基于能耗參數(shù)的細(xì)紗機(jī)預(yù)維護(hù)系統(tǒng)設(shè)計(jì)

張保威 趙朋磊 王永華 江 豪 李 鑫 張 賽

（1.鄭州輕工業(yè)大學(xué)，河南鄭州， 450000；2.鄭州輕大產(chǎn)業(yè)技術(shù)研究院，河南鄭州， 450000）

細(xì)紗機(jī)是紡紗生產(chǎn)過(guò)程的關(guān)鍵設(shè)備，易發(fā)生異常和故障，其維護(hù)管理一直是紡織企業(yè)運(yùn)維的重點(diǎn)。目前，細(xì)紗機(jī)維護(hù)以周期性維護(hù)為主，但是細(xì)紗機(jī)的維護(hù)周期取決于多種因素，難以統(tǒng)一。如果維護(hù)周期過(guò)長(zhǎng)，則無(wú)法完全解決意外停機(jī)問(wèn)題；而維護(hù)周期過(guò)短，則導(dǎo)致維護(hù)過(guò)度，即維護(hù)投入遠(yuǎn)遠(yuǎn)超過(guò)實(shí)際需求。如何對(duì)細(xì)紗機(jī)的健康狀態(tài)進(jìn)行評(píng)估、預(yù)測(cè)其剩余壽命，以確保其正常、穩(wěn)定的工作成為當(dāng)前紡織業(yè)亟待解決的問(wèn)題［1-3］。

由于紡織業(yè)設(shè)備健康狀態(tài)與其能耗參數(shù)密切相關(guān)，通過(guò)對(duì)設(shè)備的能耗參數(shù)進(jìn)行監(jiān)測(cè)和分析，可以有效地預(yù)測(cè)設(shè)備的健康狀況。國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)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(shù)決策系統(tǒng)的總體方案［4］，以及通過(guò)能耗參數(shù)對(duì)工業(yè)機(jī)器人的工作狀態(tài)進(jìn)行分析［5］；但是能耗參數(shù)種類(lèi)過(guò)多會(huì)導(dǎo)致數(shù)據(jù)的冗余、結(jié)果表征不明顯，使得預(yù)測(cè)精度較低。因此，在設(shè)備的健康狀態(tài)預(yù)測(cè)中，不僅要優(yōu)化參數(shù)種類(lèi)，還要選擇合適的健康指標(biāo)和表征。有學(xué)者利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)與深度網(wǎng)絡(luò)結(jié)合的方法構(gòu)建了細(xì)紗機(jī)可靠性指標(biāo)，與單一退化表征參數(shù)相比，該方法詳細(xì)體現(xiàn)了細(xì)紗機(jī)的失效過(guò)程［6］。還有學(xué)者引入敏感度、相關(guān)度、重要度等重要指標(biāo)，利用Weibull 分布函數(shù)、Copula 函數(shù)等建立了突發(fā)失效和退化失效的細(xì)紗機(jī)可靠性模型，其模型擬合程度高達(dá)94.57%［7］。除此之外，有學(xué)者簡(jiǎn)化了細(xì)紗機(jī)關(guān)鍵性能參數(shù)和細(xì)紗機(jī)性能退化模型的建模過(guò)程，利用主客觀(guān)綜合權(quán)重法篩選退化表征參數(shù)，構(gòu)建多元性能退化過(guò)程的表征參數(shù)失效曲線(xiàn)，進(jìn)一步分析了失效過(guò)程的相關(guān)性［8］。隨著機(jī)器學(xué)習(xí)的發(fā)展，一些先進(jìn)理論算法也被廣泛地應(yīng)用到細(xì)紗機(jī)等生產(chǎn)設(shè)備的健康管理中，如雙向LSTM 神經(jīng)網(wǎng)絡(luò)［9］、卷積神經(jīng)網(wǎng)絡(luò)［10］、支持向量機(jī)［11］和數(shù)據(jù)驅(qū)動(dòng)［12］等方法都展現(xiàn)出良好的性能。為了設(shè)備的維護(hù)工作變得方便、快捷，許多學(xué)者對(duì)設(shè)備預(yù)測(cè)性維護(hù)系統(tǒng)展開(kāi)了研究。例如，有學(xué)者在重型發(fā)動(dòng)機(jī)生產(chǎn)線(xiàn)設(shè)備管理工作中，對(duì)傳統(tǒng)的基于人工統(tǒng)計(jì)、協(xié)調(diào)的預(yù)防性維護(hù)手段進(jìn)行升級(jí)探討，實(shí)現(xiàn)基于信息化和智能化的預(yù)防性維護(hù)工作［13］；還有學(xué)者面向工業(yè)機(jī)器人，進(jìn)行預(yù)測(cè)性維護(hù)系統(tǒng)研究，實(shí)現(xiàn)設(shè)備的故障狀態(tài)判斷、剩余使用壽命預(yù)測(cè)及相關(guān)信息查詢(xún)功能，將預(yù)測(cè)結(jié)果可視化展示出來(lái)［14］。

