CN110175659A - 纺丝机故障监测方法 - Google Patents

Abstract

本申请涉及一种纺丝机故障监测方法、装置、计算机设备和存储介质。所述方法包括：获取纺丝机的预定区域的待监测图像；对待监测图像进行卷积，生成预定区域的纺丝特征图；对纺丝特征图进行监测，确述纺丝机是否发生故障。采用本方法能够实现全天候监测纺丝的故障，提高监测故障的效率，降低监测成本。

Description

纺丝机故障监测方法

技术领域

本申请涉及工业纺织技术领域，特别是涉及一种纺丝机故障监测方法、装置、计算机设备和存储介质。

背景技术

目前，在纺丝车间中，对于纺丝机的故障一般都是通过人工的方式进行监测，或者在纺丝机出丝线的下游安装特殊的硬件光电传感器或机械感应器进行丝线质量的监测，从而对故障进行监测。

由于纺丝机中拥有多个出丝线口，以及多个纺丝窗口，因此需要大量的工作人员，或者需要安装大量传感器来对故障进行实时的监测，导致其监测故障的成本较高。并且使用人工进行监测时，难免会出现监测的纰漏，监测效率较低。

发明内容

基于此，有必要针对上述技术问题，提供一种纺丝机故障监测方法、装置、计算机设备和存储介质，以实现全天候监测纺丝的故障，提高监测故障的效率，降低监测成本。

一种纺丝机故障监测方法，所述方法包括：

获取纺丝机的预定区域的待监测图像；

对所述待监测图像进行卷积，生成所述预定区域的纺丝特征图；

对所述纺丝特征图进行监测，确定所述纺丝机是否发生故障。

在其中一个实施例中，获取纺丝机的预定区域的待监测图像，包括：

获取纺丝机的预定区域的实时图像；

根据预设帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像；

将所述至少一个帧采样图像按照预设规则进行拼接，获得所述预定区域的待监测图像。

在其中一个实施例中，对所述待监测图像进行卷积，生成所述预定区域的纺丝特征图，包括：通过故障监测模型的第一网络，对所述预处理图像进行卷积，生成所述纺丝窗口的纺丝特征图。

在其中一个实施例中，对所述纺丝特征图进行监测，确定所述纺丝机是否发生故障，包括：通过故障监测模型的第二网络，对所述纺丝特征图进行监测，确定所述纺丝机是否存在故障。

在其中一个实施例中，所述故障监测模型为训练后的故障监测模型，所述训练后的故障监测模型的训练方法，包括：

获取纺丝机的预定区域的故障图像训练样本，所述故障图像训练样本包括：故障图像及其相应的故障发生标识；

利用所述故障图像训练样本，对预先建立的故障监测模型进行训练，获得训练后的故障监测模型。

在其中一个实施例中，还包括：当确定所述纺丝机发生故障时，获取所述预定区域的发生故障的纺丝运行图像；对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型。

在其中一个实施例中，对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型，包括：通过训练后的故障识别模型，对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型。

