CN112819646A - 一种定制木工家具柔性生产线故障诊断*** - Google Patents

一种定制木工家具柔性生产线故障诊断*** Download PDF

Info

Publication number
CN112819646A
CN112819646A CN202110064412.1A CN202110064412A CN112819646A CN 112819646 A CN112819646 A CN 112819646A CN 202110064412 A CN202110064412 A CN 202110064412A CN 112819646 A CN112819646 A CN 112819646A
Authority
CN
China
Prior art keywords
data
production line
fault
value
iwpso
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.)
Granted
Application number
CN202110064412.1A
Other languages
English (en)
Other versions
CN112819646B (zh
Inventor
陆宝春
郑竞昆
葛超
吴连申
施晟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN202110064412.1A priority Critical patent/CN112819646B/zh
Publication of CN112819646A publication Critical patent/CN112819646A/zh
Application granted granted Critical
Publication of CN112819646B publication Critical patent/CN112819646B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种定制木工家具柔性生产线故障诊断***，包括数据层、诊断层、可视化层；所述数据层，用于采集定制木工家具柔性生产线上关键加工设备的运行状态数据，并基于改进的数据压缩算法对采集到的数据进行压缩，减少上传至云服务器时的冗余；所述诊断层，用于对采集到的信号进行预处理和特征提取，基于集成学习策略，采用改进的粒子群算法优化概率神经网络的故障诊断算法诊断定制木工家具柔性生产线发生的故障的类型；所述可视化层，用于实时监控定制木工家具柔性生产线的运行状态，显示诊断的故障结果，查询历史故障信息，推送维修信息。本***可以快速诊断设备故障，减少因生产线未得到及时排查而导致的停机时间，提高生产线加工效率。

