本发明涉及轧花机安全监控，具体涉及一种基于电流检测的轧花机故障识别方法。
背景技术：
1、轧花机是棉花加工机械的一种，是从子棉中分离出皮棉的机械，常用轧花机包括锯齿轧花机和皮辊轧花机两类。其中，锯齿轧花机是利用高速旋转(圆周速度约12～13米/秒)的圆盘锯片通过肋条间隙钩拉棉花纤维，使之与棉子分离的机械，有毛刷式和气流式两种类型，其主要工作部件有喂花辊、清花机构、轧花工作箱、轧花肋条、锯片圆筒、毛刷滚筒或气流吸嘴、集棉箱等。子棉经成对配置的喂花辊喂入清花机构，然后进入轧花机前箱，被拨棉辊抛向锯片，铃壳等大杂物漏下，子棉被锯齿钩住带入轧花工作箱。锯片迅速旋转，带动相互牵引的子棉形成转动的子棉卷。锯齿钩住纤维转动，通过相邻轧花肋条间隙后，棉纤维被毛刷滚筒(或气流)刷下，并送入集棉箱；棉子被肋条挡住，沿两锯片之间的肋条面下移，经棉子梳排出机外。
2、在轧花机运行的过程中，锯片圆筒和轧花肋条的相接处易发生卡棉问题，一旦发生卡棉，棉花将在极短的时间内就会发热起火，引起设备故障，目前是通过人工观察来识别卡棉故障，由于人眼识别有限，且人体反应时间过长，无法及时识别且进行相关预防操作，导致轧花机卡棉起火的状况频发，降低了轧棉效率，存在安全隐患。
技术实现思路
1、本发明的目的在于提供一种基于电流检测的轧花机故障识别方法，以解决轧花机卡棉无法及时识别的问题。
2、为达到上述目的，本发明提供的基础方案为：一种基于电流检测的轧花机故障识别方法，包括：
3、s1：获取轧花机内锯齿筒的实时电流信号；
4、s2：将实时电流信号输入至工况识别模型中，建立当前电流变化曲线，并根据当前电流变化曲线确定出轧花机的当前工况；其中，轧花机的工况包括正常状态、设备短路状态和卡棉状态；
5、s3：若轧花机处于卡棉状态，则将电流变化曲线的图像输入至预设的卷积神经网络中，确定出卡棉位置；
6、s4：将实时电流信号与对应卡棉位置的预设预警阈值进行匹配，确定出卡棉程度等级；其中，卡棉程度等级包括一级卡棉程度和二级卡棉程度；
7、s5：根据卡棉程度等级和卡棉位置，从预设预警策略中确定出对应的故障预警操作，并根据故障预警操作进行预警。
8、可以理解的是，在设备短路和电机开启瞬间时电流会突然上升，轧花机卡棉时，锯齿筒转动受阻，使得锯齿筒电流升高，为了区分卡棉故障和其他状态引起的电流波动，本发明通过实时获取轧花机锯齿筒的实时电流信号，利用工况识别模型对电流信号进行分析，建立当前电流变化曲线，并根据当前电流变化曲线确定出轧花机的当前工况，若当前工况为卡棉状态，则将电流变化曲线的图像输入至预设的卷积神经网络中，确定出卡棉位置，再将实时电流信号与对应卡棉位置的预设预警阈值进行匹配，确定出卡棉程度等级，最后根据卡棉程度等级和卡棉位置从预设预警策略中确定出对应的故障预警操作，以根据不同卡棉程度进行区别性预警，既能够实现对卡棉位置的定位，也能够实现对卡棉程度的分析，提高了卡棉故障识别的实用性和准确性，全程自动化识别加控制，解决了轧花机卡棉无法及时识别的问题，提高了轧棉效率，保证了轧花机的运行安全。
9、优选地，步骤s2中当前工况的确定，具体包括以下步骤：
10、监测预设时间段内的实时电流信号，得到实时电流信号集；
11、根据实时电流信号集，建立当前电流变化曲线；
12、根据当前电流变化曲线和工况识别模型中的各个预设工况电流曲线进行比对，确定出轧花机对应的当前工况。
13、可以理解的是，以轧花机正常运作的电流值作为参照，设备短路状态时电流急速上升，且电流变化程度远远高于其他故障，卡棉时电流增大且保持在较高值，但卡棉时锯齿筒的电流远小于设备短路时锯齿筒的电流。故本发明将实时电流信号绘制成电流变化曲线，利用工况识别模型中的各个预设工况电流曲线，确定出轧花机对应的当前工况，以剔除其他导致电流增大的工况因素，筛选出卡棉故障对应的电流信号。
