CN116502172B - 一种袋式包装机故障智能诊断方法及系统 - Google Patents
一种袋式包装机故障智能诊断方法及系统 Download PDFInfo
- Publication number
- CN116502172B CN116502172B CN202310778639.1A CN202310778639A CN116502172B CN 116502172 B CN116502172 B CN 116502172B CN 202310778639 A CN202310778639 A CN 202310778639A CN 116502172 B CN116502172 B CN 116502172B
- Authority
- CN
- China
- Prior art keywords
- value
- product
- sensor
- fault
- packaging machine
- 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.)
- Active
Links
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 81
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 101
- 238000001514 detection method Methods 0.000 claims abstract description 54
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 238000012856 packing Methods 0.000 claims description 14
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000004308 accommodation Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 6
- 241000122205 Chamaeleonidae Species 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 239000003550 marker Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 208000032369 Primary transmission Diseases 0.000 description 2
- 208000032370 Secondary transmission Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000005022 packaging material Substances 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 238000007789 sealing 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
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
-
- 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
- G06F18/23—Clustering techniques
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Making Paper Articles (AREA)
Abstract
本申请公开了一种袋式包装机故障智能诊断方法及系统，属于数据处理技术领域。该方法从制造产品时同一工序对应的机器状态应稳定的角度出发，使用传感器获取各个产品在各个时刻对应的检测值，根据这些检测值获取每个产品在同一制造时刻的时刻参数矩阵和同一产品在制造过程中的质量参数矩阵，对袋式包装机对产品的同一处理工序的各传感器数值进行分析，得到各数值对应的故障度，进而依据各数值的故障度确定袋式包装机疑似故障的位置，最终确定袋式包装机是否出现故障。
Description
技术领域
本申请属于数据处理技术领域，具体涉及一种袋式包装机故障智能诊断方法及系统。
背景技术
袋式包装机是一种用于包装散装物品或颗粒状物品的机器，主要利用自动化技术和包装材料将物品装袋密封，以保持物品的新鲜度、卫生度和保质期，可以提高物品的包装质量和工作效率，是不可缺少的自动包装设备之一。袋式包装机可根据人工设置的参数自动完成分配、计量、包装、密封等操作，在这些操作的过程中，不可避免的会出现各种各样的故障，需要及时对袋式包装机的工作状态进行检测，以便于在机器出现故障时及时进行调整和修理。
