阅读说明：本技术 一种智能纺纱生产线故障检测系统 (Intelligent spinning production line fault detection system ) 是由 解艳芳 梅剑香 于 2020-04-22 设计创作，主要内容包括：本发明公开了一种智能纺纱生产线故障检测系统,通过数据采集模块和数据处理模块对运行速度和振动信号进行采集和处理,并提取运行速度参数和特征振动信号参数作为状态识别模块的输入向量；状态识别分模型根据相应的输入向量识别各工序的运行状态,然后通过状态识别总模型对纺纱生产线的运行状态进行识别,并通过状态预警模块发出相应的状态预警信号。本发明通过状态识别分模型和状态识别总模型的双层识别,能够实现纺纱生产线运行状态的全面和可靠识别,从而及时对潜在故障进行预警,减少生产线故障对纺纱效率和质量的影响。(The invention discloses an intelligent spinning production line fault detection system, which is characterized in that a data acquisition module and a data processing module are used for acquiring and processing running speed and vibration signals, and a running speed parameter and a characteristic vibration signal parameter are extracted as input vectors of a state recognition module; the state recognition sub-model recognizes the running state of each process according to the corresponding input vector, then recognizes the running state of the spinning production line through the state recognition total model, and sends out a corresponding state early warning signal through the state early warning module. According to the invention, through double-layer recognition of the state recognition sub-model and the state recognition total model, the comprehensive and reliable recognition of the spinning production line running state can be realized, so that the early warning is timely carried out on potential faults, and the influence of the production line faults on the spinning efficiency and quality is reduced.)

一种智能纺纱生产线故障检测系统

技术领域

本发明属于故障检测技术领域，尤其涉及一种智能纺纱生产线故障检测系统。

背景技术

智能纺纱生产线通常依据纺纱工艺流程，包含清梳、并粗、细纱和络筒四个生产工序，通过传感技术、信息融合技术和工业互联网技术实现纺纱生产线的智能控制。一旦某一工序的某一设备出现故障，将严重影响纱线质量和纺纱效率，甚至给设备和人身安全造成威胁。然而，当生产线某一工序部分发生故障，但又没有影响整个生产线的运行时，不易被及时发现，但产品却因该工序的潜在故障而成为废品，造成极大的损失。因此，急需提供一种智能纺纱生产线故障检测系统，为纺纱工序的顺利进行提供保障。

现有的故障检测技术通常依赖于多传感技术，利用传感器采集设备运行状态信号，然后通过信号处理技术，提取有用的信号，作为判断设备运行状态的指示信号，通过信号的波动识别设备的运行状态。然而，由于设备运行过程的复杂性、随机性和不确定性，而且监测信号易受到传播途径、噪声等因素的影响，使其状态监测难以实现高效性和高精度性，导致设备故障预报和控制非常困难。

例如，申请号为CN201811651018.2的发明专利公开了一种应用于智能制造车间的故障在线检测系统及方法，将图像采集与图像处理技术应用于智能制造车间的产品制造缺陷信息识别与诊断中，对智能制造车间的产品进行实时图像采集、处理与特征提取，获得产品制造信息的特征向量表示；将特征向量作为输入层发送至深度神经网络单元，然后通过基于深度神经网络构建的制造缺陷预测模型，有效利用大量实际智能制造车间制造过程中获得的典型制造缺陷，结合图像采集与图像处理技术，对典型制造缺陷图像构成的标准样本图像库进行训练学习，使得该深度神经网络模型可以用于实时制造的缺陷识别与分类，为智能制造车间的产品制造精度、制造信息收集与分析提供更为准确的参考信息。

但是，由于纺纱生产线的特殊性，在对整个生产线的故障检测过程中，不仅需要考虑生产线中每个工序可能出现的故障，还需要考虑每个工序的故障对整个纺纱生产线的影响。而对故障检测的最优效果是能够对故障进行准确的***和分析，从而及时作出故障应对处理，防患于未然。这就使得纺纱生产线的故障检测相比其他设备或零部件的故障检测更复杂和更难实现，因此有必要结合智能纺纱生产线的特点，为智能纺纱生产线的故障检测提供一种有效途径。

