基于能耗参数的细纱机预维护系统设计

张保威 赵朋磊 王永华 江 豪 李 鑫 张 赛

（1.郑州轻工业大学，河南郑州， 450000；2.郑州轻大产业技术研究院，河南郑州， 450000）

细纱机是纺纱生产过程的关键设备，易发生异常和故障，其维护管理一直是纺织企业运维的重点。目前，细纱机维护以周期性维护为主，但是细纱机的维护周期取决于多种因素，难以统一。如果维护周期过长，则无法完全解决意外停机问题；而维护周期过短，则导致维护过度，即维护投入远远超过实际需求。如何对细纱机的健康状态进行评估、预测其剩余寿命，以确保其正常、稳定的工作成为当前纺织业亟待解决的问题［1-3］。

由于纺织业设备健康状态与其能耗参数密切相关，通过对设备的能耗参数进行监测和分析，可以有效地预测设备的健康状况。国内外学者对此进行了深入的研究，如考虑能耗与刀具寿命的高速干切滚齿工艺参数决策系统的总体方案［4］，以及通过能耗参数对工业机器人的工作状态进行分析［5］；但是能耗参数种类过多会导致数据的冗余、结果表征不明显，使得预测精度较低。因此，在设备的健康状态预测中，不仅要优化参数种类，还要选择合适的健康指标和表征。有学者利用长短时记忆网络与深度网络结合的方法构建了细纱机可靠性指标，与单一退化表征参数相比，该方法详细体现了细纱机的失效过程［6］。还有学者引入敏感度、相关度、重要度等重要指标，利用Weibull 分布函数、Copula 函数等建立了突发失效和退化失效的细纱机可靠性模型，其模型拟合程度高达94.57%［7］。除此之外，有学者简化了细纱机关键性能参数和细纱机性能退化模型的建模过程，利用主客观综合权重法筛选退化表征参数，构建多元性能退化过程的表征参数失效曲线，进一步分析了失效过程的相关性［8］。随着机器学习的发展，一些先进理论算法也被广泛地应用到细纱机等生产设备的健康管理中，如双向LSTM 神经网络［9］、卷积神经网络［10］、支持向量机［11］和数据驱动［12］等方法都展现出良好的性能。为了设备的维护工作变得方便、快捷，许多学者对设备预测性维护系统展开了研究。例如，有学者在重型发动机生产线设备管理工作中，对传统的基于人工统计、协调的预防性维护手段进行升级探讨，实现基于信息化和智能化的预防性维护工作［13］；还有学者面向工业机器人，进行预测性维护系统研究，实现设备的故障状态判断、剩余使用寿命预测及相关信息查询功能，将预测结果可视化展示出来［14］。

现代科学技术在纺纱设备预测性维护方面已经取得了很大进展。这方面的研究主要包括对细纱机关键部件和主要传动机构进行故障诊断、可靠性分析及健康状态的预测，其次，还有根据细纱产品质量指标进行性能退化模型的研究。但是，实时捕获细纱机故障数据难以实现，导致细纱机预测性维护技术难以运用到实际维护生产中。对此，本研究设计开发的预测性维护系统通过传感器技术和数据库技术监测较易获取的细纱机能耗参数，利用数据驱动技术分析细纱机未来运行状态，达到预测细纱机故障的目的。

1 系统设计

1.1 系统总体架构

细纱机预测性维护系统共分为4 个层级，分别是数据层、数据模型层、业务层以及客户层。细纱机预测性维护系统架构如图1 所示。

图1 细纱机预测性维护系统架构

（1）客户层。根据用户职责不同将角色划分为主管人员、维修人员和普通车工三类。分别对应车间责任人、维护班组和普通车工。

（2）业务层。业务层对应状态管理、故障管理、维护管理、报表管理和系统管理5 个功能模块的数据接口和后台服务。业务层通过固定的接口和驱动程序与数据层连接，当需要改变或更新数据库内容时，只需要更改数据访问方式的接口即可，避免了对业务层的重新设计。

（3）数据模型层。数据模型层包括数据预处理和故障预测模型，数据模型层是采用Python 编写的数据处理算法和PSO-BP 神经网络。数据模型层接收数据层的信息作为样本数据，并针对样本数据进行降噪处理。处理后的样本数据作为训练集，输入到提前编写的算法模型中。