現(xiàn)代科學(xué)技術(shù)在紡紗設(shè)備預(yù)測(cè)性維護(hù)方面已經(jīng)取得了很大進(jìn)展。這方面的研究主要包括對(duì)細(xì)紗機(jī)關(guān)鍵部件和主要傳動(dòng)機(jī)構(gòu)進(jìn)行故障診斷、可靠性分析及健康狀態(tài)的預(yù)測(cè)，其次，還有根據(jù)細(xì)紗產(chǎn)品質(zhì)量指標(biāo)進(jìn)行性能退化模型的研究。但是，實(shí)時(shí)捕獲細(xì)紗機(jī)故障數(shù)據(jù)難以實(shí)現(xiàn)，導(dǎo)致細(xì)紗機(jī)預(yù)測(cè)性維護(hù)技術(shù)難以運(yùn)用到實(shí)際維護(hù)生產(chǎn)中。對(duì)此，本研究設(shè)計(jì)開(kāi)發(fā)的預(yù)測(cè)性維護(hù)系統(tǒng)通過(guò)傳感器技術(shù)和數(shù)據(jù)庫(kù)技術(shù)監(jiān)測(cè)較易獲取的細(xì)紗機(jī)能耗參數(shù)，利用數(shù)據(jù)驅(qū)動(dòng)技術(shù)分析細(xì)紗機(jī)未來(lái)運(yùn)行狀態(tài)，達(dá)到預(yù)測(cè)細(xì)紗機(jī)故障的目的。

1 系統(tǒng)設(shè)計(jì)

1.1 系統(tǒng)總體架構(gòu)

細(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)共分為4 個(gè)層級(jí)，分別是數(shù)據(jù)層、數(shù)據(jù)模型層、業(yè)務(wù)層以及客戶(hù)層。細(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)架構(gòu)如圖1 所示。

圖1 細(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)架構(gòu)

（1）客戶(hù)層。根據(jù)用戶(hù)職責(zé)不同將角色劃分為主管人員、維修人員和普通車(chē)工三類(lèi)。分別對(duì)應(yīng)車(chē)間責(zé)任人、維護(hù)班組和普通車(chē)工。

（2）業(yè)務(wù)層。業(yè)務(wù)層對(duì)應(yīng)狀態(tài)管理、故障管理、維護(hù)管理、報(bào)表管理和系統(tǒng)管理5 個(gè)功能模塊的數(shù)據(jù)接口和后臺(tái)服務(wù)。業(yè)務(wù)層通過(guò)固定的接口和驅(qū)動(dòng)程序與數(shù)據(jù)層連接，當(dāng)需要改變或更新數(shù)據(jù)庫(kù)內(nèi)容時(shí)，只需要更改數(shù)據(jù)訪(fǎng)問(wèn)方式的接口即可，避免了對(duì)業(yè)務(wù)層的重新設(shè)計(jì)。

（3）數(shù)據(jù)模型層。數(shù)據(jù)模型層包括數(shù)據(jù)預(yù)處理和故障預(yù)測(cè)模型，數(shù)據(jù)模型層是采用Python 編寫(xiě)的數(shù)據(jù)處理算法和PSO-BP 神經(jīng)網(wǎng)絡(luò)。數(shù)據(jù)模型層接收數(shù)據(jù)層的信息作為樣本數(shù)據(jù)，并針對(duì)樣本數(shù)據(jù)進(jìn)行降噪處理。處理后的樣本數(shù)據(jù)作為訓(xùn)練集，輸入到提前編寫(xiě)的算法模型中。

