CN116467662A - 一种制粒机故障识别方法及系统 - Google Patents
一种制粒机故障识别方法及系统 Download PDFInfo
- Publication number
- CN116467662A CN116467662A CN202310300481.7A CN202310300481A CN116467662A CN 116467662 A CN116467662 A CN 116467662A CN 202310300481 A CN202310300481 A CN 202310300481A CN 116467662 A CN116467662 A CN 116467662A
- Authority
- CN
- China
- Prior art keywords
- data
- result
- detection result
- abnormality detection
- abnormal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 165
- 230000005856 abnormality Effects 0.000 claims abstract description 136
- 230000002159 abnormal effect Effects 0.000 claims abstract description 98
- 238000012544 monitoring process Methods 0.000 claims abstract description 38
- 239000002245 particle Substances 0.000 claims abstract description 25
- 239000000463 material Substances 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 18
- 239000008187 granular material Substances 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 8
- 230000004069 differentiation Effects 0.000 claims description 8
- 238000004140 cleaning Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims 2
- 230000000694 effects Effects 0.000 abstract description 18
- 239000011236 particulate material Substances 0.000 description 5
- 238000007599 discharging Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000001050 lubricating effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003756 stirring Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本公开提供了一种制粒机故障识别方法及系统，涉及制粒机技术领域，该方法包括：读取监测制粒机的基础参数数据；获得运行数据集合，并构建异常检测模型；读取所述监测制粒机的运行控制数据，获得运行数据读取结果；将所述运行控制数据和所述运行数据读取结果输入所述异常检测模型，输出第一异常检测结果；通过所述图像采集装置对颗粒料进行图像采集，获得采集图像集合；生成第二异常检测结果；生成故障识别结果，解决了现有技术中存在的由于监测角度较为单一，进而导致对制粒机的异常监测效果不佳，故障识别准确率不足的技术问题，达到提升异常监测效果，同时提高故障识别准确率的技术效果。
Description
技术领域
本公开涉及制粒机技术领域，具体涉及一种制粒机故障识别方法及系统。
背景技术
制粒机主要由喂料、搅拌、制粒、传动及润滑系统等组成，在制药、化工、食品工业广泛应用。随着人工智能技术的发展，制粒机也在逐渐摆脱人工控制，实现自动化控制，随之也带来了制粒机故障检测问题，如何对制粒机出现的故障进行及时检测，是各大企业、工厂的重点关注问题。
目前，现有技术中存在由于监测角度较为单一，进而导致对制粒机的异常监测效果不佳，故障识别准确率不足的技术问题。
发明内容
本公开提供了一种制粒机故障识别方法及系统，用以解决现有技术中存在的由于监测角度较为单一，进而导致对制粒机的异常监测效果不佳，故障识别准确率不足的技术问题。
