CN118037280B - 一种瓦楞纸生产线维护与故障诊断*** - Google Patents
一种瓦楞纸生产线维护与故障诊断*** Download PDFInfo
- Publication number
- CN118037280B CN118037280B CN202410438659.9A CN202410438659A CN118037280B CN 118037280 B CN118037280 B CN 118037280B CN 202410438659 A CN202410438659 A CN 202410438659A CN 118037280 B CN118037280 B CN 118037280B
- Authority
- CN
- China
- Prior art keywords
- speed
- fault
- event
- module
- production line
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 94
- 238000003745 diagnosis Methods 0.000 title claims abstract description 37
- 238000012423 maintenance Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000000123 paper Substances 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 241001123248 Arma Species 0.000 claims description 15
- 230000001629 suppression Effects 0.000 claims description 13
- 239000002994 raw material Substances 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000005520 cutting process Methods 0.000 claims description 10
- 238000007373 indentation Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000012300 Sequence Analysis Methods 0.000 claims description 5
- 238000010438 heat treatment Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000011087 paperboard Substances 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000003909 pattern recognition Methods 0.000 claims description 4
- 101100001674 Emericella variicolor andI gene Proteins 0.000 claims description 3
- 238000005299 abrasion Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000003449 preventive effect Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- General Factory Administration (AREA)
Abstract
本发明涉及故障诊断技术领域，具体涉及一种瓦楞纸生产线维护与故障诊断***，包括以下模块：传感器网络模块：在瓦楞纸生产线的各生产节点部署光电传感器，监控每个生产节点的实际作业速度；速度匹配监控模块：实时接收传感器网络模块收集的速度数据，使用智能算法分析各工序速度是否匹配；故障诊断模块：使用故障树分析方法，诊断出导致速度不匹配的具体故障或问题点；实时维护模块：根据故障诊断模块的结果，生成诊断报告，自动调整生产线上相关工序的运行速度，本发明，通过对生产线各节点的生产速度进行持续监测和分析，能够自动调整生产参数以匹配速度要求，并通过监测生产速度来识别故障生产节点，同时诊断故障源。
Description
技术领域
本发明涉及故障诊断技术领域，尤其涉及一种瓦楞纸生产线维护与故障诊断***。
背景技术
在瓦楞纸生产线的背景下，生产效率和产品质量受到诸多因素的影响，其中速度匹配和故障预防是两个关键点，现有技术通常依赖于传统的监控方法和人工干预来处理这些问题，但这些方法在实时性、准确性和预测能力方面存在限制。尤其是在瓦楞纸板的生产过程中，原料供应、瓦楞形成、叠合、压痕、切割和打槽等各个工序的速度需要严格匹配，以确保产品的质量和生产的连续性。