目前袋式包装机的智能诊断方法包括基于规则、基于模型和基于机器学习的方法。其中，基于规则的故障诊断方法根据先验知识和规则进行有效的故障诊断和预测，具有较高的准确性和可靠性，但需要事先定义好规则和故障模式，新增或变更规则、故障模式较为困难，难以覆盖全部故障类型，适用性有限。基于模型的故障诊断方法利用袋式包装机的动态模型进行故障诊断，能够全面地反映袋式包装机的运行状态，但需要先建立较复杂、准确的数学模型，训练所需时间较长，综合准确率有限。基于机器学习的故障诊断方法通过机器学习算法学习袋式包装机的运行规律和故障模式，适用性较广，自适应性强，但需要对大规模数据进行处理和训练，对硬件和软件的要求较高，建立和训练模型的过程较为复杂。
可见，现有的袋式包装机的故障智能诊断方法均以对应模型为基础，分析的结果受到模型的适用性影响较大，且模型建立过程复杂，对硬软件要求均较高。
因此，亟需一种适用性更广且对硬软件要求较低的袋式包装机故障智能诊断方法来解决上述技术问题。
发明内容
本申请实施例的目的是提供一种袋式包装机故障智能诊断方法及系统，其脱离传统较为复杂的故障模型，从制造产品时同一工序对应的机器状态应稳定的角度出发，使用传感器获取各个产品在各个时刻对应的检测值，根据这些检测值获取每个产品在同一制造时刻的时刻参数矩阵和同一产品在制造过程中的质量参数矩阵，对袋式包装机对产品的同一处理工序的各传感器数值进行分析，得到各数值对应的故障度，进而依据各数值的故障度确定袋式包装机疑似故障的位置，最终确定袋式包装机是否出现故障，从而可以有效解决背景技术中涉及的至少一个技术问题。
为了解决上述技术问题，本申请是这样实现的：
本申请实施例提供了一种袋式包装机故障智能诊断方法，包括：
步骤S1：获取产品在各个时刻对应的检测值；
步骤S2：根据获取的检测值，获取各产品在同一制造时刻的时刻参数矩阵和同一产品在制造过程中的质量参数矩阵；
步骤S3：根据各产品在同一制造时刻的时刻参数矩阵中各数值的离群度，获取各数值的故障度；
步骤S4：根据每个数值出现故障的程度、同一产品在制造过程中的质量参数矩阵以及各数值的离群度，获取各产品在制造过程中对应的故障度分布矩阵；
步骤S5：根据获取的故障度分布矩阵，得出袋式包装机的故障诊断结果。
可选的，在步骤S1中，所述获取产品在各个时刻对应的检测值，包括：
使用传感器获取产品在各个时刻对应的检测值，包括：
在每个产品进行袋包装的过程中，从第一个时刻开始，每经过时间获取一次各传感器对应的检测值，直至产品袋包装完成。
可选的，所述传感器包括振动速度传感器、温度传感器、振动位移传感器、位移加速度传感器、转速传感器以及薄膜标记传感器。
可选的，所述振动速度传感器和所述温度传感器设置于袋式包装机的电动机底座、初级传动轴轴承座、二级传动轴上隔板以及装盒机后侧动力系统；所述振动位移传感器设置于袋式包装机的装盒机机箱顶角；所述位移加速度传感器设置于袋式包装机的装包机机箱角；所述转速传感器设置于袋式包装机的主机位置；所述薄膜标记传感器安装于袋式包装机内以用于检测薄膜标记。
可选的，在步骤S2中，质量参数矩阵由下式表示：
其中，为产品/>对应的质量参数矩阵，该矩阵的每一行对应一个传感器在不同时间获取的检测值；/>为每个产品从开始获取检测值到最后一个获取检测值共统计传感器对应检测值的次数；/>为在该产品生产过程中设置的需要获取对应检测值的传感器个数；
时刻参数矩阵由下式表示：
其中，为/>时刻的时刻参数矩阵，该矩阵的每一行对应同一个产品在/>时刻各传感器对应的检测值，每行共/>个数值； />为袋式包装机在制造过程中加工产品的数量。
可选的，在步骤S3中，时刻参数矩阵中各数值的离群度由下式表示：
其中，为时刻参数矩阵中第/>列值中的第/>行数值/>对应的离群度；/>为数值/>的容纳范围内包含的数值个数；/>为时刻参数矩阵中第/>列包含的数值个数；/>为数值/>的容纳范围，/>为时刻参数矩阵中的第/>列值的总范围，/>为数值/>的差异范围；/>为取括号内范围的长度，即为括号内范围的右端点值减去左端点值；/>为数值/>的差异范围的长度，/>为数值/>的总范围的长度；/>为常数系数，经验值为0.1。
可选的，在步骤S3中，各数值的故障度由下式表示：
其中，为时刻参数矩阵中第/>列值中的第/>行数值/>对应的故障度；/>为时刻参数矩阵中第/>列值中的第/>行数值/>对应的离群度；/>为时刻参数矩阵中第/>行的各数值对应的离群度的均值；/>为时刻参数矩阵中的第/>行数值与其他各行数值之间的dtw距离的均值；/>为常数系数，经验值为1。
可选的，在步骤S4中，所述获取各产品在制造过程中对应的故障度分布矩阵，包括：