在其中一个实施例中，所述训练后的故障识别模型的训练方法，包括：

获取纺丝机的预定区域内的纺丝运行图像训练样本，所述纺丝运行图像训练样本包括：发生故障的纺丝运行图像及其相应的故障类型标识；

利用所述纺丝运行图像训练样本，对预先建立的故障识别模型进行训练，获得训练后的故障识别模型。

在其中一个实施例中，在确定所述纺丝机的故障类型之后，还包括：根据确定的故障类型，获得对应的故障等级；根据所述故障等级，对所述纺丝机进行故障处理。

在其中一个实施例中，在确定所述纺丝机的故障类型之后，还包括：将所述纺丝机发生故障的预定区域的位置信息、以及对应的故障类型，发送至用户终端。

在其中一个实施例中，所述故障等级包括：轻微故障、中级故障和重大故障；根据所述故障等级，对所述纺丝机进行故障处理，包括：

当所述故障等级为轻微故障时，不对所述纺丝机进行处理；

当所述故障等级为中级故障时，根据确定的故障类型，对所述纺丝机进行故障修复；

当所述故障等级为重大故障时，控制所述纺丝机停止运行。

在其中一个实施例中，还包括：当确定所述纺丝机发生故障时，获取所述预定区域的纺丝检测数据；根据所述纺丝检测数据，确定纺丝是否存在瑕疵。

在其中一个实施例中，当确定纺丝存在瑕疵时，将所述纺丝检测数据与预先建立的纺丝瑕疵数据库中的纺丝瑕疵信息进行匹配，获得与所述纺丝检测数据对应的纺丝瑕疵信息。

在其中一个实施例中，当确定纺丝存在瑕疵时，控制所述纺丝机停止运行。

在其中一个实施例中，还包括：获取纺丝机的预定区域在待预测时刻之前的图像；对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障。

在其中一个实施例中，对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障，包括：通过训练后的故障预测模型，对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障。

在其中一个实施例中，所述训练后的故障预测模型的训练方法，包括：

获取纺丝机的预定区域的历史图像训练样本，所述历史图像训练样本包括：发生故障前的历史图像以及相应的故障发生标识、未发生故障的随机时刻的历史图像及其相应的故障未发生标识；

利用所述历史图像训练样本，对预先建立的故障预测模型进行训练，获得训练后的故障预测模型。

一种纺丝机故障监测装置，所述装置包括：

获取模块，用于获取纺丝机的预定区域的待监测图像；

卷积模块，用于对所述待监测图像进行卷积，生成所述预定区域的纺丝特征图；

监测模块，用于对所述纺丝特征图进行监测，确定所述预定区域是否发生故障。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述纺丝机故障监测方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述纺丝机故障监测方法的步骤。

上述纺丝机故障监测方法、装置、计算机设备和存储介质，通过获取纺丝机的预定区域的图像，该图像可以反映纺丝机的运行情况，对该图像进行卷积，生成纺丝特征图，再对该纺丝特征图进行监测，确定纺丝机是否发生故障，从而实现全天候监测纺丝的故障，提高监测故障的效率，降低监测成本。

附图说明

图1为一个实施例中纺丝机故障监测方法的流程示意图；

图2为一个实施例中获取纺丝机的预定区域的待监测图像步骤的流程示意图；

图3为一个实施例中纺丝机故障监测方法的流程示意图；

图4为一个实施例中纺丝机故障监测方法的流程示意图；

图5为一个实施例中纺丝机故障监测方法的流程示意图；

图6为一个实施例中纺丝机故障监测装置的结构框图；

图7为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的纺丝机故障监测方法，可以应用于纺丝机***中，该纺丝机***涉及服务器和摄像头，服务器获取摄像头在纺丝机预定区域采集的图像，并对图像进行监测，从而确定纺丝机是否发生故障。其中，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图1所示，提供了一种纺丝机故障监测方法，以该方法应用于纺丝机***中的服务器为例进行说明，包括以下步骤S102至步骤S106。

S102，获取纺丝机的预定区域的待监测图像。

其中，纺丝机是一种使成纤聚合物溶液或溶体形成丝状物的机器，是用于涤纶、锦纶和丙纶等的纺丝设备，纺丝机的预定区域可以是纺丝窗口，也可以是纺丝机的其它位置，例如出丝线的下游等。

纺丝机中设置有纺丝窗口，用于观察纺丝机内部出丝喷头的运行状况，以及出丝的质量，通过该纺丝窗口可以观察到许多细丝最后凝聚成线，并且可以观察到纺丝运行中的出丝故障，例如出丝不均匀、断续、冒黑丝以及丝线错误纠缠等故障。一台纺丝机中可以包括有多个出丝喷头，相应地，每个喷头设置有纺丝窗口，以便于观察纺纱运行的状态。

在一个实施例中，选取纺丝窗口作为纺丝机的预定区域，获取纺丝窗口的图像。具体地，在每个纺丝窗口前设置摄像头，用于实时获取纺纱运行过程中纺丝窗口的实时图像。获取的纺丝窗口的实时图像可以传输至服务器中，该服务器在获取实时图像后，可以对实时图像进行预处理，从而获得预处理图像，作为待监测图像。其中，该预处理过程也可以在摄像头中进行，该摄像头中可以设置有预设的算法或应用程序，对采集的图像进行实时预处理，生成预处理图像后再传输至服务器中。该预处理过程在服务器中进行时，该服务器中也可以设置有预设的算法或应用程序，在接收实时图像后进行预处理，在此不做限定。