在现有技术中，对生产线的监控往往是静态的，缺乏对生产过程动态变化的实时响应。此外，故障诊断主要依赖于经验判断和定期检查，这不仅耗时耗力，而且难以准确预测故障发生，导致无法及时采取预防措施，避免生产中断。这种情况下，生产线的维护和故障处理往往是反应式的，而不是预防性的，这增加了生产成本并影响了生产效率。
此外，由于缺乏有效的数据分析工具和算法支持，传统方法难以从大量的生产数据中提取有用信息来优化生产过程。这限制了生产线在故障预测、过程优化和资源分配方面的智能化水平，也影响了企业对市场需求变化的快速响应能力。
因此，瓦楞纸生产行业亟需一种能够实现高效速度匹配和精准故障预测的智能化解决方案，以提高生产效率，降低维护成本，保证产品质量，并增强市场竞争力。
发明内容
基于上述目的，本发明提供了一种瓦楞纸生产线维护与故障诊断***。
一种瓦楞纸生产线维护与故障诊断***，包括以下模块：
传感器网络模块：在瓦楞纸生产线的各生产节点部署光电传感器，监控每个生产节点的实际作业速度，包括原材料的供应速度、瓦楞纸板的加热速度、叠合速度、压痕速度、切割速度以及打槽速度，生产节点包括原料供应节点、预加热节点、纸板叠合节点、压痕节点、切割节点以及打槽节点；
速度匹配监控模块：实时接收传感器网络模块收集的速度数据，使用智能算法分析各工序速度是否匹配；
故障诊断模块：结合速度匹配监控模块的分析结果和生产线的运行参数数据，使用故障树分析方法，诊断出导致速度不匹配的具体故障或问题点；
实时维护模块：根据故障诊断模块的结果，生成诊断报告，自动调整生产线上相关工序的运行速度，以实现速度的实时匹配和优化生产流程，当无法通过自动调节解决问题时，提供维护建议和调整方案给操作人员或维护团队。
进一步的，所述传感器网络模块具体包括：
在每个生产节点的进口和出口处安装光电传感器，确保捕捉到瓦楞纸板进入和离开各工序的时间点，光电传感器安装在瓦楞纸板路径的直线上，确保能够无遮挡地探测到纸板；
所述光电传感器固定在机架或支架上，与瓦楞纸板的传输线平行，调整光电传感器的角度，确保其发射和接收端对准瓦楞纸板的边缘，以便准确检测到纸板的通过；
每当瓦楞纸板通过光电传感器时，光电传感器产生一个电信号，标记时间点，计算进出位置两个传感器间的时间差，确定瓦楞纸板在两点间的速度。
进一步的，所述速度匹配监控模块具体包括：
速度数据收集：速度匹配监控模块实时接收传感器网络模块收集的各工序速度数据，包括原材料供应速度、瓦楞形成速度、叠合速度、压痕速度、切割速度和打槽速度；
采用时间序列分析算法，来监测各工序速度的变化趋势和周期性波动，评估速度的一致性和同步性；
使用神经网络模型，对收集到的速度数据进行模式识别，以确定各工序之间是否存在速度不匹配现象。
进一步的，所述时间序列分析算法采用自回归移动平均ARMA模型，自回归移动平均ARMA模型包括自回归AR部分和移动平均MA部分，用于描述时间序列的变化特征，表示为：
，其中，/>是时间点/>的观测值，/>是常数项，/>是自回归部分的阶数，表示过去值对当前值的影响范围，/>是自回归部分的参数，/>是移动平均部分的阶数，表示过去误差项对当前值的影响范围，/>是移动平均部分的参数，/>是白噪声误差项；
所述自回归移动平均ARMA模型用于分析瓦楞纸生产线各工序速度的时间序列数据，通过建立ARMA模型，识别周期性波动，并评估各工序间的速度一致性和同步性，拟合各工序速度的时间序列数据，若自回归部分显著，表明过去的速度值对当前速度有强影响；若移动平均部分显著，表明过去的随机扰动对当前速度有强影响。
进一步的，所述神经网络模型采用多层感知器MLP神经网络，MLP神经网络包括输入层、一个或多个隐藏层和输出层，每层由多个神经元组成，层与层之间全连接，MLP神经网络通过训练数据学习输入与输出之间的非线性映射关系，表示为：
输入层接收特征数据；
隐藏层计算，其中/>是权重矩阵，/>是偏置项，/>是非线性激活函数；
输出层产生最终结果，其中/>和/>是输出层的权重和偏置，/>是激活函数；
所述MLP神经网络用来分析和识别瓦楞纸生产线上的速度数据模式，特别是在监测各工序之间速度匹配情况，通过训练MLP神经网络，学习到各工序速度之间的复杂关系和模式，预测和识别速度不匹配的情况，若模型输出显示某两个工序的速度经常不匹配，则该两个工序之间的设备需要调整或维护。
进一步的，所述故障诊断模块具体包括：
获取通过速度匹配监控模块分析识别的速度不匹配的工序或区域；
构建故障树：以速度不匹配现象为顶事件，构建故障树模型；根据生产线的结构设计，确定导致速度不匹配的故障因素作为故障树的底事件，故障因素包括机械磨损、电气故障、操作失误；通过增强逻辑门连接顶事件和底事件，表示不同故障因素之间的关系；
故障分析：利用故障树分析方法，从顶事件开始，逐级分析影响速度不匹配的故障路径；评估各底事件发生的概率和其对速度不匹配的贡献度，以识别主故障源；
