CN120213136A 一种用于胶管盘卷机的运行异常监测方法及系统

限公司32889获取盘卷机运行过程中的多维度运行数据，运行数据包括电机转速数据、电流数据以及胶管温度构建检测优化因子获取盘卷机运行过程中的多维度运行数据，运行数据包括电机转速数据、电流数据以及胶管温度构建检测优化因子S2基于运行数据使用LOF异常检测算法检测设备及一种用于胶管盘卷机的运行异常监测方法及于运行数据使用LOF异常检测算法检测设备运行状态，使用检测修正因子对LOF的检测结果进行21.一种用于胶管盘卷机的运行异常监测方法，其特征在于，包括步骤：获取盘卷机运行过程中的多维度运行数据，运行数据包括电机的转速数据、电流数据以及胶管温度数据；构建检测修正因子；基于运行数据使用LOF异常检测算法检测设备运行状态，使用检测修正因子对LOF的检测结果进行修正确定设备运行状态；基于各时刻的电机转速以及电流计算各时刻胶管盘绕出现异常的异常缠绕度；构建胶管温度数据中各时刻的观测序列，根据观测序列中的胶管温度数据与胶管形变的极限温度的比值获取对应时刻的温度异常指数；对于任意一个时刻，基于异常缠绕度构建该时刻的邻近缠绕序列，基于异常温度指数构建邻近温度序列；基于邻近缠绕序列以及邻近温度序列中数据的大小确定时段异常幅度，基于邻近缠绕序列以及邻近温度序列中数据的波动确定时段异常波动，将时段异常幅度和时段异常波动的乘积作为检测修正因子。2.根据权利要求1所述的一种用于胶管盘卷机的运行异常监测方法，其特征在于，对于任一时刻的异常缠绕度的计算步骤包括：获取该时刻的电流数据以及转速数据，将该时刻的电流数据以及转速数据的比值作为该时刻的异常缠绕度。3.根据权利要求1所述的一种用于胶管盘卷机的运行异常监测方法，其特征在于，对于任一时刻的异常缠绕度的计算步骤包括：获取该时刻以及该时刻前的n个电流数据和转速数据；获取电流数据的电流均值以及转速数据的转速均值，将电流均值与转速均值的比值作为该时刻的异常缠绕度。4.根据权利要求3所述的一种用于胶管盘卷机的运行异常监测方法，其特征在于，胶管温度数据的采集频率低于转速数据以及电流数据的采集频率，转速数据与电流数据的采集频率相等；n为电流数据采集频率与胶管温度数据采集频率的差值。5.根据权利要求1所述的一种用于胶管盘卷机的运行异常监测方法，其特征在于，构建胶管温度数据中各时刻的观测序列的步骤包括：确定观测序列长度l,对于任一时刻，将该时刻以及该时刻前的l-1个胶管温度数据作为该时刻的观测序列。6.根据权利要求5所述的一种用于胶管盘卷机的运行异常监测方法，其特征在于，根据观测序列中的胶管温度数据与胶管形变的极限温度的比值获取对应时刻的温度异常指数的步骤包括：将观测序列中多个胶管温度数据与极限温度的比值的和作为温度异常指数。7.根据权利要求1所述的一种用于胶管盘卷机的运行异常监测方法，其特征在于，构建邻近缠绕序列以及邻近温度序列的步骤包括：对于任意一个时刻，该时刻以及该时刻前的k个异常缠绕度构成邻近缠绕序列，该时刻以及该时刻前的k个温度异常指数构成邻近温度序列。8.根据权利要求7所述的一种用于胶管盘卷机的运行异常监测方法，其特征在于，获取时段异常幅度的步骤包括：获取邻近缠绕序列中数据的均值以及邻近温度序列中数据的均值，将两个均值的和作为时段异常幅度；获取邻近缠绕序列中数据的标准差以及邻近温度序列中数据的标准差，将两个均值的和作为时段异常波动。9.根据权利要求1所述的一种用于胶管盘卷机的运行异常监测方法，其特征在于，基于检测修正因子对LOF的检测结果进行修正确定设备运行状态的步骤包括：基于各温度采集2/2页2/2页3时刻的异常分数和检测修正因子构建各温度采集时刻对应的监测向量，使用聚类方法对各监测向量进行聚类，基于聚类结果判断各时刻的运行状态。10.