張保威 趙朋磊 王永華 江 豪 李 鑫 張 賽

（1.鄭州輕工業(yè)大學，河南鄭州， 450000；2.鄭州輕大產業(yè)技術研究院，河南鄭州， 450000）

細紗機是紡紗生產過程的關鍵設備，易發(fā)生異常和故障，其維護管理一直是紡織企業(yè)運維的重點。目前，細紗機維護以周期性維護為主，但是細紗機的維護周期取決于多種因素，難以統(tǒng)一。如果維護周期過長，則無法完全解決意外停機問題；而維護周期過短，則導致維護過度，即維護投入遠遠超過實際需求。如何對細紗機的健康狀態(tài)進行評估、預測其剩余壽命，以確保其正常、穩(wěn)定的工作成為當前紡織業(yè)亟待解決的問題［1-3］。

由于紡織業(yè)設備健康狀態(tài)與其能耗參數密切相關，通過對設備的能耗參數進行監(jiān)測和分析，可以有效地預測設備的健康狀況。國內外學者對此進行了深入的研究，如考慮能耗與刀具壽命的高速干切滾齒工藝參數決策系統(tǒng)的總體方案［4］，以及通過能耗參數對工業(yè)機器人的工作狀態(tài)進行分析［5］；但是能耗參數種類過多會導致數據的冗余、結果表征不明顯，使得預測精度較低。因此，在設備的健康狀態(tài)預測中，不僅要優(yōu)化參數種類，還要選擇合適的健康指標和表征。有學者利用長短時記憶網絡與深度網絡結合的方法構建了細紗機可靠性指標，與單一退化表征參數相比，該方法詳細體現了細紗機的失效過程［6］。還有學者引入敏感度、相關度、重要度等重要指標，利用Weibull 分布函數、Copula 函數等建立了突發(fā)失效和退化失效的細紗機可靠性模型，其模型擬合程度高達94.57%［7］。除此之外，有學者簡化了細紗機關鍵性能參數和細紗機性能退化模型的建模過程，利用主客觀綜合權重法篩選退化表征參數，構建多元性能退化過程的表征參數失效曲線，進一步分析了失效過程的相關性［8］。隨著機器學習的發(fā)展，一些先進理論算法也被廣泛地應用到細紗機等生產設備的健康管理中，如雙向LSTM 神經網絡［9］、卷積神經網絡［10］、支持向量機［11］和數據驅動［12］等方法都展現出良好的性能。為了設備的維護工作變得方便、快捷，許多學者對設備預測性維護系統(tǒng)展開了研究。例如，有學者在重型發(fā)動機生產線設備管理工作中，對傳統(tǒng)的基于人工統(tǒng)計、協調的預防性維護手段進行升級探討，實現基于信息化和智能化的預防性維護工作［13］；還有學者面向工業(yè)機器人，進行預測性維護系統(tǒng)研究，實現設備的故障狀態(tài)判斷、剩余使用壽命預測及相關信息查詢功能，將預測結果可視化展示出來［14］。

現代科學技術在紡紗設備預測性維護方面已經取得了很大進展。這方面的研究主要包括對細紗機關鍵部件和主要傳動機構進行故障診斷、可靠性分析及健康狀態(tài)的預測，其次，還有根據細紗產品質量指標進行性能退化模型的研究。但是，實時捕獲細紗機故障數據難以實現，導致細紗機預測性維護技術難以運用到實際維護生產中。對此，本研究設計開發(fā)的預測性維護系統(tǒng)通過傳感器技術和數據庫技術監(jiān)測較易獲取的細紗機能耗參數，利用數據驅動技術分析細紗機未來運行狀態(tài)，達到預測細紗機故障的目的。