根据本公开的第一方面，提供了一种制粒机故障识别方法，包括：读取监测制粒机的基础参数数据，其中，所述基础参数数据包括设备规格、设备参数；通过所述基础参数数据抓取运行数据，并对抓取数据进行数据清洗标识，获得运行数据集合，并构建异常检测模型；读取所述监测制粒机的运行控制数据，并通过所述数据交互装置进行运行数据读取，获得运行数据读取结果；将所述运行控制数据和所述运行数据读取结果输入所述异常检测模型，输出第一异常检测结果；通过所述图像采集装置对颗粒料进行图像采集，获得采集图像集合，其中，所述图像采集集合具有运行控制数据的时间映射标识；对所述图像采集集合进行图像特征提取，基于提取结果生成第二异常检测结果；通过所述第一异常检测结果和所述第二异常检测结果生成故障识别结果。
根据本公开的第二方面，提供了一种制粒机故障识别系统，包括：基础参数读取模块，所述基础参数读取模块用于读取监测制粒机的基础参数数据，其中，所述基础参数数据包括设备规格、设备参数；异常检测模型构建模块，所述异常检测模型构建模块用于通过所述基础参数数据抓取运行数据，并对抓取数据进行数据清洗标识，获得运行数据集合，并构建异常检测模型；运行数据读取模块，所述运行数据读取模块用于读取所述监测制粒机的运行控制数据，并通过所述数据交互装置进行运行数据读取，获得运行数据读取结果；第一异常检测模块，所述第一异常检测模块用于将所述运行控制数据和所述运行数据读取结果输入所述异常检测模型，输出第一异常检测结果；图像采集模块，所述图像采集模块用于通过所述图像采集装置对颗粒料进行图像采集，获得采集图像集合，其中，所述图像采集集合具有运行控制数据的时间映射标识；第二异常检测模块，所述第二异常检测模块用于对所述图像采集集合进行图像特征提取，基于提取结果生成第二异常检测结果；故障识别模块，所述故障识别模块用于通过所述第一异常检测结果和所述第二异常检测结果生成故障识别结果。
根据本公开采用的一种制粒机故障识别方法，本公开通过获取监测制粒机的运行控制数据和运行数据进行第一异常检测，得到第一异常检测结果，接着颗粒料进行特征识别，并生成第二检测结果，然后结合第一异常检测结果和第二异常检测结果从运行数据角度、颗粒料角度进行故障识别，达到多角度对制粒机进行异常检测，提升异常故障识别准确率的技术效果。进而对实时出料量进行分析，根据制粒机的出料效率得到第三异常检测结果，结合第一异常检测结果、第二异常检测结果和第三异常检测结果进行故障识别，达到了拓展异常检测角度，提升异常监测效果，同时提高故障识别准确率的技术效果。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本公开或现有技术中的技术方案，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地介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本公开实施例提供的一种制粒机故障识别方法的流程示意图；
图2为本公开实施例中则根据第一异常检测结果和第二异常检测结果的异常组合值生成故障识别结果的流程示意图；
图3为本公开实施例中通过第一异常检测结果、第二异常检测结果和第三异常检测结果生成故障识别结果的流程示意图；
图4为本公开实施例提供的一种制粒机故障识别系统的结构示意图。
附图标记说明：基础参数读取模块11，异常检测模型构建模块12，运行数据读取模块13，第一异常检测模块14，图像采集模块15，第二异常检测模块16，故障识别模块17。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
为了解决现有技术中存在由于监测角度较为单一，进而导致对制粒机的异常监测效果不佳，故障识别准确率不足的技术问题，本公开的发明人经过创造性的劳动，得到了本公开的一种制粒机故障识别方法及系统。
实施例一
图1为本公开实施例提供的一种制粒机故障识别方法图，所述方法应用于故障识别系统，所述故障识别系统与数据交互装置、图像采集装置通信连接，如图1所示，所述方法包括：
步骤S100：读取监测制粒机的基础参数数据，其中，所述基础参数数据包括设备规格、设备参数；
具体而言，监测制粒机是指需要进行监测的任一制粒机，读取监测制粒机的基础参数数据，基础参数数据包括设备规格、设备参数，设备规格是指制粒机的型号，设备参数是指衡量监测制粒机运行状态的参数类型，包括转速、喂料频率、阀门开度、总电流、调质温度、出料温度、实时产量、蒸汽压力等数据。
步骤S200：通过所述基础参数数据抓取运行数据，并对抓取数据进行数据清洗标识，获得运行数据集合，并构建异常检测模型；
具体而言，根据基础参数数据抓取与监测制粒机同型号的制粒机的运行数据，运行数据包括同型号制粒机不同情况下的多组控制数据和工作数据，也就是说，通过自动化控制制粒机进行工作，首先会在控制端输入控制数据，控制数据是指工作人员预期的运行状态数据，包括预期的喂料频率、阀门开度等数据，工作数据是指在输入控制数据后，制粒机开始工作后的运行状态数据，也包括转速、喂料频率、阀门开度等数据，正常情况下，输入的一组控制数据和工作数据应该是一致的，当两者就存在差异时，制粒机的控制效果不好，说明制粒机可能出现异常。抓取的运行数据中包含了不同情况(正常工作和异常工作)下的多组控制数据和工作数据，进而对这些数据进行清洗，处理无效值，补充缺失值，然后对清洗过的控制数据和工作数据进行异常分析，分析出任意一组数据是否存在异常，如果存在异常，确定异常发生位置，对异常发生位置进行标识，以标识过的数据组成运行数据集合，以运行数据集合作为训练数据集构建异常检测模型，上述的异常检测模型是机器学习中的神经网络模型，将任意一组控制数据和工作数据输入到异常检测模型，通过标识过的异常位置信息对模型的输出进行监督调整，进行迭代训练，直至模型达到收敛状态，得到符合要求的异常检测模型。
