一种基于振动信号的缝纫机故障诊断系统及方法技术方案

本发明专利技术提供一种基于振动信号的缝纫机故障诊断系统及方法，涉及工业缝纫机故障诊断技术领域，包括：数据采集模块，安装于工业缝纫机的机头，用于在工业缝纫机执行不同参考缝制动作时采集对应的参考振动信号，以及在工业缝纫机进行生产时采集对应的实时振动信号；云端服务器，连接数据采集模块，用于利用各参考振动信号作为输入，以对应的参考缝制动作为输出训练得到缝制动作识别模型，将实时振动信号输入缝制动作识别模型，随后在缝制动作识别模型没有输出对应的参考缝制动作时提示工业缝纫机运行故障

【技术实现步骤摘要】
一种基于振动信号的缝纫机故障诊断系统及方法


[0001]本专利技术涉及工业缝纫机故障诊断
，尤其涉及一种基于振动信号的缝纫机故障诊断系统及方法
。

技术介绍

[0002]现有工业缝纫机的故障判断，只能在设备运行时，基于缝制物料上的错误针迹
、
或者其他物料损毁现象
、
以及数控系统自身功能故障报警这几方面来进行目视推断，所以等到发现故障时，往往已经造成生产物料的不可逆转损毁；同时，该故障不可避免地影响整条缝制产线的正常生产，导致生产订单延误等损失
。
[0003]目前工业缝纫机的故障需要现场的诊断与修复，对缝制工厂的维护人员的配置要求较高，很难达到及时性处理
。
为了提高工业缝纫机故障的诊断效率，有效提高维护人员判断工业缝纫机工况的及时性，以及有效加快工业缝纫机的维修过程；需要对工业缝纫机发生故障提前预判，才可以有效降低生产物料的损失，节约设备维护的时间成本，促进缝制产线及时调整投入生产的设备，提高产线生产效率，所以需要提供一种可以在故障发生前，根据缝纫机的振动情况及时判断运行情况，并且在发现故障时快速远程汇报故障的诊断系统
。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术提供一种基于振动信号的缝纫机故障诊断系统，包括：
[0005]数据采集模块，安装于工业缝纫机的机头，用于在所述工业缝纫机执行不同参考缝制动作时采集对应的参考振动信号，以及在所述工业缝纫机进行生产时采集对应的实时振动信号；<br/>[0006]云端服务器，连接所述数据采集模块，用于将各所述参考振动信号作为输入，以对应的参考缝制动作为输出训练得到缝制动作识别模型，将所述实时振动信号输入所述缝制动作识别模型，随后在所述缝制动作识别模型没有输出对应的所述参考缝制动作时提示所述工业缝纫机运行故障
。
[0007]优选的，所述数据采集模块包括：
[0008]振动传感器，所述振动传感器安装于所述工业缝纫机的机头，用于在采样时间周期内采集所述机头的振动信号；
[0009]数据采集设备，连接所述振动传感器和所述云端服务器，用于在所述工业缝纫机执行参考缝制动作时将所述振动信号经过预处理得到预处理后振动信号作为所述参考振动信号，以及在所述工业缝纫机进行生产时将所述振动信号经过预处理后得到预处理后振动信号作为所述实时振动信号
。
[0010]优选的，所述数据采集设备中对振动信号的预处理过程包括：
[0011]将所述振动信号进行降噪滤波，随后通过傅里叶变换分解为谐波信号并叠加作为
中间量振动信号，随后将所述中间量振动信号乘以时间窗口函数作为所述预处理后振动信号
。
[0012]优选的，所述时间窗口函数为
Hanning
窗，或
Hamming
窗，或高斯钟窗函数
。
[0013]优选的，所述云端服务器包括：
[0014]模型训练模块，用于构建
BP
神经网络模型，随后将各所述参考振动信号分为训练集和测试集，以训练集中的各所述参考振动信号作为所述
BP
神经网络模型的输入，以训练集中的各所述参考振动信号对应的参考缝制动作作为所述
BP
神经网络模型的输出，训练所述
BP
神经网络模型，随后以所述测试集中的参考振动信号和对应的所述缝制动作作为所述缝制动作识别模型的输入和输出，完成对所述
BP
神经网络模型的测试得到所述缝制动作识别模型；
[0015]故障判断模块，连接所述模型训练模块，用于将所述实时振动信号输入所述缝制动作识别模型得到识别结果，将所述识别结果与预先保存的各参考缝制动作类型进行匹配，在判断没有匹配到对应的参考缝制动作时提示所述工业缝纫机运行故障
。
[0016]优选的，还包括终端显示设备，连接所述云端服务器，用于显示所述实时振动信号并且在所述缝制动作识别模型输出对应的所述参考缝制动作时显示所述参考缝制动作，以及在所述缝制动作识别模型没有输出对应的所述参考缝制动作时显示故障提示
。
[0017]本专利技术还提供一种基于振动信号的缝纫机故障诊断方法，应用于上述的所述缝纫机故障诊断系统，所述缝纫机故障诊断方法包括：
[0018]步骤
S1