发明内容

针对上述现有技术存在的缺陷，本发明的目的在于提供一种智能纺纱生产线故障检测系统，通过构建纺纱生产线各工序的状态识别分模型和状态识别总模型，并利用历史速度和振动信号的监测数据对模型进行训练，最终实现纺纱生产线运行状态的准确识别，从而及时对潜在故障进行预警，减少生产线故障对纺纱效率和质量的影响。

为实现上述目的，本发明采用以下技术方案实现：

一种智能纺纱生产线故障检测系统，包括依次相连的数据采集模块、数据处理模块、状态识别模块和故障预警模块；其中，

所述数据采集模块通过传感器采集纺纱设备的运行状态信号，并将采集到的状态信号发送至所述数据处理模块；

所述数据处理模块对所述运行状态信号进行降噪处理，然后提取最能反应纺纱设备运行状态的特征信号参数；

所述状态识别模块将所述特征信号参数作为输入向量，利用状态识别模型对纺纱设备的运行状态进行识别，并向故障预警模块发送相应的状态预警指示信号；

所述故障预警模块根据所述状态预警指示信号发出相应的故障预警信号。

进一步的，所述数据采集模块包括清梳联数据采集单元、并粗数据采集单元、细纱数据采集单元和络筒数据采集单元；其中，

所述清梳联数据采集单元用于采集开清棉、喂棉箱和梳棉机的运行状态信号；

所述并粗数据采集单元用于采集并条机和粗纱机的运行状态信号；

所述细纱数据采集单元用于采集细纱机的运行状态信号；

所述络筒数据采集单元用于采集络筒机的运行状态信号。

进一步的，所述状态识别模型包括状态识别分模型和状态识别总模型，所述状态识别分模型包括清梳联状态识别模型、并粗状态识别模型、细纱状态识别模型和络筒状态识别模型；其中，

所述清梳联状态识别模型用于根据所述清梳联数据采集单元采集的运行状态信号，识别开清棉、喂棉箱和梳棉机的运行状态；

所述并粗状态识别模型用于根据所述并粗数据采集单元采集的运行状态信号，识别并条机和粗纱机的运行状态；

所述细纱状态识别模型用于根据所述细纱数据采集单元采集的运行状态信号，识别细纱机的运行状态；

所述络筒状态识别模型用于根据所述络筒数据采集单元采集的运行状态信号，识别络筒机的运行状态；

所述状态识别总模型用于根据所述状态识别分模型的识别结果，对所述纺纱生产线的运行状态进行综合识别。

进一步的，所述传感器包括速度传感器和振动传感器，所述运行状态信号包括运行速度信号和振动频率信号。

进一步的，所述数据处理模块对所述振动频率信号进行降噪处理，然后提取最能反应纺纱设备运行状态的特征振动信号参数；所述数据处理模块从所述运行速度信号中提取运行速度参数；所述数据处理模块将所述特征振动信号参数和运行速度参数一起发送至所述状态识别模块。

进一步的，所述特征振动信号参数的提取方法包括以下步骤：

(1)对所述振动信号进行离散小波变换，得到各个尺度的振动信号小波系数；

(2)利用小波降噪技术，对各个尺度的振动信号小波系数进行降噪处理，得到振动信号的小波系数和尺度系数；

(3)根据所述小波系数和尺度系数，得到沿尺度分布的振动信号特征尺度参数，然后构造振动信号特征尺度向量；

(4)从所述振动信号特征尺度向量中提取最能反映纺纱设备故障特征的振动信号特征尺度参数，构建特征振动信号参数向量；

所述最能反映纺纱设备故障特征的振动信号特征尺度参数通过纺纱设备正常运转时的振动信号频率确定。

进一步的，所述状态识别模块将所述特征振动信号参数和运行速度参数作为输入向量，利用状态识别分模型分别对相应的纺纱设备的运行状态进行识别，并通过状态识别总模型对纺纱生产线的运行状态进行综合识别，然后向故障预警模块发送相应的状态预警指示信号。