诊断故障点：根据故障树分析的结果，确定导致速度不匹配的具体故障或问题点，识别关键影响因素和潜在风险区域，为维修和改善提供依据。
进一步的，所述构建故障树包括构建多个模块化故障树，将生产线分解为多个关键模块，多个关键模块对应多个瓦楞纸生产节点，为每个模块构建单独的故障树，确定该模块内导致速度不匹配的底事件和逻辑关系。
进一步的，所述增强逻辑门包括OR逻辑以及AND逻辑，在模块化故障树中，每个模块的顶事件通过其内部底事件的概率和逻辑关系计算：
对于OR逻辑：；
对于AND逻辑：，其中/>是顶事件的概率，/>表示/>个顶事件，/>是第/>个底事件的概率，/>表示/>个底事件。
进一步的，所述底事件在模块化故障树中，其发生概率/>根据实时数据和历史故障记录动态计算：
，其中，/>是时间窗口内事件/>发生的次数，/>是同一时间窗口内总的观察次数或运行周期；
所述增强逻辑门还包括优先AND门和抑制门，优先AND门用于模拟必须按特定顺序发生的故障事件；抑制门用于表示某事件的发生会抑制其他事件的发生，利用优先AND门和抑制分析故障路径和依赖关系，识别导致速度不匹配的故障逻辑和条件；
对于优先AND门和抑制门，根据具体逻辑关系来计算概率，优先AND门要求事件顺序发生，设有两个事件和/>，并且/>必须在/>之前发生，则其计算方式如下：
；
抑制门表示某事件的发生会阻止另一个事件的发生，如果是抑制事件，阻止发生，则其概率为：
。
进一步的，所述故障诊断模块还包括故障原因综合分析：对每个模块化故障树进行分析，确定顶事件（速度不匹配）发生的概率及其主贡献因素，通过比较不同模块化故障树的分析结果，识别对生产线速度匹配影响最大的故障点。
本发明的有益效果：
本发明，引入使瓦楞纸生产线具备更强的自适应性和智能化水平，通过对生产线各节点的生产速度进行持续监测和分析，能够自动调整生产参数以匹配速度要求，并通过监测生产速度来识别故障生产节点，同时诊断故障源，及时响应各种变化和潜在的故障威胁，智能化的操作减少了对人工干预的依赖，同时增加了生产流程的稳定性和可预测性，为生产效率的进一步提高和产品质量的保证提供了强有力的支持。
本发明，通过时间序列分析算法，能够精确监测各工序的速度变化趋势和周期性波动，不仅帮助识别速度的不一致性和同步问题，还能预测未来可能出现的速度变化，为生产线的运行提供了科学的数据支持，趋势分析和预测有助于提前识别潜在问题，实现预防性维护，从而避免生产过程中的意外停机和生产损失，利用神经网络模型对收集到的速度数据进行深度学习和模式识别，可以更准确地确定各工序之间是否存在速度不匹配现象。
本发明，通过实时监控和动态评估各工序的速度匹配，能够即时识别速度不一致的问题，并快速定位故障源，利用模块化故障树分析（FTA），可以对生产线的关键部分进行细致的故障预测和风险评估，从而允许提前干预和修正问题，减少意外停机和生产延迟，不仅提高了生产线的运行效率，还显著降低了因故障导致的停机时间和相关成本，通过概率评估和增强逻辑门功能，能够更精确地诊断出导致速度不匹配的具体原因，使得维护团队能够针对性地解决最关键的问题，提高了维护工作的针对性和效率，使资源分配更加合理。维护策略的优化还有助于延长设备寿命，减少不必要的维修和替换，从而实现成本节约和资源优化。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的***功能模块示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1所示，一种瓦楞纸生产线维护与故障诊断***，包括以下模块：
传感器网络模块：在瓦楞纸生产线的各生产节点部署光电传感器，监控每个生产节点的实际作业速度，包括原材料的供应速度、瓦楞纸板的加热速度、叠合速度、压痕速度、切割速度以及打槽速度；生产节点包括原料供应节点、预加热节点、纸板叠合节点、压痕节点、切割节点以及打槽节点；
速度匹配监控模块：实时接收传感器网络模块收集的速度数据，使用智能算法分析各工序速度是否匹配；
故障诊断模块：结合速度匹配监控模块的分析结果和生产线的运行参数数据，使用故障树分析方法，诊断出导致速度不匹配的具体故障或问题点；
实时维护模块：根据故障诊断模块的结果，生成诊断报告，自动调整生产线上相关工序的运行速度，以实现速度的实时匹配和优化生产流程，当无法通过自动调节解决问题时，提供维护建议和调整方案给操作人员或维护团队。
传感器网络模块具体包括：
在每个生产节点的进口和出口处安装光电传感器，确保捕捉到瓦楞纸板进入和离开各工序的时间点，光电传感器安装在瓦楞纸板路径的直线上，确保能够无遮挡地探测到纸板；
光电传感器固定在机架或支架上，与瓦楞纸板的传输线平行，调整光电传感器的角度，确保其发射和接收端对准瓦楞纸板的边缘，以便准确检测到纸板的通过；
每当瓦楞纸板通过光电传感器时，光电传感器产生一个电信号，标记时间点，计算进出位置两个传感器间的时间差，确定瓦楞纸板在两点间的速度。
