纺丝机故障监测方法、装置和服务器制造方法及图纸

本申请提供一种纺丝机故障监测方法、装置和服务器，该纺丝机故障监测方法用于实时监测运行状态下的纺丝机，包括：获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。本发明专利技术的纺丝机故障监测方法，利用卷积神经网络及深度学习模型实时监测纺丝机纺丝窗口的运行状态，从而实现全天候监测纺丝机的故障，提高监控故障的效率，降低监控成本。

【技术实现步骤摘要】
纺丝机故障监测方法、装置和服务器
本专利技术涉及工业纺织
，具体而言，涉及一种纺丝机故障监测方法、装置、服务器和计算机存储介质。
技术介绍
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。
技术实现思路
鉴于上述问题，本专利技术提供了一种纺丝机故障监测方法、装置、服务器和计算机存储介质，以实现全天候监测纺丝机的故障，提高监控故障的效率，降低监控成本。为了实现上述目的，本专利技术采用如下的技术方案：一种纺丝机故障监测方法，用于实时监测运行状态下的纺丝机，包括：获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。优选地，所述“获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像”包括：获取纺丝机的纺丝窗口的实时图像；根据预设的帧数间隔和/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，生成所述预处理图像。优选地，所述的纺丝机故障监测方法，还包括：采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。优选地，所述“采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练”包括：采集至少一个所述纺丝窗口的故障图像；对至少一个所述纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本；将所述至少一个故障图像训练样本输入所述预先建立的卷积神经网络模型中，对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。本专利技术还提供一种纺丝机故障监测装置，用于实时监测运行状态下的纺丝机，包括：图像预处理模块，用于获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；特征图获取模块，用于将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；故障监测模块，用于将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。优选地，所述图像预处理模块包括：实时图像获取单元，用于获取纺丝机的纺丝窗口的实时图像；帧采样单元，用于根据预设的帧数间隔和/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；帧拼接单元，用于将所述至少一个帧采样图像按照预设规则进行拼接，生成所述预处理图像。优选地，所述的纺丝机故障监测装置，还包括：样本训练模块，用于采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。优选地，所述样本训练模块包括：故障图像采集单元，用于采集至少一个所述纺丝窗口的故障图像；图像预处理单元，用于对至少一个所述纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本；样本输入单元，用于将所述至少一个故障图像训练样本输入所述预先建立的卷积神经网络模型中，对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。本专利技术还提供一种服务器，包括存储器以及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述服务器执行所述的纺丝机故障监测方法。本专利技术还提供一种计算机存储介质，其存储有所述的服务器中所使用的计算机程序。本专利技术提供一种纺丝机故障监测方法，该方法用于实时监测运行状态下的纺丝机，包括：获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。本专利技术的纺丝机故障监测方法，利用卷积神经网络及深度学习模型实时监测纺丝机纺丝窗口的运行状态，从而实现全天候监测纺丝机的故障，提高监控故障的效率，降低监控成本。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对本专利技术范围的限定。图1是本专利技术实施例1提供的一种纺丝机故障监测方法的流程图；图2是本专利技术实施例2提供的一种纺丝机故障监测方法的图像预处理的流程图；图3是本专利技术实施例3提供的一种纺丝机故障监测方法的流程图；图4是本专利技术实施例4提供的一种纺丝机故障监测方法的进行样本训练的流程图；图5是本专利技术实施例5提供的一种纺丝机故障监测装置的结构示意图；图6是本专利技术实施例5提供的一种纺丝机故障监测装置的图像预处理模块的结构示意图；图7是本专利技术实施例5提供的另一种纺丝机故障监测装置的结构示意图；图8是本专利技术实施例5提供的一种纺丝机故障监测装置的样本训练模块的结构示意图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域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例，都属于本专利技术保护的范围。实施例1图1是本专利技术实施例1提供的一种纺丝机故障监测方法的流程图，该方法用于实时监测运行状态下的纺丝机，包括如下步骤：步骤S11：获取纺丝机的纺丝窗口的实时图像，并对实时图像进行预处理，获得纺丝窗口的预处理图像。本专利技术实施例中，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。其中，该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，并且可以观察到在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。其中，一台纺丝机中可以包括有多个进行出丝的喷头，相应地，每个喷头设置有纺纱窗口便于观察纺纱运行的状态。本专利技术实施例中，在每个纺纱窗口前设置有摄像头，用于实时获取纺纱运行过程中纺纱窗口的本文档来自技高网...

【技术保护点】
1.一种纺丝机故障监测方法，用于实时监测运行状态下的纺丝机，其特征在于，包括：获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。

【技术特征摘要】
1.一种纺丝机故障监测方法，用于实时监测运行状态下的纺丝机，其特征在于，包括：获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像；将所述预处理图像输入预先建立的卷积神经网络模型中，生成所述纺丝窗口的纺丝特征图；将所述纺丝特征图输入预先建立的深度学习模型中，生成判断纺丝机是否存在故障的故障监测结果。2.根据权利要求1所述的纺丝机故障监测方法，其特征在于，所述“获取纺丝机的纺丝窗口的实时图像，并对所述实时图像进行预处理，获得所述纺丝窗口的预处理图像”包括：获取纺丝机的纺丝窗口的实时图像；根据预设的帧数间隔和/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，生成所述预处理图像。3.根据权利要求1所述的纺丝机故障监测方法，其特征在于，还包括：采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。4.根据权利要求3所述的纺丝机故障监测方法，其特征在于，所述“采集纺丝窗口的故障图像，利用故障图像生成故障图像训练样本，并对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练”包括：采集至少一个所述纺丝窗口的故障图像；对至少一个所述纺丝窗口的故障图像进行预处理，生成至少一个故障图像训练样本；将所述至少一个故障图像训练样本输入所述预先建立的卷积神经网络模型中，对所述预先建立的卷积神经网络模型及所述预先建立的深度学习模型进行样本训练，以获得训练后的卷积神经网络模型及深度学习模型。5.一种纺丝机故障监测装置，用于实时监测运行状态下的纺丝机，其特征在于，包括：图像预处理模块，用于获取纺丝机的纺丝窗口的实时图像...

【专利技术属性】
技术研发人员：马修·罗伯特·斯科特，黄鼎隆，董登科，刘政杰，夏冰，
申请(专利权)人：深圳码隆科技有限公司，
类型：发明
国别省市：广东,44