（4）数据层。数据层专门为模型制定层和业务层提供数据基础，系统的数据存放在服务器中，借助数据库SQL Server 软件作为存储媒介和数据管理的载体。数据层中包含5 种数据。一是工艺数据：通过与其他生产管理系统或监控系统数据库通信而得到的数据，主要包括生产批次、生产种类、主轴速度、锭子速度、工艺数据等。二是历史数据：历史数据保存在数据库数据归档表，主要由实时数据按照规定周期和计算公式归档添加。三是实时数据：通过传感器、智能电表等一类测量仪器经采集系统而得到的反映细纱机实时状态的数据，通常以较高的频率写入数据库各类传感器数据表中。四是模型数据：模型数据是模型训练参数和模型运行时的输入、结果值、权重值等，同样存储在数据表中。五是质量数据：由实验室分析后上传的细纱质量指标。

1.2 网络拓扑结构设计

细纱机预测性维护系统的网络拓扑结构是指采用不同的数据传输通道将智能网关、交换机和服务器等与底层温湿度传感器、智能电表、电机温控传感器等相互联通的空间布局，描述了网络节点、数据传输链路在采集过程中所构成的几何形状［15］。系统网络拓扑基于B/S 结构，能够快速获取底层数据和集成其他系统的数据，如图2 所示。系统的主干数据由企业级H3C MS4320S-28F 作为核心交换机处理并采用树型结构光纤网络，以H3C MS4320-28P/52P 网管型作为车间交换机，通过光纤与核心交换机直接相连保证数据的交换量，以TP-LINK TL-SG1008D 光电交换模块连接车间交换机与操作员工作台电脑。

图2 细纱机预测性维护网络拓扑结构

1.3 系统功能设计

细纱机预测性维护系统功能设计如图3 所示。状态监控和故障管理功能是细纱机预测性维护系统的核心模块。状态监控模块能够实时反应细纱机故障，防止细纱机进入维护“死区”；故障管理模块是实现预测性维护的关键部分；维护管理模块和报表管理模块作为系统的辅助功能起到管理信息和统计数据的作用；系统管理模块不参与细纱机维护管理的任务，主要负责一些系统本身的设置。

图3 细纱机预测性维护系统业务功能结构

2 细纱机故障预测模型

2.1 模型分析

2.1.1可行性分析

细纱机运行过程中，由主轴旋转带动多个传动齿轮向生产机构提供动力，其传动路线复杂，涉及多种工艺参数。细纱机故障时，其主轴振动情况、电机温度、用电耗能均会产生变化。但是，利用主轴振动参数和电机温度作为预测性维护的支撑数据时，存在一定的问题。一是主轴转速较高，振动较小。虽然传感器技术在纺织行业有着广泛的应用，但是通过安装加速度传感器，利用主轴振动数据来判断细纱机的运行状态和稳定性的方法并不理想。主要原因包括：细纱机主轴转速较高，运行时产生的振动较小，难以实时捕捉故障状态；主轴振动传感器可能会干扰设备的正常运行，如产生电磁干扰等问题。二是电机温度变化存在滞后性。电机的温度变化主要与电机本身的结构有关，通常由内部引起，缓慢地传递到电机外表面。当电机故障运行时，温度传感器只能检测到电机外表面温度，其数据不能反映温度实时的变化情况。

能耗参数能够间接反馈设备状态。细纱机运行状态不同，克服摩擦力和传动做功引起电能变化不同，即能耗参数能够反应设备的运行状态，与设备负载、运行效率和设备故障有着密切的关系。当细纱机的工作负载过大或者过小时，其能耗参数会相应地发生变化；当细纱机的运行效率下降时，其能耗参数会相应地增加；细纱机故障情况也会导致细纱机的能耗参数发生变化。

综上所述，实时捕获细纱机故障数据难以实现，而能耗参数能够间接反应设备的健康状态。因此，建立能耗采集系统，分析能耗参数与细纱机故障状态之间的关系，根据能耗变化趋势，预测细纱机性能有极大的可行性。

2.1.2量化过程

在细纱工序中，各生产批次的能耗通常是不一样的，同一台细纱机在不同生产批次中其能耗也会有很大差别。在相同的生产过程中，细纱机组的能源消耗并不一定是恒定的，而是受到生产周期、设备失效、专件性能等多种因素的影响，导致同种产品、同样过程、同样产量，细纱的能源消耗各异。