速度匹配监控模块具体包括：
速度数据收集：速度匹配监控模块实时接收传感器网络模块收集的各工序速度数据，包括原材料供应速度、瓦楞形成速度、叠合速度、压痕速度、切割速度和打槽速度；
采用时间序列分析算法，来监测各工序速度的变化趋势和周期性波动，评估速度的一致性和同步性；
使用神经网络模型，对收集到的速度数据进行模式识别，以确定各工序之间是否存在速度不匹配现象。
时间序列分析算法采用自回归移动平均ARMA模型，自回归移动平均ARMA模型包括自回归AR部分和移动平均MA部分，用于描述时间序列的变化特征，表示为：
，其中，/>是时间点的观测值，/>是常数项，/>是自回归部分的阶数，表示过去值对当前值的影响范围，/>是自回归部分的参数，/>是移动平均部分的阶数，表示过去误差项对当前值的影响范围，/>是移动平均部分的参数，/>是白噪声误差项；
自回归移动平均ARMA模型用于分析瓦楞纸生产线各工序速度的时间序列数据，通过建立ARMA模型，识别周期性波动，并评估各工序间的速度一致性和同步性，拟合各工序速度的时间序列数据，若自回归部分显著，表明过去的速度值对当前速度有强影响；若移动平均部分显著，表明过去的随机扰动对当前速度有强影响。
神经网络模型采用多层感知器MLP神经网络，MLP神经网络包括输入层、一个或多个隐藏层和输出层，每层由多个神经元组成，层与层之间全连接，MLP神经网络通过训练数据学习输入与输出之间的非线性映射关系，表示为：
输入层接收特征数据；
隐藏层计算，其中/>是权重矩阵，/>是偏置项，/>是非线性激活函数(ReLU、Sigmoid或Tanh)；
输出层产生最终结果，其中/>和/>是输出层的权重和偏置，是激活函数；
MLP神经网络用来分析和识别瓦楞纸生产线上的速度数据模式，特别是在监测各工序之间速度匹配情况，通过训练MLP神经网络，学习到各工序速度之间的复杂关系和模式，预测和识别速度不匹配的情况，若模型输出显示某两个工序的速度经常不匹配，则该两个工序之间的设备需要调整或维护。
参数优化：对于ARMA模型，需要通过数据驱动方法确定最优的p和q值。对于MLP，通过训练过程调整权重和偏置，以最小化预测误差。
模型评估：使用统计测试和性能指标评估ARMA模型的拟合度和MLP模型的预测能力。
根据模型分析结果，评估瓦楞纸生产线各工序速度的一致性和同步性，识别导致速度不匹配的潜在原因，并为生产线的优化调整提供依据。
针对自回归移动平均ARMA模型以及多层感知器MLP神经网络结合本发明的详细参数解释为：
是在时间点/>的速度观测值，表示瓦楞纸生产线上某工序在时间/>的实际加工速度；/>是常数项，表示模型的基线速度，即在没有其他影响因素下的默认速度水平；/>是自回归部分的阶数，指定过去多少个时间点的速度值将被用来预测当前时间点的速度；是自回归系数，表示过去速度值/>对当前速度/>的影响强度；/>是移动平均部分的阶数，指定过去多少个时间点的误差项将被用来预测当前时间点的速度；/>是移动平均系数，表示过去误差项/>对当前速度/>的影响强度；/>是在时间点/>的误差项，代表模型未能解释的随机变动部分。
输入层节点是表示输入的速度数据特征，来自不同工序的速度观测值。
隐藏层节点是用于捕捉输入数据的内部结构和复杂关系，每个节点代表学习到的特征转换。
输出层节点是表示网络的输出，如速度匹配状况的预测值或分类。
权重和偏置：
是权重矩阵，控制从一个层到另一个层的信号传递的强度和方向。
是偏置项，用于添加额外的偏移量到网络层的输出，保证即使在输入为零时也能激活某些神经元。
激活函数：是隐藏层的激活函数，用于引入非线性，使网络能够学习复杂的模式。
是输出层的激活函数，用于将神经网络输出转换为具体的预测值或概率，如Softmax函数用于分类任务。
故障诊断模块具体包括：
获取通过速度匹配监控模块分析识别的速度不匹配的工序或区域；
构建故障树：以速度不匹配现象为顶事件，构建故障树模型；根据生产线的结构设计，确定导致速度不匹配的故障因素作为故障树的底事件，故障因素包括机械磨损、电气故障、操作失误；通过增强逻辑门连接顶事件和底事件，表示不同故障因素之间的关系；
故障分析：利用故障树分析方法，从顶事件开始，逐级分析影响速度不匹配的故障路径；评估各底事件发生的概率和其对速度不匹配的贡献度，以识别主故障源；
诊断故障点：根据故障树分析的结果，确定导致速度不匹配的具体故障或问题点，识别关键影响因素和潜在风险区域，为维修和改善提供依据。
在瓦楞纸生产线的故障树分析中，顶事件是速度不匹配现象。底事件包括机械磨损、电气故障、操作失误等。
通过构建故障树，可以识别和可视化导致速度不匹配的所有可能因素。
计算顶事件的概率，可以定量地评估速度不匹配发生的风险。
分析每个底事件对顶事件概率的贡献，帮助确定哪些因素对速度不匹配的影响最大，应优先处理。