将各故障度按照对应位置组成的矩阵记为产品对应的故障度分布矩阵。
可选的，在步骤S5中，所述根据获取的故障度分布矩阵，得出袋式包装机的故障诊断结果，包括：
对各产品对应的各个故障度分布矩阵中各数值使用变色龙聚类算法进行聚类，当聚类得到的某个簇内各故障度的均值大于等于时，则认为该簇内各故障度对应的故障度分布矩阵内数值为异常的传感器数值，标记异常的传感器数值的传感器监测的袋式包装机位置，其中，/>的经验值为0.6；当有传感器监测的袋式包装机位置被标记的次数大于等于次时，则认为该位置记为袋式包装机出现故障的位置，其中，/>的经验值为5。
本申请实施例还提供了一种用于实现所述的方法的袋式包装机故障智能诊断系统，包括：
检测值获取模块，用于获取产品在各个时刻对应的检测值；
矩阵获取模块，用于根据获取的检测值，获取各产品在同一制造时刻的时刻参数矩阵和同一产品在制造过程中的质量参数矩阵；
故障度获取模块，用于根据各产品在同一制造时刻的时刻参数矩阵中各数值的离群度，获取各数值的故障度；
故障度分布矩阵获取模块，用于根据每个数值出现故障的程度、同一产品在制造过程中的质量参数矩阵以及各数值的离群度，获取各产品在制造过程中对应的故障度分布矩阵；
故障诊断结果得出模块，用于根据获取的故障度分布矩阵，得出袋式包装机的故障诊断结果。
本申请具有如下有益效果：
1、根据不同产品在制造工序中同一时刻的同一传感器获取的数值构成的数据范围确定传感器获取的每个数值的离群程度，在获取离群程度的过程中，将每个数值与同类数值进行比较，可降低数值间客观存在的差异导致的离群程度衡量不准确的问题；
2、以离群程度的评价值为基础，结合不同产品对应的多个传感器数值之间的数值组整体差异，得到每个数值对应的故障度，再根据各数据的故障度以及同一产品在制造过程中的质量参数矩阵筛选出出现故障的显著性较大的数值，进而实现可以依据该数值确定袋式包装机疑似故障的位置，最终确定袋式包装机是否出现故障。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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，还可以根据这些附图获得其它的附图，其中：
图1是本申请实施例提供的袋式包装机故障智能诊断方法的流程图；
图2是本申请实施例提供的数值的容纳范围与总范围的示意图之一；
图3是本申请实施例提供的数值的容纳范围与总范围的示意图之二；
图4是本申请实施例提供的袋式包装机故障智能诊断系统的结构框架图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
本申请的说明书中的术语“第一”、“第二”等是用于区别类似的对象，而不用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施，且“第一”、“第二”等所区分的对象通常为一类，并不限定对象的个数，例如第一对象可以是一个，也可以是多个。此外，说明书中“和/或”表示所连接对象的至少其中之一，字符“/”，一般表示前后关联对象是一种“或”的关系。
下面结合附图，通过具体的实施例及其应用场景对本申请实施例提供的袋式包装机故障智能诊断方法进行详细地说明。
请参见图1所示，是本申请实施例提供的一种袋式包装机故障智能诊断方法，包括：
步骤S1：获取产品在各个时刻对应的检测值；
步骤S2：根据获取的检测值，获取各产品在同一制造时刻的时刻参数矩阵和同一产品在制造过程中的质量参数矩阵；
步骤S3：根据各产品在同一制造时刻的时刻参数矩阵中各数值的离群度，获取各数值的故障度；
步骤S4：根据每个数值出现故障的程度、同一产品在制造过程中的质量参数矩阵以及各数值的离群度，获取各产品在制造过程中对应的故障度分布矩阵；
步骤S5：根据获取的故障度分布矩阵，得出袋式包装机的故障诊断结果。
在步骤S1中，所述获取产品在各个时刻对应的检测值，包括：
使用传感器获取产品在各个时刻对应的检测值，包括：
在每个产品进行袋包装的过程中，从第一个时刻开始，每经过时间获取一次各传感器对应的检测值，直至该产品袋包装完成，其中，时间/>经验值为0.1秒。
所述传感器包括但不限于振动速度传感器、温度传感器、振动位移传感器、位移加速度传感器、转速传感器以及薄膜标记传感器。
在一些实施例中，所述振动速度传感器和所述温度传感器设置于袋式包装机的电动机底座、初级传动轴轴承座、二级传动轴上隔板以及装盒机后侧动力系统；所述振动位移传感器设置于袋式包装机的装盒机机箱顶角；所述位移加速度传感器设置于袋式包装机的装包机机箱角；所述转速传感器设置于袋式包装机的主机位置；所述薄膜标记传感器安装于袋式包装机内以用于检测薄膜标记（色标）。