为了区分细纱机在故障状态下与正常状态下能耗之间的差异，引入了能耗偏转系数。能耗偏转系数是指单位生产用能真实值和单位生产用能标准值之比与单位生产用能标准系数的差值，如公式（1）所示。

式中：D为能耗偏转系数；PA为细纱机单位产品真实耗电量［（kW·h）/t］；P为细纱机单位产品正常耗电量［（kW·h）/t］，也即是单位产品耗电量指标。当D<0 时，意味着单位细纱产品产量能源消耗偏低，说明指标完成度好；当D>0 时，意味着单位细纱产品产量能源消耗偏高，说明指标完成度差，可能存在某种故障。

结合细纱机实际生产情况，部分细纱机故障与能耗偏转系数之间的关系，如表1 所示。

表1 能耗异常与细纱机故障描述表

2.2 基于PSO-BP 神经网络故障预测模型

2.2.1粒子群算法

粒子群算法（PSO）基于群体理论，模拟了鸟类捕食行为，并利用这种行为来在N维空间中寻找最优解。N维空间中，每个粒子的位置是待优化参数的遴选值，鸟的捕食过程也就是粒子向最优值推进的过程，捕食的速度是粒子的速度，根据粒子的最优位置和全局最优位置来决定。PSO求解更新粒子速度和位置的迭代公式如式（2）和式（3）所示。

式中：Xkid为粒子i在第k次迭代中第d维的位置向量；Vkid为粒子i在第k次迭代中第d维的速度向量；Pkid为在第k次迭代后，第i个粒子搜索得到的最优解；Pkgd为在第k次迭代后，整个粒子群体中的最优解；ω为惯性因子，通过改变ω的大小调整全局寻优和局部寻优性能；c1和c2为加速常数且有c1=c2，通常被用作个体学习因子和社会学习因子，并被设定为一个固定常数值；r1、r2为区间在［0，1］内的随机数，增加搜索的随机性。PSO训练流程图如图4 所示。

图4 粒子群算法训练流程图

2.2.2PSO-BP 网络模型构建与训练

基于PSO-BP 神经网络故障预测模型的构建与训练过程如图5 所示。

图5 PSO-BP 神经网络故障预测模型构建与训练过程

第一步，确定群体规模、惯性因子、粒子初始位置和初始速度等参数。第二步，初始化BP 神经网络模型，指定输入层节点、输出层节点和隐藏层节点。第三步，确定适应度值，根据粒子维数，随机初始化多个适应度值。第四步，更新最优解找出个体和群体的最优值，其中各个粒子的局部最优解为适应度值，称作粒子的个体最优值。将最优值作为全局最优解，并记录个体最优值与全局最优解的位置。第五步，更新粒子属性，通过更新迭代公式，更新粒子的速度和位置。第六步，传递最佳参数与训练混合模型，达到终止条件后，将PSO 算法计算的最优权值和阈值赋给BP 神经网络，训练网络达到一定的模型精度。

2.2.3试验结果与分析

基于Python3.7.9 开发环境，并结合Tensorflow2.1.0、Numpy1.18.1、Pandas1.3.5、Sklearn0.0、Scikit - opt0.5.9、Matplotlib3.5.1、Keras 2.3.1扩展模块搭建了预测模型试验环境。

使用BP 神经网络和PSO-BP 神经网络故障预测模型对能耗偏转系数进行预测，结果如图6所示。两种不同神经网络预测值与真实值的误差如表2 所示。误差越小，说明模型的预测精度越高、稳定性越好。

表2 两种不同神经网络预测误差

图6 预测结果与真实值对比结果

通过图6 可以直观地看出两种预测模型的预测值和真实值的整体趋势是吻合的，但是具体分析每个样本时，发现BP 神经网络的预测值与真实值的对比忽高忽低，表现出较大的不稳定性。表2 中，BP 神经网络的预测值最大误差达到了3.5×10-2，而最小误差才7×10-3，两者相差很大。反观图6 中PSO-BP 预测值与真实值，预测值基本上保持在真实值的下方，甚至完全重合，表现出较好的稳定性。

为了进一步验证预测模型的准确性，通过均方误差（Mean Square Error，MSE）和均方根误差（Root Mean Square Error，RMSE）对两种不同预测模型进行评价。MSE通过预测值与实际值的平方来判断偏差，其对误差较大的值起到了放大的作用；RMSE在MSE的基础上进行了开方运算，其优势在于数量级上比较直观地展现预测偏差。两种算法评价指标比较如表3 所示。PSO-BP相较于BP，MSE和RMSE分别降低3.265×10-4、9.01×10-3。在细纱机预测性维护系统中起到准确预测细纱机故障的作用。