构建故障树包括构建多个模块化故障树，将生产线分解为多个关键模块，多个关键模块对应多个瓦楞纸生产节点，如原料供应模块、瓦楞形成模块、压痕切割模块等，为每个模块构建单独的故障树，确定该模块内导致速度不匹配的底事件和逻辑关系。这些模块故障树可以独立更新和维护，提高了故障树分析的灵活性和可管理性。
增强逻辑门包括OR逻辑以及AND逻辑，在模块化故障树中，每个模块的顶事件通过其内部底事件的概率和逻辑关系计算：
对于OR逻辑：；
对于AND逻辑：，其中/>是顶事件的概率，/>表示/>个顶事件，/>是第/>个底事件的概率，/>表示/>个底事件。
底事件在模块化故障树中，其发生概率/>根据实时数据和历史故障记录动态计算：
，其中，/>是时间窗口内事件/>发生的次数，/>是同一时间窗口内总的观察次数或运行周期；这个比率随时间更新，以反映最近的操作条件和故障趋势。
增强逻辑门还包括优先AND门和抑制门，优先AND门用于模拟必须按特定顺序发生的故障事件；抑制门用于表示某事件的发生会抑制其他事件的发生，利用优先AND门和抑制分析故障路径和依赖关系，识别导致速度不匹配的故障逻辑和条件；
对于优先AND门和抑制门，根据具体逻辑关系来计算概率，优先AND门要求事件顺序发生，设有两个事件和/>，并且/>必须在/>之前发生，则其计算方式如下：
；
抑制门表示某事件的发生会阻止另一个事件的发生，如果是抑制事件，阻止发生，则其概率为：
。
优先AND门用于描述一种情况，其中某个事件必须在另一个事件之前发生才能导致顶事件的发生，其中，为顶事件/>发生的概率，该顶事件是由一系列有序事件导致的；/>为事件/>发生的概率，它必须首先发生；/>为在事件/>发生的条件下，事件/>发生的条件概率。在这种逻辑门中，/>必须先于/>发生，且/>的发生依赖于/>的发生。
抑制门用于描述一种情况，其中某个事件的发生会阻止或抑制顶事件的发生，其中，为顶事件/>发生的概率，考虑到了抑制事件的作用，/>为抑制事件/>发生的概率，该事件的发生会阻止或减少顶事件的发生概率。/>为事件/>发生的概率，它是在没有/>发生的条件下可能引起顶事件的事件。 在抑制门的逻辑中，如果/>发生，则阻止了/>导致顶事件/>的发生。因此，/>的发生概率由/>直接发生的概率以及在/>未发生的情况下/>导致/>发生的概率组成。
在瓦楞纸生产线的故障诊断***中，动态概率评估能够实时反映每个工序或设备故障的可能性，帮助维护团队优先处理高风险区域。模块化故障树方便管理和分析，每当生产线的配置或工艺发生变化时，只需更新相关模块而不必重新分析整个***。复杂逻辑门的引入能更精确地描述各种故障情况和它们之间的依赖关系，提高故障诊断的准确性。
故障诊断模块还包括故障原因综合分析：对每个模块化故障树进行分析，确定顶事件（速度不匹配）发生的概率及其主贡献因素，例如，如果瓦楞形成模块的加热***故障概率增加，这是速度不匹配的一个关键原因，通过比较不同模块化故障树的分析结果，识别对生产线速度匹配影响最大的故障点，例如，如果某个特定工序的故障概率显著高于其他工序，该工序就是速度不匹配的主要故障源。
对于每个模块，分析出的故障原因可能包括机械磨损、操作错误、维护不足、设备老化、供应链问题等，例如，在原料供应模块中，故障源可能是物料运输延迟或原料质量不一致；在瓦楞形成模块中，故障源可能是瓦楞辊磨损或加热***故障。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种瓦楞纸生产线维护与故障诊断***，其特征在于，包括以下模块：
传感器网络模块：在瓦楞纸生产线的各生产节点部署光电传感器，监控每个生产节点的实际作业速度，包括原材料的供应速度、瓦楞纸板的加热速度、叠合速度、压痕速度、切割速度以及打槽速度；
速度匹配监控模块：实时接收传感器网络模块收集的速度数据，使用智能算法分析各工序速度是否匹配，具体包括：
速度数据收集：速度匹配监控模块实时接收传感器网络模块收集的各工序速度数据，包括原材料供应速度、瓦楞形成速度、叠合速度、压痕速度、切割速度和打槽速度；
采用时间序列分析算法，来监测各工序速度的变化趋势和周期性波动，评估速度的一致性和同步性；
使用神经网络模型，对收集到的速度数据进行模式识别，以确定各工序之间是否存在速度不匹配现象；
所述时间序列分析算法采用自回归移动平均ARMA模型，自回归移动平均ARMA模型包括自回归AR部分和移动平均MA部分，用于描述时间序列的变化特征，表示为：
，其中，/>是时间点/>的观测值，/>是常数项，/>是自回归部分的阶数，表示过去值对当前值的影响范围，/>是自回归部分的参数，/>是移动平均部分的阶数，表示过去误差项对当前值的影响范围，/>是移动平均部分的参数，/>是白噪声误差项；
所述自回归移动平均ARMA模型用于分析瓦楞纸生产线各工序速度的时间序列数据，通过建立ARMA模型，识别周期性波动，并评估各工序间的速度一致性和同步性，拟合各工序速度的时间序列数据，若自回归部分显著，表明过去的速度值对当前速度有强影响；若移动平均部分显著，表明过去的随机扰动对当前速度有强影响；