需要另外说明的是，为了保证袋式包装机的工作状态保持正常，袋式包装机在运行过程中，袋装包装机本身装置的薄膜标记传感器会不断的检测薄膜标记(色标)，同时机械部分的追踪微动开关检测机械的位置，将上述两种信号送至PLC，经程序运算后，由PLC的输出Y6(正追)、Y12(反追)控制追踪电机的正反追踪，对包装材料在生产过程中出现的误差及时发现同时给予补偿和纠正。按照相同的数据获取方式，在获取上述各传感器对应的数值的同时，获取各时刻薄膜标记位置的误差值的绝对值之和以及误差次数。
当然，传感器获取的检测值可根据实际需要进行调整。
在步骤S2中，根据各产品生产过程中获得的各检测值得到该产品对应的质量参数矩阵，其中，质量参数矩阵由下式表示：
其中，为产品/>对应的质量参数矩阵，该矩阵的每一行对应一个传感器在不同时间获取的检测值，按照获取检测值的时间先后顺序，将传感器在每个时刻获取的检测值从左至右依次填入质量参数矩阵的每一行；/>为每个产品从开始获取检测值到最后一个获取检测值共统计传感器对应检测值的次数；/>为在该产品生产过程中设置的需要获取对应检测值的传感器个数。
举例说明，在该质量参数矩阵中，第a行第b列的数值即为在生产产品的b时刻时第a个传感器对应的检测值。
每个产品从开始进入袋式包装机到包装机包装完成各工序操作和花费时间相同，所以可以跟据获取的检测值获取该袋式包装机生产产品的一段时间内，各个产品从进入生产开始的某个时刻对应的时刻参数矩阵，其中，时刻参数矩阵由下式表示：
其中，为/>时刻的时刻参数矩阵，该矩阵的每一行对应同一个产品在/>时刻各传感器对应的检测值，每行共/>个数值，按照袋式包装机在该时间段内加工产品的先后顺序，将每个产品在/>时刻各传感器对应的检测值逐行填入该时刻参数矩阵； />为袋式包装机在制造过程中加工产品的数量。
举例说明，在时刻参数矩阵中第a行第b列的数值即为在生产第a个产品的时刻时第b个传感器对应的检测值。
在步骤S3中，在袋式包装机对产品进行包装的过程中，不同产品的包装流程是相同的，所以对于每一时刻的时刻参数矩阵来说，同一传感器获取的检测值应较为相近，当出现多个检测值差异较大时，则出现异常的可能性较大。所以，对各个时刻的时刻参数矩阵分别进行分析。
具体的，取时刻参数矩阵中的第列数值，获取第/>列数值包含的各数值的中值、最大值和最小值，将这些数值按照从小到大在数轴上标出，将最小值和最大值分别作为区间端点，将该区间记为总范围。取第/>列数值中的第/>行数值/>，取数值/>在数轴上关于中值的对称值，将数值/>和其对称值分别作为区间端点，将该区间记为数值/>的容纳范围，具体如图2所示，当数值/>的容纳范围内包含的数值越多，则该数值相对于该列其他数值越为离散，则该数值为袋式包装机工作出现故障导致的异常值的可能性较大。
传感器获取的这些数值是在可接受的误差范围内波动的，所以当在正常波动范围内的数值较为偏向于波动范围的两端时，该数值的容纳范围内包含的数值较大，容易被误判为异常值，所以，根据异常值一般偏离中值较多的特征继续对各数值进行评价。当该数值为异常值时，其容纳范围会有部分超出总范围，参见图3所示，当其容纳范围超出总范围的范围（记为该数值的差异范围）越大时，则该值为袋式包装机工作出现故障导致的异常值的可能性较大。
基于上述分析，时刻参数矩阵中各数值的离群度可由下式表示：
其中，为时刻参数矩阵中第/>列值中的第/>行数值/>对应的离群度；/>为数值/>的容纳范围内包含的数值个数；/>为时刻参数矩阵中第/>列包含的数值个数；/>为数值/>的容纳范围，/>为时刻参数矩阵中的第/>列值的总范围，/>为数值/>的差异范围；/>为取括号内范围的长度，即为括号内范围的右端点值减去左端点值；/>为数值/>的差异范围的长度，/>为数值/>的总范围的长度；/>为常数系数，经验值为0.1，该常数系数/>作用为防止该项为0导致离群度为0，使该式无法准确反映出数值的离群度。
离群度为根据该数值所在的列包含的各数值确定的，为根据各产品在同一加工时刻时的同一传感器数值进行比较得到的数值的离群程度，当离群程度越大时，则该数值对应时刻的袋式包装机的传感器监测位置越可能出现了故障。不同传感器测量的数据类型不同，这些数据本身的波动程度也不相同，当波动相同的程度时，实际数值出现的偏离大小存在区别，离群度在衡量过程中与同类数据进行比较，可降低这些数据间客观存在的差异导致的离群程度衡量不准确的问题。
上述离群度的衡量只考虑了单一传感器数值的分布状况，当袋式包装机出现故障时，往往为多个传感器获取的数据均出现了偏离，为使故障诊断更为精准，结合每个时刻的各个传感器数据对每个数值的偏离程度继续进行分析。
时刻参数矩阵的每一行对应同一个产品在该时刻各传感器对应的检测值，将每一行数据作为一个序列，分别取各行对应的序列之间的dtw距离，当某一行数据与其他各行数据之间的dtw距离均较大时，则该行数值对应的时刻更可能为出现故障的袋式包装机进行工作的时刻。