Description

一种定制木工家具柔性生产线故障诊断***
技术领域
本发明属于制造业生产线故障诊断领域，特别是一种定制木工家具柔性生产线故障诊断***。
背景技术
随着我国房地产行业的迅猛发展以及城镇化的快速推进，对木工家具尤其是木门的产量和质量的需求也越来越高。木门生产商的生产水平越来越高，规模也越来越大。由于我国木门制造以定制化生产为主，随着制造业水平的提高与劳动力红利的衰减，木门生产线开始向柔性化，智能化，模块化发展。与此同时，木门生产线的故障也越来越复杂，若木门生产线发生故障，轻则导致木门生产质量降低，重则引起严重的安全事故。在木门生产线中，需要对故障进行实时准确的诊断，以维护木门生产线的安全运行，提高木门的生产效率，提高木门的生产质量，延长木门生产线的寿命，也是实现木门生产过程自动化，少人化或无人化的重要技术保证。因此，对木门生产线故障诊断的需求也由此而产生。
目前，针对定制木工家具柔性生产线，国内厂家仍然重点关注于生产线上加工机床的加工功能和加工节拍，对故障诊断***未足够重视，通常是用户在使用生产线进行木门生产时出了问题，请求生产线制造商派出技术专家现场排查，在此期间，生产线往往需要处于停工状态，影响用户木门生产进度，耗费大量的时间、人力、物力。
发明内容
本发明的目的在于提供一种定制木工家具柔性生产线故障诊断***，用以及时找出生产线上发生故障的部位，发生故障的原因，并及时将故障信息推送给相关负责人，提醒其及时进行维修，减少因故障未能得到及时排查而导致的生产线停机时间，提高生产线加工效率。
实现本发明目的的技术解决方案为：
一种定制木工家具柔性生产线故障诊断***，包括数据层、诊断层、可视化层；
所述数据层，用于采集定制木工家具柔性生产线上关键加工设备的运行状态数据，并利用改进的数据压缩算法对数据进行压缩，减少数据上传至云服务器时的冗余；
所述诊断层，用于对采集到的信号进行预处理和特征提取，以及诊断定制木工家具柔性生产线发生的故障的类型；
所述可视化层，用于实时监控定制木工家具柔性生产线的运行状态，显示诊断的故障结果，查询历史故障信息，推送维修信息。
本发明与现有技术相比，其显著优点是：
(1)本发明的定制木工家具柔性生产线故障诊断***，数据层中智能网关采用基于改进的旋转门算法对采集到的数据进行压缩，可以减少数据上传到云服务器时数据序列的冗余度。
(2)本发明的定制木工家具柔性生产线故障诊断***，可以对定制木工家具柔性生产线进行全面的生产运行状态监控，当设备发生故障时，基于IWPSO-PNN的故障诊断方法，可以及时诊断出故障，并及时推送给对应的维修负责人，提醒其进行维修，减少了停机时间，提高了生产效率。
(3)本发明的定制木工家具柔性生产线故障诊断***，提出了一种非线性变化的惯性权重替代传统线性变化的惯性权重的方法，这样在算法初期需要更好的全局搜索时，惯性权重ωi较大且下降较慢，具有更强的全局搜索能力，中期下降较快，到了后期需要更好的局部搜索能力时，惯性权重ωi较小且变化较慢，具有更强的局部搜索能力。
(4)本发明定制木工家具柔性生产线故障诊断***，提出了一种基于BG的神经网络集成算法，通过提取多组训练样本，训练出多个IWPSO-PNN神经网络，通过对这些网络进行加权平均，得到一个优化后的IWPSO-PNN网络，诊断能力更强。
附图说明
图1为本发明的总体结构图。
图2为本发明的数据压缩算法原理图。
图3为本发明的数据压缩算法流程图。
图4为本发明诊断层的流程图。
图5为本发明IWPSO-PNN算法流程图。
图6为本发明基于BG算法的神经网络集成方法流程图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的介绍。
结合图1，本发明一种定制木工家具柔性生产线故障诊断***分为三层，包括数据层、诊断层、可视化层。