进一步的，所述状态识别分模型包括纺纱设备状态分布概率矢量χ、纺纱设备状态转移概率矩阵A、观测值概率分布U和状态停留时间概率分布V，记为Φ_r＝(χ_r，A_r，U_r，V_r)，r为1到4的正整数，Φ₁、Φ₂、Φ₃和Φ₄分别表示清梳联状态识别模型、并粗状态识别模型、细纱状态识别模型和络筒状态识别模型。

进一步的，所述状态识别分模型首先通过所述数据采集模块采集的纺纱设备历史运行状态信号对模型进行训练，获得纺纱设备各个状态下的模型参数；然后根据所述数据采集模块采集的纺纱设备当前运行状态信号，确定纺纱设备当前运行状态模型参数，通过纺纱设备当前模型参数与纺纱设备各个状态下的模型参数的匹配程度，判断纺纱设备当前的运行状态。

进一步的，所述状态识别总模型根据所述状态识别分模型得到的各工序纺纱设备当前的运行状态S_r、各工序运行状态权重ω和各工序关联度R确定纺纱生产线的运行状态，记为ψ＝(S_r，ω，R)，r为1到4的正整数。

有益效果

与现有技术相比，本发明提供的智能纺纱生产线故障检测系统具有如下有益效果：

(1)本发明提供的智能纺纱生产线故障检测系统通过数据采集模块和数据处理模块对运行速度和振动信号进行采集和处理，并提取运行速度参数和特征振动信号参数作为状态识别模块的输入向量；状态识别分模型根据相应的输入向量识别各工序的运行状态，然后通过状态识别总模型对纺纱生产线的运行状态进行识别，并通过状态预警模块发出相应的状态预警信号，能够实现纺纱生产线运行状态的准确识别，从而及时对潜在的故障进行预警，减少生产线故障对纺纱效率和质量的影响。

(2)本发明依据纺纱生产线中，运行速度的多变性，尤其是并粗和细纱工序中，罗拉的速度需要依据棉条质量的变化而不断变化，通过同时采集运行速度信号和振动信号，排除速度变化对振动信号的影响，从而提高状态识别时输入向量的可靠性，进而提高状态识别的准确度。

(3)本发明依据纺纱设备正常运转时的振动频率所属频段，提取最能反映纺纱设备故障特征的特征振动信号参数，将状态识别的输入向量简化，既减少了状态识别时的工作量，提高了状态识别的效率，又提高了状态识别的准确度。

(4)本发明通过构建状态识别分模型和状态识别总模型，首先对各个工序的运行状态进行识别，然后通过状态识别分模型确定各工序的状态运行模型参数，并依据各工序运行状态权重和各工序关联度确定整个纺纱生产线的运行状态，既能对各工序的运行状态进行单独预测，又能对整个纺纱生产线的运行状态进行预测，通过将单一工序的状态变化对整个纺纱生产线状态变化的影响纳入状态识别范畴，提高了纺纱生产线故障检测的全面性、可靠性和有效性，通过将各工序运行状态权重和各工序关联度纳入状态识别总模型中，能够实现工序之间的故障连带性检测，从而提高纺纱生产线的故障预见性。

附图说明

图1为本发明提供的智能纺纱生产线故障检测系统组成框图；

图2为特征振动信号提取方法流程图；

图3为本发明提供的智能纺纱生产线故障检测系统工作流程图；

图4为本发明提供的智能纺纱生产线故障检测系统状态识别过程框图。

具体实施方式

以下将对本发明各实施例的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例；基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的所有其它实施例，都属于本发明所保护的范围。

本发明提供一种智能纺纱生产线故障检测系统，主要通过对智能纺纱生产线的状态识别，判断智能纺纱生产线是否存在潜在故障，从而及时对潜在的故障进行预警，减少生产线故障对纺纱效率和质量的影响。

