基于人工智能的纤维类拉丝异常状态检测方法与流程

1.本发明涉及图像数据处理技术领域，更具体地说，本发明涉及基于人工智能的纤维类拉丝异常状态检测方法。


背景技术：

2.在玻璃纤维池窑拉丝生产中， 因为种种因素会出现断头或者飞丝导致的出丝不顺的情况，对拉丝异常进行分析能够掌握断头出现的规律，采取适当措施尽量减少断头对玻璃纤维拉丝生产的影响，提高产量。
3.现有的玻璃纤维拉丝异常状态检测方法首先设置温度感应计检测拉丝过程各个工艺流程的温度，当实时温度与设定温度不一致时发出异常预警，工作人员将根据异常预警信息进行温度调控，提高了温度异常预警的灵敏度，另一方面直接通过摄像头检测玻璃纤维拉丝过程是否出现断头，在出现断头时发出警报并分析断头成分，将分析结果发送至维护人员进行异常修正，降低了断头出现频率，提高了原丝质量。
4.然而现有的玻璃纤维异常状态检测方法仍存在一些问题：在玻璃纤维拉丝工艺中温度会频繁出现变化，一旦温度发生变化就发送预警工作人员就需对实时温度进行二次判断，增大了工作人员的工作量，同时影响玻璃纤维拉丝的因素还有很多，温度发生变化时拉丝并不绝对出现异常，只对温度进行检测容易出现误判的情况，应加大对其他影响因素的采集范围，对拉丝本身参数也应进行提取处理，提高异常判断的准确性。


技术实现要素：

5.为了克服现有技术的上述缺陷，本发明的实施例提供基于人工智能的纤维类拉丝异常状态检测方法，以解决上述背景技术中提出的问题。
6.为实现上述目的，本发明提供如下技术方案：基于人工智能的纤维类拉丝异常状态检测方法，包括以下步骤：s1：基于生产目标设定预期断头飞丝率、原丝外观形变指数限值、玻璃纤维拉丝直径、拉丝圆度、预期产量，以及各个工艺流程的工艺生产参数，基于三维建模技术输入设定参数绘制无损状态下玻璃纤维原丝三维图像；s2：设置综合在线监控装置用于监控玻璃纤维原丝生产中的工艺流程实时数据；s3：通过图像采集设备获取成型的玻璃纤维拉丝状态信息并判断是否异常，判定无异则进入原丝数据采集模式，判定有异则进入异常溯源模式；s4：对拉丝无异的玻璃纤维原丝进行实时扫描获取原丝所有位置的拉丝直径和拉丝圆度信息，将其与设定的拉丝直径以及拉丝圆度进行数据对比计算直径偏离度和拉丝圆度偏离度；s5：由直径偏离度和拉丝圆度偏离度计算原丝外观形变指数，将计算出的原丝外观形变指数与预设值进行比较判定玻璃纤维原丝是否达标，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，将达标的原丝制成丝饼并称量丝饼重量；
s6：确定拉丝异常后暂停该拉丝生产线上的拉丝工作，将断头飞丝类型的玻璃纤维拉丝异常原因分为拉丝张力异常和玻璃液异常两种类型，基于工艺流程实时数据对其进行一一验证，确定异常原因后发送修正指令；s7：接收到修正指令后对异常情况进行修正并自动储存修正记录，同时收集因为拉丝异常而废弃的玻璃纤维原丝将其高温熔化、提纯后进行再利用；s8：统计玻璃纤维拉丝生产过程正常产出的原丝重量、修正前断头飞丝率、修正后断头飞丝率、异常情况发生次数、异常修正耗费总时间、实际生产时间，分别计算产量达标指数、异常判断准确率指数以及拉丝控制稳定性指数；s9：基于产量达标指数、异常判断准确率以及拉丝控制稳定性指数计算异常修正质量指数。
7.优选的，步骤s1中设定的玻璃纤维拉丝直径记为de，设定的误差区间为[d
e-θe,de+θe]，θe其中为误差因子；设定的拉丝圆度则用原丝的轮廓点空间坐标表示，以原丝首尾任一端横截面作为xoy面、横截面中心点作为坐标原点建立空间直角坐标系，对应原丝的标准轮廓点空间坐标为p
ai
(x
