一种纺织设备运维与故障预诊断系统

计算;推算;计数设备的制造及其应用技术一种纺织设备运维与故障预诊断系统【技术领域】1.本发明涉及一种纺织设备故障预测系统，具体涉及一种纺织设备运维与故障预诊断系统，属于纺织设备配套系统技术领域。背景技术：2.中国是世界上最大的纺织品加工和出口国，已经形成上下游产业链配套齐全的生产加工体系。近年来，随着计算机技术的不断发展，纺织企业大规模数字化、信息化生产十分必要。3.中国发明专利(申请号202010385860.7)涉及一种纺织纱线断线监控系统、设备及方法，包括断线处理模块、断线报警处理模块、数据处理单元和终端处理单元，其实现了对纱线断头情况进行分析，当发现纱线有断头的现象时，通过预先设置的声光报警仪进行报警，处理模块还会将获取的加工参数与预先设定的标准阈值范围比较，找出断头的原因。但是该方法不能提前预测设备是否发生故障，只能被动的等待故障出现后才能进行发现并维护。4.中国发明专利(申请号201711029979.5)涉及一种基于大数据的输电线路故障预警方法及系统。该系统能够收集线路的隐患及外破信息进行采集上报并结合线路的隐患及外破信息、隐患历史数据和外破历史数据采用大数据挖掘算法进行数据挖掘，分析隐患发生的概率，并将分析结果作为预警信息进行输出。但是该方法对于收集到的信息处理不完善，形成的预测容易受到个别值的影响。5.在现阶段，由于高端羊绒纱线因其保暖效果好、手感细腻等优点备受关注，有着很广阔的市场。但是因为其高昂的产品单价，在发现生产设备出现故障时，往往已经产生了大量的残次品羊绒纱线，大大降低生产利润。6.因此，为解决上述技术问题，确有必要提供一种创新的纺织设备运维与故障预诊断系统，以克服现有技术中的所述缺陷。技术实现要素：7.为解决上述问题，本发明的目的在于提供一种纺织设备运维与故障预诊断系统，其利用数据采集设备，对设备状态进行实时监控分析，记录设备运行状态的变化趋势，建立设备运行状态与纱线质量的关系数据库。同时利用神经网络技术，实现了对设备的提前预测，在纱线产品未下降到不良品时发出设备维护要求，实现设备预判性维护，减少纱线次品概率。8.为实现上述第一目的，本发明采取的技术方案为：一种纺织设备运维与故障预诊断系统，其包括数据采集模块、数据分析存储模块、神经网络预测模块以及结果显示与决策辅助模块；其中，9.所述数据采集模块利用传感器和质量检测设备采集毛纺生产过程中的各项设备运行状态参数以及纱线产品质量参数，并利用无线通信路由通过网络实时传送至企业云平台；10.所述数据分析存储模块采用apachespark大数据计算框架，进行弹性分布式数据集存储，依靠信息算子建立多个不同标签的聚类，对数据采集模块收集到的数据进行分类形成不同聚类并存储，建立设备运行状态参数数据库和产品质量参数数据库，并保存在企业云平台中；11.所述神经网络预测模块包含第一神经网络和第二神经网络，通过将包含毛纺生产设备故障状态对应的设备运行状态参数数据和产品质量参数数据作为训练样本输入已经完成训练的第一神经网络，得到不同故障对应设备运行状态参数数据和产品质量参数的不同权重值，并对运行状态参数数据和产品质量参数提取特征信息；第二神经网络在第一神经网络的基础上进行训练，通过输入一组状态值，结合第一神经网络所形成权重值与运行关系，预测设备接下来的运行状态，并将结果存入数据库，作为后续神经网络系统学习更新的数据；所训练的深度神经网络会得出每个聚类与设备故障状态之间的关系，并给予每个聚类对于不同故障情况下不同的注意力权重值，并形成相应的特征信息数据库；利用第一神经网络对所获取到的生产参数提取特征信息，并赋予相对应的注意力权重值，第二神经网络实时接受设备运行状态与产品质量参数，形成设备运行状态及故障预诊断结论，并发送到中央控制室的中央控制屏；12.所述结果显示与决策辅助模块包括将设备正常运行状态参数变化曲线、设备运行实时状态参数变化曲线、辅助决策结论，显示在中央控制屏上，通过无线通信将状态变化曲线和设备故障预诊断结论实时发送给企业管理层和技术管理层，企业管理层和技术管理层人员基于设备故障预诊断结论进行设备是否检修和维护的相应决策。