S104，对所述待监测图像进行卷积，生成所述预定区域的纺丝特征图。

具体地，在获得纺丝窗口的待监测图像后，可以将待监测图像输入至预先建立的故障监测模型，该故障监测模型包括第一网络、第二网络、输入端以及输出端，其中，第一网络可以是卷积神经网络，第二网络可以是深度学习模型。该故障监测模型的输入端连接卷积神经网络，输出端连接深度学习模型。其中，该输出端的数据可以利用回归算法处理，进一步提高故障监测的精确度，例如可以使用归一化指数函数(softmax)回归算法处理，或者S型生长曲线(sigmoid)回归算法处理等，这里不做限定。

利用卷积神经网络对待监测图像进行卷积，提取待监测图像的特征，获得纺丝窗口的纺丝特征图。其中，卷积神经网络可以设有多个，每个卷积神经网络接收对应的待监测图像，以提高图像卷积提取特征的效率。

S106，对所述纺丝特征图进行监测，确定所述纺丝机是否发生故障。

具体地，在获得纺丝窗口的纺丝特征图后，利用深度学习模型对纺丝特征图进行监测，判断纺丝机是否发生故障。其中，在纺丝机运作的过程中，因出现故障的效率较低，因此该深度学习模型在建立后即可使用，在使用过程中输入大量的正常的图像，其输出的数据一致，当输出的数据出现不一致时，则可说明出现了故障。

在一个实施例中，如图2所示，获取纺丝机的预定区域的待监测图像，具体包括以下步骤S1021至步骤S1023。

S1021，获取纺丝机的预定区域的实时图像。

具体地，可以在纺丝机的预定区域设置摄像模组，服务器获取摄像模组采集的纺丝机的预定区域的实时图像。该摄像模组可以由多个摄像头组成，用于采集纺丝机运行工作时的实时图像。例如，可以在纺丝窗口前设置摄像模组，采集纺丝窗口中喷头出丝的实时图像。摄像模组采集实时图像时，可以是按照预定的时间间隔采集纺丝机预定区域的图像，例如可以每隔3分钟采集一张预定区域的图像，或者每隔3分钟后采集一段时间的图像，如采集30秒的视频图像，在此不做限定。

S1022，根据预设帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像。

具体地，对实时图像进行帧采样处理，可以在预设的时间间隔抽取实时图像预设数量的图像帧，例如在实时图像中每隔20秒抽取2个图像帧，也可以在预设的帧数间隔抽取实时图像预设数量的图像帧，例如在实时图像中每隔100帧抽取2个图像帧。

上述帧采样的过程可以利用算法或应用程序来实现，例如可以在服务器中设置应用程序，利用该应用程序对摄像头发送的实时图像进行帧采样。该进行帧采样的算法或应用程序也可以设置在摄像头中，摄像头采集实时图像后，利用该算法或应用程序进行实时的帧采样。

S1023，将所述至少一个帧采样图像按照预设规则进行拼接，获得所述预定区域的待监测图像。

具体地，在进行帧采样获得至少一个帧采样图像后，还可以按照预设规则利用算法或应用程序对至少一个帧采样图像进行拼接处理，生成预处理图像，作为待监测图像。其中，该预设规则即为图像拼接规则，用于按照一定的规则将多个图像拼接成一个图像，例如可以是将16张图像按照水平矩阵分布拼接成一个图像，从而，多个帧采样图像进行拼接处理后可以生成较少的待监测图像。上述拼接算法或应用程序可以设置在摄像头或服务器中，这里不做限定。

通过上述帧采样以及图像拼接的图像预处理方法，可以有效减少图像经过卷积神经网络进行卷积的时间，从而增加故障监测的效率。

在一个实施例中，可以将待监测图像输入至训练后的故障监测模型进行监测，该训练后的故障监测模型的训练方法包括：获取纺丝机的预定区域的故障图像训练样本，所述故障图像训练样本包括：故障图像及其相应的故障发生标识；利用所述故障图像训练样本，对预先建立的故障监测模型进行训练，获得训练后的故障监测模型。

