一种基于振动数据的纱线故障检测方法及装置与流程

本发明涉及复合材料织造技术领域，特别是涉及一种基于振动数据的纱线故障检测方法及装置。

背景技术：

纤维增强复合材料比如玻璃纤维、碳纤维等，在织造过程中经常会遇到断线、跑线、漏线等故障问题。目前织造过程中的故障检测基本上是由人工方式作业，不但效率低下，而且检测人员在长时间集中精力工作后极易疲劳，造成漏检、误检等问题，漏检率大大增加，从而严重影响产品质量。

自动化故障检测是提升织造行业生产效率的重要手段，不仅可以提升产品质量，而且可以极大地降低产品制造成本。目前的自动化故障检测技术主要是依赖于机器视觉技术。然而，基于机器视觉的故障检测系统，由于采用人工建模，大多存在使用环境要求苛刻、适应性差等问题，导致设备的成本居高不下。同时，在很多行业只使用传统视觉技术还存在误报率高等因素，如在特种织物织造过程中，纱线的中断会引起织物强度受损，而纱线中断后的一段时间后才能被视觉技术发现，这种延迟会造成较大的经济损失。基于机器视觉的故障检测系统目前在织造行业中普及率非常低。提升故障检测的智能化和检测效率，是织造行业迫切需要解决的关键问题。

技术实现要素：

针对现有技术存在的问题，本发明提供一种基于振动数据的纱线故障检测方法及装置，能够对纱线故障进行智能化检测，能够提高检测效率与准确率、降低检测成本，而且漏检率与误检率低、通用性强。

本发明的技术方案为：

一种基于振动数据的纱线故障检测方法，其特征在于，包括下述步骤：

步骤1：使待检测纱线在运动过程中经由弹性体；

步骤2：利用所述弹性体的振动数据确定待检测纱线的故障状态。

所述弹性体上开设有一个穿线孔，所述待检测纱线在运动过程中穿过所述穿线孔。

所述步骤2包括下述步骤：

步骤2.1：训练过程

步骤2.1.1：在待检测纱线的不同故障状态下以第一采样率采集所述弹性体在第一预设时长内的振动数据，得到待检测纱线的不同故障状态下的训练振动数据；

步骤2.1.2：对待检测纱线的每种故障状态下的训练振动数据，均利用滑动窗口方式按照第二预设时长划分为多个训练振动数据分组；

步骤2.1.3：对每个所述训练振动数据分组均提取训练特征向量，将训练特征向量对应的待检测纱线的故障状态作为该训练特征向量的标签，带有标签的所有训练特征向量构成训练数据集；

步骤2.1.4：利用所述训练数据集训练机器学习分类器，得到特征向量集到纱线故障状态标签集的映射；

步骤2.2：检测过程

步骤2.2.1：以第二采样率采集所述弹性体在第三预设时长内的振动数据，得到待检测纱线的检测振动数据；

步骤2.2.2：对待检测纱线的检测振动数据，利用滑动窗口方式按照第二预设时长划分为多个检测振动数据分组；

步骤2.2.3：对每个所述检测振动数据分组均采用与提取训练特征向量相同的方法来提取检测特征向量，得到检测特征向量集；

步骤2.2.4：将所述检测特征向量集输入训练后的所述机器学习分类器，输出纱线故障状态标签，从而确定待检测纱线的故障状态。

所述故障状态包括正常状态和异常状态，所述正常状态为纱线正常前行，所述异常状态包括纱线断线、纱线缠绕。

一种基于振动数据的纱线故障检测装置，其特征在于，包括弹性体，所述弹性体用于感知待检测纱线的运动；所述弹性体上设置有运动传感器，所述运动传感器用于感知所述弹性体的振动；所述运动传感器连接有微控制器，所述微控制器用于利用所述弹性体的振动数据确定待检测纱线的故障状态。

所述弹性体上开设有一个穿线孔；所述穿线孔，用于使待检测纱线在运动过程中经由弹性体。

所述微控制器用于利用所述弹性体的振动数据确定待检测纱线的故障状态包括：所述微控制器，用于利用所述弹性体的振动数据训练机器学习分类器；利用所述弹性体的振动数据和训练后的所述机器学习分类器确定待检测纱线的故障状态；

所述微控制器用于利用所述弹性体的振动数据训练机器学习分类器包括：所述微控制器，用于在待检测纱线的不同故障状态下以第一采样率采集所述运动传感器感知的所述弹性体在第一预设时长内的振动数据，得到待检测纱线的不同故障状态下的训练振动数据；对待检测纱线的每种故障状态下的训练振动数据，均利用滑动窗口方式按照第二预设时长划分为多个训练振动数据分组；对每个所述训练振动数据分组均提取训练特征向量，将训练特征向量对应的待检测纱线的故障状态作为该训练特征向量的标签，带有标签的所有训练特征向量构成训练数据集；利用所述训练数据集训练机器学习分类器，得到特征向量集到纱线故障状态标签集的映射；