13.本发明的纺织设备运维与故障预诊断系统进一步为：所述传感器和质量检测设备包括工业摄像机、细度测量仪、支数测量仪、工业摄像头、纱线智能检测头和在线条干仪检测、速度测量仪、电压电流测量仪、压力传感器、捻度测量仪。14.本发明的纺织设备运维与故障预诊断系统进一步为：所述设备运行状态参数包括毛机的清仓器速度、喷嘴最大流量、油水比例；梳毛机的工作辊转速、皮板速度、锡林转速；细纱机的假捻器速度、落纱次数、牵伸倍数；络筒机的平均车速、上纱速度；并线机的卷绕张力和股数；倍捻机的平均锭速、落纱时间、卷绕速度；以及各设备的运行电压电流。15.本发明的纺织设备运维与故障预诊断系统进一步为：所述纱线产品质量参数包括毛纺的纤维长度，纤维细度，毛纺的出条支数，毛羽的均匀度，纱线的断头率、纱线张力，纱线捻度以及纱线色差。16.本发明的纺织设备运维与故障预诊断系统进一步为：所述数据分析存储模块的数据来源包括设备日常生产时采集到的生产数据、利用计算机对生产设备进行系统仿真时获得的数据以及专家对设备的日常维护的故障判断与经验。17.本发明的纺织设备运维与故障预诊断系统进一步为：所述第一神经网络的运行包括如下过程：构建基于m组所述设备故障状态对应的m个第一特征向量矩阵和基于n组所述不同聚类数据对应的n个的第二特征向量矩阵作为训练样本输入已经完成训练的第一神经网络；所训练的深度神经网络会得出每个聚类与设备故障状态之间的关系，并给予每个聚类对于不同故障情况下不同的注意力权重值，并形成相应的特征信息数据库。18.其中注意力权重值计算公式包括19.rij＝mlp([ai；bj])[0020]其中，所述rij表示第i组所述设备故障状态与第j组所述学不同聚类数据之间的注意力权重值，所述ai表示第i组所述设备故障状态对应的第i个第一特征向量矩阵，所述bj表示第j组所述不同聚类数据在所述第二特征向量矩阵中对应的第j组列向量，所述[ai；bj]表示所述ai与所述bj的拼接两数，mlp()表示mlp函数，所述i的取1至m中的任一整数，所述j的取1至n中的任一整数。[0021]本发明的纺织设备运维与故障预诊断系统还可为：所述第二神经网络在第一神经网络的基础上完成训练，通过输入一组状态值，结合第一神经网络所形成权重值与运行关系，预测设备接下来的运行状态，并将结果存入数据库，作为后续神经网络系统学习更新的数据；[0022]其中，其预测特征匹配算法为：设a1，a2是识别框架下的两个命题，m(a1)，m(a2)是其基本概率赋值，满足：[0023]m(a1)＝max{m(ai)，ai∈u}[0024]m(a2)＝max{m(ai)，ai∈u,且ai≠a1}[0025]若有：[0026]m(a1)-m(a2)≥x1[0027]m(u)≤x2[0028]m(a1)≥m(u)[0029]则a1即为判决结果，其中x1，x2为预先设定的门限。[0030]其中结果显示与决策辅助模块将会实时显示设备的生产运行状态并提供相应的维护方案，并要求员工及时进行设备维护。[0031]与现有技术相比，本发明具有如下有益效果：[0032]1.本发明通过实时采集大量的生产设备状态参数和产品质量参数，通过无线通信技术输入到一级、二级神经网络中，通过大数据分析得到设备故障的趋势曲线，得到设备未来是否发生故障、是否需要维护的预判性决策，实现了纺织设备的故障预测，可以在设备未发生故障前提前进行维护。[0033]2.一旦设备发生故障，会导致设备停机，降低生产效率。本发明实现了设备的故障预判，减少了因为设备故障导致的无效停机，因此，提高了生产效率。[0034]3.纺纱设备在故障发生过程中，产品质量就会下降。对于高端纱线，设备生产性能的下降将直接影响成品质量，使得生产不稳定性、纱线质量不稳定。本发明实现了设备的故障预判，在设备未出现故障时就介入维护，提高了生产过程和纱线产品的稳定性，有利于企业质量把控，占领高端市场。[0035]4.本发明在设备还没出现故障时，实现了由机器判断设备是否需要维护，减少了工人巡检时间，降低人工成本。[0036]5.本发明在故障预判时加入了注意力机制，给予不同参数以不同权重，有效提高预测的准确性。