（4）數(shù)據(jù)層。數(shù)據(jù)層專(zhuān)門(mén)為模型制定層和業(yè)務(wù)層提供數(shù)據(jù)基礎(chǔ)，系統(tǒng)的數(shù)據(jù)存放在服務(wù)器中，借助數(shù)據(jù)庫(kù)SQL Server 軟件作為存儲(chǔ)媒介和數(shù)據(jù)管理的載體。數(shù)據(jù)層中包含5 種數(shù)據(jù)。一是工藝數(shù)據(jù)：通過(guò)與其他生產(chǎn)管理系統(tǒng)或監(jiān)控系統(tǒng)數(shù)據(jù)庫(kù)通信而得到的數(shù)據(jù)，主要包括生產(chǎn)批次、生產(chǎn)種類(lèi)、主軸速度、錠子速度、工藝數(shù)據(jù)等。二是歷史數(shù)據(jù)：歷史數(shù)據(jù)保存在數(shù)據(jù)庫(kù)數(shù)據(jù)歸檔表，主要由實(shí)時(shí)數(shù)據(jù)按照規(guī)定周期和計(jì)算公式歸檔添加。三是實(shí)時(shí)數(shù)據(jù)：通過(guò)傳感器、智能電表等一類(lèi)測(cè)量?jī)x器經(jīng)采集系統(tǒng)而得到的反映細(xì)紗機(jī)實(shí)時(shí)狀態(tài)的數(shù)據(jù)，通常以較高的頻率寫(xiě)入數(shù)據(jù)庫(kù)各類(lèi)傳感器數(shù)據(jù)表中。四是模型數(shù)據(jù)：模型數(shù)據(jù)是模型訓(xùn)練參數(shù)和模型運(yùn)行時(shí)的輸入、結(jié)果值、權(quán)重值等，同樣存儲(chǔ)在數(shù)據(jù)表中。五是質(zhì)量數(shù)據(jù)：由實(shí)驗(yàn)室分析后上傳的細(xì)紗質(zhì)量指標(biāo)。

1.2 網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)設(shè)計(jì)

細(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)是指采用不同的數(shù)據(jù)傳輸通道將智能網(wǎng)關(guān)、交換機(jī)和服務(wù)器等與底層溫濕度傳感器、智能電表、電機(jī)溫控傳感器等相互聯(lián)通的空間布局，描述了網(wǎng)絡(luò)節(jié)點(diǎn)、數(shù)據(jù)傳輸鏈路在采集過(guò)程中所構(gòu)成的幾何形狀［15］。系統(tǒng)網(wǎng)絡(luò)拓?fù)浠贐/S 結(jié)構(gòu)，能夠快速獲取底層數(shù)據(jù)和集成其他系統(tǒng)的數(shù)據(jù)，如圖2 所示。系統(tǒng)的主干數(shù)據(jù)由企業(yè)級(jí)H3C MS4320S-28F 作為核心交換機(jī)處理并采用樹(shù)型結(jié)構(gòu)光纖網(wǎng)絡(luò)，以H3C MS4320-28P/52P 網(wǎng)管型作為車(chē)間交換機(jī)，通過(guò)光纖與核心交換機(jī)直接相連保證數(shù)據(jù)的交換量，以TP-LINK TL-SG1008D 光電交換模塊連接車(chē)間交換機(jī)與操作員工作臺(tái)電腦。

圖2 細(xì)紗機(jī)預(yù)測(cè)性維護(hù)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

1.3 系統(tǒng)功能設(shè)計(jì)