14、优选地，工况识别模型的构建，具体包括以下步骤：
15、获取轧花机各个工况下的多组历史电流信号；
16、将每组历史电流信号绘制成对应的历史电流曲线；
17、将历史电流曲线进行聚类，得到每个工况下对应的预设工况电流曲线，以完成工况识别模型的构建。
18、通过获取轧花机各个工况下的历史电流参数，绘制历史电流曲线，再依靠聚类将曲线进行分类，得到各个工况对应的预设工况电流曲线，得到能够识别轧花机工况的工况识别模型，实现了在剔除其他导致电流增大的工况的前提下，筛选出卡棉故障对应的电流信号，提高了卡棉识别的准确率。
19、优选地，步骤s3中卷积神经网络的预训练，具体包括：
20、将锯齿筒划分为多个检测区域；
21、获取各个检测区域出现卡棉故障时的历史电流信号；
22、根据历史电流信号，建立各个检测区域对应的历史卡棉电流曲线；
23、基于各个检测区域对应的历史卡棉电流曲线，建立训练集和验证集；
24、利用训练集对所述卷积神经网络模型进行训练，得到训练后的卷积神经网络模型；
25、利用验证集检验训练后的卷积神经网络模型是否合格，若合格，则输出卷积神经网络模型；若不合格则重新利用训练集对卷积神经网络模型进行训练，直至卷积神经网络模型合格。
26、为了确定锯齿筒和轧花肋条交界处卡棉的位置，本实施例将锯齿筒划分为多个检测区域，由于各个卡棉位置与锯齿筒电流路径的关键位置之间的距离不同，导致不同卡棉位置的电流特征不同，故通过获取各个检测区域出现卡棉故障时的历史电流信号，根据历史电流信号，建立各个检测区域对应的历史卡棉电流曲线，基于各个检测区域对应的历史卡棉电流曲线，建立训练集和验证集，利用该训练集和验证集对卷积神经网络进行训练，得到能够确定出锯齿筒卡棉位置的卷积神经网络，提高卡棉位置确定的准确性。
27、优选地，预设的卷积神经网络模型包括输入层、卷积层、池化层、全连接层以及输出层；
28、步骤s3中利用预设的卷积神经网络模型确定出卡棉位置的过程，具体包括以下步骤：
29、将电流变化曲线的图像进行归一化处理，得到标准图像信息；
30、向输入层输入将所述标准图像信息；
31、卷积层接收输入层输出的标准图像信息，并采用预设大小的卷积核、relu函数作为其激活函数对标准图像信息进行特征提取，得到图像初始特征；
32、池化层接收卷积层输出的图像初始特征，并对图像初始特征进行平均池化处理，得到目标图像特征；
33、全连接层接收池化层输出的目标图像特征，并将目标图像特征展平为一维向量，利用softmax函数进行分类，得到每个卡棉位置对应的概率，筛选出最大概率对应的卡棉位置，将最大概率对应的卡棉位置作为当前轧花机锯齿筒的卡棉位置；
34、输出层接收全连接层输出的卡棉位置，并将卡棉位置进行输出。
35、将卷积神经网络模型内层级依次设置为输入层、卷积层、池化层、全连接层和输出层，由于卷积神经网络模型使用梯度下降算法进行学习，故输入特征需要进行标准化处理，因此本发明在电流变化曲线的图像输入至输入层之前，对电流变化曲线的图像进行了归一化处理，以满足卷积神经网络模型的数据处理条件，再将标准图像信息输入至输入层，输入层将数据传输至卷积层采用预设大小的卷积核、relu函数作为其激活函数进行图像特征提取，再经由池化层进行平均池化处理，得到目标图像特征，再输入至全连接层将目标图像特征展平为一维向量，利用softmax函数进行分类，得到当前轧花机图像对应的卡棉位置，再利用输出层将卡棉位置输出，以实现对卡棉位置的定位，避免当前人工识别的局限性，提高了卡棉故障识别的效率和准确率。
36、优选地，步骤s4中预警电流阈值包括一级卡棉电流阈值和二级卡棉电流阈值；