所述微控制器，用于利用所述弹性体的振动数据和训练后的所述机器学习分类器确定待检测纱线的故障状态包括：所述微控制器，用于以第二采样率采集所述运动传感器感知的所述弹性体在第三预设时长内的振动数据，得到待检测纱线的检测振动数据；对待检测纱线的检测振动数据，利用滑动窗口方式按照第二预设时长划分为多个检测振动数据分组；对每个所述检测振动数据分组均采用与提取训练特征向量相同的方法来提取检测特征向量，得到检测特征向量集；将所述检测特征向量集输入训练后的所述机器学习分类器，输出纱线故障状态标签，从而确定待检测纱线的故障状态。

所述故障状态包括正常状态和异常状态，所述正常状态为纱线正常前行，所述异常状态包括纱线断线、纱线缠绕；所述微控制器还连接有报警单元，所述报警单元用于当确定待检测纱线的故障状态为异常状态时，进行异常状态显示或报警提示。

所述微控制器还连接有收发器；所述基于振动数据的纱线故障检测装置利用所述收发器通过通信网络与服务器进行通信，将确定的待检测纱线的故障状态报告至服务器。

本发明的有益效果为：

(1)本发明的方法和装置利用弹性体和运动传感器并结合采用机器学习方法，在线学习不同故障状态下的振动数据特征，实现基于振动数据对纱线故障的智能化检测，相对于基于机器视觉的纱线故障检测方法与装置，无需人工建模过程，大大提高了检测效率与检测准确率，降低了漏检率与误检率；

(2)本发明的方法和装置对光照等环境要求较低，具有很好的适用性和通用性，而且检测中使用的运动传感器其测量精度高、生产成本低，从而降低了检测成本。

附图说明

图1为本发明基于振动数据的纱线故障检测方法的流程图；

图2为本发明基于振动数据的纱线故障检测方法中训练过程的流程图；

图3为本发明基于振动数据的纱线故障检测方法中检测过程的流程图；

图4为本发明实施例一中基于振动数据的纱线故障检测装置的结构示意图；

图5为本发明实施例二中基于振动数据的纱线故障检测装置的结构示意图；

图6为本发明实施例二中基于振动数据的纱线故障检测装置与服务器之间的连接关系示意图。

图中，500—纱线故障检测装置，502—弹性体，504—运动传感器，506—微控制器，508—穿线孔，510—报警单元，512—收发器。

具体实施方式

下面将结合附图和具体实施方式，对本发明作进一步描述。

实施例一

如图1所示，为本发明基于振动数据的纱线故障检测方法的流程图。本发明的基于振动数据的纱线故障检测方法，其特征在于，包括下述步骤：

步骤1：使待检测纱线在运动过程中经由弹性体。

本实施例一中，所述弹性体上开设有一个穿线孔，所述待检测纱线在运动过程中穿过所述穿线孔，从而使得待检测纱线的运动转化为弹性体的振动。

步骤2：利用所述弹性体的振动数据确定待检测纱线的故障状态。

所述步骤2包括训练过程和检测过程，分别如图2和图3所示。采集不同故障状态下的弹性体的振动数据，采用机器学习方法提取不同故障状态下的振动数据特征，利用这些数据特征在线实时确定待检测纱线的故障状态。本实施例一中，所述故障状态包括正常状态和异常状态，所述正常状态为纱线正常前行，所述异常状态包括纱线断线、纱线缠绕。所述步骤2具体如下：

步骤2.1：训练过程

步骤2.1.1：在待检测纱线的不同故障状态下以第一采样率采集所述弹性体在第一预设时长内的振动数据，得到待检测纱线的不同故障状态下的训练振动数据。

第一采样率和第一预设时长需要根据待检测纱线的运动情况而定。所述振动数据可以有多种。本实施例一中，所述振动数据包括弹性体的三向加速度、弹性体的三向角速度。

步骤2.1.2：对待检测纱线的每种故障状态下的训练振动数据，均利用滑动窗口方式按照第二预设时长划分为多个训练振动数据分组。

采集到的弹性体振动数据通常具有很大相关性，需要进行降维处理，从而提取关键特征。对于待检测纱线的每种故障状态，利用滑动窗口方式将训练振动数据划分成多个训练振动数据分组。滑动窗口对应的时长即为第二预设时长。相邻训练振动数据分组之间可能存在重叠数据，取决于滑动窗口的滑动步长与窗口时长之间的关系。

步骤2.1.3：对每个所述训练振动数据分组均提取训练特征向量，将训练特征向量对应的待检测纱线的故障状态作为该训练特征向量的标签，带有标签的所有训练特征向量构成训练数据集。

其中，提取的每个训练振动数据分组的训练特征向量，可以有多种计算方法。本实施例一中，所述每个训练振动数据分组的训练特征向量的元素包括该训练振动数据分组的均值、过零率等。

步骤2.1.4：利用所述训练数据集训练机器学习分类器，得到特征向量集到纱线故障状态标签集的映射。

所述的机器学习分类器可以有多种，比如支持向量机(supportvectormachine，svm)或决策树或神经网络等。本实施例一中，所述机器学习分类器为支持向量机。