細(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)功能設(shè)計(jì)如圖3 所示。狀態(tài)監(jiān)控和故障管理功能是細(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)的核心模塊。狀態(tài)監(jiān)控模塊能夠?qū)崟r(shí)反應(yīng)細(xì)紗機(jī)故障，防止細(xì)紗機(jī)進(jìn)入維護(hù)“死區(qū)”；故障管理模塊是實(shí)現(xiàn)預(yù)測(cè)性維護(hù)的關(guān)鍵部分；維護(hù)管理模塊和報(bào)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(jì)數(shù)據(jù)的作用；系統(tǒng)管理模塊不參與細(xì)紗機(jī)維護(hù)管理的任務(wù)，主要負(fù)責(zé)一些系統(tǒng)本身的設(shè)置。

圖3 細(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)業(yè)務(wù)功能結(jié)構(gòu)

2 細(xì)紗機(jī)故障預(yù)測(cè)模型

2.1 模型分析

2.1.1可行性分析

細(xì)紗機(jī)運(yùn)行過(guò)程中，由主軸旋轉(zhuǎn)帶動(dòng)多個(gè)傳動(dòng)齒輪向生產(chǎn)機(jī)構(gòu)提供動(dòng)力，其傳動(dòng)路線(xiàn)復(fù)雜，涉及多種工藝參數(shù)。細(xì)紗機(jī)故障時(shí)，其主軸振動(dòng)情況、電機(jī)溫度、用電耗能均會(huì)產(chǎn)生變化。但是，利用主軸振動(dòng)參數(shù)和電機(jī)溫度作為預(yù)測(cè)性維護(hù)的支撐數(shù)據(jù)時(shí)，存在一定的問(wèn)題。一是主軸轉(zhuǎn)速較高，振動(dòng)較小。雖然傳感器技術(shù)在紡織行業(yè)有著廣泛的應(yīng)用，但是通過(guò)安裝加速度傳感器，利用主軸振動(dòng)數(shù)據(jù)來(lái)判斷細(xì)紗機(jī)的運(yùn)行狀態(tài)和穩(wěn)定性的方法并不理想。主要原因包括：細(xì)紗機(jī)主軸轉(zhuǎn)速較高，運(yùn)行時(shí)產(chǎn)生的振動(dòng)較小，難以實(shí)時(shí)捕捉故障狀態(tài)；主軸振動(dòng)傳感器可能會(huì)干擾設(shè)備的正常運(yùn)行，如產(chǎn)生電磁干擾等問(wèn)題。二是電機(jī)溫度變化存在滯后性。電機(jī)的溫度變化主要與電機(jī)本身的結(jié)構(gòu)有關(guān)，通常由內(nèi)部引起，緩慢地傳遞到電機(jī)外表面。當(dāng)電機(jī)故障運(yùn)行時(shí)，溫度傳感器只能檢測(cè)到電機(jī)外表面溫度，其數(shù)據(jù)不能反映溫度實(shí)時(shí)的變化情況。

能耗參數(shù)能夠間接反饋設(shè)備狀態(tài)。細(xì)紗機(jī)運(yùn)行狀態(tài)不同，克服摩擦力和傳動(dòng)做功引起電能變化不同，即能耗參數(shù)能夠反應(yīng)設(shè)備的運(yùn)行狀態(tài)，與設(shè)備負(fù)載、運(yùn)行效率和設(shè)備故障有著密切的關(guān)系。當(dāng)細(xì)紗機(jī)的工作負(fù)載過(guò)大或者過(guò)小時(shí)，其能耗參數(shù)會(huì)相應(yīng)地發(fā)生變化；當(dāng)細(xì)紗機(jī)的運(yùn)行效率下降時(shí)，其能耗參數(shù)會(huì)相應(yīng)地增加；細(xì)紗機(jī)故障情況也會(huì)導(dǎo)致細(xì)紗機(jī)的能耗參數(shù)發(fā)生變化。

綜上所述，實(shí)時(shí)捕獲細(xì)紗機(jī)故障數(shù)據(jù)難以實(shí)現(xiàn)，而能耗參數(shù)能夠間接反應(yīng)設(shè)備的健康狀態(tài)。因此，建立能耗采集系統(tǒng)，分析能耗參數(shù)與細(xì)紗機(jī)故障狀態(tài)之間的關(guān)系，根據(jù)能耗變化趨勢(shì)，預(yù)測(cè)細(xì)紗機(jī)性能有極大的可行性。