数据层中，智能网关实时采集定制木工家具柔性生产线运行时产生的数据并上传至云服务器数据库中。智能网关通过RS485接口实时采集生产线4台主要加工设备包括数控门扇四边锯、直线封边机、数控锁铰孔槽加工机、双面雕刻机的变频器数据如电流值、电压值。在加工设备的主切削电机上安装CA-YD-187型压电式加速度传感器和PT100热电阻温度传感器，并分别连接YE6275-W振动数据采集器和ITCP-5502温度数据采集器，振动数据采集器和温度数据采集器通过以太网口连接至交换机。数控门扇四边锯、直线封边机、数控锁铰孔槽加工机、双面雕刻机分别由一台PLC控制，将4台PLC通过以太网口连接至交换机。智能网关通过以太网口连接至交换机，通过Modbus TCP协议实时采集PLC中的加工设备的运行数据如设备是否就绪、主轴转速、工件是否夹紧，以及实时获取振动数据采集器和温度数据采集器的振动信号和温度信号。
同时，为减少数据上传到云服务器时数据序列的冗余度，智能网关采用基于改进的旋转门算法将采集到的数据进行压缩，再发送到云服务器的数据库中。
诊断层包括信号预处理模块、信号特征提取模块和人工神经网络故障诊断模块。信号预处理模块通过对获取到的振动信号做小波包降噪处理，对完成降噪处理的信号计算均值、均方根值、峭度等指标并进行初步判别，对大于指标阈值的信号进行后续处理。信号特征提取模块对需要进行后续处理的信号进行基于EMD的IMF能量提取。人工神经网络故障诊断模块将已经提取的振动信号的IMF能量、以及采集到的温度、变频器电流、PLC中的状态数据作为输入，将生产线若干个故障类型作为输出，得到故障诊断结果，并传输到云服务器数据库。
可视化层包括生产线实时监控模块、生产线故障报警模块、生产线历史故障查询模块和维修信息推送模块。生产线实时监控模块通过云服务器数据库中的PLC状态数据、变频器数据、加工设备关键部位的振动信号和温度信号，实时显示定制木工家具柔性生产线的运行状态。生产线故障报警模块将诊断层诊断的故障信息显示在界面上，提示报警。生产线历史故障查询模块可以查询到生产线运行过程中已经发生过的故障信息。维修信息推送模块将故障原因发送到故障部位对应的维修负责人的手机上。
以数控门扇四边锯为例，数控门扇四边锯的PLC通过以太网口连接在交换机上，锯切电机的外壳上安装CA-YD-187型压电式加速度传感器和PT100热电阻温度传感器，分别连接YE6275-W和ITCP-5502温度数据采集器，数据采集器连接到DVS-800交换机。数据层智能网关通过RS485连接到变频器，采集变频器的电流信号，通过Modbus TCP协议读取PLC中的设备运行状态数据：***是否运行、主轴转速、***是否紧急停止、进给速度、气压值，以及采集到的锯切电机的振动信号和温度信号。
结合图2，智能网关采用的数据压缩算法原理，以一段t0～t9的数据序列为例，在t0时刻的数据点设置大小为E的压缩偏移阈值参数，储存t0点的值，计算t1点和(t0+E)点连线的斜率为上门限斜率，计算t1点和(t0-E)点连线的斜率为下门限斜率；依次计算t2～t6的上门限斜率与下门限斜率；若t2点的上门限斜率大于t1点的上门限斜率，则更新***的上门限斜率，否则保留之前上门限斜率；若t2点的下门限斜率小于t1点的下门限斜率，则更新***的下门限斜率，否则保留之前下门限斜率。比较***的上门限斜率和下门限斜率，若上门限斜率大于下门限斜率，如在计算至t6点时，上门限斜率大于下门限斜率，则储存前一时刻t5的值，为第一段压缩区间，并以t6点为下一压缩区间的起点，重复上述过程。
结合图3，智能网关基于改进的旋转门算法，对采集到的数据先进行压缩，改进的数据压缩算法流程如下：
步骤1：初始化压缩偏移阈值参数E＝0.1，下标i＝0，j＝0。
步骤2：根据公式
Figure BDA0002903589200000041
式中，i为第i个数据，Ti为第i个数据对应的时刻，Yi为压缩前的原始数据即第i个数据的值，K1st为上门限(Y1点和(Y0+E)点的连线)的初始斜率值，K2st为下门限(Y1点和(Y0-E)点的连线)的初始斜率值，储存第0个时刻数据的值Y0和对应的时刻T0的值。
步骤3：根据公式
Figure BDA0002903589200000042