具体地，在纺丝机发生故障时，可以将识别的故障图像记录下来，生成故障图像训练样本，并可以将该训练样本输入预先建立的故障监测模型中进行重复训练，提高故障监测的精确率。该故障图像还可以由纺丝机工作人员进行采集，并输入服务器中。

在一个实施例中，故障图像训练样本的获取方法包括：采集至少一个纺丝窗口的故障图像；对至少一个纺丝窗口的故障图像进行预处理，并标记相应的故障发生标识，生成至少一个故障图像训练样本。故障发生标识用于表示对应的图像发生了故障。对故障图像进行预处理具体可以是对故障图像进行拼接处理，在进行拼接处理前也可以先进行帧采样，拼接处理和帧采样的具体方式可以参考上述实施例，在此不再赘述。

上述纺丝机故障监测方法，通过获取纺丝机的预定区域的待监测图像，该待监测图像可以反映纺丝机的运行情况，将该待监测图像输入故障监测模型，获得纺丝机是否发生故障的监测结果，从而可以实现全天候监测纺丝的故障，提高监测故障的效率，降低监测成本。

在一个实施例中，如图3所示，在获得纺丝机是否发生故障的监测结果之后，还包括步骤S108：当确定所述纺丝机发生故障时，获取所述预定区域的发生故障的纺丝运行图像；对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型。

其中，预定区域可以是纺丝窗口，纺丝机中设置有多个纺丝窗口，在每个纺丝窗口中设置一个摄像头，用以实时获取纺丝窗口的纺丝运行图像，多个摄像机可以都连接至一台服务器中。当确定所述纺丝机发生故障时，获取发生故障的纺丝窗口的纺丝运行图像。

在获得发生故障的纺丝窗口的纺丝运行图像后，可以将纺丝运行图像输入至训练后的故障识别模型，利用训练后的故障识别模型对纺丝运行图像进行识别，确定对应的故障类型。该故障识别模型包括第一网络、第二网络、输入端以及输出端，其中，第一网络可以是卷积神经网络，第二网络可以是深度学习模型。该故障识别模型的输入端连接卷积神经网络，输出端连接深度学习模型。其中，该输出端的数据可以利用回归算法处理，进一步提高故障识别的精确度，例如可以使用归一化指数函数(softmax)回归算法处理，或者S型生长曲线(sigmoid)回归算法处理等，这里不做限定。

在一个实施例中，训练后的故障识别模型的训练方法包括：获取纺丝机的预定区域内的纺丝运行图像训练样本，所述纺丝运行图像训练样本包括：发生故障的纺丝运行图像及其相应的故障类型标识；利用所述纺丝运行图像训练样本，对预先建立的故障识别模型进行训练，获得训练后的故障识别模型。

具体地，先根据纺丝机的故障类型建立初始故障识别模型，为了提高故障识别模型辨别故障类型的能力，输入预先标记有故障类型的发生故障的纺丝运行图像，对初始故障识别模型进行有监督的训练，获得训练后的故障识别模型。其中，预先标记有故障类型的发生故障的纺丝运行图像，也即纺丝运行图像训练样本，均来自于纺丝机发生故障时纺丝窗口的图像，纺丝窗口内部具有出丝的喷头，通过该纺丝窗口可以观察到许多细丝最后凝聚成线。标记的故障类型，也即故障类型标识，用于表示发生的故障属于哪种类型，例如可以是出丝不均匀、断续、冒黑丝以及丝线错误纠缠等故障类型。

在一个实施例中，在获取纺丝运行图像训练样本中的发生故障的纺丝运行图像的过程中，可以通过纺丝机下游设置的自检传感器来判断是否发生故障，例如下游的红外传感器检测到丝线出现瑕疵，或者不出丝线等情况，可以确定纺丝机发生了故障。其中，纺丝机中的红外传感器等自检传感器均与服务器连接，并在发生故障时通知服务器，服务器在接收到纺丝机发生故障的通知后，可以控制摄像头获取发生故障的纺丝窗口的纺丝运行图像。