ai
,y
ai
,z
ai
)，以相同方法获取同坐标系同中心原点的最小误差允许直径和最大误差允许直径下的原丝轮廓点空间坐标，对应的误差允许轮廓点空间坐标为p
bi
(x
bi
,y
bi
,z
bi
)和p
ci
(x
ci
,y
ci
,z
ci
)，将三个坐标系中对应的轮廓坐标点各自提出、连接并计算线段方程l1：y=a1x+b1，处于该线段内的点为实际原丝轮廓点的误差允许点集合d1{p
e1
,p
e2
,......p
en
}，使用相同方法得到三个空间图形对应不同轮廓点的线段方程li和实际原丝每个轮廓点的误差允许点集合di。
[0008]
优选的，步骤s2中监测的数据为配合料比例、熔制温度、作业通路温度、漏板温度、窑压、液位、投料量、热点、鼓泡、关键点温度。
[0009]
优选的，步骤s3中异常判断的具体流程如下：s31、统计拉丝过程中出现断头飞丝的原丝根数x1和顺利拉丝的原丝根数x2；s32 、计算断头飞丝率x
t
，具体计算公式为：；s32、将计算出的断头飞丝率和预期报废指标进行比较，断头飞丝率高于预期报废指标则判定有异，断头飞丝率低于预期报废指标则判定无异。
[0010]
优选的，步骤s4中的数据处理过程如下：s41、扫描获取原丝所有平行横截面的拉丝直径d1、d2……dna
，挑选出其中最大直径d
max
和最小直径d
min
，将其与设定的玻璃纤维拉丝直径de进行比较，若d
max
》de+θe或者d
min
《d
e-θe说明直径偏离；s42、计算直径偏离度αd，具体计算公式为：，其中α
da
为大于最大误差允许直径de+θe的直径偏离度，，n1为大于最大误差允许直径的直径数量，α
db
为小于最小误差允许直径的直径偏离度d
e-θe的直径偏离度，
，n2为小于最小误差允许直径的直径数量，na为拉丝直径总数，，n3为处于设定直径误差区间内的直径数量；s43、扫描获取原丝的轮廓点位置坐标点p
di
(x
di
,y
di
,z
di
)，将其与步骤s1中设定的误差点集合进行匹配，若实际轮廓点在其对应误差允许点集合内则判定轮廓点无异，若实际轮廓点不在其对应误差允许点集合内则判定轮廓点偏移，计算实际轮廓点与误差允许点集合中每个点的距离l
a1
、l
a2
……
l
an
，其中数值最小值即为该轮廓点的偏移距离le，即，依此类推计算每个偏移轮廓点的偏移距离；s44、统计轮廓点数量nb、偏移轮廓点数量nc以及每个偏移轮廓点的偏移距离l
ei
计算拉丝圆度偏离度α
l
，具体计算公式为：。
[0011]
优选的，步骤s5中判断玻璃纤维原丝是否达标的判断过程如下：s51、基于原丝的直径偏离度和拉丝圆度偏离度计算原丝外观形变指数αc，具体计算公式为：；s52、将计算出的原丝外观形变指数与预设值进行比较，原丝外观形变指数大于预设值则拉丝不达标，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，原丝外观形变指数小于预设值则拉丝达标，将达标的原丝制成丝饼并称量丝饼重量。
[0012]
优选的，步骤s8中具体数据处理过程如下：s81、由实际原丝重量ma与预期原丝产重mb的数值关系计算产重达标指数ga，具体计算公式为：；s82、由异常修正前的断头飞丝率x
ti
和修正后的断头飞丝率x
si
计算异常判断准确率指数te，具体计算公式为：，其中nf为拉丝生产过程中检测出异常的次数；s83、由异常情况发生次数ca、异常修正耗费总时间ta以及实际生产时间te计算拉丝控制稳定性指数uk，具体计算公式为：。
[0013]
优选的，步骤s9中基于产量达标指数、异常判断准确率以及拉丝控制稳定性指数