计算第i个数据的上门限与下门限的斜率K1，K2。
步骤4：根据公式K1st＝max(K1，K1st)，K2st＝min(K2，K2st)更新K1st和K2st的值。
步骤5：判断当K1st≥K2st时，储存前一时刻的值Yi-1和对应的时刻Ti-1，即完成一次压缩，以Ti时刻的数据为下一个压缩区间的起点进入步骤6，若不满足该条件，则返回步骤3，继续循环。
步骤6：每完成一次压缩，令压缩区间的个数j＝j+1。
步骤7：根据公式
Figure BDA0002903589200000051
式中，τj为第j个压缩区间的数据的波动程度，nj为第j个压缩区间的原始数据个数，yi为第j个压缩区间第i个原始数据值，Δ为yi的平均值。计算第j个压缩区间的数据波动程度。
步骤8：根据公式
Figure BDA0002903589200000052
更新压缩偏移阈值参数E的值，式中，τj+1/τj为相邻两个压缩区间的波动程度变化率。公式表明若τj+1/τj的值大于1，则表明后续数据区间的波动程度增大，因此应减小压缩偏移阈值参数E，以保留更多的原始数据，若τj+1/τj的值小于1，则表明后续区间的波动程度减小，因此应增大压缩偏移阈值参数E，使一个区间内压缩的数据量更多。
步骤9：若存在数据未压缩完成，则根据更新的E的值，返回步骤2，对后续的数据进行压缩。若所有数据均压缩完成，则算法结束。
数据压缩完成后，智能网关将数据上传至云服务器数据库中。
结合表1，表中样本1为7540个从PLC采集到的数据点，样本2为13655个从传感器采集到的数据点，样本3为9360个从变频器采集到的数据点，分别对这三个样本采用传统的旋转门压缩算法进行压缩和本发明改进的数据压缩算法进行压缩，对得到的压缩比和压缩误差进行对比，如表1所示。
表1传统的旋转门压缩算法和本发明改进的数据压缩算法的压缩效果对比
Figure BDA0002903589200000053
由表1可以验证，本发明改进的数据压缩算法对比传统的方法，具有更好的压缩比和压缩误差，因此，可以在有效减少数据上传至云服务器数据库时的冗余。
结合图4，诊断层中，首先信号预处理模块从云服务器数据库中将获取到的锯切电机的振动信号根据小波包降噪原理进行信号降噪处理，并计算信号的均值、均方根值、峭度指标。根据信号宏观指标均值应趋近于0，均方根值应小于0.1，峭度值应小于3设置指标阈值。对不满足指标阈值条件的信号进行后续处理。信号特征提取模块对小波降噪后不满足阈值条件的信号，根据EMD理论进行分解，对分解得到的IMF进行能量提取，由于能量主要集中在前几阶IMF分量，所以分发明选取了前8个IMF分量的能量特征与变频器电流、锯切电机温度、主轴转速一起作为人工神经网络故障诊断模块的输入。
结合图5，人工神经网络故障诊断模块采用IWPSO-PNN故障诊断算法。通过公式
Figure BDA0002903589200000061
式中d为惯性权重调整系数本实施例取2.6，根据ωi最大值和最小值进行设置，ωi为惯性权重，t为当前迭代次数，tmax为最大迭代次数，利用非线性变化的惯性权重对传统线性变化的惯性权重进行优化，这样在算法初期需要更好的全局搜索时，ωi较大且下降较慢，具有更强的全局搜索能力，中期下降较快，到了后期需要更好的局部搜索能力时，ωi较小且变化较慢，具有更强的局部搜索能力。
人工神经网络故障诊断模块采用的IWPSO-PNN故障诊断算法，输入层的特征向量为变频器电流、锯切电机温度、主轴转速以及锯切电机振动信号的前8个IMF分量，所以输入层节点数l设置为11个节点。数控门扇四边锯常见故障有锯切电机轴承损坏、锯切爆边、变频器故障，人工神经网络故障诊断模块对故障类型进行编码，锯切电机轴承损坏1000，锯切爆边0100，变频器故障0010，正常运行0001，对输出层而言，这些故障编码可依次用向量表示为锯切电机轴承损坏[1，0，0，0]，锯切爆边[0，1，0，0]，变频器故障[0，0，1，0]，正常运行[0，0，0，1]，所以输出层节点数s设置为4，设置最大迭代次数tmax为1000。