在一个实施例中，训练后的故障识别模型在进行使用的一段时间内，还可以结合工作人员作进一步的训练，以进一步提高辨别故障类型的准确度。例如，工作人员可以查看训练后的故障识别模型识别到的故障类型是否准确，在识别错误时做出及时的纠正，提取该识别错误的图像并标记正确的故障类型，作为新的训练样本进行进一步训练。

在一个实施例中，在确定纺丝机的故障类型之后，还根据纺丝机的故障类型，对纺丝机进行故障处理。具体地，可以根据确定的故障类型，获得对应的故障等级，再根据故障等级，对纺丝机进行故障处理。

在一个实施例中，故障等级可以包括轻微故障、中级故障和重大故障。

当故障等级为轻微故障时，不对纺丝机进行处理，即不作任何修复故障的操作。这里的轻微故障可以理解为对生产造成的影响可忽略不计，对于轻微故障不作处理，可以排除一些不必要修复的小故障，提高生产效率。

当故障等级为中级故障时，根据确定的故障类型，对纺丝机进行故障修复。具体地，服务器可以发送与故障类型相应的调节指令至纺丝机的微控制器，调节纺丝机的工作参数，以进行故障修复。该调节指令可以是预先存储在服务器中的指令，在需要时进行调用，也可以是利用服务器中存储的算法或应用程序来生成，例如可以在服务器中设置有应用程序，该应用程序可以根据服务器获得的纺丝机的故障类型，生成相应的调节指令。进一步地，服务器还可以通过摄像头采集的实时纺丝运行图像判断该故障是否修复成功，若修复不成功，服务器还可以发送远程消息通知工作人员，并关闭纺丝机，避免损失继续扩大。

当故障等级为重大故障时，控制纺丝机停止运行。具体地，服务器可以发送终止指令至纺丝机的微控制器，关闭纺丝机，避免损失继续扩大，还可以发送远程消息通知工作人员进行纺丝机的维护。

在一个实施例中，在确定所述纺丝机的故障类型之后，还将纺丝机发生故障的预定区域的位置信息、以及对应的故障类型，发送至用户终端，以便工作人员通过用户终端实时了解纺丝机的运作状态。

在一个实施例中，如图4所示，在获得纺丝机是否发生故障的监测结果之后，还包括步骤S110：当确定所述纺丝机发生故障时，获取所述预定区域的纺丝检测数据；根据所述纺丝检测数据，确定纺丝是否存在瑕疵。

具体地，服务器可以获取检测传感器采集的纺丝检测数据，检测传感器可以是光电传感器，光电传感器可以是红外传感器或激光传感器，其设置于纺丝机下游的丝路中，纺丝机喷头出丝后，丝线会经过光电传感器进行检测，该光电传感器可以一直处于开启的状态，也可以在服务器监测到发生故障时再启动，检测下游的丝线，并将采集的纺丝检测数据传输至服务器。

在一个实施例中，服务器在获取到纺丝检测数据后，可以利用算法或应用程序对该纺丝检测数据进行分析，从而判断纺丝机下游的纺丝是否存在瑕疵。例如，根据该纺丝检测数据可以分析出下游纺丝的丝线数量以及丝线直径，判断下游纺丝的丝线数量和丝线直径是否在相应的预设范围内，当丝线数量和丝线直径中有一个未在预设范围内，或两者都未在预设范围内时，则确定该纺丝机下游纺丝存在瑕疵。

在一个实施例中，当服务器通过故障监测模型监测到纺丝机预定区域发生故障，并且通过检测传感器确定纺丝机下游纺丝存在瑕疵时，确定该纺丝机发生故障，生成故障提示，并将故障提示发送至用户终端，以提示工作人员及时修复纺丝机的故障，进一步地，服务器还可生成终止指令，控制纺丝机停止运行。