1 系統(tǒng)設計

1.1 系統(tǒng)總體架構

細紗機預測性維護系統(tǒng)共分為4 個層級，分別是數據層、數據模型層、業(yè)務層以及客戶層。細紗機預測性維護系統(tǒng)架構如圖1 所示。

圖1 細紗機預測性維護系統(tǒng)架構

（1）客戶層。根據用戶職責不同將角色劃分為主管人員、維修人員和普通車工三類。分別對應車間責任人、維護班組和普通車工。

（2）業(yè)務層。業(yè)務層對應狀態(tài)管理、故障管理、維護管理、報表管理和系統(tǒng)管理5 個功能模塊的數據接口和后臺服務。業(yè)務層通過固定的接口和驅動程序與數據層連接，當需要改變或更新數據庫內容時，只需要更改數據訪問方式的接口即可，避免了對業(yè)務層的重新設計。

（3）數據模型層。數據模型層包括數據預處理和故障預測模型，數據模型層是采用Python 編寫的數據處理算法和PSO-BP 神經網絡。數據模型層接收數據層的信息作為樣本數據，并針對樣本數據進行降噪處理。處理后的樣本數據作為訓練集，輸入到提前編寫的算法模型中。

（4）數據層。數據層專門為模型制定層和業(yè)務層提供數據基礎，系統(tǒng)的數據存放在服務器中，借助數據庫SQL Server 軟件作為存儲媒介和數據管理的載體。數據層中包含5 種數據。一是工藝數據：通過與其他生產管理系統(tǒng)或監(jiān)控系統(tǒng)數據庫通信而得到的數據，主要包括生產批次、生產種類、主軸速度、錠子速度、工藝數據等。二是歷史數據：歷史數據保存在數據庫數據歸檔表，主要由實時數據按照規(guī)定周期和計算公式歸檔添加。三是實時數據：通過傳感器、智能電表等一類測量儀器經采集系統(tǒng)而得到的反映細紗機實時狀態(tài)的數據，通常以較高的頻率寫入數據庫各類傳感器數據表中。四是模型數據：模型數據是模型訓練參數和模型運行時的輸入、結果值、權重值等，同樣存儲在數據表中。五是質量數據：由實驗室分析后上傳的細紗質量指標。

1.2 網絡拓撲結構設計

細紗機預測性維護系統(tǒng)的網絡拓撲結構是指采用不同的數據傳輸通道將智能網關、交換機和服務器等與底層溫濕度傳感器、智能電表、電機溫控傳感器等相互聯通的空間布局，描述了網絡節(jié)點、數據傳輸鏈路在采集過程中所構成的幾何形狀［15］。系統(tǒng)網絡拓撲基于B/S 結構，能夠快速獲取底層數據和集成其他系統(tǒng)的數據，如圖2 所示。系統(tǒng)的主干數據由企業(yè)級H3C MS4320S-28F 作為核心交換機處理并采用樹型結構光纖網絡，以H3C MS4320-28P/52P 網管型作為車間交換機，通過光纖與核心交換機直接相連保證數據的交換量，以TP-LINK TL-SG1008D 光電交換模塊連接車間交換機與操作員工作臺電腦。

圖2 細紗機預測性維護網絡拓撲結構

1.3 系統(tǒng)功能設計

細紗機預測性維護系統(tǒng)功能設計如圖3 所示。狀態(tài)監(jiān)控和故障管理功能是細紗機預測性維護系統(tǒng)的核心模塊。狀態(tài)監(jiān)控模塊能夠實時反應細紗機故障，防止細紗機進入維護“死區(qū)”；故障管理模塊是實現預測性維護的關鍵部分；維護管理模塊和報表管理模塊作為系統(tǒng)的輔助功能起到管理信息和統(tǒng)計數據的作用；系統(tǒng)管理模塊不參與細紗機維護管理的任務，主要負責一些系統(tǒng)本身的設置。