人工神经网络故障诊断模块的训练样本如下所述，根据人为制造锯切电机轴承损坏故障，采集此时的变频器电流、锯切电机温度、主轴转速以及锯切电机振动信号的前8个IMF分量，共获得4000组样本，存储在云服务器数据库中。输入特征为11列，即每个样本此时的变频器电流、锯切电机温度、主轴转速以及锯切电机振动信号的前8个IMF分量，输出特征为4列，即此时的故障锯切电机轴承损坏，这一故障特征可用向量表示为[1，0，0，0]。同理，人为制造锯切爆边，变频器故障，各采集4000组样本，以及正常运行时的4000组样本，共12000组训练样本，存储在云服务器数据库中。
对IWPSO-PNN神经网络进行训练，将上述12000组训练样本根据7:3的比例划分为训练组和测试组，将粒子的最大速度vmax设置为1，粒子数量n设置16，学习因子c1和c2设置为1.5115，设置微粒在空间搜索的最大次数为200，设置ωi的最大值ωmax为0.9，设置ωi的最小值ωmin为0.4，将计算得到的最优权重系数赋给神经网络作为初始值。通过均方误差函数
Figure BDA0002903589200000071
式中，n为粒子总数，i为第i个粒子，s为输出层节点数，q为第q个输出值，yiq为样本经过神经网络后的实际输出值，tiq为期望输出值，计算每个粒子使函数M最小的个体最优值pbi以及种群的最优值gbi，并更新每个粒子的最优值以及种群的最优值，根据公式
Figure BDA0002903589200000072
式中，r1和r2是介于[0，1]的随机数，c1和c2是学习因子，i表示第i个粒子，t表示迭代的次数，
Figure BDA0002903589200000073
为第t次迭代时粒子的速度，
Figure BDA0002903589200000074
为第t+1次迭代时粒子的速度，
Figure BDA0002903589200000075
为第t次迭代时粒子的位置，
Figure BDA0002903589200000076
为第t+1次迭代时粒子的位置，pbi为当前个体最优值，gbi为当前种群的最优值，迭代更新粒子的速度和位置，并相应变更惯性权重值，训练时当均方误差函数值M＜0.001或者达到最大迭代次数1000，则停止迭代，IWPSO-PNN神经网络便训练完成。
结合图6，人工神经网络故障诊断模块通过基于BG的集成学***均，得到一个优化后的IWPSO-PNN网络，诊断能力更强，本发明中N取10。
IWPSO-PNN神经网络输出层节点数为4，则输出特征可用向量表示为[a，b，c，d]，对a、b、c、d的值进行判断，若＞0.9，则置为1，否则置为0，将置位后的输出特征向量[a，b，c，d]与锯切电机轴承损坏[1，0，0，0]，锯切爆边[0，1，0，0]，变频器故障[0，0，1，0]，正常运行[0，0，0，1]进行比较，输出对应的故障；若无法判别，则可通过下述可视化层中的生产线故障报警模块请求人工介入。
可视化层中，生产线实时监控模块通过云服务器数据库中获取到的数控门扇四边锯的运行状态数据，实时显示数控门扇四边锯的变频器电流信号、锯切电机振动信号、振动信号均值、振动信号均方根值、振动信号峭度值、锯切电机温度信号、主轴转速、进给速度、气压值、设备是否处于运行、设备是否处于停机。生产线故障报警模块将数控门扇四边锯发生故障时的诊断出的故障编码所对应的故障类型如数控门扇四边锯锯切电机轴承损坏显示在界面上；对诊断层的人工神经网络故障诊断模块无法判别的故障，则显示请求人工介入。生产线历史故障查询模块可供管理人员查看数控门扇四边锯发生过的故障信息。维修信息推送模块根据数控门扇四边锯发生故障的类型锯切电机轴承损坏，将故障信息及时推送到负责锯切电机的工作人员的手机中，提醒进行维修。
综上所述，本发明一种定制木工家具柔性生产线故障诊断***，能够对所需定制木工家具柔性生产线的故障进行快速判断，及时提醒，提高了生产线的加工效率及产品的质量，减少了设备因故障的停机时间。