在一个实施例中，当服务器仅通过检测传感器确定纺丝机下游纺丝存在瑕疵时，也可以生成瑕疵提示，并将瑕疵提示发送至用户终端。

在一个实施例中，服务器在确定纺丝存在瑕疵后，可以将纺丝监测数据与预先建立的纺丝瑕疵数据库中的纺丝瑕疵信息进行匹配，获得与纺丝检测数据对应的纺丝瑕疵信息，并将纺丝瑕疵信息发送至用户终端。其中，纺丝瑕疵信息用于表示纺丝机出丝后的瑕疵，例如纺丝数量不达标、纺丝直径不达标以及纺丝断裂等信息。

上述实施例中，在通过故障监测模型监测到纺丝机发生故障的同时，进一步通过发生故障时纺丝机下游的纺丝检测数据，确定纺丝是否存在瑕疵，从而提高故障监测的精确度。

在一个实施例中，如图5所示，提供了一种纺丝机故障监测方法，包括以下步骤S502至步骤S504。

S502，获取纺丝机的预定区域在待预测时刻之前的图像。

在预测纺丝机的故障时，服务器可以获取摄像头采集的待预测时刻之前的纺丝机预定区域的图像，该预定区域的图像可以是一段时间的图像，以获取一段时间后该预定区域的故障预测结果，也可以是连续时间的图像，以对该预定区域进行连续的故障预测。

在一个实施例中，获取纺丝机的预定区域在待预测时刻之前的图像后，对该图像进行预处理，预处理包括帧采样和拼接处理，帧采样和拼接处理的具体方式可以参考上述实施例，在此不再赘述。

S504，对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障。

具体地，可以将待预测时刻之前的图像输入至训练后的故障预测模型，利用训练后的故障预测模型对待预测时刻之前的图像进行预测，确定纺丝机在待预测时刻是否会发生故障。该故障预测模型包括第一网络、第二网络、输入端以及输出端，其中，第一网络可以是卷积神经网络，第二网络可以是深度学习模型。该故障预测模型的输入端连接卷积神经网络，输出端连接深度学习模型。其中，该输出端的数据可以利用回归算法处理，进一步提高故障预测的精确度，例如可以使用归一化指数函数(softmax)回归算法处理，或者S型生长曲线(sigmoid)回归算法处理等，这里不做限定。

在一个实施例中，训练后的故障预测模型的训练方法包括：获取纺丝机的预定区域的历史图像训练样本，所述历史图像训练样本包括：发生故障前的历史图像以及相应的故障发生标识；利用所述历史图像训练样本，对预先建立的故障预测模型进行训练，获得训练后的故障预测模型。

具体地，先根据纺丝机的历史故障信息建立初始故障预测模型，将发生故障前的历史图像作为输入，相应的故障发生标识作为输出，对初始故障预测模型进行有监督的训练，获得训练后的故障预测模型。故障发生标识用于表示纺丝机会发生故障。历史故障信息可以由工作人员上传至服务器，历史故障信息可以包括纺丝机故障时预定区域的图像、以及故障后纺丝机输出的参数等。服务器也可以连接纺丝机，在纺丝机发生故障时接收纺丝机输出的参数，以及连接设置在纺丝机下游的传感器，在纺丝机发生故障时接收传感器采集的纺丝机故障时的信息等。

在一个实施例中，在获取历史图像训练样本中的发生故障前的历史图像的过程中，服务器可以保存摄像头采集的纺丝机的预定区域的实时图像，在纺丝机发生故障时，从保存的图像中获取发生故障前一段时间的历史图像。该获取发生故障前的历史图像的过程可以通过应用程序来实现，例如可以在服务器中设置应用程序，在纺丝机发生故障时，通过该应用程序获取发生故障前的预定区域的预设时间的一段图像。

在一个实施例中，历史图像训练样本还包括：未发生故障的随机时刻的历史图像及其相应的故障未发生标识。故障未发生标识用于表示纺丝机不会发生故障。

具体地，在故障预测模型的训练过程中，还可以将未发生故障的随机时刻的历史图像作为输入，相应的故障未发生标识作为输出，对故障预测模型进行训练。未发生故障的历史图像以及相应的故障未发生标识相当于训练模型的负样本，在故障预测模型正式用于故障预测前，可以使用多个不同的负样本进行训练，以提高故障预测的精确度。