，所述缝纫机故障诊断系统在所述工业缝纫机执行不同参考缝制动作时采集对应的参考振动信号，以及在所述工业缝纫机进行生产时采集对应的实时振动信号；
[0019]步骤
S2
，所述缝纫机故障诊断系统利用各所述参考振动信号作为输入，以对应的参考缝制动作为输出训练得到缝制动作识别模型，将所述实时振动信号输入所述缝制动作识别模型，随后在所述缝制动作识别模型没有输出对应的所述参考缝制动作时提示所述工业缝纫机运行故障
。
[0020]优选的，所述步骤
S1
包括：
[0021]步骤
S11
，所述缝纫机故障诊断系统在采样时间周期内采集所述机头的振动信号；
[0022]步骤
S12
，所述缝纫机故障诊断系统在所述工业缝纫机执行参考缝制动作时将所述振动信号经过预处理得到预处理后振动信号作为所述参考振动信号，以及在所述工业缝纫机进行生产时将所述振动信号经过预处理得到预处理后振动信号作为所述实时振动信号
。
[0023]优选的，所述步骤
S12
中对振动信号的预处理过程包括：
[0024]将所述振动信号进行降噪滤波，随后通过傅里叶变换分解为谐波信号并叠加作为中间量振动信号，随后将所述中间量振动信号乘以时间窗口函数作为所述振动信号
。
[0025]优选的，所述时间窗口函数为
Hanning
窗，或
Hamming
窗，或高斯钟窗函数
。
[0026]上述技术方案具有如下优点或有益效果：
[0027]通过在工业缝纫机正常运行并执行参考缝制动作时采集对应的振动信号作为参考振动信号，并以这些参考振动信号训练得到缝制动作识别模型来识别实际生产过程中的振动信号，判断是否在执行参考缝制动作，在异常情况下及时告警，在造成生产物料的不可逆转的损毁之前就可以提示工作人员；减小对整条缝制产线的正常生产的影响，减小生产
订单的损失
。
附图说明
[0028]图1为本专利技术的较佳的实施例中，一种基于振动信号的缝纫机故障诊断系统的结构示意图；
[0029]图2为本专利技术的较佳的实施例中，一种基于振动信号的缝纫机故障诊断方法的流程示意图；
[0030]图3为本专利技术的较佳的实施例中，步骤
S1
的子流程示意图
。
具体实施方式
[0031]下面结合附图和具体实施例对本专利技术进行详细说明
。
本专利技术并不限定于该实施方式，只要符合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于振动信号的缝纫机故障诊断系统，其特征在于，包括：数据采集模块，安装于工业缝纫机的机头，用于在所述工业缝纫机执行不同参考缝制动作时采集对应的参考振动信号，以及在所述工业缝纫机进行生产时采集对应的实时振动信号；云端服务器，连接所述数据采集模块，用于将各所述参考振动信号作为输入，以对应的参考缝制动作为输出训练得到缝制动作识别模型，将所述实时振动信号输入所述缝制动作识别模型，随后在所述缝制动作识别模型没有输出对应的所述参考缝制动作时提示所述工业缝纫机运行故障
。2.
根据权利要求1所述的缝纫机故障诊断系统，其特征在于，所述数据采集模块包括：振动传感器，所述振动传感器安装于所述工业缝纫机的机头，用于在采样时间周期内采集所述机头的振动信号；数据采集设备，连接所述振动传感器和所述云端服务器，用于在所述工业缝纫机执行参考缝制动作时将所述振动信号经过预处理得到预处理后振动信号作为所述参考振动信号，以及在所述工业缝纫机进行生产时将所述振动信号经过预处理后得到预处理后振动信号作为所述实时振动信号
。3.
根据权利要求2所述的缝纫机故障诊断系统，其特征在于，所述数据采集设备中对振动信号的预处理过程包括：将所述振动信号进行降噪滤波，随后通过傅里叶变换分解为谐波信号并叠加作为中间量振动信号，随后将所述中间量振动信号乘以时间窗口函数作为所述预处理后振动信号
。4.
根据权利要求3所述的缝纫机故障诊断系统，其特征在于，所述时间窗口函数为
Hanning
窗，或
Hamming
窗，或高斯钟窗函数
。5.
根据权利要求1所述的缝纫机故障诊断系统，其特征在于，所述云端服务器包括：模型训练模块，用于构建
BP
神经网络模型，随后将各所述参考振动信号分为训练集和测试集，以训练集中的各所述参考振动信号作为所述
BP
神经网络模型的输入，以训练集中的各所述参考振动信号对应的参考缝制动作作为所述
BP
神经网络模型的输出，训练所述
BP
神经网络模型，随后以所述测试集中的参考振动信号和对应的所述缝制动作作为所述缝制动作识别模型的输入和输出，完成对所述
BP
神经网络模型的测试得到所述缝制动作识别模型；故障判断模块，连接所述模型训练模块，用于将所述实时...

【专利技术属性】
技术研发人员：陈戈，顾新宏，陈浩，
申请(专利权)人：上海鲍麦克斯电子科技有限公司，
类型：发明
国别省市：