Claims (7)

1.一种定制木工家具柔性生产线故障诊断***，其特征在于，包括数据层、诊断层、可视化层；
所述数据层，用于采集定制木工家具柔性生产线上关键加工设备的运行状态数据；并利用改进的数据压缩算法对数据进行压缩，减少数据上传至云服务器时的冗余；
所述诊断层，用于对采集到的信号进行预处理和特征提取，以及诊断定制木工家具柔性生产线发生的故障的类型；
所述可视化层，用于实时监控定制木工家具柔性生产线的运行状态，显示诊断的故障结果，查询历史故障信息，推送维修信息。
2.根据权利要求1所述的定制木工家具柔性生产线故障诊断***，其特征在于，所述数据层，包括生产线各主要设备的PLC，变频器，在关键部件安装的传感器和用于采集生产线数据的智能网关；
所述智能网关采用改进的数据压缩算法，对采集到的数据进行压缩，减少上传至云服务器时的冗余，改进的数据压缩算法流程如下：
步骤1：初始化压缩偏移阈值参数E，下标i，j；
步骤2：根据公式
Figure FDA0002903589190000011
式中，Ti为第i个数据对应的时刻，Yi为压缩前的原始数据即第i个数据的值，K1st为上门限的初始斜率值，K2st为下门限的初始斜率值，储存第0个时刻数据的值Y0和对应的时刻T0的值；
步骤3：根据公式
Figure FDA0002903589190000012
计算第i个数据的上门限与下门限的斜率K1，K2；
步骤4：根据公式K1st＝max(K1，K1st)，K2st＝min(K2，K2st)更新K1st和K2st的值；
步骤5：判断当K1st≥K2st时，储存前一时刻的值Yi-1和对应的时刻Ti-1，即完成一次压缩，以Ti时刻的数据为下一个压缩区间的起点进入步骤6，若不满足该条件，则返回步骤3，继续循环；
步骤6：每完成一次压缩，令压缩区间的个数j＝j+1；
步骤7：根据公式
Figure FDA0002903589190000013
式中，τj为第j个压缩区间的数据的波动程度，nj为第j个压缩区间的原始数据个数，yi为第j个压缩区间第i个原始数据值，Δ为yi的平均值，计算第j个压缩区间的数据波动程度；
步骤8：根据公式
Figure FDA0002903589190000021
更新压缩偏移阈值参数E的值，式中，τj+1/τj为相邻两个压缩区间的波动程度变化率；若τj+1/τj的值大于1，减小压缩偏移阈值参数E，以保留更多的原始数据，若τj+1/τj的值小于1，增大压缩偏移阈值参数E，使一个区间内压缩的数据量更多；
步骤9：若存在数据未压缩完成，则根据更新的E的值，返回步骤2，对后续的数据进行压缩，若所有数据均压缩完成，则算法结束。
3.根据权利要求1所述的定制木工家具柔性生产线故障诊断***，其特征在于，所述诊断层，包括信号预处理模块、信号特征提取模块和人工神经网络故障诊断模块；
所述信号预处理模块通过对获取到的振动信号做小波包降噪处理，对完成降噪处理的信号计算均值、均方根值、峭度等指标并进行初步判别，对大于指标阈值的信号进行后续处理；
所述信号特征提取模块对后续处理的信号进行基于EMD的IMF能量提取；
所述人工神经网络故障诊断模块采用IWPSO-PNN神经网络，将已经提取的振动信号的IMF能量、以及采集到的温度、变频器电流、PLC中的状态数据作为输入，将定制木工家具柔性生产线若干个故障类型作为输出，根据设置好的参数，开始学习训练样本，对IWPSO-PNN神经网络进行训练，通过基于BG的集成学习策略，对IWPSO-PNN神经网络进行优化。
4.根据权利要求3所述的定制木工家具柔性生产线故障诊断***，其特征在于，所述人工神经网络故障诊断模块处理过程具体为：
通过公式
Figure FDA0002903589190000022
利用非线性变化的惯性权重对传统线性变化的惯性权重进行优化；其中d为惯性权重调整系数，ωi为惯性权重，t为当前迭代次数，tmax为最大迭代次数；
输入层的特征向量为变频器电流、锯切电机温度、主轴转速以及锯切电机振动信号的前8个IMF分量；
对故障类型进行编码；采集训练样本，存储在云服务器数据库中；