根据上述分析，各数值的故障度由下式表示：
其中，为时刻参数矩阵中第/>列值中的第/>行数值/>对应的故障度；/>为时刻参数矩阵中第/>列值中的第/>行数值/>对应的离群度；/>为时刻参数矩阵中第/>行的各数值对应的离群度的均值；/>为时刻参数矩阵中的第/>行数值与其他各行数值之间的dtw距离的均值；/>为常数系数，经验值为1，该常数系数/>作用为使离群度相较于该行各数据对应的离群度较大的数值对应的/>为大于1的系数，使该数值对应的故障度较大，同时使离群度相较于该行各数据对应的离群度较小的数值对应的/>为小于1的系数，使该数值对应的故障度较小。
至此，获取时刻参数矩阵中每个数值对应的故障度，当时刻参数矩阵中某数值对应的故障度越大时，则该数值对应时刻的袋式包装机的传感器监测位置越可能出现了故障。
在步骤S4中，当袋式包装机产生故障时，从产品进入到机器进行各工序的加工到最后一步加工，一般为部分工序出现故障，不会是所有工序均出现问题，所以，可以以此为依据，根据每个产品对应的质量参数矩阵判断该产品在袋式包装机进行加工时，机器是否出现故障。
根据各个时刻参数矩阵中每个数值对应的故障度获取每个产品对应的质量参数矩阵中各数值对应的故障度，故将各故障度按照对应位置组成的矩阵记为产品对应的故障度分布矩阵。
在步骤S5中，对各产品对应的各个故障度分布矩阵中各数值使用变色龙聚类算法进行聚类，当聚类得到的某个簇内各故障度的均值大于等于时，则认为该簇内各故障度对应的故障度分布矩阵内数值为异常的传感器数值，标记异常的传感器数值的传感器监测的袋式包装机位置，其中，/>的经验值为0.6；当有传感器监测的袋式包装机位置被标记的次数大于等于/>次时，则认为该位置记为袋式包装机出现故障的位置，其中，/>的经验值为5。
再结合图4所示，本申请实施例还提供了一种用于实现所述的方法的袋式包装机故障智能诊断系统，包括检测值获取模块1、矩阵获取模块2、故障度获取模块3、故障度分布矩阵获取模块4以及故障诊断结果得出模块5。
所述检测值获取模块1用于获取产品在各个时刻对应的检测值。
所述矩阵获取模块2用于根据获取的检测值，获取各产品在同一制造时刻的时刻参数矩阵和同一产品在制造过程中的质量参数矩阵。
所述故障度获取模块3用于根据各产品在同一制造时刻的时刻参数矩阵中各数值的离群度，获取各数值的故障度。
所述故障度分布矩阵获取模块4用于根据每个数值出现故障的程度、同一产品在制造过程中的质量参数矩阵以及各数值的离群度，获取各产品在制造过程中对应的故障度分布矩阵。
所述故障诊断结果得出模块5用于根据获取的故障度分布矩阵，得出袋式包装机的故障诊断结果。
本申请具有如下有益效果：
1、根据不同产品在制造工序中同一时刻的同一传感器获取的数值构成的数据范围确定传感器获取的每个数值的离群程度，在获取离群程度的过程中，将每个数值与同类数值进行比较，可降低数值间客观存在的差异导致的离群程度衡量不准确的问题；
2、以离群程度的评价值为基础，结合不同产品对应的多个传感器数值之间的数值组整体差异，得到每个数值对应的故障度，再根据各数据的故障度以及同一产品在制造过程中的质量参数矩阵筛选出出现故障的显著性较大的数值，进而实现可以依据该数值确定袋式包装机疑似故障的位置，最终确定袋式包装机是否出现故障。
上面结合附图对本申请的实施例进行了描述，但是本申请并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本申请的启示下，在不脱离本申请宗旨情况下，还可做出很多形式，均属于本申请的保护之内。
Claims (8)
1.一种袋式包装机故障智能诊断方法，其特征在于，包括：
步骤S1：获取产品在各个时刻对应的检测值；
步骤S2：根据获取的检测值，获取各产品在同一制造时刻的时刻参数矩阵和同一产品在制造过程中的质量参数矩阵；
步骤S3：根据各产品在同一制造时刻的时刻参数矩阵中各数值的离群度，获取各数值的故障度；
步骤S4：根据每个数值出现故障的程度、同一产品在制造过程中的质量参数矩阵以及各数值的离群度，获取各产品在制造过程中对应的故障度分布矩阵；
步骤S5：根据获取的故障度分布矩阵，得出袋式包装机的故障诊断结果；
在步骤S3中，时刻参数矩阵中各数值的离群度由下式表示：
其中，为时刻参数矩阵中第/>列值中的第/>行数值/>对应的离群度；/>为数值/>的容纳范围内包含的数值个数；/>为时刻参数矩阵中第/>列包含的数值个数；/>为数值/>的容纳范围，/>为时刻参数矩阵中的第/>列值的总范围，/>为数值/>的差异范围；/>为取括号内范围的长度，即为括号内范围的右端点值减去左端点值；/>为数值/>的差异范围的长度，/>为数值/>的总范围的长度；/>为常数系数，经验值为0.1；
在步骤S3中，各数值的故障度由下式表示：