步骤S300：读取所述监测制粒机的运行控制数据，并通过所述数据交互装置进行运行数据读取，获得运行数据读取结果；
具体而言，监测制粒机的运行控制数据是指对当前监测的制粒机输入的对制粒机的工作要求数据，包括喂料频率、阀门开度等数据，数据交互装置是将各种变化着的物理量通过相应的传感器转换成模拟的电信号后，再将这些模拟电信号转换为数字信号存储起来，进行预处理的装置，具备实时采集、自动存储、即时显示、自动传输的功能。通过数据交互装置对监测制粒机进行运行数据读取，获得运行数据读取结果，运行数据读取结果是指在输入运行控制数据的制粒机工作数据，包括制粒机运行时的喂料频率、阀门开度等数据。
步骤S400：将所述运行控制数据和所述运行数据读取结果输入所述异常检测模型，输出第一异常检测结果；
具体而言，运行控制数据是制粒机没有开始工作时工作人员根据预期要求设定的，运行数据读取结果是在工作人员设定完运行控制数据之后，制粒机开始工作后的运行数据。将运行控制数据和运行数据读取结果输入异常检测模型，异常检测模型对运行控制数据和运行数据读取结果进行比对分析，两者相一致的情况下，说明制粒机运行正常，如果不一致，对两者的差异进行分析，输出第一异常检测结果，第一异常检测结果包括异常位置。
步骤S500：通过所述图像采集装置对颗粒料进行图像采集，获得采集图像集合，其中，所述图像采集集合具有运行控制数据的时间映射标识；
具体而言，图像采集装置是指用于采集颗粒料图像的设备，包括高精度的智能摄像头等设备，具备实时采集、自动传输的功能，颗粒料是指制粒机进行工作后的产物，通过图像采集装置对颗粒料进行图像采集，以图像采集结果组成图像采集集合，同时获取进行图像采集时对应的运行控制数据的控制时间，并对图像采集集合进行运行控制数据的时间映射标识。也就是说，后续会通过图像采集集合对颗粒料进行分析，分析生产出的颗粒量是否异常，如果不知道对应的运行控制数据的控制时间，无法判断颗粒料的异常是在哪个时间里，在哪些运行控制数据控制下出现的，通过时间映射标识，达到辅助进行故障识别的技术效果。
步骤S600：对所述图像采集集合进行图像特征提取，基于提取结果生成第二异常检测结果；
其中，本公开实施例步骤S600还包括：
步骤S610：采集获得颗粒料异常特征集合，通过所述异常特征集合构建初始异常匹配特征；
步骤S620：对所述图像采集装置的采集图像进行环境数据采集，将环境数据采集结果作为识别补偿特征；
步骤S630：通过所述识别补偿特征对所述图像采集集合进行图像预处理，通过所述初始异常匹配特征完成预处理后图像的图像特征提取。
其中，本公开实施例步骤S630之后还有步骤S640,步骤S640包括：
步骤S641：对所述提取结果进行连续检测，并监督获得异常特征的特征变化数据；
步骤S642：通过所述特征变化数据进行特征复现评价，生成特征复现评价值，其中，所述特征复现评价值通过下述公式计算获得：
其中，P为特征复现评价值，N为样本总量，M为特征复现次数，kN为任意一组特征的特征值，ξ为常数；
步骤S643：通过所述特征复现评价值获得所述第二异常检测结果。
具体而言，对图像采集集合进行图像特征提取，提取出异常的颗粒料特征作为提取结果，比如颗粒料长度过长或者过短，根据提取结果生成第二异常检测结果。
具体地，可以基于大数据，采集获得颗粒料异常特征集合，颗粒料异常特征集合中包括长度异常、形状异常等异常特征，根据异常特征集合构建初始异常匹配特征。对图像采集装置的采集图像进行环境数据采集，将环境数据采集结果作为识别补偿特征，就是说，在对颗粒料进行图像采集时，当时的环境可能存在多种干扰，比如光线太暗或太亮影响图像曝光度、制粒机运行产生电噪声、机械噪声等噪声干扰等，基于此采集获得包括环境光线、环境噪声在内的环境数据采集结果，并以此作为识别补偿特征，通过识别补偿特征对图像采集集合进行图像预处理，也就是说，图像采集的环境存在光线、噪声问题，预处理就是通过增大或者减小曝光度、使用滤波去噪技术对采集到的原始图像进行图像补偿，达到提升图像质量，辅助后续进行图像特征识别的技术效果。进而通过初始异常匹配特征对完成预处理后的图像进行特征提取，提取出图像采集集合中与初始异常匹配特征一致的颗粒量特征作为提取结果。
具体地，制粒机开始工作后，出料口是连续出料的，特征提取也是一个连续的过程，对提取结果进行连续检测，并监督获得异常特征的特征变化数据，也就是说，异常特征可能实时变化，比如当前时刻颗粒料长度过长，下一时刻颗粒料长度又恢复正常，再下一时刻颗粒料长度可能又过长，特征变化数据包含颗粒量在不同时间下的特征变化，通过特征变化数据进行特征复现评价，特征复现评价即评价任一个异常特征出现的频繁度，从而生成特征复现评价值，其中，特征复现评价值通过下述公式计算获得：其中，P为特征复现评价值，N为样本总量，M为特征复现次数，kN为任意一组特征的特征值，ξ为常数。通过上述的特征复现评价值计算公式获取特征复现评价值，根据特征复现评价值将特征复现评价值较高的异常特征作为第二异常检测结果，制粒机工作时，不可避免会出现偶然的异常特征，偶然特征与制粒机故障并没有关系，通过获取特征复现评价值，达到避免将偶然性异常识别为机器故障，提升异常检测准确性的效果。