37、步骤s4中卡棉程度等级的确定，具体包括以下步骤：
38、根据实时电流信号，确定出电流变化量；
39、将电流变化量分别与一级卡棉电流阈值和二级卡棉电流阈值进行比对；
40、若电流变化量高于一级卡棉电流阈值，且低于二级卡棉电流阈值，则当前轧花机处于一级卡棉程度；若电流变化量高于二级卡棉电流阈值，则当前轧花机处于二级卡棉程度。
41、通过设置卡棉预警阈值，在确定出实时电流信号对应的电流值变化量大于卡棉阈值时，说明轧花机的卡棉程度达到了一级卡棉程度或二级卡棉程度，对电流变化量进行区分是为了更精确的识别卡棉程度，并为后续预警提供数据基础。
42、优选地，预设预警策略中一级卡棉程度和卡棉位置对应的故障预警操作具体包括：
43、生成并发送一级信号灯闪烁指令至信号灯，并生成对应的一级语音播报内容，根据所述一级语音播报内容利用播报设备进行播报，以实现一级信号灯预警和一级语音播报预警；其中，所述一级语音播报内容包括卡棉位置和一级卡棉程度。
44、一级卡棉状态下，棉花轧制速度可能会减缓，但轧花机仍然可以正常运作，故障程度低，故本发明只进行语音播报预警和信号灯预警，以提醒操作工人轧花机可能出现了轻微卡棉。
45、优选地，预设预警策略中二级卡棉程度和卡棉位置对应的故障预警操作具体包括：
46、生成并下发轧花机开箱指令至轧花机，使得轧花机开箱；
47、生成并发送二级信号灯闪烁指令至信号灯，并生成对应的二级语音播报内容，根据二级语音播报内容利用播报设备进行播报，以实现二级信号灯提示和二级语音播报提示；其中，二级语音播报内容包括卡棉位置和二级卡棉程度。
48、在二级卡棉状态下，锯齿筒与轧花肋条之间可能卡住了较大的棉团，导致棉花轧制速度明显降低，本发明即直接控制轧花机开箱，进行信号灯和语音播报提示，以提示操作工人处理卡棉问题。
49、优选地，步骤s3，还包括以下步骤：
50、若轧花机处于设备短路状态，则生成并下发轧花机开箱指令至轧花机，使得轧花机开箱；
51、生成并发送三级信号灯闪烁指令至信号灯，并生成对应的三级语音播报内容，根据三级语音播报内容利用播报设备进行播报，以实现三级信号灯提示和三级语音播报提示。
52、当轧花机出现设备短路时，为了保护设备，将轧花机进行开箱控制，并控制信号灯和语音播报系统进行故障警报，以提醒操作人员设备短路，需要对设备进行维修。
1.一种基于电流检测的轧花机故障识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于电流检测的轧花机故障识别方法，其特征在于,步骤s2中所述当前工况的确定，具体包括以下步骤：
3.根据权利要求1所述的一种基于电流检测的轧花机故障识别方法，其特征在于，所述工况识别模型的构建，具体包括以下步骤：
4.根据权利要求1所述的一种基于电流检测的轧花机故障识别方法，其特征在于，步骤s3中卷积神经网络的预训练，具体包括：
5.根据权利要求1所述的一种基于电流检测的轧花机故障识别方法，其特征在于，所述预设的卷积神经网络模型包括输入层、卷积层、池化层、全连接层以及输出层；
6.根据权利要求1所述的一种基于电流检测的轧花机故障识别方法，其特征在于，步骤s4中预警电流阈值包括一级卡棉电流阈值和二级卡棉电流阈值；
7.根据权利要求1所述的一种基于电流检测的轧花机故障识别方法，其特征在于,所述预设预警策略中所述一级卡棉程度和所述卡棉位置对应的故障预警操作具体包括：
8.根据权利要求1所述的一种基于电流检测的轧花机故障识别方法，其特征在于，所述预设预警策略中所述二级卡棉程度和所述卡棉位置对应的故障预警操作具体包括：
9.根据权利要求1所述的一种基于电流检测的轧花机故障识别方法，其特征在于,步骤s3，还包括以下步骤：