根据智能纺纱生产线的工艺流程和特点，可将纺纱生产线划分为清梳、并粗、细纱和络筒四个生产工序。其中，清梳工序主要包含抓棉机、混棉机、开棉机、清棉机、喂棉箱和梳棉机；并粗工序包括并条机和粗纱机，并条机和粗纱机都包含牵伸罗拉；细纱工序通过细纱机对粗纱进行牵伸和加捻；络筒工序通过络筒机将来自细纱工序的管纱或绞纱在络筒机上加工成符合一定要求的筒子。每个纺纱设备在运行过程中都会产生振动信号，当设备运行状态发生变化时，振动频率也会发生相应的波动。

原棉经过纺纱生产线的每个生产工序依次进行处理后，得到细纱线，每个工序之间在独自运行的过程中，也相互影响。如若清梳工序发生故障，可能导致得到的棉条粗细不均，严重影响并条效果、最终使得细纱质量不合格。

基于此，本发明提供一种智能纺纱生产线故障检测系统，请参阅图1所示，包括依次相连的数据采集模块、数据处理模块、状态识别模块和故障预警模块。

其中，所述数据采集模块包括清梳联数据采集单元、并粗数据采集单元、细纱数据采集单元和络筒数据采集单元，各数据采集单元通过传感器采集纺纱设备的运行状态信号，并将采集到的状态信号发送至所述数据处理模块。

其中，清梳联数据采集单元用于采集开清棉、喂棉箱和梳棉机的运行状态信号；并粗数据采集单元用于采集并条机和粗纱机的运行状态信号；细纱数据采集单元用于采集细纱机的运行状态信号；络筒数据采集单元用于采集络筒机的运行状态信号。

进一步的，数据采集单元通过速度传感器和振动传感器采集纺纱设备的运行速度信号和振动频率信号。

数据处理模块对振动频率信号进行降噪处理，然后提取最能反应纺纱设备运行状态的特征振动信号参数；数据处理模块从运行速度信号中提取运行速度参数；数据处理模块将所述特征振动信号参数和运行速度参数一起发送至所述状态识别模块。

请参阅图2所示，特征振动信号参数通过以下步骤提取：

(1)对振动信号进行离散小波变换，得到各个尺度的小波系数，具体如下：

对振动信号x(n)进行m层离散小波分解与重构，得到各个尺度的小波系数和尺度系数

它们分别包含了振动信号从高频到低频不同频带的振动信息，体现了不同尺度下局部能量的直观估计。

(2)对小波系数利用小波降噪技术，进行降噪处理，得到信噪比较高的小波系数D_j＝{d_j(k),k＝1,2,…,N,j＝1,2,…,m}和尺度系数C_m。为了统一，将C_m表示为D_m+1，则可以把D_j＝{d_j(k),k＝1,2,…,N,j＝1,2,…,m，m+1}看成对振动信号x(n)的一种划分。

(3)根据小波系数和尺度系数，得到沿尺度分布的振动信号特征尺度参数，然后构造振动信号特征尺度向量，具体为：

在得到信噪比较高的小波系数D_j＝{d_j(k),k＝1,2,…,N,j＝1,2,…,m，m+1}的基础上，由式(1)和式(2)分别求得各个尺度的振动信号特征尺度参数W，进而以各个尺度的振动信号特征尺度参数为元素构造一个振动信号特征尺度向量，表示为T，则T＝[W₁,W₂,…,W_m]；

其中，因为第m+1层的低频重构信号可以认为是低频的渐变信号，其振动信号特征尺度参数很小，因此可将W_(m+1)忽略不计。

式中，d_F(j)(k)为d_(j)(k)的傅里叶变换，j＝1,2,…,m,m+1，W_j为振动信号x(n)的第j尺度的振动信号特征尺度参数。

(4)从振动信号特征尺度向量中提取最能反映纺纱设备故障特征的振动信号特征尺度参数，构建特征振动信号参数向量。

其中，最能反映纺纱设备故障特征的振动信号特征尺度参数通过纺纱设备正常运转时的振动频率确定，具体根据采集的振动信号对应的纺纱设备的振动频率确定。

若纺纱设备振动频率为高频段，则选取高频段尺度小波系数的振动信号特征尺度参数作为特征信号参数向量；若纺纱设备振动频率为低频段，则选取低频段尺度小波系数的振动信号特征尺度参数作为特征信号参数向量。