圖3 細紗機預測性維護系統(tǒng)業(yè)務功能結構

2 細紗機故障預測模型

2.1 模型分析

2.1.1可行性分析

細紗機運行過程中，由主軸旋轉帶動多個傳動齒輪向生產機構提供動力，其傳動路線復雜，涉及多種工藝參數。細紗機故障時，其主軸振動情況、電機溫度、用電耗能均會產生變化。但是，利用主軸振動參數和電機溫度作為預測性維護的支撐數據時，存在一定的問題。一是主軸轉速較高，振動較小。雖然傳感器技術在紡織行業(yè)有著廣泛的應用，但是通過安裝加速度傳感器，利用主軸振動數據來判斷細紗機的運行狀態(tài)和穩(wěn)定性的方法并不理想。主要原因包括：細紗機主軸轉速較高，運行時產生的振動較小，難以實時捕捉故障狀態(tài)；主軸振動傳感器可能會干擾設備的正常運行，如產生電磁干擾等問題。二是電機溫度變化存在滯后性。電機的溫度變化主要與電機本身的結構有關，通常由內部引起，緩慢地傳遞到電機外表面。當電機故障運行時，溫度傳感器只能檢測到電機外表面溫度，其數據不能反映溫度實時的變化情況。

能耗參數能夠間接反饋設備狀態(tài)。細紗機運行狀態(tài)不同，克服摩擦力和傳動做功引起電能變化不同，即能耗參數能夠反應設備的運行狀態(tài)，與設備負載、運行效率和設備故障有著密切的關系。當細紗機的工作負載過大或者過小時，其能耗參數會相應地發(fā)生變化；當細紗機的運行效率下降時，其能耗參數會相應地增加；細紗機故障情況也會導致細紗機的能耗參數發(fā)生變化。

綜上所述，實時捕獲細紗機故障數據難以實現，而能耗參數能夠間接反應設備的健康狀態(tài)。因此，建立能耗采集系統(tǒng)，分析能耗參數與細紗機故障狀態(tài)之間的關系，根據能耗變化趨勢，預測細紗機性能有極大的可行性。

2.1.2量化過程

在細紗工序中，各生產批次的能耗通常是不一樣的，同一臺細紗機在不同生產批次中其能耗也會有很大差別。在相同的生產過程中，細紗機組的能源消耗并不一定是恒定的，而是受到生產周期、設備失效、專件性能等多種因素的影響，導致同種產品、同樣過程、同樣產量，細紗的能源消耗各異。

為了區(qū)分細紗機在故障狀態(tài)下與正常狀態(tài)下能耗之間的差異，引入了能耗偏轉系數。能耗偏轉系數是指單位生產用能真實值和單位生產用能標準值之比與單位生產用能標準系數的差值，如公式（1）所示。

式中：D為能耗偏轉系數；PA為細紗機單位產品真實耗電量［（kW·h）/t］；P為細紗機單位產品正常耗電量［（kW·h）/t］，也即是單位產品耗電量指標。當D<0 時，意味著單位細紗產品產量能源消耗偏低，說明指標完成度好；當D>0 時，意味著單位細紗產品產量能源消耗偏高，說明指標完成度差，可能存在某種故障。

結合細紗機實際生產情況，部分細紗機故障與能耗偏轉系數之間的關系，如表1 所示。

表1 能耗異常與細紗機故障描述表

2.2 基于PSO-BP 神經網絡故障預測模型

2.2.1粒子群算法

粒子群算法（PSO）基于群體理論，模擬了鳥類捕食行為，并利用這種行為來在N維空間中尋找最優(yōu)解。N維空間中，每個粒子的位置是待優(yōu)化參數的遴選值，鳥的捕食過程也就是粒子向最優(yōu)值推進的過程，捕食的速度是粒子的速度，根據粒子的最優(yōu)位置和全局最優(yōu)位置來決定。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為粒子i在第k次迭代中第d維的位置向量；Vkid為粒子i在第k次迭代中第d維的速度向量；Pkid為在第k次迭代后，第i個粒子搜索得到的最優(yōu)解；Pkgd為在第k次迭代后，整個粒子群體中的最優(yōu)解；ω為慣性因子，通過改變ω的大小調整全局尋優(yōu)和局部尋優(yōu)性能；c1和c2為加速常數且有c1=c2，通常被用作個體學習因子和社會學習因子，并被設定為一個固定常數值；r1、r2為區(qū)間在［0，1］內的隨機數，增加搜索的隨機性。PSO訓練流程圖如圖4 所示。