2.1.2量化過(guò)程

在細(xì)紗工序中，各生產(chǎn)批次的能耗通常是不一樣的，同一臺(tái)細(xì)紗機(jī)在不同生產(chǎn)批次中其能耗也會(huì)有很大差別。在相同的生產(chǎn)過(guò)程中，細(xì)紗機(jī)組的能源消耗并不一定是恒定的，而是受到生產(chǎn)周期、設(shè)備失效、專(zhuān)件性能等多種因素的影響，導(dǎo)致同種產(chǎn)品、同樣過(guò)程、同樣產(chǎn)量，細(xì)紗的能源消耗各異。

為了區(qū)分細(xì)紗機(jī)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(zhuǎn)系數(shù)。能耗偏轉(zhuǎn)系數(shù)是指單位生產(chǎn)用能真實(shí)值和單位生產(chǎn)用能標(biāo)準(zhǔn)值之比與單位生產(chǎn)用能標(biāo)準(zhǔn)系數(shù)的差值，如公式（1）所示。

式中：D為能耗偏轉(zhuǎn)系數(shù)；PA為細(xì)紗機(jī)單位產(chǎn)品真實(shí)耗電量［（kW·h）/t］；P為細(xì)紗機(jī)單位產(chǎn)品正常耗電量［（kW·h）/t］，也即是單位產(chǎn)品耗電量指標(biāo)。當(dāng)D<0 時(shí)，意味著單位細(xì)紗產(chǎn)品產(chǎn)量能源消耗偏低，說(shuō)明指標(biāo)完成度好；當(dāng)D>0 時(shí)，意味著單位細(xì)紗產(chǎn)品產(chǎn)量能源消耗偏高，說(shuō)明指標(biāo)完成度差，可能存在某種故障。

結(jié)合細(xì)紗機(jī)實(shí)際生產(chǎn)情況，部分細(xì)紗機(jī)故障與能耗偏轉(zhuǎn)系數(shù)之間的關(guān)系，如表1 所示。

表1 能耗異常與細(xì)紗機(jī)故障描述表

2.2 基于PSO-BP 神經(jīng)網(wǎng)絡(luò)故障預(yù)測(cè)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(niǎo)類(lèi)捕食行為，并利用這種行為來(lái)在N維空間中尋找最優(yōu)解。N維空間中，每個(gè)粒子的位置是待優(yōu)化參數(shù)的遴選值，鳥(niǎo)的捕食過(guò)程也就是粒子向最優(yōu)值推進(jìn)的過(guò)程，捕食的速度是粒子的速度，根據(jù)粒子的最優(yōu)位置和全局最優(yōu)位置來(lái)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(gè)粒子搜索得到的最優(yōu)解；Pkgd為在第k次迭代后，整個(gè)粒子群體中的最優(yōu)解；ω為慣性因子，通過(guò)改變?chǔ)氐拇笮≌{(diào)整全局尋優(yōu)和局部尋優(yōu)性能；c1和c2為加速常數(shù)且有c1=c2，通常被用作個(gè)體學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子，并被設(shè)定為一個(gè)固定常數(shù)值；r1、r2為區(qū)間在［0，1］內(nèi)的隨機(jī)數(shù)，增加搜索的隨機(jī)性。PSO訓(xùn)練流程圖如圖4 所示。