计算异常修正质量指数r
t
的具体计算公式为：，其中j1、j2、j3为对应影响因素的常数系数，j1》j2》j3》0。
[0014]
本发明的技术效果和优点：1.本发明对配合料比例、融制温度、作业通路温度、漏板温度、窑压、液位、投料量、热点、鼓泡、关键点温度进行监测，待拉丝出现异常后将监测的数据与工艺生产设定数据进行数据对比计算误差指数后与允许误差指数进行一一对比判断工艺生产数据是否有异，统计异常数据名单后进行异常修正，提高了玻璃纤维拉丝生产过程中玻璃液异常来源判断的准确性。
[0015]
2.本发明对于能够顺利拉丝的原丝数据进行采集，计算了原丝外观形变指数并将其与预设值进行比较，原丝外观形变指数大于预设值则拉丝不达标，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，原丝外观形变指数小于预设值则拉丝达标，将达标的原丝制成丝饼并称量丝饼重量，提高了原丝生产质量，提高了拉丝异常检测范围，同时对外观未达标的原丝进行二次回收拉丝处理，提高了产量，本发明对于拉丝张力的异常可能性进行了验证，提供了一种全新的异常判断方法与修正措施，提高了异常检测的准确性，降低了误判可能性，加强了对玻璃纤维拉丝生产质量的控制能力。
附图说明
[0016]
图1为本发明的方法步骤图。
[0017]
图2为本发明的系统结构框图。
具体实施方式
[0018]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0019]
如图1所示本实施例提供基于人工智能的纤维类拉丝异常状态检测方法，包括以下步骤：s1：基于生产目标设定预期断头飞丝率、原丝外观形变指数限值、玻璃纤维拉丝直径、拉丝圆度、预期产量，以及各个工艺流程的工艺生产参数，基于三维建模技术输入设定参数绘制无损状态下玻璃纤维原丝三维图像；进一步，所述步骤s1中设定的玻璃纤维拉丝直径记为de，设定的误差区间为[d
e-θe,de+θe]，θe其中为误差因子；设定的拉丝圆度则用原丝的轮廓点空间坐标表示，以原丝首尾任一端横截面作为xoy面、横截面中心点作为坐标原点建立空间直角坐标系，对应原丝的标准轮廓点空间坐标为p
ai
(x
ai
,y
ai
,z
ai
)，以相同方法获取同坐标系同中心原点的最小误差允许直径和最大误差允许直径下的原丝轮廓点空间坐标，对应的误差允许轮廓点空间坐标为p
bi
(x
bi
,y
bi
,z
bi
)和p
ci
(x
ci
,y
ci
,z
ci
)，将三个坐标系中对应的轮廓坐标点各自提出、连接并计算线段方程l1：y=a1x+b1，处于该线段内的点为实际原丝轮廓点的误差允许点集合d1{p
e1
,
p
e2
,......p
en
}，使用相同方法得到三个空间图形对应不同轮廓点的线段方程li和实际原丝每个轮廓点的误差允许点集合di。
[0020]
本实施例中具体需要说明的是，对于预期断头飞丝率和原丝外观形变指数限值的设定取决于生产需要，不在此做额外限制，对于玻璃纤维拉丝直径误差因子的取值，本实施例提供一个约束条件：。
[0021]
s2：设置综合在线监控装置用于监控玻璃纤维原丝生产中的工艺流程实时数据；进一步，所述步骤s2中监测的数据为配合料比例、熔制温度、作业通路温度、漏板温度、窑压、液位、投料量、热点、鼓泡、关键点温度。
[0022]
s3：通过图像采集设备获取成型的玻璃纤维拉丝状态信息并判断是否异常，判定无异则进入原丝数据采集模式，判定有异则进入异常溯源模式；进一步，所述步骤s3中异常判断的具体流程如下：s31、统计拉丝过程中出现断头飞丝的原丝根数x1和顺利拉丝的原丝根数x2；s32 、计算断头飞丝率x