所述神经网络模型采用多层感知器MLP神经网络，MLP神经网络包括输入层、一个或多个隐藏层和输出层，每层由多个神经元组成，层与层之间全连接，MLP神经网络通过训练数据学习输入与输出之间的非线性映射关系，表示为：
输入层接收特征数据；
隐藏层计算，其中/>是权重矩阵，/>是偏置项，/>是非线性激活函数；
输出层产生最终结果，其中/>和/>是输出层的权重和偏置，/>是激活函数；
所述MLP神经网络用来分析和识别瓦楞纸生产线上的速度数据模式，特别是在监测各工序之间速度匹配情况，通过训练MLP神经网络，学习到各工序速度之间的复杂关系和模式，预测和识别速度不匹配的情况，若模型输出显示某两个工序的速度经常不匹配，则该两个工序之间的设备需要调整或维护；
故障诊断模块：结合速度匹配监控模块的分析结果和生产线的运行参数数据，使用故障树分析方法，诊断出导致速度不匹配的具体故障或问题点；
实时维护模块：根据故障诊断模块的结果，生成诊断报告，自动调整生产线上相关工序的运行速度，以实现速度的实时匹配和优化生产流程，当无法通过自动调节解决问题时，提供维护建议和调整方案给操作人员或维护团队。
2.根据权利要求1所述的一种瓦楞纸生产线维护与故障诊断***，其特征在于，所述传感器网络模块具体包括：
在每个生产节点的进口和出口处安装光电传感器，确保捕捉到瓦楞纸板进入和离开各工序的时间点，光电传感器安装在瓦楞纸板路径的直线上，确保能够无遮挡地探测到纸板；
所述光电传感器固定在机架或支架上，与瓦楞纸板的传输线平行，调整光电传感器的角度，确保其发射和接收端对准瓦楞纸板的边缘，以便准确检测到纸板的通过；
每当瓦楞纸板通过光电传感器时，光电传感器产生一个电信号，标记时间点，计算进出位置两个传感器间的时间差，确定瓦楞纸板在两点间的速度。
3.根据权利要求2所述的一种瓦楞纸生产线维护与故障诊断***，其特征在于，所述故障诊断模块具体包括：
获取通过速度匹配监控模块分析识别的速度不匹配的工序或区域；
构建故障树：以速度不匹配现象为顶事件，构建故障树模型；根据生产线的结构设计，确定导致速度不匹配的故障因素作为故障树的底事件，故障因素包括机械磨损、电气故障、操作失误；通过增强逻辑门连接顶事件和底事件，表示不同故障因素之间的关系；
故障分析：利用故障树分析方法，从顶事件开始，逐级分析影响速度不匹配的故障路径；评估各底事件发生的概率和其对速度不匹配的贡献度，以识别主故障源；
诊断故障点：根据故障树分析的结果，确定导致速度不匹配的具体故障或问题点，识别关键影响因素和潜在风险区域，为维修和改善提供依据。
4.根据权利要求3所述的一种瓦楞纸生产线维护与故障诊断***，其特征在于，所述构建故障树包括构建多个模块化故障树，将生产线分解为多个关键模块，多个关键模块对应多个瓦楞纸生产节点，为每个模块构建单独的故障树，确定该模块内导致速度不匹配的底事件和逻辑关系。
5.根据权利要求4所述的一种瓦楞纸生产线维护与故障诊断***，其特征在于，所述增强逻辑门包括OR逻辑以及AND逻辑，在模块化故障树中，每个模块的顶事件通过其内部底事件的概率和逻辑关系计算：
对于OR逻辑：；
对于AND逻辑：，其中/>是顶事件的概率，/>表示/>个顶事件，/>是第/>个底事件的概率，/>表示/>个底事件。
6.根据权利要求5所述的一种瓦楞纸生产线维护与故障诊断***，其特征在于，所述底事件在模块化故障树中，其发生概率/>根据实时数据和历史故障记录动态计算：
，其中，/>是时间窗口内事件/>发生的次数，/>是同一时间窗口内总的观察次数或运行周期；
所述增强逻辑门还包括优先AND门和抑制门，优先AND门用于模拟必须按特定顺序发生的故障事件；抑制门用于表示某事件的发生会抑制其他事件的发生，利用优先AND门和抑制分析故障路径和依赖关系，识别导致速度不匹配的故障逻辑和条件；
对于优先AND门和抑制门，根据具体逻辑关系来计算概率，优先AND门要求事件顺序发生，设有两个事件和/>，并且/>必须在/>之前发生，则其计算方式如下：
；
抑制门表示某事件的发生会阻止另一个事件的发生，如果是抑制事件，阻止/>发生，则其概率为：
。
7.根据权利要求6所述的一种瓦楞纸生产线维护与故障诊断***，其特征在于，所述故障诊断模块还包括故障原因综合分析：对每个模块化故障树进行分析，确定顶事件发生的概率及其主贡献因素，通过比较不同模块化故障树的分析结果，识别对生产线速度匹配影响最大的故障点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410438659.9A CN118037280B (zh) | 2024-04-12 | 2024-04-12 | 一种瓦楞纸生产线维护与故障诊断*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410438659.9A CN118037280B (zh) | 2024-04-12 | 2024-04-12 | 一种瓦楞纸生产线维护与故障诊断*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118037280A CN118037280A (zh) | 2024-05-14 |