一种用于胶管盘卷机的运行异常监测系统，其特征在于，包括：处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据权利要求1-9任一项所述的一种用于胶管盘卷机的运行异常监测方法。4一种用于胶管盘卷机的运行异常监测方法及系统技术领域[0001]本申请涉及工业设备监测技术领域，尤其涉及一种用于胶管盘卷机的运行异常监测方法及系统。背景技术[0002]胶管是一种橡胶制品，可用于输送气体或液体等。胶管通过挤出机挤出成型，然后通过胶管盘卷机对其进行盘卷包装。胶管盘卷的过程中，盘卷机的运行的稳定性，直接关系到最终对胶管包装的效果。例如盘卷机盘卷过程中对胶管的张力不足，会导致最终盘卷后的胶管过于松散，胶管张力太大会导致电机发热，胶管移动不流畅会导致胶管盘卷后松紧度不均匀。因此在盘卷机运行过程中通常需要对盘卷机的运行状态进行检测，以便于及时发现胶管盘卷机的异常，并调整盘卷机。LOF(LocalOutlierFactor局部离群因子)算法是一种常见的异常监测算法，其应用于医疗诊断、网络安全以及工业设备监控中。其主要原理为：通过计算数据点以及与其邻近的数据点的密度，判断该数据点是否为异常点。如果一个数据点位于一个低密度区域，而其邻近的数据点位于高密度区域，那么这个数据点可能是一个异常点，如果一个数据点的密度和其邻近的数据点的密度相近，则说明该数据点可能是正常的数据点。[0003]然而胶管盘卷机是一个复杂的工艺设备，涉及到多个机械部件的协同运动，如电机驱动、卷盘旋转、引线器的往复运动。这些机械运动的复杂性可能导致传感器数据中出现非线性关系和耦合效应，进而导致传统的LOF异常检测算法难以准确区分正常波动和真正的异常信号，因此传统的LOF异常检测算法应用于复杂的胶管盘卷机中时，准确度不足。发明内容[0004]为了解决传统LOF检测算法对胶管盘卷机运行监测的准确度不足的问题，本申请提供一种用于胶管盘卷机的运行异常监测方法及系统。[0005]第一方面，本申请提供一种用于胶管盘卷机的运行异常监测方法，采用如下的技术方案：一种用于胶管盘卷机的运行异常监测方法，包括步骤：获取盘卷机运行过程中的多维度运行数据，运行数据包括电机转速数据、电流数据以及胶管温度数据；构建检测修正因子；基于运行数据使用LOF异常检测算法检测设备运行状态，使用检测修正因子对LOF的检测结果进行修正确定设备运行状态；基于各时刻的电机转速以及电流计算各时刻胶管盘绕出现异常的异常缠绕度；构建胶管温度数据中各时刻的观测序列，根据观测序列中的胶管温度数据与胶管形变的极限温度的比值获取对应时刻的温度异常指数；对于任意一个时刻，基于异常缠绕度构建该时刻的邻近缠绕序列，基于异常温度指数构建邻近温度序列；基于邻近缠绕序列以及邻近温度序列中数据的大小确定时段异常幅度，基于邻近缠绕序列以及邻近温度序列中数据的波动确定时段异常波动，将时段异常幅度和时段异常波动的乘积作为检测修正因子。5[0006]有益效果为：对盘卷机运行过程中的转速数据以及电流数据进行分析，以构建异常缠绕度。根据异常缠绕度构建某时刻的邻近缠绕序列。根据胶管的温度以及胶管能够承受的极限温度构建每个温度采集时刻的温度异常指数，根据温度异常指数构建某时刻的邻近温度序列。异常缠绕度能够反映胶管盘绕过程中是否存在卡顿现象，卡顿现象主要反映为电机转速和电流的变化。而温度异常指数反映了胶管在盘绕过程中的温度，胶管温度的产生主要包括自身受到的拉力，以及与其引线器的接触摩擦。因此温度的变化能够反映胶管自身受到的拉力异常或者引线器是否异常。结合邻近温度序列和邻近缠绕序列中数据的大小，某时刻邻近的时间段中卡顿情况以及胶管的温度情况，并基于此构建了检测修正因子，通过该检测修正因子对传统LOF检测算法的检测结果进行修正，从而提高最终对设备检测的准确度。