圖4 粒子群算法訓(xùn)練流程圖

2.2.2PSO-BP 網(wǎng)絡(luò)模型構(gòu)建與訓(xùn)練

基于PSO-BP 神經(jīng)網(wǎng)絡(luò)故障預(yù)測(cè)模型的構(gòu)建與訓(xùn)練過(guò)程如圖5 所示。

圖5 PSO-BP 神經(jīng)網(wǎng)絡(luò)故障預(yù)測(cè)模型構(gòu)建與訓(xùn)練過(guò)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(shù)。第二步，初始化BP 神經(jīng)網(wǎng)絡(luò)模型，指定輸入層節(jié)點(diǎn)、輸出層節(jié)點(diǎn)和隱藏層節(jié)點(diǎn)。第三步，確定適應(yīng)度值，根據(jù)粒子維數(shù)，隨機(jī)初始化多個(gè)適應(yīng)度值。第四步，更新最優(yōu)解找出個(gè)體和群體的最優(yōu)值，其中各個(gè)粒子的局部最優(yōu)解為適應(yīng)度值，稱(chēng)作粒子的個(gè)體最優(yōu)值。將最優(yōu)值作為全局最優(yōu)解，并記錄個(gè)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(guò)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(shù)與訓(xùn)練混合模型，達(dá)到終止條件后，將PSO 算法計(jì)算的最優(yōu)權(quán)值和閾值賦給BP 神經(jīng)網(wǎng)絡(luò)，訓(xùn)練網(wǎng)絡(luò)達(dá)到一定的模型精度。

2.2.3試驗(yàn)結(jié)果與分析

基于Python3.7.9 開(kāi)發(fā)環(huán)境，并結(jié)合Tensorflow2.1.0、Numpy1.18.1、Pandas1.3.5、Sklearn0.0、Scikit - opt0.5.9、Matplotlib3.5.1、Keras 2.3.1擴(kuò)展模塊搭建了預(yù)測(cè)模型試驗(yàn)環(huán)境。

使用BP 神經(jīng)網(wǎng)絡(luò)和PSO-BP 神經(jīng)網(wǎng)絡(luò)故障預(yù)測(cè)模型對(duì)能耗偏轉(zhuǎn)系數(shù)進(jìn)行預(yù)測(cè)，結(jié)果如圖6所示。兩種不同神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與真實(shí)值的誤差如表2 所示。誤差越小，說(shuō)明模型的預(yù)測(cè)精度越高、穩(wěn)定性越好。

表2 兩種不同神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)誤差

圖6 預(yù)測(cè)結(jié)果與真實(shí)值對(duì)比結(jié)果

通過(guò)圖6 可以直觀(guān)地看出兩種預(yù)測(cè)模型的預(yù)測(cè)值和真實(shí)值的整體趨勢(shì)是吻合的，但是具體分析每個(gè)樣本時(shí)，發(fā)現(xiàn)BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值與真實(shí)值的對(duì)比忽高忽低，表現(xiàn)出較大的不穩(wěn)定性。表2 中，BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)值最大誤差達(dá)到了3.5×10-2，而最小誤差才7×10-3，兩者相差很大。反觀(guān)圖6 中PSO-BP 預(yù)測(cè)值與真實(shí)值，預(yù)測(cè)值基本上保持在真實(shí)值的下方，甚至完全重合，表現(xiàn)出較好的穩(wěn)定性。

為了進(jìn)一步驗(yàn)證預(yù)測(cè)模型的準(zhǔn)確性，通過(guò)均方誤差（Mean Square Error，MSE）和均方根誤差（Root Mean Square Error，RMSE）對(duì)兩種不同預(yù)測(cè)模型進(jìn)行評(píng)價(jià)。MSE通過(guò)預(yù)測(cè)值與實(shí)際值的平方來(lái)判斷偏差，其對(duì)誤差較大的值起到了放大的作用；RMSE在MSE的基礎(chǔ)上進(jìn)行了開(kāi)方運(yùn)算，其優(yōu)勢(shì)在于數(shù)量級(jí)上比較直觀(guān)地展現(xiàn)預(yù)測(cè)偏差。兩種算法評(píng)價(jià)指標(biāo)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(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)中起到準(zhǔn)確預(yù)測(cè)細(xì)紗機(jī)故障的作用。

表3 算法評(píng)價(jià)指標(biāo)對(duì)比

最后，選擇5 組不同的故障數(shù)據(jù)，對(duì)PSO-BP神經(jīng)網(wǎng)絡(luò)故障預(yù)測(cè)模型進(jìn)行驗(yàn)證，預(yù)測(cè)結(jié)果與實(shí)際故障如表4 所示。