| CN118037280B true CN118037280B (zh) | 2024-06-11 |
Family
ID=90984436
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410438659.9A Active CN118037280B (zh) | 2024-04-12 | 2024-04-12 | 一种瓦楞纸生产线维护与故障诊断*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118037280B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂***的故障预测和诊断方法 |
| CN109035067A (zh) * | 2018-07-19 | 2018-12-18 | 北京泰豪智能工程有限公司 | 基于rf和arma算法的建筑能耗处理方法及装置 |
| CN109828182A (zh) * | 2018-11-29 | 2019-05-31 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网***故障分析预警方法 |
| CN109885854A (zh) * | 2018-11-23 | 2019-06-14 | 南京航空航天大学 | 基于arma模型的颤振边界实时预测***及预测方法 |
| CN110769032A (zh) * | 2019-09-18 | 2020-02-07 | 国网江苏省电力有限公司 | 一种电网设备故障快速检测与维护的***及方法 |
| CN111046940A (zh) * | 2019-12-06 | 2020-04-21 | 中车长春轨道客车股份有限公司 | 一种基于决策树与神经网络的车门故障诊断方法 |
| CN117786373A (zh) * | 2024-02-28 | 2024-03-29 | 山东鑫林纸制品有限公司 | 一种基于大数据的瓦楞纸加工的设备运行诊断*** |
| CN117854013A (zh) * | 2024-03-08 | 2024-04-09 | 山东博物馆 | 用于电气设备的火灾监控***及方法 |
-
2024
- 2024-04-12 CN CN202410438659.9A patent/CN118037280B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂***的故障预测和诊断方法 |
| CN109035067A (zh) * | 2018-07-19 | 2018-12-18 | 北京泰豪智能工程有限公司 | 基于rf和arma算法的建筑能耗处理方法及装置 |
| CN109885854A (zh) * | 2018-11-23 | 2019-06-14 | 南京航空航天大学 | 基于arma模型的颤振边界实时预测***及预测方法 |
| CN109828182A (zh) * | 2018-11-29 | 2019-05-31 | 广东电网有限责任公司信息中心 | 一种基于故障分类处理的电网***故障分析预警方法 |
| CN110769032A (zh) * | 2019-09-18 | 2020-02-07 | 国网江苏省电力有限公司 | 一种电网设备故障快速检测与维护的***及方法 |
| CN111046940A (zh) * | 2019-12-06 | 2020-04-21 | 中车长春轨道客车股份有限公司 | 一种基于决策树与神经网络的车门故障诊断方法 |
| CN117786373A (zh) * | 2024-02-28 | 2024-03-29 | 山东鑫林纸制品有限公司 | 一种基于大数据的瓦楞纸加工的设备运行诊断*** |
| CN117854013A (zh) * | 2024-03-08 | 2024-04-09 | 山东博物馆 | 用于电气设备的火灾监控***及方法 |
Non-Patent Citations (4)
| Title |
|---|
| 基于AR模型的铣刀磨损诊断;李勇;王细洋;王学超;;失效分析与预防;20090409(01);全文 * |
| 基于BP神经网络和故障树分析方法的变压器故障综合诊断模型;王超;汪万平;;四川电力技术;20161220(06);全文 * |
| 基于故障树和神经网络的火箭故障诊断方法;刘小明;李辉;蒋吉兵;;计算机仿真;20100715(07);全文 * |