相比于传统的LOF检测算法，本申请中的检测结果在结合当前数据的基础上更全面地考虑了电机电流、电机转速以及胶管温度之间的变化关系，并且对于数据剧烈、幅度大突变更加敏感，便于区分运行数据中的正常波动和异常波动，因此具有更高的准确度。[0007]可选的，对于任一时刻的异常缠绕度的计算步骤包括：获取该时刻的电流数据以及转速数据，将该时刻的电流数据以及转速数据的比值作为该时刻的异常缠绕度。[0008]有益效果为：在胶管盘绕过程，胶管的盘绕出现卡顿时，电机受到的负载增大，电流升高，同时会造成电机转速的降低，因此结合电机电流以及电机转速能够判断设备在运行过程中是否出现卡顿现象，进而能够基于此判断设备的运行状态。[0009]可选的，对于任一时刻的异常缠绕度的计算步骤包括：获取该时刻以及该时刻前的n个电流数据和转速数据；获取电流数据的电流均值以及转速数据的转速均值，将电流均值与转速均值的比值作为该时刻的异常缠绕度。[0010]有益效果为：计算异常缠绕度的过程中，基于多项数据的均值进行计算，提高异常缠绕度计算的准确度和鲁棒性，减少噪声信号对异常缠绕度计算的影响。[0011]可选的，胶管温度数据的采集频率低于转速数据以及电流数据的采集频率，转速数据与电流数据的采集频率相等；n为电流数据采集频率与胶管温度数据采集频率的差值。[0012]有益效果为：设备运行过程中，温度数据变化速度相对较慢，因此降低温度的采集频率。[0013]可选的，构建胶管温度数据中各时刻的观测序列的步骤包括：确定观测序列长度l,对于任一时刻，将该时刻以及该时刻前的l-1个胶管温度数据作为该时刻的观测序列。[0014]有益效果为：将某时刻以及该时刻前的l-1个数据作为该时刻的观测序列，便于分析最近时间段内温度的变化，准确反映当前温度情况。[0015]可选的，根据观测序列中的胶管温度数据与胶管形变的极限温度的比值获取对应时刻的温度异常指数的步骤包括：将观测序列中多个胶管温度数据与极限温度的比值的和作为温度异常指数。[0016]有益效果为：胶管形变的极限温度代表了胶管能够承受的最大温度，盘卷机运行过程中，胶管的温度越接近极限温度说明当前运行的状态越危险，越可能出现胶管变形的情况。因此将胶管温度与极限温度的比值作为温度异常指数，温度异常指数越大，说明当下温度情况越差，越容易出现胶管形变的情况。[0017]可选的，构建邻近缠绕序列以及邻近温度序列的步骤包括：对于任意一个时刻，该6时刻以及该时刻前的k个异常缠绕度构成邻近缠绕序列，该时刻以及该时刻前的k个温度异常指数构成邻近温度序列。[0018]可选的，获取时段异常幅度的步骤包括：获取邻近缠绕序列中数据的均值以及邻近温度序列中数据的均值，将两个均值的和作为时段异常幅度；获取邻近缠绕序列中数据的标准差以及邻近温度序列中数据的标准差，将两个均值的和作为时段异常波动。[0019]有益效果为：邻近缠绕序列以及邻近温度序列中的均值表明了盘卷机卡顿异常度以及温度异常指数整体的幅度，能够反映在该时间段内整体的异常程度，因此将两个均值的和作为时段异常幅度。而两个序列中数据的标准差反映了两个序列中数据的波动幅度，能够反映序列中数据突变的情况，因此将两个标准差的和作为时段异常，进一步提高对异常检测的准确度。[0020]可选的，基于检测修正因子对LOF的检测结果进行修正确定设备运行状态的步骤包括：基于各温度采集时刻的异常分数和检测修正因子构建各温度采集时刻对应的监测向量，使用聚类方法对各监测向量进行聚类，基于聚类结果判断各时刻的运行状态。[0021]有益效果为：检测修正因子与传统LOF检测算法得出的异常分数构成监测向量，通过聚类对各时刻的监测向量进行聚类，根据聚类结果判断各时刻的运行状态，从而实现对设备运行状态的检测。