状态识别模块用于将所述特征振动信号参数和运行速度参数作为输入向量，记为E(t)＝(ν(t)，T(t))，表示t时刻的输入向量，利用状态识别模型对纺纱设备的运行状态进行识别，并向故障预警模块发送相应的状态预警指示信号。

状态识别模型包括状态识别分模型和状态识别总模型，其中，状态识别分模型包括清梳联状态识别模型、并粗状态识别模型、细纱状态识别模型和络筒状态识别模型。

具体的，清梳联状态识别模型用于根据清梳联数据采集单元采集的运行状态信号，识别开清棉、喂棉箱和梳棉机的运行状态；并粗状态识别模型用于根据所述并粗数据采集单元采集的运行状态信号，识别并条机和粗纱机的运行状态；细纱状态识别模型用于根据所述细纱数据采集单元采集的运行状态信号，识别细纱机的运行状态；络筒状态识别模型用于根据所述络筒数据采集单元采集的运行状态信号，识别络筒机的运行状态；状态识别总模型用于根据所述状态识别分模型的识别结果，对所述纺纱生产线的运行状态进行综合识别。

状态识别模块利用所述状态识别分模型分别对相应的纺纱设备的运行状态进行识别，并通过状态识别总模型对纺纱生产线的运行状态进行综合识别，然后向故障预警模块发送相应的状态预警指示信号，所述故障预警模块根据所述状态预警指示信号发出相应的故障预警信号。

其中，状态识别分模型包括纺纱设备状态分布概率矢量χ、纺纱设备状态转移概率矩阵A、观测值概率分布U和状态停留时间概率分布V，记为Φ_r＝(χ_r，A_r，U_r，V_r)，r为1到4的正整数，Φ₁、Φ₂、Φ₃和Φ₄分别表示清梳联状态识别模型、并粗状态识别模型、细纱状态识别模型和络筒状态识别模型。

其中，所述纺纱设备状态分布概率矢量χ＝(χ₁,χ₂,…,χ_N)，如式(3)所示：

χ_i＝P(q₁＝h_i),1≤i≤N (3)

式中，N为纺纱设备运行状态数，而且，状态1表示正常状态，状态2到N的表示纺纱设备所处状态逐渐恶化，即逐渐接近故障状态；h_i为第i个退化状态；q₁表示初始时刻1的设备宏观状态；则χ_i表示纺纱设备第i个运行状态的概率。例如对于一个纺纱生产线的正常状态，则有χ＝(1,0,…,0)。

纺纱设备状态转移概率矩阵A＝{a_ij}_N×N，其中a_ij如式(4)所示：

a_ij＝P(q_t+1＝S_j|q_t＝S_i),1≤i,j≤N (4)

式中，S_i和S_j表示设备微观状态，q_t+1和q_t分别表示t+1和t时刻的设备宏观状态。

观测值概率密度函数如式(5)所示：

其中，N(X,μ_jk,∑_jk)为概率密度函数，它的均值为μ_jk，协方差矩阵为∑_jk，k为组成U_j(X)的混合概率密度函数的个数，c_jk是第k个分量的权重，满足则观测值概率分布U如式(6)所示：

U＝(U_j(X),j＝0,1,2,…,N) (6)

状态停留时间概率函数如式(7)所示：

V_i(d)＝P(d|q_t＝i),1≤i≤N,1≤d≤D (7)