步骤S700：通过所述第一异常检测结果和所述第二异常检测结果生成故障识别结果。
其中，如图2所示，本公开实施例步骤S700还包括：
步骤S710：通过所述时间映射标识进行所述第一异常检测结果和所述第二异常检测结果的时间关联分析；
步骤S720：当确定任意所述第一异常检测结果和所述第二异常检测结果满足时间关联时，则执行对应所述第一异常检测结果和所述第二异常检测结果的同向异常验证；
步骤S730：当同向异常验证通过，则根据所述第一异常检测结果和所述第二异常检测结果的异常组合值生成所述故障识别结果。
具体而言，根据步骤S500中的时间映射标识对第一异常检测结果和第二异常检测结果进行关联分析，生成故障识别结果，故障识别结果是指故障原因，比如线路故障、蒸汽调节异常等。
具体地，第一异常检测结果是对制粒机的运行控制数据和运行数据进行异常检测的结果，第二异常检测结果是对制粒机出料口的颗粒料进行异常检测的结果，运行控制数据和运行数据的异常会导致最终生产的颗粒料异常，步骤S500中颗粒料的图像采集集合具有运行控制数据的时间映射标识，通过时间映射标识对第一异常检测结果和第二异常检测结果进行时间关联分析，就是分析第一异常检测结果和第二异常检测结果的时间是否对应，当确定任意第一异常检测结果和第二异常检测结果满足时间关联时，则执行对应第一异常检测结果和第二异常检测结果的同向异常验证，同向异常验证是验证运行控制数据和运行数据的异常和制粒机出料口的颗粒料异常是否对应，简单来说，判断运行控制数据和运行数据的异常是否造成了颗粒料异常，当同向异常验证通过，说明运行控制数据和运行数据的异常和制粒机出料口的颗粒料异常是对应的，则根据第一异常检测结果和第二异常检测结果的异常组合值生成故障识别结果，异常组合值包括运行数据的异常值(比如转速异常值、喂料频率异常值等)和颗粒料的异常值(比如颗粒量长度异常值)，根据异常组合值判断制粒机发生故障的原因作为故障识别结果，达到提升故障识别准确性的技术效果。
其中，如图3所示，本公开实施例步骤S800还包括：
步骤S810：对所述颗粒料进行实时出料量统计，获得出料量实时统计数据；
步骤S820：获得所述监测制粒机的响应延时区间；
步骤S830：通过所述运行控制数据和所述实时统计数据基于所述响应延时区间进行数据差异化比对，获得产量差异化比对结果；
步骤S840：将所述产量差异化必读结果作为第三异常检测结果；
步骤S850：通过所述第一异常检测结果、所述第二异常检测结果和所述第三异常检测结果生成所述故障识别结果。
具体而言，对颗粒料进行实时出料量统计，确定不同时间下制粒机的出料口产出的颗粒料的重量，并作为出料量实时统计数据，进而获得监测制粒机的响应延时区间，也就是说，当输入运行控制数据时，制粒机会有一定的响应时间即为响应延时区间，在响应延时区间内进行颗粒料的生产，根据运行控制数据和实时统计数据基于响应延时区间进行数据差异化比对，简单来说，获取响应延时区间内的运行控制数据和出料量实时统计数据，根据运行控制数据确定预期的出料量，将预期的出料量与出料量实时统计数据进行比对，获得产量差异化比对结果，微小的产量差异是正常情况，当产量差异过大时，就说明制粒机的效率出现异常，以产量差异化比对结果作为第三异常检测结果，结合第一异常检测结果、第二异常检测结果和第三异常检测结果从控制运行数据和运行数据、颗粒料异常特征、制粒机效率三方面对制粒机分析制粒机的故障原因，并将故障原因作为故障识别结果，达到提升异常监测效果，提升故障识别准确率的技术效果。
其中，本公开实施例步骤S900包括：
步骤S910：采集获得所述监测制粒机的设备特征数据；
步骤S920：通过所述设备特征数据构建异常影响单元，并将所述异常影响单元添加至所述异常检测模型；
步骤S930：基于添加所述异常影响单元的所述异常检测模型进行设备的运行异常识别。
具体而言，设备特征数据是指监测制粒机的设备自身特征，包括设备使用时长、老化情况等数据，通过设备特征数据构建异常影响单元，就是说，设备使用时间、老化情况的不同，设备的控制性能会有所下降，设备的运行控制数据和设备的运行数据一定差异是一个正常现象，根据不同制粒机的不同设备特征确定其控制性能退化情况，以此构建异常影响单元，也就是说，异常影响单元是监测制粒机自身设备特征对异常检测的影响，将异常影响单元添加至异常检测模型，对异常检测模型进行优化，比如，原先的异常检测模型在识别到运行控制数据与运行数据不一致时，就会报出异常，异常影响单元添加至异常检测模型后，就会进一步判断运行控制数据与运行数据的不一致是否有制粒机自身特征导致，从而减去自身导致的异常，再进行异常输出，通过添加异常影响单元的异常检测模型进行设备的运行异常识别，达到提高制粒机的异常识别准确性的技术效果。
其中，本公开实施例步骤S1000包括：
步骤S1010：对所述故障识别结果进行故障识别验证，并基于识别验证结果进行识别补偿标识；
步骤S1020：通过所述识别补偿标识进行后续故障识别修正。