[0022]第二方面，本申请提供一种用于胶管盘卷机的运行异常监测系统，采用如下的技术方案：一种用于胶管盘卷机的运行异常监测系统，包括处理器和存储器，所述存储器存储有计算机程序指令，当所述计算机程序指令被所述处理器执行时实现根据上述的一种用于胶管盘卷机的运行异常监测方法。[0023]有益效果为：将上述的一种用于胶管盘卷机的运行异常监测方法生成计算机程[0024]本申请具有以下技术效果：本申请中基于盘卷机运行过程中的电流数据以及转速数据提取异常缠绕度，基于胶管的温度数据构建温度异常指数，再结合两者构建检测修正因子对传统LOF检测结果进行修正从而提高最终对设备运行状态检测的准确度。附图说明[0025]图1是本申请实施例一种用于胶管盘卷机的运行异常监测方法的方法流程图。[0026]图2是本申请实施例一种用于胶管盘卷机的运行异常监测方法的方法中步骤S2的方法流程图。具体实施方式[0027]本申请实施例公开一种用于胶管盘卷机的运行异常监测方法及系统，获取盘卷机运行过程中的多维度运行数据，提取各维度数据之间的耦合关系，构建检测修正因子，通过检测修正因子优化传统LOF检测算法的检测结果。相比于传统的LOF算法中依赖邻近数据判断当下数据点的状态的方法而言，本申请中的方法考虑到了多个维度数据之间的关系，降7低了传统检测算法对邻近数据的依赖，从而提高最终对盘卷机运行检测的准确度。[0028]参照图1,一种用于胶管盘卷机的运行异常监测方法包括步骤S1-步骤S3。[0029]S1:获取盘卷机运行过程中的多维度运行数据，运行数据包括电机转速数据、电流数据以及胶管温度数据。[0030]盘卷机主要包括机架、卷绕盘、电机、引线器等结构，其运行过程中引线器用于引动胶管的运行，电动机用于带动卷绕盘转动，卷绕盘转动能够使胶管缠绕与卷绕盘上，实现胶管的盘卷。盘卷机为本领域的常规设备，因此具体结构在此不再赘述。[0031]盘卷机运行过程中，采集电机的转速数据、电机的电流数据以及卷绕盘上胶管的胶管温度数据。本实施例中转速数据以及电流数据的采集频率均为100Hz,即1秒内采集的数据量为100个。由于温度的变化相对较为缓慢，因此本实施例中设置胶管温度数据的采集频率为1Hz。[0032]在采集上述数据的过程中，可能会由于环境干扰、传感器误差等因素导致采集到的数据存在噪声、缺失值等异常。为提高数据质量，本申请通过中值滤波算法对采集到的数据进行去噪。使用回归填充法对缺失值填充处理。同时为避免量纲不同影响最终计算结果，本申请对采集到的电流数据和转速数据使用最大值归一化方法进行归一化处理。其中，中值滤波算法、回归填充法、最大值归一化方法为[0033]S2:构建检测修正因子。[0035]S21:基于各时刻的电机转速以及电流计算各时刻胶管盘绕出现异常的异常缠绕在胶管盘卷机运行过程中，如果胶管缠绕不畅或者胶管在某处被卡住，那么电机需要克服更大的阻力来驱动卷绕盘。在该情况下，电机的负载突增，进而影响电流突增。同时随着阻力的增大，电机的转速无法维持在正常水平，会一定程度上出现下降的现象。而电机转速的变化以及收卷阻力的突然变化会影响胶管的正常收卷，而且电机长时间高频次卡顿还会导致电机过热，对设备造成重大损坏。[0036]因此本申请中通过分析电流和电机转速数据提取胶管盘绕过程中出现异常的异常缠绕度。[0037]在一个实施例中，计算异常缠绕度的步骤包括：对于任意一个时刻的异常缠绕度，将该时刻的电流数据与电机转速数据的比值作为该时刻的异常缠绕度。[0038]当电机的电流变大时，说明电机的负载增大，可能胶管盘绕过程中可能发生卡顿。同时当电机的转速变小，同样说明盘绕过程中可能出现卡顿，结合电流数据和电机转速数据协同反映盘绕设备盘绕胶管过程中发生异常的异常缠绕度。[0039]在另一个实施例中，异常缠绕度的计算也可以通过以下步骤进行获取：首先获取任一时刻以及该时刻前的n个电流数据和转速数据，并获取电流均值和转速均值，将该电流均值与转速均值的比值作为异常缠绕度。