采用深度神经网络，可以通过日常预测训练，不断学习，进一步提高设备故障预判的准确性。[0037]6.本发明通过加装5g物联网通信模块，将采集到的运行数据发送到云端，替代现有状态感知的有线传输方式，满足端到端的数据传递，实现工厂内多设备的数据互通，提高预测的及时性。【附图说明】[0038]图1是本发明的纺织设备运维与故障预诊断系统的原理框图。[0039]图2是本发明的纺织设备运维与故障预诊断系统的运行图。[0040]图3是本发明的神经网络训练流程图。[0041]图4是本发明的神经网络设备状态预测流程图。【具体实施方式】[0042]请参阅说明书附图1至附图4所示，本发明为一种纺织设备运维与故障预诊断系统，该系统由数据采集模块、数据分析存储模块、神经网络预测模块以及结果显示与决策辅助模块等几部分组成，其实时采集、计算、分析生产参数，进行实时、快速的设备运维与故障预诊断，降低纱线次品率。[0043]其中，所述数据采集模块利用传感器和质量检测设备采集毛纺生产过程中的各项设备运行状态参数以及纱线产品质量参数，并利用无线通信路由通过网络实时传送至企业云平台。[0044]所述传感器和质量检测设备包括但不限于工业摄像机、细度测量仪、支数测量仪、工业摄像头、纱线智能检测头和在线条干仪检测、速度测量仪、电压电流测量仪、压力传感器、捻度测量仪。[0045]所述设备运行状态参数包括毛机的清仓器速度、喷嘴最大流量、油水比例；梳毛机的工作辊转速、皮板速度、锡林转速；细纱机的假捻器速度、落纱次数、牵伸倍数；络筒机的平均车速、上纱速度；并线机的卷绕张力和股数；倍捻机的平均锭速、落纱时间、卷绕速度；以及各设备的运行电压电流。[0046]所述纱线产品质量参数包括毛纺的纤维长度，纤维细度，毛纺的出条支数，毛羽的均匀度，纱线的断头率、纱线张力，纱线捻度以及纱线色差。[0047]所述无线通信路由融合sdh光传输技术改接线路的优势，优化数据传输时的线路分配问题，通过避开拥堵线路的方式提高数据传输时的速度和稳定性。[0048]所述网络由低功耗无线节点、相应无线自组网、以及自适应通信技术组成，用于生产中各参数的无线传输。[0049]进一步的，所述数据分析存储模块采用apachespark大数据计算框架，进行弹性分布式数据集存储，依靠信息算子建立多个不同标签的聚类，对数据采集模块收集到的数据进行分类形成不同聚类并存储，建立设备运行状态参数数据库和产品质量参数数据库，并保存在企业云平台中。其中，所述数据分析存储模块的数据来源包括设备日常生产时采集到的生产数据、利用计算机对生产设备进行系统仿真时获得的数据以及专家对设备的日常维护的故障判断与经验。[0050]进一步的，所述神经网络预测模块包含第一神经网络和第二神经网络，通过将包含毛纺生产设备故障状态对应的设备运行状态参数数据和产品质量参数数据作为训练样本输入已经完成训练的第一神经网络，得到不同故障对应设备运行状态参数数据和产品质量参数的不同权重值，并对运行状态参数数据和产品质量参数提取特征信息；第二神经网络在第一神经网络的基础上进行训练，通过输入一组状态值，结合第一神经网络所形成权重值与运行关系，预测设备接下来的运行状态，并将结果存入数据库，作为后续神经网络系统学习更新的数据；所训练的深度神经网络会得出每个聚类与设备故障状态之间的关系，并给予每个聚类对于不同故障情况下不同的注意力权重值，并形成相应的特征信息数据库；利用第一神经网络对所获取到的生产参数提取特征信息，并赋予相对应的注意力权重值，第二神经网络实时接受设备运行状态与产品质量参数，形成设备运行状态及故障预诊断结论，并发送到中央控制室的中央控制屏。[0051]具体的说，所述第一神经网络的运行包括如下过程：构建基于m组所述设备故障状态对应的m个第一特征向量矩阵和基于n组所述不同聚类数据对应的n个的第二特征向量矩阵作为训练样本输入已经完成训练的第一神经网络；所训练的深度神经网络会得出每个聚类与设备故障状态之间的关系，并给予每个聚类对于不同故障情况下不同的注意力权重值，并形成相应的特征信息数据库。