纺纱设备状态边缘智能监测诊断方法及系统与流程

摘要: 本发明涉及智能故障诊断,尤其涉及纺纱设备状态边缘智能监测诊断方法及系统。背景技术:1、现代纺纱生产系统由清花、梳棉、并条、粗纱、细纱等多工序工位串联构成完整工艺...
纺纱设备状态边缘智能监测诊断方法及系统与流程

本发明涉及智能故障诊断,尤其涉及纺纱设备状态边缘智能监测诊断方法及系统。

背景技术:

1、现代纺纱生产系统由清花、梳棉、并条、粗纱、细纱等多工序工位串联构成完整工艺链路,设备运行状态的稳定性直接决定纱线成品质量与生产连续性。现有纺纱设备状态监测普遍采用集中式云端诊断架构,该模式在设备工况平稳、故障特征显著的场景下可实现基础的故障识别功能,逐步替代传统人工巡检方式,在规模化纺纱车间得到广泛应用。

2、然而,在长工艺链路的多工位协同生产场景中,现有监测方法存在根本性局限:其一,单工位独立判定的模式未考虑工序衔接带来的异常跨工位传导效应,既无法在故障显性爆发前识别早期工况偏离趋势,也难以准确定位异常发源节点与跨工位传导路径,易造成故障范围误判与运维处置滞后;其二,集中式云端架构存在数据传输延迟高、带宽资源占用大的问题,且原始生产数据直接上行上报存在工艺参数信息泄露的风险;同时,现有诊断系统的状态判定,无法结合车间实际工况变化动态迭代优化,导致复杂生产环境下误报率与漏报率居高不下,严重制约纺纱设备的运维效率与生产运行稳定性。为此本发明提出了纺纱设备状态边缘智能监测诊断方法及系统。

技术实现思路

1、本发明的目的是解决背景技术中的问题,而提出的纺纱设备状态边缘智能监测诊断方法及系统。

2、为了实现上述目的,本发明采用了如下技术方案:

3、本发明第一方面提供了纺纱设备状态边缘智能监测诊断方法,包括:

4、s1、通过边缘采集节点获取纺纱设备全工位的运行状态时序数据,构建对应工艺链路的状态演化基准图谱;

5、s2、获取实时运行状态时序数据,并映射至状态演化基准图谱进行偏差匹配分析,判定是否存在工况偏离趋势,并定位偏离对应的工位集群;

6、s3、在判定存在工况偏离趋势时,触发工位集群内的异常传导链路溯源分析,识别异常的起始发源节点与跨工位传导路径;

7、s4、结合起始发源节点的状态偏离特征与跨工位传导路径的衰减特征,生成故障类型分级诊断结果;

8、s5、对生成故障类型分级诊断结果执行边缘端脱敏加密后,按风险优先级梯度上报至云主站,并同步迭代更新本地的状态演化基准图谱。

9、进一步地,所述s1包括:

10、按照纺纱工艺的工序顺序对纺纱设备全工位进行链路分组,采集各组工位在正常工况下的振动、纱线张力与辊轴转速时序数据;

11、对各工位的振动、纱线张力与辊轴转速时序数据进行工序阶段对齐,提取各工序阶段内各工位的状态波动边界;

12、基于同一条工艺链路内各工位因工序先后衔接形成的工序联动关系,结合各工位的状态波动边界,构建对应工艺链路的状态演化基准图谱。

13、进一步地,所述s2包括:

14、将获取到的实时运行状态时序数据,按照工序阶段映射至状态演化基准图谱的对应区间,生成实时状态轨迹;

15、基于状态演化基准图谱中各工位对应的状态波动边界,比对实时状态轨迹与状态演化基准图谱的状态波动边界,当连续多个采样点超出状态波动边界时,则判定存在工况偏离趋势;

16、结合工艺链路对应的工序联动约束关系,根据超出状态波动边界的工位分布范围,圈定形成工况偏离趋势的工位集群。

17、进一步地,所述s3包括:

18、基于工艺链路对应的工序链路顺序,提取工位集群内各工位首次超出状态波动边界的时刻,按照工序链路顺序构建偏离时序先后网络;

19、沿工序链路的逆序方向对偏离时序先后网络进行回溯,定位最早出现偏离的工位作为异常起始发源节点;

20、在确定异常起始发源节点的基础上,沿工序链路的顺序方向梳理偏离的扩散节点序列,形成异常的跨工位传导路径。

21、进一步地,所述构建偏离时序先后网络,包括:

22、以工位集群内的每个工位作为网络节点,依据工序链路的先后衔接关系确定网络节点间的连接边;

23、将各工位首次超出状态波动边界的时刻作为对应网络节点的时序标签,标记至对应网络节点上;

24、按照工序链路的正向流向对所有网络节点的时序标签进行排序,形成带有偏离时序属性的偏离时序先后网络。

25、进一步地,所述s4包括:

26、提取异常起始发源节点对应的状态偏离特征,与状态演化基准图谱内置的典型故障偏离样本库进行匹配,识别对应的故障类型并划分诊断置信度等级;其中,诊断置信度等级包括高置信度、中置信度以及低置信度;

