一种用于注塑机的液压故障预警系统的制作方法

本发明涉及注塑机故障诊断技术领域，具体涉及一种用于注塑机的液压故障预警系统。

背景技术：

注塑机是高分子材料加工设备，其中油压式驱动注塑机大量使用，此种注塑机液压驱动系统的故障由于故障频次高、隐蔽性强、反应不明显和呈现效果滞后，对故障排查维修带来困难。通过对注塑机注射液压故障搭建预测性系统，实现注塑机液压故障提前诊断、预警，防止注塑生产过程质量降低、生产效率下降，甚至强制停机情况。

注塑机液压故障的诊断方式有传统人工检验方法、专家诊断系统和智能算法系统。传统人工检验没有预测性，只能做事后处理；专家诊断系统是使用知识库和推理机完成故障定位和诊断，但知识库更新缓慢，系统缺乏泛化性；智能算法系统能提前预测故障原因，具有适应能力，但实用性、准确性有待提高。

注塑机现有的故障诊断和预警系统是在线下进行，其实施具有高额成本、效率底下的特点，系统推广使用有难度。

技术实现要素：

为了克服上述现有技术的不足，本发明提供一种用于注塑机的液压故障预警系统，采用基于智能硬件和云平台的故障预警系统，引入基于机器学习的自适应故障预警方法，实现注塑机液压故障实时预警。使用基于云平台的故障预警系统能明显降低成本和提高预警效率，使用基于机器学习的故障预警方法能明显提升诊断效率和准确性。

为达到上述目的，本发明所采用的技术方案是：

1.一种用于注塑机注射液压故障预警系统，所述系统包括数据输入、智能硬件、算法程序、云平台和web浏览器，其特征在于：

所述数据输入、智能硬件、云平台和web浏览器，按顺序连接。算法程序中模型训练部分在云平台中实现，算法程序中液压故障预警功能应用在智能硬件上实现。

2.数据输入是连接各类传感器和注塑机控制器与智能硬件之间的数据接口。传感器包含有采集注塑机工作状态属性(压力、流量、位移、电流)的传感器一个或者多个，有采集注塑机工作环境属性(加速度、温度、湿度)的传感器一个或多个。注塑机控制器采集量有注塑机工艺动作触发时刻和位移量。

3.智能硬件用于注塑机上数据采集、预处理和传输，并实现注塑机的液压故障预警功能，它是由计算处理单元、最小系统、系统配置扩展、fram和系统接口组成。计算处理单元包括cpu、gpu或fpga的一种或几种。最小系统包含电源、复位电路、rtc和内存。系统配置扩展包含外部rtc、指示灯和数码管。系统接口包含连接设备和现场警报的gpio，用于采集注塑机动作信号的输入和现场报警信号的输出；连接注塑机控制器的串口，用于采集注塑控制器中工艺动作和射胶位移量；连接传感器模拟量接口，用于采集注塑机工作状态和工作环境参量；连接云平台的ethernet接口，用于数据传输和模型更新。

4.算法程序提供注塑机液压故障分析和预测的算法。算法实现的流程有配置初始化、数据采集、故障规则分析和预警自适应分析、故障条件判断和根据是否故障设备执行相应动作。

5.故障规则分析是通过对数据的阈值设定比较来判断当前工作状态是否处于故障状态。故障规则分析的流程有数据存储、按工艺过程提取数据的时域特征(最大/最小值)、与设定阈值进行比较、当不处于阈值范围时发出报警信号，这种方式用于注塑工作状态下不同工艺工作的压力、流量和温度传感器信号作数据源。

6.预警自适应分析是通过机器学习方法，建立预测模型来对注塑机液压故障发生的提前预测，具体实现流程分为三步：

步骤1，在云平台中建立数值预测模型，智能硬件采集注塑机在正常和故障工作状态下的传感器数据作为样本、对数据作预处理(按注塑机工作的注射和保压工艺动作提取时域数据子序列组，分类训练和验证集)、特征提取(提取时域子序列数据的均值、方差、最大/最小值、峭度、波形和脉冲指标，使用pca降维得到主成分)、通过训练引擎(svm模型)得出预测注塑机液压故障的数值预测模型。

步骤2，通过ota把模型部署到智能硬件上。

步骤3，预警系统使用，过程有在注塑机工作时采集数据、根据数值预测模型计算结果和以计算结果分类故障的类型和程度。其中预测模型的迭代更新通过控制模块设定规则触发(时间触发、故障是否或手动触发等方式)；反馈数据是通过在人为判断是否故障后，把当前的采集所有数据作为训练引擎的数据样本，以提高预测模型的准确率。这种方式用于注塑机工作时分工艺动作下所有传感器数据作数据源。