t
，具体计算公式为：；s33、将计算出的断头飞丝率和预期报废指标进行比较，断头飞丝率高于预期报废指标则判定有异，断头飞丝率低于预期报废指标则判定无异。
[0023]
本实施例中具体需要说明的是，玻璃纤维拉丝信息状态分为两种类型，一种为顺利拉丝类型，一种为断头飞丝类型，无异则为顺利拉丝类型，有异则为断头飞丝类型。
[0024]
s4：对拉丝无异的玻璃纤维原丝进行实时扫描获取原丝所有位置的拉丝直径和拉丝圆度信息，将其与设定的拉丝直径以及拉丝圆度进行数据对比计算直径偏离度和拉丝圆度偏离度；进一步，所述步骤s4中的数据处理过程如下：s41、扫描获取原丝所有平行横截面的拉丝直径d1、d2……dna
，挑选出其中最大直径d
max
和最小直径d
min
，将其与设定的玻璃纤维拉丝直径de进行比较，若d
max
》de+θe或者d
min
《d
e-θe说明直径偏离；s42、计算直径偏离度αd，具体计算公式为：，其中α
da
为大于最大误差允许直径de+θe的直径偏离度，，n1为大于最大误差允许直径的直径数量，α
db
为小于最小误差允许直径的直径偏离度d
e-θe的直径偏离度，，n2为小于最小误差允许直径的直径数量，na为拉丝直径总数，，n3为处于设定直径误差区间内的直径数量；s43、扫描获取原丝的轮廓点位置坐标点p
di
(x
di
,y
di
,z
di
)，将其与步骤s1中设定的误差点集合进行匹配，若实际轮廓点在其对应误差允许点集合内则判定轮廓点无异，若实
际轮廓点不在其对应误差允许点集合内则判定轮廓点偏移，计算实际轮廓点与误差允许点集合中每个点的距离l
a1
、l
a2
……
l
an
，其中数值最小值即为该轮廓点的偏移距离le，即，依此类推计算每个偏移轮廓点的偏移距离；s44、统计轮廓点数量nb、偏移轮廓点数量nc以及每个偏移轮廓点的偏移距离l
ei
计算拉丝圆度偏离度α
l
，具体计算公式为：。
[0025]
s5：由直径偏离度和拉丝圆度偏离度计算原丝外观形变指数，将计算出的原丝外观形变指数与预设值进行比较判定玻璃纤维原丝是否达标，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，将达标的原丝制成丝饼并称量丝饼重量；进一步，所述步骤s5中判断玻璃纤维原丝是否达标的判断过程如下：s51、基于原丝的直径偏离度和拉丝圆度偏离度计算原丝外观形变指数αc，具体计算公式为：；s52、将计算出的原丝外观形变指数与预设值进行比较，原丝外观形变指数大于预设值则拉丝不达标，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，原丝外观形变指数小于预设值则拉丝达标，将达标的原丝制成丝饼并称量丝饼重量。
[0026]
s6：确定拉丝异常后暂停该拉丝生产线上的拉丝工作，将断头飞丝类型的玻璃纤维拉丝异常原因分为拉丝张力异常和玻璃液异常两种类型，基于工艺流程实时数据对其进行一一验证，确定异常原因后发送修正指令；本实施中具体需要说明的是，现提供一种对拉丝张力异常可能性进行验证的方法，包括以下步骤：s611、设置测速点检测拉丝机拉线线速度vc和收线线速度vd；s612、将实际拉线线速度vc和收线线速度vd代入设定拉线线速度和收线线速度的应用条件，满足v
c-vs《vd《vc+vs则拉丝张力无异，不满足v
c-vs《vd《vc+vs则拉丝张力异常，其中vs为设定的收线线速度与拉线线速度的调整因子，对于设定的收线线速度与拉线线速度的调整因子的取值，本实施例提供一个约束条件：；s613、若拉丝张力异常，则发送提升收线速度指令，则发送降低收线速度指令。