其中，为时刻参数矩阵中第/>列值中的第/>行数值/>对应的故障度；/>为时刻参数矩阵中第/>列值中的第/>行数值/>对应的离群度；/>为时刻参数矩阵中第/>行的各数值对应的离群度的均值；/>为时刻参数矩阵中的第/>行数值与其他各行数值之间的dtw距离的均值；为常数系数，经验值为1。
2.根据权利要求1所述的方法，其特征在于，在步骤S1中，所述获取产品在各个时刻对应的检测值，包括：
使用传感器获取产品在各个时刻对应的检测值，包括：
在每个产品进行袋包装的过程中，从第一个时刻开始，每经过时间获取一次各传感器对应的检测值，直至产品袋包装完成。
3.根据权利要求2所述的方法，其特征在于，所述传感器包括振动速度传感器、温度传感器、振动位移传感器、位移加速度传感器、转速传感器以及薄膜标记传感器。
4.根据权利要求3所述的方法，其特征在于，所述振动速度传感器和所述温度传感器设置于袋式包装机的电动机底座、初级传动轴轴承座、二级传动轴上隔板以及装盒机后侧动力系统；所述振动位移传感器设置于袋式包装机的装盒机机箱顶角；所述位移加速度传感器设置于袋式包装机的装包机机箱角；所述转速传感器设置于袋式包装机的主机位置；所述薄膜标记传感器安装于袋式包装机内以用于检测薄膜标记。
5.根据权利要求4所述的方法，其特征在于，在步骤S2中，质量参数矩阵由下式表示：
其中，为产品/>对应的质量参数矩阵，该矩阵的每一行对应一个传感器在不同时间获取的检测值；/>为每个产品从开始获取检测值到最后一个获取检测值共统计传感器对应检测值的次数；/>为在该产品生产过程中设置的需要获取对应检测值的传感器个数；
时刻参数矩阵由下式表示：
其中，为/>时刻的时刻参数矩阵，该矩阵的每一行对应同一个产品在/>时刻各传感器对应的检测值，每行共/>个数值； />为袋式包装机在制造过程中加工产品的数量。
6.根据权利要求1所述的方法，其特征在于，在步骤S4中，所述获取各产品在制造过程中对应的故障度分布矩阵，包括：
将各故障度按照对应位置组成的矩阵记为产品对应的故障度分布矩阵。
7.根据权利要求6所述的方法，其特征在于，在步骤S5中，所述根据获取的故障度分布矩阵，得出袋式包装机的故障诊断结果，包括：
对各产品对应的各个故障度分布矩阵中各数值使用变色龙聚类算法进行聚类，当聚类得到的某个簇内各故障度的均值大于等于时，则认为该簇内各故障度对应的故障度分布矩阵内数值为异常的传感器数值，标记异常的传感器数值的传感器监测的袋式包装机位置，其中，/>的经验值为0.6；当有传感器监测的袋式包装机位置被标记的次数大于等于/>次时，则认为该位置记为袋式包装机出现故障的位置，其中，/>的经验值为5。
8.一种用于实现权利要求1-7任意一项所述的方法的袋式包装机故障智能诊断系统，其特征在于，包括：
检测值获取模块，用于获取产品在各个时刻对应的检测值；
矩阵获取模块，用于根据获取的检测值，获取各产品在同一制造时刻的时刻参数矩阵和同一产品在制造过程中的质量参数矩阵；
故障度获取模块，用于根据各产品在同一制造时刻的时刻参数矩阵中各数值的离群度，获取各数值的故障度；
故障度分布矩阵获取模块，用于根据每个数值出现故障的程度、同一产品在制造过程中的质量参数矩阵以及各数值的离群度，获取各产品在制造过程中对应的故障度分布矩阵；
故障诊断结果得出模块，用于根据获取的故障度分布矩阵，得出袋式包装机的故障诊断结果；
时刻参数矩阵中各数值的离群度由下式表示：
其中，为时刻参数矩阵中第/>列值中的第/>行数值/>对应的离群度；/>为数值/>的容纳范围内包含的数值个数；/>为时刻参数矩阵中第/>列包含的数值个数；/>为数值/>的容纳范围，/>为时刻参数矩阵中的第/>列值的总范围，/>为数值/>的差异范围；/>为取括号内范围的长度，即为括号内范围的右端点值减去左端点值；/>为数值/>的差异范围的长度，/>为数值/>的总范围的长度；/>为常数系数，经验值为0.1；
各数值的故障度由下式表示：
其中，为时刻参数矩阵中第/>列值中的第/>行数值/>对应的故障度；/>为时刻参数矩阵中第/>列值中的第/>行数值/>对应的离群度；/>为时刻参数矩阵中第/>行的各数值对应的离群度的均值；/>为时刻参数矩阵中的第/>行数值与其他各行数值之间的dtw距离的均值；为常数系数，经验值为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310778639.1A CN116502172B (zh) | 2023-06-29 | 2023-06-29 | 一种袋式包装机故障智能诊断方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310778639.1A CN116502172B (zh) | 2023-06-29 | 2023-06-29 | 一种袋式包装机故障智能诊断方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502172A CN116502172A (zh) | 2023-07-28 |