| 基于时间序列和神经网络的温室传感器节点故障诊断;王俊;刘刚;;中国农业大学学报;20111215(06);第2-3部分 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118037280A (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Caiazzo et al. | Towards Zero Defect Manufacturing paradigm: A review of the state-of-the-art methods and open challenges | |
| CN113077172A (zh) | 一种设备状态趋势分析及故障诊断方法 | |
| CN108363836B (zh) | 多工况自适应的工业机器人健康度评估方法及*** | |
| CN101799320B (zh) | 一种旋转设备故障预测方法及其装置 | |
| Guh | Simultaneous process mean and variance monitoring using artificial neural networks | |
| Powell et al. | Digitally enhanced quality management for zero defect manufacturing | |
| US20210191384A1 (en) | Extended dynamic process simulation | |
| CN116705272A (zh) | 基于多维诊断的设备健康状态综合评价方法 | |
| CN117932322B (zh) | 一种面粉设备故障诊断方法及*** | |
| Lughofer et al. | Prologue: Predictive maintenance in dynamic systems | |
| Saadallah et al. | Early quality prediction using deep learning on time series sensor data | |
| CN118037280B (zh) | 一种瓦楞纸生产线维护与故障诊断*** | |
| CN116020879B (zh) | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| CN201637483U (zh) | 一种旋转设备故障预测装置 | |
| Juuso et al. | Combining monitoring and process data in detecting operation conditions in process industry | |
| Strackeljan et al. | Smart adaptive monitoring and diagnostic systems | |
| Reis et al. | A large-scale statistical process control approach for the monitoring of electronic devices assemblage | |
| Ku et al. | An intelligent FMEA system implemented with a hierarchy of back-propagation neural networks | |
| KR102564668B1 (ko) | 솔라 및 반도체 장비의 센서 데이터를 이용하는 통합 솔루션 관리 장치 및 그 방법 | |
| Oh et al. | LSTM-based PdM Platform for Automobile SCU Inspection Equipment | |
| Soller et al. | Evaluation and adaption of maintenance prediction methods in mixed production line setups based on anomaly detection | |
| Raj | An Improved Accuracy and Efficiency Based Defect Detection Method for Industrial Signal Processing | |
| CN117972396B (zh) | 一种基于深度学习的载荷位移曲线故障检测方法 | |
| Platon et al. | Application of data mining techniques for industrial process optimization |
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 |