步骤2.2：检测过程

步骤2.2.1：以第二采样率采集所述弹性体在第三预设时长内的振动数据，得到待检测纱线的检测振动数据。

本实施例一中，第二采样率与第一采样率相同。

步骤2.2.2：对待检测纱线的检测振动数据，利用滑动窗口方式按照第二预设时长划分为多个检测振动数据分组。

步骤2.2.3：对每个所述检测振动数据分组均采用与提取训练特征向量相同的方法来提取检测特征向量，得到检测特征向量集。

所述每个检测振动数据分组的检测特征向量的元素包括该检测振动数据分组的均值、过零率等。

步骤2.2.4：将所述检测特征向量集输入训练后的所述机器学习分类器，输出纱线故障状态标签，从而确定待检测纱线的故障状态。

如图4所示，为本发明实施例一中基于振动数据的纱线故障检测装置的结构示意图。本发明的基于振动数据的纱线故障检测装置500，其特征在于，包括弹性体502，所述弹性体502用于感知待检测纱线的运动；所述弹性体502上设置有运动传感器504，所述运动传感器504用于感知所述弹性体502的振动；所述运动传感器504连接有微控制器506，所述微控制器506用于利用所述弹性体502的振动数据确定待检测纱线的故障状态。该纱线故障检测装置500用于实现图1所示的基于振动数据的纱线故障检测方法。

本实施例一中，所述弹性体502上开设有一个穿线孔508；所述穿线孔508，用于使待检测纱线在运动过程中经由弹性体502，从而使得待检测纱线的运动带动弹性体的振动。

所述微控制器506用于利用所述弹性体502的振动数据确定待检测纱线的故障状态包括：所述微控制器506，用于利用所述弹性体502的振动数据训练机器学习分类器；利用所述弹性体502的振动数据和训练后的所述机器学习分类器确定待检测纱线的故障状态。

所述微控制器506用于利用所述弹性体502的振动数据训练机器学习分类器包括：所述微控制器506，用于在待检测纱线的不同故障状态下以第一采样率采集所述运动传感器504感知的所述弹性体502在第一预设时长内的振动数据，得到待检测纱线的不同故障状态下的训练振动数据；对待检测纱线的每种故障状态下的训练振动数据，均利用滑动窗口方式按照第二预设时长划分为多个训练振动数据分组；对每个所述训练振动数据分组均提取训练特征向量，将训练特征向量对应的待检测纱线的故障状态作为该训练特征向量的标签，带有标签的所有训练特征向量构成训练数据集；利用所述训练数据集训练机器学习分类器，得到特征向量集到纱线故障状态标签集的映射。

所述微控制器506，用于利用所述弹性体502的振动数据和训练后的所述机器学习分类器确定待检测纱线的故障状态包括：所述微控制器506，用于以第二采样率采集所述运动传感器504感知的所述弹性体502在第三预设时长内的振动数据，得到待检测纱线的检测振动数据；对待检测纱线的检测振动数据，利用滑动窗口方式按照第二预设时长划分为多个检测振动数据分组；对每个所述检测振动数据分组均采用与提取训练特征向量相同的方法来提取检测特征向量，得到检测特征向量集；将所述检测特征向量集输入训练后的所述机器学习分类器，输出纱线故障状态标签，从而确定待检测纱线的故障状态。

所述运动传感器504的类型与要采集的振动数据的类型有关。本实施例一中，运动传感器504为速度传感器，用于对弹性体502的加速度和角速度进行感知。

本实施例一中，所述故障状态包括正常状态和异常状态，所述正常状态为纱线正常前行，所述异常状态包括纱线断线、纱线缠绕；所述微控制器504还连接有报警单元510，所述报警单元510用于当确定待检测纱线的故障状态为异常状态时，进行异常状态显示或报警提示。

实施例二

如图5所示，为本发明实施例二中基于振动数据的纱线故障检测装置的结构示意图。本实施例二与上述实施例一的不同之处在于：所述微控制器506还连接有收发器512；所述基于振动数据的纱线故障检测装置500利用所述收发器通过通信网络与服务器进行通信，将确定的待检测纱线的故障状态报告至服务器。本发明实施例二中基于振动数据的纱线故障检测装置与服务器之间的连接关系如图6所示，一个或多个基于振动数据的纱线故障检测装置500通过通信网络与服务器进行通信。纱线故障检测装置500利用振动数据以及机器学习方法实时获得待检测纱线的故障状态，并将待检测纱线的故障状态报告至服务器，服务器实时呈现待检测纱线的故障状态，当确定待检测纱线的故障状态为异常状态时进行异常状态显示或者报警提示。

显然，上述实施例仅仅是本发明的一部分实施例，而不是全部的实施例。上述实施例仅用于解释本发明，并不构成对本发明保护范围的限定。基于上述实施例，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，也即凡在本申请的精神和原理之内所作的所有修改、等同替换和改进等，均落在本发明要求的保护范围内。