CN120234685A 基于深度学习的纺纱机故障检测方法与系统 （苏州生生源纱业有限公司）.docxVIP

(19)国家知识产权局

(12)发明专利申请

(10)申请公布号CN120234685A(43)申请公布日2025.07.01

(21)申请号202510726465.3

(22)申请日2025.06.03

(71)申请人苏州生生源纱业有限公司

地址215000江苏省苏州市吴江区盛泽镇

大谢村

(72)发明人杨嘉玮

GO6N

GO6NGO6N

G01D

3/0442(2023.01)

3/045(2023.01)

3/0464(2023.01)21/02(2006.01)

(74)专利代理机构苏州尚为知识产权代理事务

所(普通合伙)32483专利代理师李春节

(51)Int.CI.

GO6F18/2411(2023.01)

GO6F18/10(2023.01)

GO6F18/2135(2023.01)

GO6F18/241(2023.01)

GO6F18/25(2023.01)

权利要求书3页说明书11页附图2页

(54)发明名称

基于深度学习的纺纱机故障检测方法与系

统

(57)摘要

CN120234685A本发明涉及纺织机械故障检测技术领域，公开了基于深度学习的纺纱机故障检测方法与系统，所述方法包括通过多传感器采集振动、温度及电流信号，经主成分分析降维后构建数据流，采用变分自编码器重构误差定位异常数据段，结合卷积神经网络提取多源信号局部特征，利用注意力机制动态分配特征权重，通过遗忘门筛选时序关键特征，引入LSTM网络建模特征序列动态关系，基于支持向量机完成故障类别映射，并对置信度不足样本触发LSTM二次分类校准，形成数据降维、异常检测、特征优化、时序建模与分类验证

CN120234685A

从纺纱机获取高维异构数据流，包括振动信号、温度信号、电流

从纺纱机获取高维异构数据流，包括振动信号、温度信号、电流信号，采用主成分分析保留主要特征向量，得到降维后的第一数据流

根据所述第一数据流，通过记忆单元状态和隐藏状态计算重构误差，如果所述重构误差超过预设的重构误差阀值，判断所述重构误差的数据段为异营，得到异常数据段集合

S13

从所述异常数据段集合中提取所述振动信号，所述温度信号和所

述电流信号，并采用卷积神经网络提取局部特征，得到第一特征集

采用注意力机制对所述第一特征集进行加权计算，得到加权特征

根据所述加权特征集，采用长短期记忆网络提取第二特征集

根据所述第二特征集，采用长短时记忆网络分析特征序列的时序动态关系，得到包含时序信息的第三特征集

根据所述第三特征集，采用支持向量机模型将特征映射到预定义的故障类别，得到初步故障分类结果

从所述初步故障分类结果获取分类置信度，如果置信度低于预设的置信度阅值。则采用长短时记忆网络对低置信度样本进行二次分类,得到最终的故障分类结果

SI7

S14

S15

S16

S18

CN120234685A权利要求书1/3页

2

1.一种基于深度学习的纺纱机故障检测方法，其特征在于，包括：

从纺纱机获取高维异构数据流，包括振动信号、温度信号、电流信号，采用主成分分析保留主要特征向量，得到降维后的第一数据流；

根据所述第一数据流，通过记忆单元状态和隐藏状态计算重构误差，如果所述重构误差超过预设的重构误差阈值，判断所述重构误差的数据段为异常，得到异常数据段集合；

从所述异常数据段集合中提取所述振动信号、所述温度信号和所述电流信号，并采用卷积神经网络提取局部特征，得到第一特征集；

采用注意力机制对所述第一特征集进行加权计算，得到加权特征集；

根据所述加权特征集，采用长短期记忆网络提取第二特征集；

根据所述第二特征集，采用长短时记忆网络分析特征序列的时序动态关系，得到包含时序信息的第三特征集；

根据所述第三特征集，采用支持向量机模型将特征映射到预定义的故障类别，得到初步故障分类结果；

从所述初步故障分类结果获取分类置信度，如果置信度低于预设的置信度阈值，则采用长短时记忆网络对低置信度样本进行二次分类，得到最终的故障分类结果。

2.根据权利要求1所述的基于深度学习的纺纱机故障检测方法，其特征在于，所述根据所述第一数据流，通过记忆单元状态和隐藏状态计算重构误差，如果所述重构误差超过预设的重构误差阈值，判断所述重构误差的数据段为异常，得到异常数据段集合，包括：

从第一数据流中获取连续数据段，通过滑动窗口方法对所