对IWPSO-PNN神经网络进行训练，将训练样本分为训练组和测试组，设置粒子的最大速度、粒子数量、学习因子、微粒在空间搜索的最大次数、惯性权重的最大值和最小值，计算得到的最优权重系数赋给神经网络作为初始值；
通过均方误差函数
Figure FDA0002903589190000031
计算每个粒子使函数M最小的个体最优值pbi以及种群的最优值gbi，并更新每个粒子的最优值以及种群的最优值；其中n为粒子总数，i为第i个粒子，s为输出层节点数，q为第q个输出值，yiq为样本经过神经网络后的实际输出值，tiq为期望输出值；
根据公式
Figure FDA0002903589190000032
迭代更新粒子的速度和位置，并相应变更惯性权重值，训练时当均方误差函数值M或者达到最大迭代次数达到设定值则停止迭代，IWPSO-PNN神经网络便训练完成；其中r1和r2是随机数，c1和c2是学习因子，t表示迭代的次数，
Figure FDA0002903589190000033
为第t次迭代时粒子的速度，
Figure FDA0002903589190000034
为第t次迭代时粒子的位置；
通过基于BG的集成学习策略，对IWPSO-PNN神经网络进行优化。
5.根据权利要求3所述的定制木工家具柔性生产线故障诊断***，其特征在于，对IWPSO-PNN神经网络进行优化，具体过程如下：
先从原训练样本集中随机有放回地抽取N组样本，对每组样本通过IWPSO-PNN进行训练，得到N个训练完成地IWPSO-PNN网络，并另外随机抽取N组测试样本，计算这N个IWPSO-PNN网络的识别正确率qk；
通过公式
Figure FDA0002903589190000035
对N个IWPSO-PNN网络分别分配权重；其中wk为第k个IWPSO-PNN的权重，qk表示第k个IWPSO-PNN网络的识别正确率；
通过公式
Figure FDA0002903589190000036
对N个IWPSO-PNN进行加权平均，得到一个优化后的IWPSO-PNN网络；式中，wk为第k个IWPSO-PNN网络的权重，hk为第k个IWPSO-PNN的输出，H为对N个IWPSO-PNN网络进行集成后的输出。
6.根据权利要求3所述的定制木工家具柔性生产线故障诊断***，其特征在于，人工神经网络故障诊断模块对故障类型进行编码，故障编码依次用向量表示为锯切电机轴承损坏[1，0，0，0]，锯切爆边[0，1，0，0]，变频器故障[0，0，1，0]，正常运行[0，0，0，1]；
输出特征可用向量表示为[a，b，c，d]，对a、b、c、d的值进行判断，若相应a、b、c、d的值＞门限，则置为1，否则置为0，将置位后的输出特征向量[a，b，c，d与锯切电机轴承损坏[1，0，0，0]，锯切爆边[0，1，0，0]，变频器故障[0，0，1，0]，正常运行[0，0，0，1进行比较，输出对应的故障；若无法判别，则通过可视化层中的生产线故障报警模块发出报警。
7.根据权利要求1所述的定制木工家具柔性生产线故障诊断***，其特征在于，所述可视化层，包括生产线实时监控模块、生产线故障报警模块、生产线历史故障查询模块和维修信息推送模块；
所述生产线实时监控模块对定制木工家具柔性生产线上的关键设备的运行状态进行实时监控。生产线故障报警模块将诊断后的故障信息显示在界面上；
所述生产线历史故障查询模块可以查询到生产线发生过的故障记录；
所述维修信息推送模块将故障信息推送给发生故障部位对应的维修负责人的手机，提醒其进行维修。
CN202110064412.1A 2021-01-18 2021-01-18 一种定制木工家具柔性生产线故障诊断*** Active CN112819646B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110064412.1A CN112819646B (zh) 2021-01-18 2021-01-18 一种定制木工家具柔性生产线故障诊断***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110064412.1A CN112819646B (zh) 2021-01-18 2021-01-18 一种定制木工家具柔性生产线故障诊断***