[0027]
本实施例中具体需要说明的是，现提供一种对玻璃液异常可能性进行验证的方法，包括以下步骤：s621、将步骤s2中监测的数据y
ti
与工艺生产设定数据y
si
进行数据对比计算不同工艺生产数据误差指数β
ai
，具体计算公式为：；s622、将计算出的工艺生产数据误差指数β
ai
与工艺生产设定参数允许误差指数β
ei
进行一一对比，β
ei
》β
ai
，则判定该数据正常，，则判定该数据异常；
s623、统计异常数据名单，发送指令进行异常修正。
[0028]
本实施例中具体需要说明的是，在计算不同工艺生产数据误差指数时，所用的监测数据为该项数据与设定数据数值差距最大的数据值。
[0029]
s7：接收到修正指令后对异常情况进行修正并自动储存修正记录，同时收集因为拉丝异常而废弃的玻璃纤维原丝将其高温熔化、提纯后进行再利用；s8：统计玻璃纤维拉丝生产过程正常产出的原丝重量、修正前断头飞丝率、修正后断头飞丝率、异常情况发生次数、异常修正耗费总时间、实际生产时间，分别计算产量达标指数、异常判断准确率指数以及拉丝控制稳定性指数；进一步，所述步骤s8中具体数据处理过程如下：s81、由实际原丝重量ma与预期原丝产重mb的数值关系计算产重达标指数ga，具体计算公式为：；s82、由异常修正前的断头飞丝率x
ti
和修正后的断头飞丝率x
si
计算异常判断准确率指数te，具体计算公式为：，其中nf为拉丝生产过程中检测出异常的次数；s83、由异常情况发生次数ca、异常修正耗费总时间ta以及实际生产时间te计算拉丝控制稳定性指数uk，具体计算公式为：。
[0030]
s9：基于产量达标指数、异常判断准确率以及拉丝控制稳定性指数计算异常修正质量指数。
[0031]
进一步，所述步骤s9中基于产量达标指数、异常判断准确率以及拉丝控制稳定性指数计算异常修正质量指数r
t
的具体计算公式为：，其中j1、j2、j3为对应影响因素的常数系数，j1》j2》j3》0。
[0032]
如图2本实施例提供基于人工智能的纤维类拉丝异常状态检测系统，包括参数设定模块、数据实时监控模块、原丝状态异常评估模块、原丝数据采集模块、原丝数据处理模块、原丝达标判断模块、断头飞丝异常验证模块、异常修正模块、拉丝状态检测数据获取模块、拉丝状态检测数据处理模块、拉丝异常修正质量指数计算模块，以及数据库。
[0033]
所述参数设定模块与原丝状态异常评估模块连接，所述数据实时监控模块与断头飞丝异常验证模块连接，所述原丝状态异常评估模块分别与原丝数据采集模块和断头飞丝异常验证模块连接，所述原丝数据采集模块、原丝数据处理模块以及原丝达标判断模块顺序连接，所述断头飞丝异常验证模块与异常修正模块连接，所述原丝达标判断模块、原丝状态异常评估模块以及异常修正模块均与拉丝状态检测数据获取模块连接，所述拉丝状态检测数据获取模块、拉丝状态检测数据处理模块以及拉丝异常修正质量指数计算模块顺序连接，系统中所有模块均与数据库连接。
[0034]
所述参数设定模块基于生产目标设定预期断头飞丝率、玻璃纤维拉丝直径、拉丝圆度、拉线线速度、收线线速度、预期产量，以及各个工艺流程的工艺生产参数，基于三维建模技术输入设定参数绘制无损状态下玻璃纤维原丝三维图像；所述数据实时监控模块实时监控玻璃纤维拉丝生产工艺全过程数据并上传至数据库；所述原丝状态异常评估模块通过图像采集设备获取成型的玻璃纤维拉丝过程中出现断头飞丝的原丝根数和顺利拉丝的原丝根数由采集到的拉丝过程中出现断头飞丝的原丝根数和顺利拉丝的原丝根数计算断头飞丝率，将计算出的断头飞丝率和预