27、基于跨工位传导路径,获取跨工位传导路径上各工位节点相对于状态演化基准图谱的偏离幅度变化,提取异常传导衰减速率特征;

28、结合诊断置信度等级与异常传导衰减速率特征,生成故障扩散风险等级。

29、进一步地,所述结合诊断置信度等级与异常传导衰减速率特征生成故障类型分级诊断结果,包括:

30、当诊断置信度等级为高或中置信度且异常传导衰减速率低于预设衰减速率阈值时,则判定该故障为高扩散风险等级;

31、当诊断置信度等级为低置信度或异常传导衰减速率高于预设衰减速率阈值时,则判定该故障为中低扩散风险等级;

32、最终基于输出的故障扩散风险等级,对不同故障扩散风险等级匹配对应的处置优先级标签,自动生成故障类型分级诊断结果。

33、进一步地,所述s5包括:

34、对生成故障类型分级诊断结果进行脱敏处理,剥离工位对应的生产工艺参数信息后生成诊断报文;

35、采用边缘采集节点内置的对称密钥对诊断报文进行加密封装,并根据故障扩散风险等级确定对应的风险优先级梯度,匹配与风险优先级梯度对应的上报时间间隔;

36、按匹配的上报时间间隔将加密后的诊断报文上报至云主站,以按风险优先级梯度上报,同时提取本次工况偏离趋势对应的运行状态时序数据,将其融入本地样本以迭代更新状态演化基准图谱。

37、进一步地,所述迭代更新状态演化基准图谱,包括:

38、判断本次工况偏离趋势是否为经云主站确认的正常工况波动;

39、若为正常工况波动,则将本次工况偏离趋势对应的运行状态时序数据纳入正常样本集,更新状态演化基准图谱的状态波动边界;

40、若经云主站确认本次工况偏离趋势为故障类型分级诊断结果相对应的故障事件,则保留原状态演化基准图谱的状态波动边界,仅将该故障事件对应的故障特征数据补充至典型故障偏离样本库。

41、本发明第二方面提供了纺纱设备状态边缘智能监测诊断系统,包括:

42、全工位时序图谱构建模块:通过边缘采集节点获取纺纱设备全工位的运行状态时序数据,构建对应工艺链路的状态演化基准图谱;

43、实时工况偏差集群定位模块:获取实时运行状态时序数据,并映射至状态演化基准图谱进行偏差匹配分析,判定是否存在工况偏离趋势,并定位偏离对应的工位集群;

44、异常传导链路溯源分析模块:在判定存在工况偏离趋势时,触发工位集群内的异常传导链路溯源分析,识别异常的起始发源节点与跨工位传导路径;

45、特征融合故障分级诊断模块:结合起始发源节点的状态偏离特征与跨工位传导路径的衰减特征,生成故障类型分级诊断结果;

46、边缘加密上报图谱更新模块:对生成故障类型分级诊断结果执行边缘端脱敏加密后,按风险优先级梯度上报至云主站,并同步迭代更新本地的状态演化基准图谱。

47、与现有的技术相比,本发明提供了纺纱设备状态边缘智能监测诊断方法及系统的有益效果在于:

48、1)通过边缘采集节点获取全工位运行状态时序数据,并按工艺链路构建状态演化基准图谱,实现对纺纱设备正常工况下状态边界的量化刻画,该基准图谱融合工序阶段对齐与工序联动关系,为后续偏差检测提供动态对比基准,提升监测系统的自适应能力和基准图谱的工艺符合性;通过将实时数据映射至状态演化基准图谱并进行偏差匹配分析,能够及时发现工况偏离趋势,并通过连续多采样点超界判定机制,有效滤除瞬态噪声干扰,提高异常检测的可靠性,同时,结合工序联动约束圈定偏离工位集群,实现异常影响范围的快速定位,为后续溯源分析缩小搜索空间,提升诊断效率与定位精度;

49、2)通过判定存在偏离趋势后,触发工位集群内的异常传导链路溯源分析,构建偏离时序先后网络并沿工序逆序回溯,准确识别异常的起始发源节点,再沿正向工序梳理扩散节点序列,形成清晰的跨工位传导路径,揭示异常在工序链路上的传播规律,为理解故障演化机理和阻断异常扩散提供关键依据;通过结合起始发源节点的状态偏离特征与传导路径上的衰减特征,实现故障类型识别与置信度等级划分,并基于衰减速率生成故障扩散风险等级,兼顾故障性质与扩散态势,能够区分高扩散风险与中低扩散风险,输出带处置优先级的分级结果,有助于运维人员合理调配资源,优先处理高风险故障;通过在边缘端对诊断结果进行脱敏加密,剥离敏感工艺参数后按风险优先级梯度上报;同时,同步迭代更新本地状态演化基准图谱,能够吸纳经确认的正常波动,持续优化监测边界,或补充典型故障特征,实现诊断知识库的自演进。