Publications (2)

Publication Number Publication Date
CN112819646A true CN112819646A (zh) 2021-05-18
CN112819646B CN112819646B (zh) 2022-09-06

Family

ID=75869736

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110064412.1A Active CN112819646B (zh) 2021-01-18 2021-01-18 一种定制木工家具柔性生产线故障诊断***

Country Status (1)

Country Link
CN (1) CN112819646B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820544A (zh) * 2022-05-09 2022-07-29 西安得眠堂健康管理工作部 一种润喉糖的生产监测管理***
CN115946132A (zh) * 2023-03-15 2023-04-11 江西丹巴赫机器人股份有限公司 一种智能密集库与物流机器人***及其故障监测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548230A (zh) * 2016-10-14 2017-03-29 云南电网有限责任公司昆明供电局 基于改进粒子群优化神经网络的变压器故障诊断方法
CN108734202A (zh) * 2018-04-27 2018-11-02 西安工程大学 一种基于改进bp神经网络的高压断路器故障诊断方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及***
CN111830408A (zh) * 2020-06-23 2020-10-27 朗斯顿科技(北京)有限公司 一种基于边缘计算和深度学习的电机故障诊断***及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548230A (zh) * 2016-10-14 2017-03-29 云南电网有限责任公司昆明供电局 基于改进粒子群优化神经网络的变压器故障诊断方法
CN108734202A (zh) * 2018-04-27 2018-11-02 西安工程大学 一种基于改进bp神经网络的高压断路器故障诊断方法
CN110363277A (zh) * 2019-07-15 2019-10-22 南京工业大学 基于改进的萤火虫算法优化概率神经网络的电力变压器故障诊断方法及***
CN111830408A (zh) * 2020-06-23 2020-10-27 朗斯顿科技(北京)有限公司 一种基于边缘计算和深度学习的电机故障诊断***及方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114820544A (zh) * 2022-05-09 2022-07-29 西安得眠堂健康管理工作部 一种润喉糖的生产监测管理***
CN114820544B (zh) * 2022-05-09 2023-06-20 西安得眠堂健康管理工作部 一种润喉糖的生产监测管理***
CN115946132A (zh) * 2023-03-15 2023-04-11 江西丹巴赫机器人股份有限公司 一种智能密集库与物流机器人***及其故障监测方法
CN115946132B (zh) * 2023-03-15 2023-05-30 江西丹巴赫机器人股份有限公司 一种智能密集库与物流机器人***及其故障监测方法

Also Published As

Publication number Publication date
CN112819646B (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN106682814B (zh) 一种基于故障知识库的风电机组故障智能诊断方法
CN111716150B (zh) 一种刀具状态智能监测的进化学习方法
CN112819646B (zh) 一种定制木工家具柔性生产线故障诊断***
CN108763729B (zh) 基于网络结构熵的流程工业机电***耦合状态评估方法
CN111581597A (zh) 基于自组织核回归模型的风电机组齿轮箱轴承温度状态监测方法
CN111475921A (zh) 一种基于边缘计算和lstm网络的刀具剩余寿命预测方法
CN108709744B (zh) 一种变负载工况下电机轴承故障诊断方法
CN111832624A (zh) 一种基于对抗迁移学习的刀具剩余寿命预测方法
CN111275136B (zh) 基于小样本下的故障预测***及其预警方法
CN112692646A (zh) 一种刀具磨损状态智能评估方法及装置
CN104794492A (zh) 基于功率特征模型的机床设备加工运行状态在线识别方法
CN117273402B (zh) 基于物联网技术的玻璃深加工生产线节能管理***及方法
CN111993157B (zh) 一种基于电信号的机械加工设备生产状态监测***及方法
CN116187867B (zh) 一种智能化的传动模组生产管理方法及***
CN114749996A (zh) 基于深度学习和时序回归模型的刀具剩余寿命预测方法
CN114326593A (zh) 一种刀具寿命预测***及方法
CN116720854B (zh) 基于智慧巡检的设备协调控制方法及***
CN106567964A (zh) 一种基于dcs数据的流量控制阀监控方法
CN113043073A (zh) 一种刀具磨损及寿命预测方法及装置
CN113361324A (zh) 一种基于lstm的电机电流异常检测方法
CN116028849B (zh) 基于深度自编码网络的乳化液泵故障诊断方法
CN116467592A (zh) 一种基于深度学习的生产设备故障智能监测方法及***
CN116562599A (zh) 基于深度学习的高效智能工厂调度***
CN116976191A (zh) 一种水轮发电机组轴系稳定性劣化趋势预测方法
CN116502043A (zh) 一种基于孤立森林算法的精轧电机状态分析方法

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