQ等: "Data-Driven Predictive Maintenance Approach for Spinning Cyber-Physical Production System", 《JOURNAL OF SHANGHAI JIAOTONG UNIVERSITY(SCIENCE)》, vol. 25, pages 453 - 462, XP037208827, DOI: 10.1007/s12204-020-2178-z * |
| CHEN LI等: "Simulation of Reliability Prediction Baesd on Multiple Factors for Spinning Machine", 《AUTEX RESEARCH JOURNAL》, vol. 20, no. 1, pages 17 - 23 * |
| 崔玉梅: "波谱图在判断机械故障中的应用体会", 《棉纺织技术》, vol. 29, no. 3, pages 163 - 166 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116340875B (zh) | 2023-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107272586A (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
| CN111178553A (zh) | 一种基于arima和lstm算法的工业设备健康趋势分析方法及系统 | |
| CN113759868B (zh) | 一种基于神经网络的工业以太网故障预测方法 | |
| CN111922095A (zh) | 一种冷轧机轧辊扭振故障异常的振动诊断方法 | |
| CN110865924B (zh) | 电力信息系统内部服务器健康度诊断方法与健康诊断框架 | |
| Tang et al. | Multivariable LS-SVM with moving window over time slices for the prediction of bearing performance degradation | |
| US20050102116A1 (en) | High-resolution intelligent rotor machine diagnostic system and method | |
| CN116340875B (zh) | 一种基于数据分析的粗纱机运行故障预测系统 | |
| CN114971252B (zh) | 一种纺织设备运维与故障预诊断系统 | |
| Li et al. | Condition-based maintenance strategy optimization of meta-action unit considering imperfect preventive maintenance based on Wiener process | |
| AT502431B1 (de) | Verfahren und system zur durchführung und verwendung von belastungsmessungen zur wartung von maschinenkomponenten und -vorrichtungen in bezug auf papierherstellung | |
| CN108306997B (zh) | 域名解析监控方法及装置 | |
| CN111158992A (zh) | 一种基于互联网的计算机故障报警系统 | |
| CN117592975A (zh) | 基于云计算的高速公路机电设备运维决策处理方法及系统 | |
| CN111636123B (zh) | 一种智能纺纱生产线故障检测系统 | |
| CN114004059A (zh) | 一种水轮发电机组健康画像方法 | |
| CN115358533A (zh) | 一种基于大数据的预测性维护管理系统 | |
| CN117214719A (zh) | 一种基于大数据的新能源车辆电池健康评估系统 | |
| CN116702597A (zh) | 一种机械设备运行寿命预测与健康管理方法、系统及介质 | |
| CN116257023A (zh) | 基于物联网的设备自动故障诊断与状态分析系统 | |
| CN115456041A (zh) | 设备故障预警方法及装置、计算设备和存储介质 | |
| CN115860514A (zh) | 一种基于生产过程数据的低压电力电缆质量评价方法 | |
| CN113177484B (zh) | 基于lof自编码的机械故障智能诊断方法 | |
| CN113988118A (zh) | 基于lstm网络的风电设备故障预测方法 | |
| JPH10122917A (ja) | 設備及び製品プロセス異常状態の診断方法及び診断装置 |
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 |