期报废指标进行比较，断头飞丝率高于预期报废指标则判定有异，断头飞丝率低于预期报废指标则判定无异；所述原丝数据采集模块在判定无异时玻璃纤维原丝进行实时扫描获取原丝所有位置的拉丝直径和拉丝圆度信息；所述原丝数据处理模块将采集到的原丝所有位置的拉丝直径和拉丝圆度信息与设定的拉丝直径以及拉丝圆度进行数据对比计算直径偏离度和拉丝圆度偏离度；所述原丝达标判断模块由直径偏离度和拉丝圆度偏离度计算原丝外观形变指数，将计算出的原丝外观形变指数与预设值进行比较，原丝外观形变指数大于预设值则拉丝不达标，原丝外观形变指数小于预设值则拉丝达标，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，将达标的原丝制成丝饼并称量丝饼重量；所述断头飞丝异常验证模块确定拉丝异常后暂停该拉丝生产线上的拉丝工作，对断头飞丝类型的玻璃纤维拉丝异常原因进行分析，将其分为拉丝张力异常和玻璃液异常两种类型，对其进行一一验证，确定异常原因后发送修正指令；所述异常修正模块接收到修正指令后对异常情况进行修正并上传修正记录至云端，同时收集因为拉丝异常而废弃的玻璃纤维原丝将其高温熔化、提纯后进行再利用；所述拉丝状态检测数据获取模块从数据库中调出玻璃纤维拉丝生产过程正常产出的原丝重量、修正前断头飞丝率、修正后断头飞丝率、异常情况发生次数、异常修正耗费总时间，以及实际工艺生产时间；所述拉丝状态检测数据处理模块由实际原丝重量与预期原丝产重的数值关系计算产重达标指数，由异常修正前的断头飞丝率和修正后的断头飞丝率计算异常判断准确率指数，由异常情况发生次数、异常修正耗费总时间以及实际生产时间计算拉丝控制稳定性指数；所述拉丝异常修正质量指数计算模块基于产量达标指数、异常判断准确率以及拉丝控制稳定性指数计算异常修正质量指数；所述数据库用于储存系统中所有数据。
[0035]
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.基于人工智能的纤维类拉丝异常状态检测方法，其特征在于：包括以下步骤：s1：基于生产目标设定预期断头飞丝率、原丝外观形变指数限值、玻璃纤维拉丝直径、拉丝圆度、预期产量，以及各个工艺流程的工艺生产参数，基于三维建模技术输入设定参数绘制无损状态下玻璃纤维原丝三维图像；s2：设置综合在线监控装置用于监控玻璃纤维原丝生产中的工艺流程实时数据；s3：通过图像采集设备获取成型的玻璃纤维拉丝状态信息并判断是否异常，判定无异则进入原丝数据采集模式，判定有异则进入异常溯源模式；s4：对拉丝无异的玻璃纤维原丝进行实时扫描获取原丝所有位置的拉丝直径和拉丝圆度信息，将其与设定的拉丝直径以及拉丝圆度进行数据对比计算直径偏离度和拉丝圆度偏离度；s5：由直径偏离度和拉丝圆度偏离度计算原丝外观形变指数，将计算出的原丝外观形变指数与预设值进行比较判定玻璃纤维原丝是否达标，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，将达标的原丝制成丝饼并称量丝饼重量；s6：确定拉丝异常后暂停该拉丝生产线上的拉丝工作，将断头飞丝类型的玻璃纤维拉丝异常原因分为拉丝张力异常和玻璃液异常两种类型，基于工艺流程实时数据对其进行一一验证，确定异常原因后发送修正指令；s7：接收到修正指令后对异常情况进行修正并自动储存修正记录，同时收集因为拉丝异常而废弃的玻璃纤维原丝将其高温熔化、提纯后进行再利用；s8：统计玻璃纤维拉丝生产过程正常产出的原丝重量、修正前断头飞丝率、修正后断头飞丝率、异常情况发生次数、异常修正耗费总时间、实际生产时间，分别计算产量达标指数、异常判断准确率指数以及拉丝控制稳定性指数；s9：基于产量达标指数、异常判断准确率以及拉丝控制稳定性指数计算异常修正质量指数。2.根据权利要求1所述的基于人工智能的纤维类拉丝异常状态检测方法，其特征在于：所述步骤s1中设定的玻璃纤维拉丝直径记为d