式中，V_i(d)表示第i个状态持续d个时间单元的概率，D为状态的最大停留时间，则状态停留时间概率分布V＝(V_i(d))_N×D。

在具体进行故障检测时，状态识别分模型首先通过所述数据采集模块采集的纺纱设备历史运行状态信号对模型进行训练，获得纺纱设备各个状态下的模型参数；然后根据所述数据采集模块采集的纺纱设备当前运行状态信号，确定纺纱设备当前模型参数，通过纺纱设备当前模型参数与纺纱设备各个状态下的模型参数的匹配程度，判断纺纱设备当前的运行状态，并给出纺纱设备当前所处的状态等级。

通过反复迭代和状态重估的方法对状态识别分模型进行训练，具体包括以下步骤：

(1)在训练开始时先通过将振动信号进行等间隔划分来获得模型参数初值Φ_k0，根据初值构成的状态识别分模型，将输入的训练数据对应于各状态进行分割；

(2)对模型中的观测值概率分布U和状态停留时间概率分布V进行重估，得到该状态的观测值概率分布U和状态停留时间概率分布V参数值；

(3)由步骤(2)得到一套新的状态识别分模型初值Φ′_k0，将Φ′_k0作为初值对状态识别分模型进行重估得到模型参数Φ″_k0，将得到的结果同原始初值Φ_k0进行比较，如果差值小于预置阈值，则说明模型参数已收敛，无需再进行重估计算，此时将计算结果作为状态识别分模型参数输出；否则，将计算结果作为新的初值作新一轮运算。

进一步的，状态识别总模型根据所述状态识别分模型得到的各工序纺纱设备当前的运行状态S_r、各工序运行状态权重ω和各工序关联度R确定纺纱生产线的运行状态，记为ψ＝(S_r，ω_r，R_r)，r为1到4的正整数。

其中，所述各工序运行状态权重ω_r表示各工序的运行在纺纱生产线中的重要程度，满足ω₁+ω₂+ω₃+ω₄＝1，通过式(8)计算得到：

式中，

表示工序r运行状态模型参数。

所述各工序关联度由纺纱生产工艺的特点及各工序之间的关联性决定，通过将各工序运行状态权重和各工序关联度纳入状态识别总模型中，能够实现各工序之间的故障连带性检测，从而提高纺纱生产线的故障预见性。

请参阅图3和图4所示，本发明的故障检测方法包括以下步骤：

S1.数据采集模块分别采集清梳联工序、并粗工序、细纱工序和络筒工序的运行速度信号和振动频率信号，并将采集的信号传送至数据处理模块；

S2.数据处理模块通过信号转换处理和特征提取获得运行速度参数和特征振动信号参数，记为E(t)＝(ν(t),T(t))，将其作为状态识别模块的输入向量；

S3.清梳联状态识别模型、并粗状态识别模型、细纱状态识别模型和络筒状态识别模型分别根据清梳联工序、并粗工序、细纱工序和络筒工序的输入向量E1(t)、E2(t)、E3(t)、E4(t)，确定纺纱设备当前运行状态模型参数

通过纺纱设备当前模型参数与纺纱设备各个状态下的模型参数的匹配程度，判断纺纱设备当前的运行状态S₁、S₂、S₃、S₄；

S4.状态识别总模型根据各工序纺纱设备当前的运行状态S₁、S₂、S₃、S₄、各工序运行状态权重ω和各工序关联度R确定纺纱生产线的运行状态TS。

本发明依据纺纱生产线中，运行速度的多变性，尤其是并粗和细纱工序中，罗拉的速度需要依据棉条质量的变化而不断变化，通过同时采集运行速度信号和振动信号，排除速度变化对振动信号的影响，从而提高状态识别时输入向量的可靠性，进而提高状态识别的准确度。然后通过状态识别分模型和状态识别总模型，首先对各个工序的运行状态进行识别，然后通过状态识别分模型确定各工序的状态运行模型参数，并依据各工序运行状态权重和各工序关联度确定整个纺纱生产线的运行状态，既能对各工序的运行状态进行单独预测，又能对整个纺纱生产线的运行状态进行预测，通过将单一工序的状态变化对整个纺纱生产线状态变化的影响纳入状态识别范畴，提高了纺纱生产线故障检测的全面性、可靠性和有效性。

以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。