具体而言，获得故障识别结果后，对故障识别结果进行故障识别验证，就是通过对制粒机进行检修确定故障识别结果是否准确，如果准确说明故障识别准确率较高，如果不准确，根据识别验证结果进行识别补偿标识，识别验证结果包括故障识别是否准确和不准确的数据，识别补偿标识就是对不准确的数据进行修正，并对修正数据进行标识，后续进行故障识别时，通过识别补偿标识进行后续故障识别修正，达到提升故障识别准确率的技术效果。
基于上述分析可知，本公开提供了一种制粒机故障识别方法，在本实施例中，通过获取监测制粒机的运行控制数据和运行数据进行第一异常检测，得到第一异常检测结果，接着颗粒料进行特征识别，并生成第二检测结果，然后结合第一异常检测结果和第二异常检测结果从运行数据角度、颗粒料角度进行故障识别，达到多角度对制粒机进行异常检测，提升异常故障识别准确率的技术效果。进而对实时出料量进行分析，根据制粒机的出料效率得到第三异常检测结果，结合第一异常检测结果、第二异常检测结果和第三异常检测结果进行故障识别，达到了拓展异常检测角度，提升异常监测效果，同时提高故障识别准确率的技术效果。
实施例二
基于与前述实施例中一种制粒机故障识别方法同样的发明构思，如图4所示，本公开还提供了一种制粒机故障识别系统，所述系统与数据交互装置、图像采集装置通信连接，所述系统包括：
基础参数读取模块11，所述基础参数读取模块11用于读取监测制粒机的基础参数数据，其中，所述基础参数数据包括设备规格、设备参数；
异常检测模型构建模块12，所述异常检测模型构建模块12用于通过所述基础参数数据抓取运行数据，并对抓取数据进行数据清洗标识，获得运行数据集合，并构建异常检测模型；
运行数据读取模块13，所述运行数据读取模块13用于读取所述监测制粒机的运行控制数据，并通过所述数据交互装置进行运行数据读取，获得运行数据读取结果；
第一异常检测模块14，所述第一异常检测结果获取模块14用于将所述运行控制数据和所述运行数据读取结果输入所述异常检测模型，输出第一异常检测结果；
图像采集模块15，所述图像采集模块15用于通过所述图像采集装置对颗粒料进行图像采集，获得采集图像集合，其中，所述图像采集集合具有运行控制数据的时间映射标识；
第二异常检测模块16，所述第二异常检测结果生成模块16用于对所述图像采集集合进行图像特征提取，基于提取结果生成第二异常检测结果；
故障识别模块17，所述故障识别模块17用于通过所述第一异常检测结果和所述第二异常检测结果生成故障识别结果。
进一步而言，所述系统还包括：
初始异常匹配特征构建模块，所述初始异常匹配特征构建模块用于采集获得颗粒料异常特征集合，通过所述异常特征集合构建初始异常匹配特征；
环境数据采集模块，所述环境数据采集模块用于对所述图像采集装置的采集图像进行环境数据采集，将环境数据采集结果作为识别补偿特征；
图像预处理模块，所述图像预处理模块用于通过所述识别补偿特征对所述图像采集集合进行图像预处理，通过所述初始异常匹配特征完成预处理后图像的图像特征提取。
进一步而言，所述系统还包括：
特征变化分析模块，所述特征变化分析模块用于对所述提取结果进行连续检测，并监督获得异常特征的特征变化数据；
特征复现评价模块，所述特征复现评价模块用于通过所述特征变化数据进行特征复现评价，生成特征复现评价值，其中，所述特征复现评价值通过下述公式计算获得：
其中，P为特征复现评价值，N为样本总量，M为特征复现次数，kN为任意一组特征的特征值，ξ为常数；
第二异常检测结果获取模块，所述第二异常检测结果获取模块用于通过所述特征复现评价值获得所述第二异常检测结果。
进一步而言，所述系统还包括：
出料量统计模块，所述出料量统计模块用于对所述颗粒料进行实时出料量统计，获得出料量实时统计数据；
响应延时区间获取模块，所述响应延时区间获取模块用于获得所述监测制粒机的响应延时区间；
数据差异化比对模块，所述数据差异化比对模块用于通过所述运行控制数据和所述实时统计数据基于所述响应延时区间进行数据差异化比对，获得产量差异化比对结果；
第三异常检测结果获取模块，所述第三异常检测结果获取模块用于将所述产量差异化比对结果作为第三异常检测结果；
故障识别结果生成模块，所述故障识别结果生成模块用于通过所述第一异常检测结果、所述第二异常检测结果和所述第三异常检测结果生成所述故障识别结果。
进一步而言，所述系统还包括：
时间关联分析模块，所述时间关联分析模块用于通过所述时间映射标识进行所述第一异常检测结果和所述第二异常检测结果的时间关联分析；
同向异常验证模块，所述同向异常验证模块用于当确定任意所述第一异常检测结果和所述第二异常检测结果满足时间关联时，则执行对应所述第一异常检测结果和所述第二异常检测结果的同向异常验证；
异常组合模块，所述异常组合模块用于当同向异常验证通过，则根据所述第一异常检测结果和所述第二异常检测结果的异常组合值生成所述故障识别结果。
进一步而言，所述系统还包括：
设备特征数据采集模块，所述设备特征数据采集模块用于采集获得所述监测制粒机的设备特征数据；
异常影响单元构建模块，所述异常影响单元构建模块用于通过所述设备特征数据构建异常影响单元，并将所述异常影响单元添加至所述异常检测模型；
运行异常识别模块，所述运行异常识别模块用于基于添加所述异常影响单元的所述异常检测模型进行设备的运行异常识别。
进一步而言，所述系统还包括：