表3 算法评价指标对比

最后，选择5 组不同的故障数据，对PSO-BP神经网络故障预测模型进行验证，预测结果与实际故障如表4 所示。

表4 预测结果与实际故障

由表4 可知，针对5 种不同情况，有4 种完全预测正确，另1 种是在预测具体故障种类时出现偏差，整体上可以满足实际生产中的需求。因此，可以利用PSO-BP 模型事先计算细纱机未来生产的能耗偏转系数，根据预测出的能耗偏转系数，以细纱机维护费用最小和生产最稳定的方式调整生产计划，优化维护策略。

3 系统实现

3.1 系统开发环境

根据系统划分的角色和企业规模，考虑到C/S结构安装部署的不便性和适应性差的缺点，预测性维护系统最终采用B/S 架构。系统使用JAVA语言在IDEA 平台上开发。配合Spring MVC，运行在Tomcat 服务器上；前端采用JQuery、Html、Axios、Vue3、Element-UI、Echarts 等技术栈；后端采用MVC 设计模式，结合ORM 映射框架和My-Batis 框架，提升了SQL Server 数据库的访问效率，并设置了专有接口，集成了MES 系统的部分数据。系统技术架构如图7 所示。

图7 系统技术架构

3.2 系统界面展示

车间总览界面可直观地向用户展示细纱历史产量、运转效率、能耗趋势和报警数量，且支持用户下载数据，如图8 所示。具体实现过程：车间总览是用户登录后的首页面，该页面主要使用基于JavaScript 的Echarts 图表库，通过Axios 技术获取的异域数据进行图形页面化。一方面，从数据库中获取近7 天的细纱产量和3 天内的实时报警统计数据，将相应的结果在Echarts 图表库中调用柱状图以对应的样式展现；另一方面，获取近7 天细纱运转率和能耗趋势，将相应的结果在Echarts 图表库中调用折线图以对应的样式展现。

图8 车间总览界面

故障预测界面能够直观展示设备能耗偏转系数和机台运行效率的预测值，为专业的设备管理人员生产前是否需要维护细纱机提供科学的参考依据，并能够根据预测值规定细纱机维护周期。故障预测界面如图9 所示。当预测的能耗偏转系数过大时对该细纱机进行预报警或者预警告。

图9 故障预测界面

4 应用效果

在某纺织企业的15 万锭分厂实际应用效果如图10 所示。根据图10 的统计数据，系统实施后有效提升了细纱车间的维护质量，减少了细纱机维护成本，主要表现在以下两个方面。

图10 系统应用前后停车次数对比

（1）提高维护管理信息化水平。细纱机维护运行数据和维护管理数据从依靠人工获取变成了无纸化记录，打破了信息壁垒，实现了信息的实时传递。系统投入使用后，专件信息数据、维护记录、故障数据等从人工获取一部分变为机器自动采集，并且历史数据依托于预测性维护管理系统，保证数据的准确性和高效性，数据的有效流通也使整个系统对细纱机的维护管理能够做出更快的响应。

（2）减少了停车次数。一方面，预测性维护系统监测细纱机关键部位状态，能够实时掌握细纱机运行参数的变化，一旦细纱机出现故障，能够在第一时间发现故障、解决故障，降低了故障的危害程度。另一方面，预测性维护系统预测包含了专件管理和故障预测功能，用户可以提前获知细纱机运行效率、异常情况和专件状态。根据系统提供的信息，综合不同因素采取自定义维护周期，避免出现“过维护”和“欠维护”现象。

5 结语

本研究利用能耗参数能够间接反应细纱机故障的特点，结合数据驱动技术，充分考虑预测模型与细纱机维护的适配性，详细对比分析BP 神经网络和PSO-BP 神经网络的预测效果，选取预测效果更优的PSO-BP 模型；根据预测性维护思想和B/S 架构等一系列系统开发工具，实现了细纱机预测性维护系统状态监控、故障预测、维护管理、报表管理和系统管理等功能。与现有维护系统相比，本研究可以为细纱机的日常运维提供有效技术支撑，实现被动响应的事后运维模式向主动预测的事前运维模式转型，达到了预测细纱机故障的目的，起到了降低细纱机维护成本的作用，助力纺织行业向数字化、智能化转型。