表4 預(yù)測(cè)結(jié)果與實(shí)際故障

由表4 可知，針對(duì)5 種不同情況，有4 種完全預(yù)測(cè)正確，另1 種是在預(yù)測(cè)具體故障種類(lèi)時(shí)出現(xiàn)偏差，整體上可以滿(mǎn)足實(shí)際生產(chǎn)中的需求。因此，可以利用PSO-BP 模型事先計(jì)算細(xì)紗機(jī)未來(lái)生產(chǎn)的能耗偏轉(zhuǎn)系數(shù)，根據(jù)預(yù)測(cè)出的能耗偏轉(zhuǎn)系數(shù)，以細(xì)紗機(jī)維護(hù)費(fèi)用最小和生產(chǎn)最穩(wěn)定的方式調(diào)整生產(chǎn)計(jì)劃，優(yōu)化維護(hù)策略。

3 系統(tǒng)實(shí)現(xiàn)

3.1 系統(tǒng)開(kāi)發(fā)環(huán)境

根據(jù)系統(tǒng)劃分的角色和企業(yè)規(guī)模，考慮到C/S結(jié)構(gòu)安裝部署的不便性和適應(yīng)性差的缺點(diǎn)，預(yù)測(cè)性維護(hù)系統(tǒng)最終采用B/S 架構(gòu)。系統(tǒng)使用JAVA語(yǔ)言在IDEA 平臺(tái)上開(kāi)發(fā)。配合Spring MVC，運(yùn)行在Tomcat 服務(wù)器上；前端采用JQuery、Html、Axios、Vue3、Element-UI、Echarts 等技術(shù)棧；后端采用MVC 設(shè)計(jì)模式，結(jié)合ORM 映射框架和My-Batis 框架，提升了SQL Server 數(shù)據(jù)庫(kù)的訪(fǎng)問(wèn)效率，并設(shè)置了專(zhuān)有接口，集成了MES 系統(tǒng)的部分?jǐn)?shù)據(jù)。系統(tǒng)技術(shù)架構(gòu)如圖7 所示。

圖7 系統(tǒng)技術(shù)架構(gòu)

3.2 系統(tǒng)界面展示

車(chē)間總覽界面可直觀(guān)地向用戶(hù)展示細(xì)紗歷史產(chǎn)量、運(yùn)轉(zhuǎn)效率、能耗趨勢(shì)和報(bào)警數(shù)量，且支持用戶(hù)下載數(shù)據(jù)，如圖8 所示。具體實(shí)現(xiàn)過(guò)程：車(chē)間總覽是用戶(hù)登錄后的首頁(yè)面，該頁(yè)面主要使用基于JavaScript 的Echarts 圖表庫(kù)，通過(guò)Axios 技術(shù)獲取的異域數(shù)據(jù)進(jìn)行圖形頁(yè)面化。一方面，從數(shù)據(jù)庫(kù)中獲取近7 天的細(xì)紗產(chǎn)量和3 天內(nèi)的實(shí)時(shí)報(bào)警統(tǒng)計(jì)數(shù)據(jù)，將相應(yīng)的結(jié)果在Echarts 圖表庫(kù)中調(diào)用柱狀圖以對(duì)應(yīng)的樣式展現(xiàn)；另一方面，獲取近7 天細(xì)紗運(yùn)轉(zhuǎn)率和能耗趨勢(shì)，將相應(yīng)的結(jié)果在Echarts 圖表庫(kù)中調(diào)用折線(xiàn)圖以對(duì)應(yīng)的樣式展現(xiàn)。

圖8 車(chē)間總覽界面

故障預(yù)測(cè)界面能夠直觀(guān)展示設(shè)備能耗偏轉(zhuǎn)系數(shù)和機(jī)臺(tái)運(yùn)行效率的預(yù)測(cè)值，為專(zhuān)業(yè)的設(shè)備管理人員生產(chǎn)前是否需要維護(hù)細(xì)紗機(jī)提供科學(xué)的參考依據(jù)，并能夠根據(jù)預(yù)測(cè)值規(guī)定細(xì)紗機(jī)維護(hù)周期。故障預(yù)測(cè)界面如圖9 所示。當(dāng)預(yù)測(cè)的能耗偏轉(zhuǎn)系數(shù)過(guò)大時(shí)對(duì)該細(xì)紗機(jī)進(jìn)行預(yù)報(bào)警或者預(yù)警告。