故障识别验证模块，所述故障识别验证模块用于对所述故障识别结果进行故障识别验证，并基于识别验证结果进行识别补偿标识；
故障识别修正模块，所述故障识别修正模块用于通过所述识别补偿标识进行后续故障识别修正。
前述实施例一中的一种制粒机故障识别方法具体实例同样适用于本实施例的一种制粒机故障识别系统，通过前述对一种制粒机故障识别方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种制粒机故障识别系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行，也可以顺序地执行也可以不同的次序执行，
只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。
Claims (8)
1.一种制粒机故障识别方法，其特征在于，所述方法应用于故障识别系统，所述故障识别系统与数据交互装置、图像采集装置通信连接，所述方法包括：
读取监测制粒机的基础参数数据，其中，所述基础参数数据包括设备规格、设备参数；
通过所述基础参数数据抓取运行数据，并对抓取数据进行数据清洗标识，获得运行数据集合，并构建异常检测模型；
读取所述监测制粒机的运行控制数据，并通过所述数据交互装置进行运行数据读取，获得运行数据读取结果；
将所述运行控制数据和所述运行数据读取结果输入所述异常检测模型，输出第一异常检测结果；
通过所述图像采集装置对颗粒料进行图像采集，获得采集图像集合，其中，所述图像采集集合具有运行控制数据的时间映射标识；
对所述图像采集集合进行图像特征提取，基于提取结果生成第二异常检测结果；
通过所述第一异常检测结果和所述第二异常检测结果生成故障识别结果。
2.如权利要求1所述的方法，其特征在于，所述方法包括：
采集获得颗粒料异常特征集合，通过所述异常特征集合构建初始异常匹配特征；
对所述图像采集装置的采集图像进行环境数据采集，将环境数据采集结果作为识别补偿特征；
通过所述识别补偿特征对所述图像采集集合进行图像预处理，通过所述初始异常匹配特征完成预处理后图像的图像特征提取。
3.如权利要求2所述的方法，其特征在于，所述方法包括：
对所述提取结果进行连续检测，并监督获得异常特征的特征变化数据；
通过所述特征变化数据进行特征复现评价，生成特征复现评价值，其中，所述特征复现评价值通过下述公式计算获得：
其中，P为特征复现评价值，N为样本总量，M为特征复现次数，kN为任意一组特征的特征值，ξ为常数；
通过所述特征复现评价值获得所述第二异常检测结果。
4.如权利要求1所述的方法，其特征在于，所述方法包括：
对所述颗粒料进行实时出料量统计，获得出料量实时统计数据；
获得所述监测制粒机的响应延时区间；
通过所述运行控制数据和所述实时统计数据基于所述响应延时区间进行数据差异化比对，获得产量差异化比对结果；
将所述产量差异化必读结果作为第三异常检测结果；
通过所述第一异常检测结果、所述第二异常检测结果和所述第三异常检测结果生成所述故障识别结果。
5.如权利要求1所述的方法，其特征在于，所述方法包括：
通过所述时间映射标识进行所述第一异常检测结果和所述第二异常检测结果的时间关联分析；
当确定任意所述第一异常检测结果和所述第二异常检测结果满足时间关联时，则执行对应所述第一异常检测结果和所述第二异常检测结果的同向异常验证；
当同向异常验证通过，则根据所述第一异常检测结果和所述第二异常检测结果的异常组合值生成所述故障识别结果。
6.如权利要求1所述的方法，其特征在于，所述方法包括：
采集获得所述监测制粒机的设备特征数据；
通过所述设备特征数据构建异常影响单元，并将所述异常影响单元添加至所述异常检测模型；
基于添加所述异常影响单元的所述异常检测模型进行设备的运行异常识别。
7.如权利要求1所述的方法，其特征在于，所述方法包括：
对所述故障识别结果进行故障识别验证，并基于识别验证结果进行识别补偿标识；
通过所述识别补偿标识进行后续故障识别修正。
8.一种制粒机故障识别系统，其特征在于，所述系统与数据交互装置、图像采集装置通信连接，所述系统包括：
基础参数读取模块，所述基础参数读取模块用于读取监测制粒机的基础参数数据，其中，所述基础参数数据包括设备规格、设备参数；
异常检测模型构建模块，所述异常检测模型构建模块用于通过所述基础参数数据抓取运行数据，并对抓取数据进行数据清洗标识，获得运行数据集合，并构建异常检测模型；
运行数据读取模块，所述运行数据读取模块用于读取所述监测制粒机的运行控制数据，并通过所述数据交互装置进行运行数据读取，获得运行数据读取结果；
第一异常检测模块，所述第一异常检测模块用于将所述运行控制数据和所述运行数据读取结果输入所述异常检测模型，输出第一异常检测结果；
图像采集模块，所述图像采集模块用于通过所述图像采集装置对颗粒料进行图像采集，获得采集图像集合，其中，所述图像采集集合具有运行控制数据的时间映射标识；
第二异常检测模块，所述第二异常检测模块用于对所述图像采集集合进行图像特征提取，基于提取结果生成第二异常检测结果；