7.云平台作为服务器用于数据存储、处理和转发，实现注塑机故障预测系统的数值预测模型训练和更新。

8.web浏览器用于注塑机故障预警系统的数据可视化。

9.与现有的技术相比，本发明具有如下显而易见的突出实质性特点和显著技术进步：一是有效的解决了现有注塑机液压故障诊断系统高成本、低效率和预警实时性弱的缺点；二是提供了用于注塑机液压故障预警算法，结合使用故障规则分析和预警自适应分析方法，具有较好的实时性，且预测精度高，适应能力强。

附图说明

下面结合附图和实施例对本发明进一步说明。

图1为本发明的系统框架图

图2为本发明各类传感器展示图

图3为本发明的智能硬件结构图

图4为本发明注塑机的液压故障预警算法程序逻辑流程图

图5为本发明注塑机的液压故障诊断规则分析流程图

图6为本发明注塑机的液压故障预警自适应流程图

具体实施方式

下面结合附图和优选实施例对本发明一种用于注塑机的液压故障预警系统作进一步说明。

实施例一：参见图1，注塑机的液压故障预警系统，其特征在于：其系统结构包含数据输入、智能硬件、算法程序、云平台和web浏览器几个模块。

实施例二：本实施例与实施例基本相同，特别之处如下：

所述系统中，数据输入p1包括监控注塑机的各类传感器和注塑机控制器的数据接口。

所述传感器参见图2，有采集注塑机工作状态属性(压力、流量、位移、电流)的传感器一个或者多个，有采集注塑机工作环境属性(加速度、温度、湿度)的传感器一个或多个。注塑机控制器采集量有注塑机工艺动作触发时刻和位移量。

所述系统中，智能硬件p2由计算处理单元、最小系统、系统配置扩展、fram和系统接口组成，参见图3。计算处理单元包括cpu、gpu或fpga的一种或几种。最小系统包含电源和复位电路、rtc和内存。系统配置扩展包含外部rtc、指示灯和数码管。系统接口包含连接设备和现场警报的gpio，用于采集注塑机动作信号的输入和现场报警信号的输出；连接注塑机控制器的串口，用于采集注塑控制器中工艺动作和射胶位移量；连接传感器模拟量接口，用于采集注塑机工作状态和工作环境参量；连接云平台的ethernet接口，用于数据传输和模型更新。

所述系统中，算法程序p3具备故障预警功能，其循环流程参见图4，有配置初始化、数据采集、故障规则分析和预警自适应分析、故障条件判断、根据是否故障设备执行相应动作等流程。

所述规则分析和预警自适应分析是针对不同数据源，作故障诊断和预警的两个路径：

故障规则分析m1是通过对数据的阈值设定比较来判断当前工作状态是否处于故障状态，流程参见图5，其流程有数据存储、按工艺过程提取数据的时域特征(最大/最小值)、与设定阈值进行比较、当不处于阈值范围时发出报警信号，这种方式用于注塑工作时分工艺工作的压力、流量和温度传感器信号作数据源。

预警自适应分析m2是通过机器学习方法，建立预测模型来对故障发生的提前预测，流程参见图6，具体实现分为三步：

步骤t1，在云平台中建立数值预测模型，智能硬件采集注塑机在正常和故障工作状态下的传感器数据作为样本、对数据作预处理(按注塑机工作的注射和保压工艺动作提取时域数据子序列组，分类训练和验证集)、特征提取(提取时域子序列数据的均值、方差、最大/最小值、峭度、波形和脉冲指标，使用pca降维得到主成分)、通过训练引擎(svm模型)得出预测注塑机液压故障的数值预测模型。

步骤t2，通过ota把模型部署到智能硬件上。

步骤t3，预警系统使用，过程有在注塑机工作时采集数据、根据数值预测模型计算结果和以计算结果预测故障的类型和程度。其中预测模型的迭代更新通过控制模块设定规则触发(时间触发、故障是否或手动触发等方式)；反馈数据是通过在人为判断是否故障后，把当前的采集所有数据作为训练引擎的数据样本，以提高预测模型的准确率。这种方式用于注塑机工作时分工艺动作下所有传感器数据作数据源。

所述系统中，云平台p4作为服务器用于数据存储、处理和转发，实现注塑机故障预测系统的数值预测模型训练和更新。

所述系统中，web浏览器p5用于注塑机故障预警系统的数据可视化。