圖4 粒子群算法訓練流程圖

2.2.2PSO-BP 網絡模型構建與訓練

基于PSO-BP 神經網絡故障預測模型的構建與訓練過程如圖5 所示。

圖5 PSO-BP 神經網絡故障預測模型構建與訓練過程

第一步，確定群體規(guī)模、慣性因子、粒子初始位置和初始速度等參數。第二步，初始化BP 神經網絡模型，指定輸入層節(jié)點、輸出層節(jié)點和隱藏層節(jié)點。第三步，確定適應度值，根據粒子維數，隨機初始化多個適應度值。第四步，更新最優(yōu)解找出個體和群體的最優(yōu)值，其中各個粒子的局部最優(yōu)解為適應度值，稱作粒子的個體最優(yōu)值。將最優(yōu)值作為全局最優(yōu)解，并記錄個體最優(yōu)值與全局最優(yōu)解的位置。第五步，更新粒子屬性，通過更新迭代公式，更新粒子的速度和位置。第六步，傳遞最佳參數與訓練混合模型，達到終止條件后，將PSO 算法計算的最優(yōu)權值和閾值賦給BP 神經網絡，訓練網絡達到一定的模型精度。

2.2.3試驗結果與分析

基于Python3.7.9 開發(fā)環(huán)境，并結合Tensorflow2.1.0、Numpy1.18.1、Pandas1.3.5、Sklearn0.0、Scikit - opt0.5.9、Matplotlib3.5.1、Keras 2.3.1擴展模塊搭建了預測模型試驗環(huán)境。

使用BP 神經網絡和PSO-BP 神經網絡故障預測模型對能耗偏轉系數進行預測，結果如圖6所示。兩種不同神經網絡預測值與真實值的誤差如表2 所示。誤差越小，說明模型的預測精度越高、穩(wěn)定性越好。

表2 兩種不同神經網絡預測誤差

圖6 預測結果與真實值對比結果

通過圖6 可以直觀地看出兩種預測模型的預測值和真實值的整體趨勢是吻合的，但是具體分析每個樣本時，發(fā)現BP 神經網絡的預測值與真實值的對比忽高忽低，表現出較大的不穩(wěn)定性。表2 中，BP 神經網絡的預測值最大誤差達到了3.5×10-2，而最小誤差才7×10-3，兩者相差很大。反觀圖6 中PSO-BP 預測值與真實值，預測值基本上保持在真實值的下方，甚至完全重合，表現出較好的穩(wěn)定性。

為了進一步驗證預測模型的準確性，通過均方誤差（Mean Square Error，MSE）和均方根誤差（Root Mean Square Error，RMSE）對兩種不同預測模型進行評價。MSE通過預測值與實際值的平方來判斷偏差，其對誤差較大的值起到了放大的作用；RMSE在MSE的基礎上進行了開方運算，其優(yōu)勢在于數量級上比較直觀地展現預測偏差。兩種算法評價指標比較如表3 所示。PSO-BP相較于BP，MSE和RMSE分別降低3.265×10-4、9.01×10-3。在細紗機預測性維護系統(tǒng)中起到準確預測細紗機故障的作用。

表3 算法評價指標對比

最后，選擇5 組不同的故障數據，對PSO-BP神經網絡故障預測模型進行驗證，預測結果與實際故障如表4 所示。

表4 預測結果與實際故障

由表4 可知，針對5 種不同情況，有4 種完全預測正確，另1 種是在預測具體故障種類時出現偏差，整體上可以滿足實際生產中的需求。因此，可以利用PSO-BP 模型事先計算細紗機未來生產的能耗偏轉系數，根據預測出的能耗偏轉系數，以細紗機維護費用最小和生產最穩(wěn)定的方式調整生產計劃，優(yōu)化維護策略。