通过上述实施例，可以根据纺丝机的预定区域的历史图像预测纺丝机在未来某个时刻是否会发生故障，从而使纺丝机维护人员可以提前做好维护工作，及时维护故障的纺丝机，减少故障带来的损失。

应该理解的是，虽然图1-5的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-5中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图6所示，提供了一种纺丝机故障监测装置，包括：获取模块610、卷积模块620和监测模块630。

获取模块610，用于获取纺丝机的预定区域的待监测图像。

卷积模块620，用于对所述待监测图像进行卷积，生成所述预定区域的纺丝特征图。

监测模块630，用于对所述纺丝特征图进行监测，确定所述预定区域是否发生故障。

在一个实施例中，获取模块610包括：获取单元、帧采样单元和拼接单元。

获取单元，用于获取纺丝机的预定区域的实时图像。

帧采样单元，用于根据预设帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像。

拼接单元，用于将所述至少一个帧采样图像按照预设规则进行拼接，获得所述预定区域的待监测图像。

在一个实施例中，卷积模块620具体用于通过故障监测模型的第一网络，对所述预处理图像进行卷积，生成所述纺丝窗口的纺丝特征图。

在一个实施例中，监测模块630具体用于通过故障监测模型的第二网络，对所述纺丝特征图进行监测，确定所述纺丝机是否存在故障。

在一个实施例中，所述装置还包括第一训练模块，用于：获取纺丝机的预定区域的故障图像训练样本，所述故障图像训练样本包括：故障图像及其相应的故障发生标识；利用所述故障图像训练样本，对预先建立的故障监测模型进行训练，获得训练后的故障监测模型。

在一个实施例中，所述装置还包括识别模块，用于：当确定所述纺丝机发生故障时，获取所述预定区域的发生故障的纺丝运行图像；对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型。

在一个实施例中，识别模块具体用于：当确定所述纺丝机发生故障时，获取所述预定区域的发生故障的纺丝运行图像；通过训练后的故障识别模型，对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型。

在一个实施例中，所述装置还包括第二训练模块，用于：获取纺丝机的预定区域内的纺丝运行图像训练样本，所述纺丝运行图像训练样本包括：发生故障的纺丝运行图像及其相应的故障类型标识；利用所述纺丝运行图像训练样本，对预先建立的故障识别模型进行训练，获得训练后的故障识别模型。

在一个实施例中，所述装置还包括故障处理模块，用于：在确定所述纺丝机的故障类型之后，根据确定的故障类型，获得对应的故障等级；根据所述故障等级，对所述纺丝机进行故障处理。

在一个实施例中，故障处理模块具体用于：当所述故障等级为轻微故障时，不对所述纺丝机进行处理；当所述故障等级为中级故障时，根据确定的故障类型，对所述纺丝机进行故障修复；当所述故障等级为重大故障时，控制所述纺丝机停止运行。

在一个实施例中，所述装置还包括发送模块，用于：在确定所述纺丝机的故障类型之后，将所述纺丝机发生故障的预定区域的位置信息、以及对应的故障类型，发送至用户终端。

在一个实施例中，所述装置还包括检测模块，用于：当确定所述纺丝机发生故障时，获取所述预定区域的纺丝检测数据；根据所述纺丝检测数据，确定纺丝是否存在瑕疵。

在一个实施例中，检测模块还用于：当确定纺丝存在瑕疵时，将所述纺丝检测数据与预先建立的纺丝瑕疵数据库中的纺丝瑕疵信息进行匹配，获得与所述纺丝检测数据对应的纺丝瑕疵信息。

在一个实施例中，故障处理模块还用于：当确定纺丝存在瑕疵时，控制所述纺丝机停止运行。

在一个实施例中，所述装置还包括预测模块，用于：获取纺丝机的预定区域在待预测时刻之前的图像；对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障。

在一个实施例中，预测模块具体用于：获取纺丝机的预定区域在待预测时刻之前的图像；通过训练后的故障预测模型，对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障。

在一个实施例中，所述装置还包括第三训练模块，用于：获取纺丝机的预定区域的历史图像训练样本，所述历史图像训练样本包括：发生故障前的历史图像以及相应的故障发生标识、未发生故障的随机时刻的历史图像及其相应的故障未发生标识；利用所述历史图像训练样本，对预先建立的故障预测模型进行训练，获得训练后的故障预测模型。