| CN116502172B true CN116502172B (zh) | 2023-09-01 |
Family
ID=87330560
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310778639.1A Active CN116502172B (zh) | 2023-06-29 | 2023-06-29 | 一种袋式包装机故障智能诊断方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502172B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116820056B (zh) * | 2023-08-29 | 2023-11-14 | 青岛义龙包装机械有限公司 | 用于袋式包装机的生产工艺参数处理方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105373110A (zh) * | 2015-12-16 | 2016-03-02 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
| KR20170038348A (ko) * | 2015-09-30 | 2017-04-07 | 한국전력공사 | 동적 설비의 결함 진단 시스템 및 결함 진단 방법 |
| CN107092247A (zh) * | 2017-06-16 | 2017-08-25 | 温州大学 | 一种基于状态数据的包装生产线故障诊断方法 |
| CN110375983A (zh) * | 2019-07-30 | 2019-10-25 | 中国石化销售有限公司华南分公司 | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 |
| WO2020119092A1 (zh) * | 2018-12-12 | 2020-06-18 | 江南大学 | 基于逆向卡尔曼滤波器的Buck变换器故障检测方法 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CN114355846A (zh) * | 2021-12-07 | 2022-04-15 | 华南理工大学 | 一种基于sbr仿真模型的造纸污水处理过程故障诊断方法 |
| CN115268417A (zh) * | 2022-09-29 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
| CA3177645A1 (en) * | 2021-05-11 | 2022-11-11 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks |
-
2023
- 2023-06-29 CN CN202310778639.1A patent/CN116502172B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20170038348A (ko) * | 2015-09-30 | 2017-04-07 | 한국전력공사 | 동적 설비의 결함 진단 시스템 및 결함 진단 방법 |
| CN105373110A (zh) * | 2015-12-16 | 2016-03-02 | 浙江中烟工业有限责任公司 | 卷烟超高速薄膜封装机多工况生产过程在线监测与故障诊断方法 |
| CN107092247A (zh) * | 2017-06-16 | 2017-08-25 | 温州大学 | 一种基于状态数据的包装生产线故障诊断方法 |
| WO2020119092A1 (zh) * | 2018-12-12 | 2020-06-18 | 江南大学 | 基于逆向卡尔曼滤波器的Buck变换器故障检测方法 |
| CN110375983A (zh) * | 2019-07-30 | 2019-10-25 | 中国石化销售有限公司华南分公司 | 基于时间序列分析的阀门故障实时诊断系统及诊断方法 |
| JP7004364B1 (ja) * | 2020-12-31 | 2022-01-21 | ▲広▼州大学 | グラフニューラルネットワークに基づくマルチソースタイミングデータ故障診断方法及び媒体 |