胶管缠绕过程中发生卡顿后阻力会消失，但是转速以及电流的恢复需要一定的时间，也就是说，在某个时间段内其电流均大于正常电流水平，而电机转速均小于正常转速水平；通过计算多个数据的均值，减少最终计算的异常缠绕度受个别极端数据的影响，提高异常缠绕度计算的准确度和鲁棒性。[0040]本实施例中n为电流数据采集频率与胶管温度数据采集频率的差值。以本实施例8中胶管温度数据采集频率。以本申请中温度数据的采样频率为1Hz为例，那么电流均值为一秒内的电流的均值，该均值能够反映在该段时间内电流整体的大小。[0041]S22:构建胶管温度数据中各时刻的观测序列，根据观测序列中的胶管温度数据与胶管形变的极限温度的比值获取对应时刻的温度异常指数；在胶管盘绕过程中，引线器与胶管之间摩擦会产生一定的热量，同时胶管受到拉力后自身同样会产生一些热量，在盘卷机正常工作过程中，胶管受到的拉力较为稳定(也可以理解为盘绕过程中无卡顿现象)。同时引线器与胶管之间为滚动摩擦。当盘绕设备发生卡顿或者引线器异常时造成胶管温度的升高。而如果胶管的温度过高，那么胶管可能会开裂或者变形，因此这里对胶管的温度进行分析，以进一步辨别盘卷机运行的状态。[0042]确定观测序列长度l,对于任一时刻，将该时刻以及该时刻前的l-1个胶管温度数据作为该时刻的观测序列。[0043]由于温度的变化相对缓慢，并且不断进行积累，因此这里为各时刻设置观测序列，分析观测序列中的多个胶管温度数据，以提高最终计算的温度异常指出的准确度。[0044]计算观测序列中各胶管温度数据与胶管形变的极限温度的比值，将多个比值的累加结果作为温度异常指数。胶管形变的极限温度是指在某拉力状态下胶管开始发生形变的温度，该温度为预设值，通常由多次试验进行得出，具体根据实际生产情况和胶管材质进行[0045]本实施例中观测序列的长度为30。结合本申请中胶管温度数据的采集频率为1Hz,也可以理解为观测序列中包含了某时刻最近三十秒的胶管温度数据。[0046]观测序列中的胶管温度数据越接近胶管形变的极限温度，说明胶管当前所处的状态越危险，越有可能是盘卷机异常导致胶管异常升温。[0047]S23:对于任意一个时刻，基于异常缠绕度构建该时刻的邻近缠绕序列，基于异常温度指数构建邻近温度序列；基于邻近缠绕序列以及邻近温度序列中数据的大小确定时段异常幅度，基于邻近缠绕序列以及邻近温度序列中数据的波动确定时段异常波动，将时段异常幅度和时段异常波动的乘积作为检测修正因子。[0048]对于任意一个时刻，通过该时刻的温度异常指数和异常缠绕度计算该时刻的混合异常度。而为了提高该时刻温度混合度计算的准确性和鲁棒性，本实施例中获取该时刻以及该时刻前的k个温度异常指数以及与温度异常指数对应的多个异常缠绕度，其中多个温度异常指数构成邻近缠绕序列，多个温度异常指数构成邻近温度序列。[0049]基于邻近缠绕序列和邻近温度序列获取时段异常幅度和时段异常波动；将时段异常幅度与时段异常波动的乘积作为混合异常度；将混合异常度作为检测修正因子。[0050]具体地，获取邻近缠绕序列中异常缠绕度数据的均值，以及邻近温度序列中温度异常指数的均值，将两个均值的和作为时段异常幅度。获取邻近缠绕序列中数据的标准差以及邻近温度序列中数据的标准差，将两个均值的和作为时段异常波动。[0051]邻近缠绕序列中异常缠绕度的均值说明了在邻近缠绕序列中数据的整体水平。而邻近缠绕序列中数据的标准差说明了邻近缠绕序列中数据的波动程度，对应缠绕设备运行过程中的卡顿异常，结合时段异常幅度和时段异常波动计算混合异常度，从而提高最终对设备运行状态检测的准确度。[0052]S3:基于运行数据使用LOF异常检测算法检测设备运行状态，使用检测修正因子对9L