一种基于数据分析的粗纱机运行故障预测系统

摘要

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。

权利要求

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电磁离合器的实时电压数据、实时电流数据、实时线圈温度以及粗纱的波谱图；

数据预处理模块：用于对数据采集模块采集的数据进行预处理并将预处理后的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数据与数据预处理模块预处理后的数据；

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终端进行显示；

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；

所述电压故障预测单元与电流故障预测单元均通过电压分析单元与电流分析单元建立的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，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；

所述层级预测模型包括输入层、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；

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，，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；

所述隐波计算公式为： ，其中，d为输出机件直径，ω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；

所述假波计算公式为： ，其中，Tt为粗纱号数制捻度；

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 计算该层第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。

说明书

一种基于数据分析的粗纱机运行故障预测系统

技术领域

[0001] 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

[0002] 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。

[0003] 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

[0004] 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。

[0005] 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：

[0006] 数据采集模块：用于通过设备采集终端采集预定实时参数；

[0007] 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；

[0008] 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；

[0009] 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；

[0010] 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；

[0011] 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；

[0012] 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。

[0013] 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。

[0014] 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。

[0015] 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。

[0016] 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。

[0017] 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。

[0018] 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。

[0019] 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：

[0020] 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 ；

[0021] 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；

[0022] 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；

[0023] 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。

[0024] 本发明的技术效果和优点：

[0025] 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

[0026] 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。

[0027] 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。

[0028] 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

[0029] 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。

[0030] 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；

[0031] 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；

[0032] 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；

[0033] 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；

[0034] 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；

[0035] 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；

[0036] 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……；

[0037] 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。

[0038] 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。

[0039] 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。

[0040] 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：

[0041] 步骤S01：将原始数据数列记为 ，并对原始数据数列做(1)
一次累加，形成新的数据数列x ，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；

[0042] 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
；

[0043] 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： ；

[0044] 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(0) (0)到原始数据x 的灰色预测模型，所述原始数据x 的灰色预测模型数据表达式为：
(0)
，其中，t=1，2，3……n，且x =0；

[0045] 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： 。

[0046] 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。

[0047] 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。

[0048] 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：

[0049] 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 ；

[0050] 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；

[0051] 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；

[0052] 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；

[0053] 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；

[0054] 所述sigmoid函数公式为： 。

[0055] 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。

[0056] 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。

[0057] 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：

[0058] 步骤S21：通过设备采集终端采集预定实时参数；

[0059] 步骤S22：对步骤S21中采集的预定实时参数进行预处理；

[0060] 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；

[0061] 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；

[0062] 步骤S25：将步骤S24中的数据结果进行人机交互。

[0063] 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。

[0064] 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。

[0065] 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。