| CA3177645A1 (en) * | 2021-05-11 | 2022-11-11 | Strong Force Vcn Portfolio 2019, Llc | Systems, methods, kits, and apparatuses for edge-distributed storage and querying in value chain networks |
| CN114355846A (zh) * | 2021-12-07 | 2022-04-15 | 华南理工大学 | 一种基于sbr仿真模型的造纸污水处理过程故障诊断方法 |
| CN115268417A (zh) * | 2022-09-29 | 2022-11-01 | 南通艾美瑞智能制造有限公司 | 一种自适应ecu故障诊断控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于动态主元分析法的传感器故障检测;李果;张鹏;李学仁;魏瑞轩;冀捐灶;;数据采集与处理(03);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502172A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116502172B (zh) | 一种袋式包装机故障智能诊断方法及系统 | |
| CN105973168B (zh) | 煤气柜活塞运行诊断系统及方法 | |
| US6373001B1 (en) | Weighing, packaging and inspecting system | |
| CN108363952A (zh) | 诊断装置 | |
| US20210191380A1 (en) | Display system, display method, and non-transitory computer-readable recording medium recording display program | |
| CN103439655A (zh) | 开关磁阻电机位置传感器的带有容错控制的故障诊断方法 | |
| CN110056643A (zh) | 一种旋钮换挡器的挡位自学习方法 | |
| EP3023338B1 (en) | Program library and control apparatus | |
| Klein et al. | Generation of Complex Data for AI-based Predictive Maintenance Research with a Physical Factory Model. | |
| CN111665066B (zh) | 基于卷积神经网络的设备故障自适应上下预警界生成方法 | |
| CN110333689A (zh) | 一种用于包装码垛生产线的物联网数据采集分析系统 | |
| CN108105208A (zh) | 漏油检测装置 | |
| CN113365788A (zh) | 作业判别装置及作业判别方法 | |
| WO2016121689A1 (ja) | 不具合診断方法及び不具合診断システム | |
| CN107614213B (zh) | 故障诊断装置及故障诊断方法 | |
| CN109990803B (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
| CN115167508A (zh) | 一种多旋翼无人机传感器故障安全飞行控制系统及方法 | |
| CN116194855A (zh) | 显示系统、显示方法以及显示程序 | |
| US11676055B2 (en) | System for detecting data drift in machine-learning process monitoring | |
| JPS6024915A (ja) | 成形機の監視方法 | |
| US20210191374A1 (en) | Display system, display method, and non-transitory computer-readable recording medium recording display program | |
| CN106489234A (zh) | 监测碰撞的方法 | |
| JP4707344B2 (ja) | 計量システム | |
| CN117689269B (zh) | 一种智能手表加工阶段的故障溯源方法 | |
| CN114450647B (zh) | 技术系统的诊断 |
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 |