关于纺丝机故障监测装置的具体限定可以参见上文中对于纺丝机故障监测方法的限定，在此不再赘述。上述纺丝机故障监测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种纺丝机故障监测方法。

本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各个方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各个方法实施例中的步骤。

需要理解的是，上述实施例中的术语“第一”、“第二”、“第三”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种纺丝机故障监测方法，所述方法包括：

获取纺丝机的预定区域的待监测图像；

对所述待监测图像进行卷积，生成所述预定区域的纺丝特征图；

对所述纺丝特征图进行监测，确定所述纺丝机是否发生故障。

2.根据权利要求1所述的方法，其特征在于，获取纺丝机的预定区域的待监测图像，包括：

获取纺丝机的预定区域的实时图像；

根据预设帧数间隔和/或时间间隔，对所述实时图像进行帧采样，获得至少一个帧采样图像；

将所述至少一个帧采样图像按照预设规则进行拼接，获得所述预定区域的待监测图像。

3.根据权利要求1所述的方法，其特征在于，包括下述两项中的至少一项：

对所述待监测图像进行卷积，生成所述预定区域的纺丝特征图，包括：通过故障监测模型的第一网络，对所述预处理图像进行卷积，生成所述纺丝窗口的纺丝特征图；

对所述纺丝特征图进行监测，确定所述纺丝机是否发生故障，包括：通过故障监测模型的第二网络，对所述纺丝特征图进行监测，确定所述纺丝机是否存在故障。

4.根据权利要求3所述的方法，其特征在于，所述故障监测模型为训练后的故障监测模型，所述训练后的故障监测模型的训练方法，包括：

获取纺丝机的预定区域的故障图像训练样本，所述故障图像训练样本包括：故障图像及其相应的故障发生标识；

利用所述故障图像训练样本，对预先建立的故障监测模型进行训练，获得训练后的故障监测模型。

5.根据权利要求1至4任意一项所述的方法，其特征在于，还包括：

当确定所述纺丝机发生故障时，获取所述预定区域的发生故障的纺丝运行图像；

对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型。

6.根据权利要求5所述的方法，其特征在于，对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型，包括：

通过训练后的故障识别模型，对所述发生故障的纺丝运行图像进行识别，确定所述纺丝机的故障类型；

所述训练后的故障识别模型的训练方法，包括：

获取纺丝机的预定区域内的纺丝运行图像训练样本，所述纺丝运行图像训练样本包括：发生故障的纺丝运行图像及其相应的故障类型标识；

利用所述纺丝运行图像训练样本，对预先建立的故障识别模型进行训练，获得训练后的故障识别模型。

7.根据权利要求5所述的方法，其特征在于，在确定所述纺丝机的故障类型之后，还包括下述两项中的至少一项：

第一项：

根据确定的故障类型，获得对应的故障等级；

根据所述故障等级，对所述纺丝机进行故障处理；

第二项：

将所述纺丝机发生故障的预定区域的位置信息、以及对应的故障类型，发送至用户终端。

8.根据权利要求1至4任意一项所述的方法，其特征在于，还包括：

当确定所述纺丝机发生故障时，获取所述预定区域的纺丝检测数据；

根据所述纺丝检测数据，确定纺丝是否存在瑕疵。

9.根据权利要求1至4任意一项所述的方法，其特征在于，还包括：

获取纺丝机的预定区域在待预测时刻之前的图像；

对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障。

10.根据权利要求9所述的方法，其特征在于，对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障，包括：

通过训练后的故障预测模型，对所述待预测时刻之前的图像进行预测，确定所述纺丝机在所述待预测时刻是否会发生故障；

所述训练后的故障预测模型的训练方法，包括：

获取纺丝机的预定区域的历史图像训练样本，所述历史图像训练样本包括：发生故障前的历史图像以及相应的故障发生标识、未发生故障的随机时刻的历史图像及其相应的故障未发生标识；

利用所述历史图像训练样本，对预先建立的故障预测模型进行训练，获得训练后的故障预测模型。