[0052]其中注意力权重值计算公式包括[0053]rij＝mlp([ai；bj])[0054]其中，所述rij表示第i组所述设备故障状态与第j组所述学不同聚类数据之间的注意力权重值，所述ai表示第i组所述设备故障状态对应的第i个第一特征向量矩阵，所述bj表示第j组所述不同聚类数据在所述第二特征向量矩阵中对应的第j组列向量，所述[ai；bj]表示所述ai与所述bj的拼接两数，mlp()表示mlp函数，所述i的取1至m中的任一整数，所述j的取1至n中的任一整数。[0055]所述第二神经网络在第一神经网络的基础上完成训练，通过输入一组状态值，结合第一神经网络所形成权重值与运行关系，预测设备接下来的运行状态，并将结果存入数据库，作为后续神经网络系统学习更新的数据；[0056]其中，其预测特征匹配算法为：设a1，a2是识别框架下的两个命题，m(a1)，m(a2)是其基本概率赋值，满足：[0057]m(a1)＝max{m(ai)，ai∈u}[0058]m(a2)＝max{m(ai)，ai∈u,且ai≠a1}[0059]若有：[0060]m(a1)-m(a2)≥x1[0061]m(u)≤x2[0062]m(a1)≥m(u)[0063]则a1即为判决结果，其中x1，x2为预先设定的门限。[0064]其中结果显示与决策辅助模块将会实时显示设备的生产运行状态并提供相应的维护方案，并要求员工及时进行设备维护。[0065]再进一步的，所述结果显示与决策辅助模块包括将设备正常运行状态参数变化曲线、设备运行实时状态参数变化曲线、辅助决策结论，显示在中央控制屏上，通过无线通信将状态变化曲线和设备故障预诊断结论实时发送给企业管理层和技术管理层，企业管理层和技术管理层人员基于设备故障预诊断结论进行设备是否检修和维护的相应决策。[0066]综上所述，本发明的纺织设备运维与故障预诊断系统利用数据采集设备，对设备状态进行实时监控分析，记录设备运行状态的变化趋势，建立设备运行状态与纱线质量的关系数据库；同时利用神经网络技术，实现了对设备的提前预测，在纱线产品未下降到不良品时发出设备维护要求，实现设备预判性维护，减少纱线次品概率。[0067]因此，本发明的纺织设备运维与故障预诊断系统实现了故障发生可以预测，提前对设备进行维护，降低设备因故障产生的停机时间；实现了由机器判断设备是否需要维护，减少了工人巡检时间，降低人工成本；在故障预判时加入了注意力机制，给予不同参数以不同权重，有效提高预测的准确性；采用深度神经网络，可以通过日常预测训练，不断学习，提高预测准确性；利用无线通信技术，实现工厂内多设备的数据互通，提高预测的及时性。[0068]以上的具体实施方式仅为本创作的较佳实施例，并不用以限制本创作，凡在本创作的精神及原则之内所做的任何修改、等同替换、改进等，均应包含在本创作的保护范围之内。









图片声明：本站部分配图来自人工智能系统AI生成,觅知网授权图片,PxHere摄影无版权图库。本站只作为美观性配图使用,无任何非法侵犯第三方意图,一切解释权归图片著作权方,本站不承担任何责任。如有恶意碰瓷者,必当奉陪到底严惩不贷!




内容声明：本文中引用的各种信息及资料（包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主体（包括但不限于公司、媒体、协会等机构）的官方网站或公开发表的信息。部分内容参考包括:(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供参考使用,不准确地方联系删除处理！本站为非盈利性质站点,发布内容不收取任何费用也不接任何广告!




免责声明：我们致力于保护作者版权，注重分享，被刊用文章因无法核实真实出处，未能及时与作者取得联系，或有版权异议的，请联系管理员，我们会立即处理，本文部分文字与图片资源来自于网络，部分文章是来自自研大数据AI进行生成,内容摘自(百度百科,百度知道,头条百科,中国民法典,刑法,牛津词典,新华词典,汉语词典,国家院校,科普平台)等数据,内容仅供学习参考,不准确地方联系删除处理!的,若有来源标注错误或侵犯了您的合法权益，请立即通知我们，情况属实，我们会第一时间予以删除，并同时向您表示歉意,谢谢!