圖9 故障預(yù)測(cè)界面

4 應(yīng)用效果

在某紡織企業(yè)的15 萬(wàn)錠分廠(chǎng)實(shí)際應(yīng)用效果如圖10 所示。根據(jù)圖10 的統(tǒng)計(jì)數(shù)據(jù)，系統(tǒng)實(shí)施后有效提升了細(xì)紗車(chē)間的維護(hù)質(zhì)量，減少了細(xì)紗機(jī)維護(hù)成本，主要表現(xiàn)在以下兩個(gè)方面。

圖10 系統(tǒng)應(yīng)用前后停車(chē)次數(shù)對(duì)比

（1）提高維護(hù)管理信息化水平。細(xì)紗機(jī)維護(hù)運(yùn)行數(shù)據(jù)和維護(hù)管理數(shù)據(jù)從依靠人工獲取變成了無(wú)紙化記錄，打破了信息壁壘，實(shí)現(xiàn)了信息的實(shí)時(shí)傳遞。系統(tǒng)投入使用后，專(zhuān)件信息數(shù)據(jù)、維護(hù)記錄、故障數(shù)據(jù)等從人工獲取一部分變?yōu)闄C(jī)器自動(dòng)采集，并且歷史數(shù)據(jù)依托于預(yù)測(cè)性維護(hù)管理系統(tǒng)，保證數(shù)據(jù)的準(zhǔn)確性和高效性，數(shù)據(jù)的有效流通也使整個(gè)系統(tǒng)對(duì)細(xì)紗機(jī)的維護(hù)管理能夠做出更快的響應(yīng)。

（2）減少了停車(chē)次數(shù)。一方面，預(yù)測(cè)性維護(hù)系統(tǒng)監(jiān)測(cè)細(xì)紗機(jī)關(guān)鍵部位狀態(tài)，能夠?qū)崟r(shí)掌握細(xì)紗機(jī)運(yùn)行參數(shù)的變化，一旦細(xì)紗機(jī)出現(xiàn)故障，能夠在第一時(shí)間發(fā)現(xiàn)故障、解決故障，降低了故障的危害程度。另一方面，預(yù)測(cè)性維護(hù)系統(tǒng)預(yù)測(cè)包含了專(zhuān)件管理和故障預(yù)測(cè)功能，用戶(hù)可以提前獲知細(xì)紗機(jī)運(yùn)行效率、異常情況和專(zhuān)件狀態(tài)。根據(jù)系統(tǒng)提供的信息，綜合不同因素采取自定義維護(hù)周期，避免出現(xiàn)“過(guò)維護(hù)”和“欠維護(hù)”現(xiàn)象。

5 結(jié)語(yǔ)

本研究利用能耗參數(shù)能夠間接反應(yīng)細(xì)紗機(jī)故障的特點(diǎn)，結(jié)合數(shù)據(jù)驅(qū)動(dòng)技術(shù)，充分考慮預(yù)測(cè)模型與細(xì)紗機(jī)維護(hù)的適配性，詳細(xì)對(duì)比分析BP 神經(jīng)網(wǎng)絡(luò)和PSO-BP 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果，選取預(yù)測(cè)效果更優(yōu)的PSO-BP 模型；根據(jù)預(yù)測(cè)性維護(hù)思想和B/S 架構(gòu)等一系列系統(tǒng)開(kāi)發(fā)工具，實(shí)現(xiàn)了細(xì)紗機(jī)預(yù)測(cè)性維護(hù)系統(tǒng)狀態(tài)監(jiān)控、故障預(yù)測(cè)、維護(hù)管理、報(bào)表管理和系統(tǒng)管理等功能。與現(xiàn)有維護(hù)系統(tǒng)相比，本研究可以為細(xì)紗機(jī)的日常運(yùn)維提供有效技術(shù)支撐，實(shí)現(xiàn)被動(dòng)響應(yīng)的事后運(yùn)維模式向主動(dòng)預(yù)測(cè)的事前運(yùn)維模式轉(zhuǎn)型，達(dá)到了預(yù)測(cè)細(xì)紗機(jī)故障的目的，起到了降低細(xì)紗機(jī)維護(hù)成本的作用，助力紡織行業(yè)向數(shù)字化、智能化轉(zhuǎn)型。