3 系統(tǒng)實現

3.1 系統(tǒng)開發(fā)環(huán)境

根據系統(tǒng)劃分的角色和企業(yè)規(guī)模，考慮到C/S結構安裝部署的不便性和適應性差的缺點，預測性維護系統(tǒng)最終采用B/S 架構。系統(tǒng)使用JAVA語言在IDEA 平臺上開發(fā)。配合Spring MVC，運行在Tomcat 服務器上；前端采用JQuery、Html、Axios、Vue3、Element-UI、Echarts 等技術棧；后端采用MVC 設計模式，結合ORM 映射框架和My-Batis 框架，提升了SQL Server 數據庫的訪問效率，并設置了專有接口，集成了MES 系統(tǒng)的部分數據。系統(tǒng)技術架構如圖7 所示。

圖7 系統(tǒng)技術架構

3.2 系統(tǒng)界面展示

車間總覽界面可直觀地向用戶展示細紗歷史產量、運轉效率、能耗趨勢和報警數量，且支持用戶下載數據，如圖8 所示。具體實現過程：車間總覽是用戶登錄后的首頁面，該頁面主要使用基于JavaScript 的Echarts 圖表庫，通過Axios 技術獲取的異域數據進行圖形頁面化。一方面，從數據庫中獲取近7 天的細紗產量和3 天內的實時報警統(tǒng)計數據，將相應的結果在Echarts 圖表庫中調用柱狀圖以對應的樣式展現；另一方面，獲取近7 天細紗運轉率和能耗趨勢，將相應的結果在Echarts 圖表庫中調用折線圖以對應的樣式展現。

圖8 車間總覽界面

故障預測界面能夠直觀展示設備能耗偏轉系數和機臺運行效率的預測值，為專業(yè)的設備管理人員生產前是否需要維護細紗機提供科學的參考依據，并能夠根據預測值規(guī)定細紗機維護周期。故障預測界面如圖9 所示。當預測的能耗偏轉系數過大時對該細紗機進行預報警或者預警告。

圖9 故障預測界面

4 應用效果

在某紡織企業(yè)的15 萬錠分廠實際應用效果如圖10 所示。根據圖10 的統(tǒng)計數據，系統(tǒng)實施后有效提升了細紗車間的維護質量，減少了細紗機維護成本，主要表現在以下兩個方面。

圖10 系統(tǒng)應用前后停車次數對比

（1）提高維護管理信息化水平。細紗機維護運行數據和維護管理數據從依靠人工獲取變成了無紙化記錄，打破了信息壁壘，實現了信息的實時傳遞。系統(tǒng)投入使用后，專件信息數據、維護記錄、故障數據等從人工獲取一部分變?yōu)闄C器自動采集，并且歷史數據依托于預測性維護管理系統(tǒng)，保證數據的準確性和高效性，數據的有效流通也使整個系統(tǒng)對細紗機的維護管理能夠做出更快的響應。

（2）減少了停車次數。一方面，預測性維護系統(tǒng)監(jiān)測細紗機關鍵部位狀態(tài)，能夠實時掌握細紗機運行參數的變化，一旦細紗機出現故障，能夠在第一時間發(fā)現故障、解決故障，降低了故障的危害程度。另一方面，預測性維護系統(tǒng)預測包含了專件管理和故障預測功能，用戶可以提前獲知細紗機運行效率、異常情況和專件狀態(tài)。根據系統(tǒng)提供的信息，綜合不同因素采取自定義維護周期，避免出現“過維護”和“欠維護”現象。

5 結語

本研究利用能耗參數能夠間接反應細紗機故障的特點，結合數據驅動技術，充分考慮預測模型與細紗機維護的適配性，詳細對比分析BP 神經網絡和PSO-BP 神經網絡的預測效果，選取預測效果更優(yōu)的PSO-BP 模型；根據預測性維護思想和B/S 架構等一系列系統(tǒng)開發(fā)工具，實現了細紗機預測性維護系統(tǒng)狀態(tài)監(jiān)控、故障預測、維護管理、報表管理和系統(tǒng)管理等功能。與現有維護系統(tǒng)相比，本研究可以為細紗機的日常運維提供有效技術支撐，實現被動響應的事后運維模式向主動預測的事前運維模式轉型，達到了預測細紗機故障的目的，起到了降低細紗機維護成本的作用，助力紡織行業(yè)向數字化、智能化轉型。