故障识别模块，所述故障识别模块用于通过所述第一异常检测结果和所述第二异常检测结果生成故障识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310300481.7A CN116467662B (zh) | 2023-03-24 | 2023-03-24 | 一种制粒机故障识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310300481.7A CN116467662B (zh) | 2023-03-24 | 2023-03-24 | 一种制粒机故障识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116467662A true CN116467662A (zh) | 2023-07-21 |
| CN116467662B CN116467662B (zh) | 2023-10-13 |
Family
ID=87174326
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310300481.7A Active CN116467662B (zh) | 2023-03-24 | 2023-03-24 | 一种制粒机故障识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116467662B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076899A (zh) * | 2023-10-08 | 2023-11-17 | 江苏华一机械有限公司 | 一种磨毛机运行故障监测识别方法及系统 |
| CN117277592A (zh) * | 2023-11-21 | 2023-12-22 | 西安晟昕科技股份有限公司 | 一种高压电路信号监测的保护切换方法 |
| CN117572821A (zh) * | 2023-11-21 | 2024-02-20 | 扬州诚森塑胶有限公司 | 汽车内饰仪表台用雕刻机的自适应运控预警方法及系统 |
| CN117994571A (zh) * | 2024-01-10 | 2024-05-07 | 南京工业大学 | 一种基于自编码器的切粒机熔体异常检测方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005309077A (ja) * | 2004-04-21 | 2005-11-04 | Fuji Xerox Co Ltd | 故障診断方法および故障診断装置、並びに搬送装置および画像形成装置、並びにプログラムおよび記憶媒体 |
| CN110503215A (zh) * | 2019-08-28 | 2019-11-26 | 国网天津市电力公司 | 基于图像识别技术识别设备状态、故障及处理异常的方法 |
| CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
| WO2020113773A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳码隆科技有限公司 | 一种基于图像识别技术的纺丝机故障监测系统及方法 |
| CN112584135A (zh) * | 2020-12-15 | 2021-03-30 | 平安国际智慧城市科技股份有限公司 | 监控设备故障识别方法、装置、设备及存储介质 |
| CN114754824A (zh) * | 2022-06-16 | 2022-07-15 | 江苏邦润智能科技有限公司 | 一种拉丝机的监测预警方法及系统 |
-
2023
- 2023-03-24 CN CN202310300481.7A patent/CN116467662B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005309077A (ja) * | 2004-04-21 | 2005-11-04 | Fuji Xerox Co Ltd | 故障診断方法および故障診断装置、並びに搬送装置および画像形成装置、並びにプログラムおよび記憶媒体 |
| WO2020113773A1 (zh) * | 2018-12-04 | 2020-06-11 | 深圳码隆科技有限公司 | 一种基于图像识别技术的纺丝机故障监测系统及方法 |
| CN110503215A (zh) * | 2019-08-28 | 2019-11-26 | 国网天津市电力公司 | 基于图像识别技术识别设备状态、故障及处理异常的方法 |
| CN110929847A (zh) * | 2019-11-15 | 2020-03-27 | 国网浙江省电力有限公司电力科学研究院 | 一种基于深度卷积神经网络的换流变压器故障诊断方法 |
| CN112584135A (zh) * | 2020-12-15 | 2021-03-30 | 平安国际智慧城市科技股份有限公司 | 监控设备故障识别方法、装置、设备及存储介质 |
| CN114754824A (zh) * | 2022-06-16 | 2022-07-15 | 江苏邦润智能科技有限公司 | 一种拉丝机的监测预警方法及系统 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117076899A (zh) * | 2023-10-08 | 2023-11-17 | 江苏华一机械有限公司 | 一种磨毛机运行故障监测识别方法及系统 |
| CN117076899B (zh) * | 2023-10-08 | 2023-12-22 | 江苏华一机械有限公司 | 一种磨毛机运行故障监测识别方法及系统 |
| CN117277592A (zh) * | 2023-11-21 | 2023-12-22 | 西安晟昕科技股份有限公司 | 一种高压电路信号监测的保护切换方法 |
| CN117277592B (zh) * | 2023-11-21 | 2024-02-13 | 西安晟昕科技股份有限公司 | 一种高压电路信号监测的保护切换方法 |
| CN117572821A (zh) * | 2023-11-21 | 2024-02-20 | 扬州诚森塑胶有限公司 | 汽车内饰仪表台用雕刻机的自适应运控预警方法及系统 |
| CN117572821B (zh) * | 2023-11-21 | 2024-07-02 | 扬州诚森塑胶有限公司 | 汽车内饰仪表台用雕刻机的自适应运控预警方法及系统 |
| CN117994571A (zh) * | 2024-01-10 | 2024-05-07 | 南京工业大学 | 一种基于自编码器的切粒机熔体异常检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116467662B (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116467662B (zh) | 一种制粒机故障识别方法及系统 | |
| CN110619620B (zh) | 导致表面缺陷的异常定位方法、装置、系统及电子设备 | |
| CN115993807B (zh) | 一种碳化硅的生产监测优化控制方法及系统 | |
| CN114549522A (zh) | 基于目标检测的纺织品质量检测方法 | |
| AU2021100365A4 (en) | A multi-sensor-based intelligent monitoring and early warning system and method for dam safety | |
| CN112034095B (zh) | 在线烘后烟丝结构分析系统及方法 | |
| CN115409131B (zh) | 基于spc过程管控系统的生产线异常检测方法 | |
| CN113757093B (zh) | 一种闪蒸汽压缩机组故障诊断方法 | |
| CN117152152B (zh) | 检测试剂盒的生产管理系统及方法 | |
| CN115861210A (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
| CN115802027A (zh) | 基于图像处理的在线监控设备运行异常检测方法 | |
| CN113108839A (zh) | 基于传感器技术和图像分析的建筑工程质量验收智能检测分析方法 | |
| CN113155443A (zh) | 一种采煤机减速器润滑油状态监测与故障诊断系统及方法 | |
| CN116900449A (zh) | 基于信号融合的焊接质量监测方法和系统 | |
| US20220343113A1 (en) | Automatic model reconstruction method and automatic model reconstruction system for component recognition model | |
| Strokina et al. | Detection of curvilinear structures by tensor voting applied to fiber characterization | |
| CN111753876A (zh) | 一种基于深度神经网络的产品质量检测方法 | |
| CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| CN108181315B (zh) | 一种基于图像处理的饼干损伤检测装置及检测方法 | |
| CN118115744B (zh) | 一种基于图像识别的电能表外壳检测方法 | |
| CN117723782B (zh) | 用于桥梁结构健康监测的传感器故障识别定位方法及系统 | |
| CN116226606B (zh) | 无人值守自动气象站雨量数据质控方法及系统 | |
| CN117654907B (zh) | 用于带料检测机的自动剔除方法及系统 | |
| CN117433978B (zh) | 一种传输用除尘器的监测预警方法及系统 | |
| CN118014552A (zh) | 电厂输煤系统巡检方法、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 |