e
，设定的误差区间为[d
e-θ
e
,d
e
+θ
e
]，θ
e
其中为误差因子；设定的拉丝圆度则用原丝的轮廓点空间坐标表示，以原丝首尾任一端横截面作为xoy面、横截面中心点作为坐标原点建立空间直角坐标系，对应原丝的标准轮廓点空间坐标为p
ai
(x
ai
,y
ai
,z
ai
)，以相同方法获取同坐标系同中心原点的最小误差允许直径和最大误差允许直径下的原丝轮廓点空间坐标，对应的误差允许轮廓点空间坐标为p
bi
(x
bi
,y
bi
,z
bi
)和p
ci
(x
ci
,y
ci
,z
ci
)，将三个坐标系中对应的轮廓坐标点各自提出、连接并计算线段方程l1：y=a1x+b1，处于该线段内的点为实际原丝轮廓点的误差允许点集合d1{p
e1
,p
e2
,......p
en
}，使用相同方法得到三个空间图形对应不同轮廓点的线段方程l
i
和实际原丝每个轮廓点的误差允许点集合d
i
。3.根据权利要求1所述的基于人工智能的纤维类拉丝异常状态检测方法，其特征在于：所述步骤s2中监测的数据为配合料比例、熔制温度、作业通路温度、漏板温度、窑压、液位、投料量、热点、鼓泡、关键点温度。4.根据权利要求1所述的基于人工智能的纤维类拉丝异常状态检测方法，其特征在于：所述步骤s3中异常判断的具体流程如下：s31、统计拉丝过程中出现断头飞丝的原丝根数x1和顺利拉丝的原丝根数x2；
s32 、计算断头飞丝率x
t
，具体计算公式为：；s32、将计算出的断头飞丝率和预期报废指标进行比较，断头飞丝率高于预期报废指标则判定有异，断头飞丝率低于预期报废指标则判定无异。5.根据权利要求1所述的基于人工智能的纤维类拉丝异常状态检测方法，其特征在于：所述步骤s4中的数据处理过程如下：s41、扫描获取原丝所有平行横截面的拉丝直径d1、d2……
d
na
，挑选出其中最大直径d
max
和最小直径d
min
，将其与设定的玻璃纤维拉丝直径d
e
进行比较，若d
max
>d
e
+θ
e
或者d
min
<d
e-θ
e
说明直径偏离；s42、计算直径偏离度α
d
，具体计算公式为：，其中α
da
为大于最大误差允许直径d
e
+θ
e
的直径偏离度，，n1为大于最大误差允许直径的直径数量，α
db
为小于最小误差允许直径的直径偏离度d
e-θ
e
的直径偏离度，，n2为小于最小误差允许直径的直径数量，n
a
为拉丝直径总数，，n3为处于设定直径误差区间内的直径数量；s43、扫描获取原丝的轮廓点位置坐标点p
di
(x
di
,y
di
,z
di
)，将其与步骤s1中设定的误差点集合进行匹配，若实际轮廓点在其对应误差允许点集合内则判定轮廓点无异，若实际轮廓点不在其对应误差允许点集合内则判定轮廓点偏移，计算实际轮廓点与误差允许点集合中每个点的距离l
a1
、l
a2
……
l
an
，其中数值最小值即为该轮廓点的偏移距离l
e
，即，依此类推计算每个偏移轮廓点的偏移距离；s44、统计轮廓点数量n
b
、偏移轮廓点数量n
c
以及每个偏移轮廓点的偏移距离l
ei
计算拉丝圆度偏离度α
l
，具体计算公式为：。6.根据权利要求1所述的基于人工智能的纤维类拉丝异常状态检测方法，其特征在于：所述步骤s5中判断玻璃纤维原丝是否达标的判断过程如下：s51、基于原丝的直径偏离度和拉丝圆度偏离度计算原丝外观形变指数α
c
，具体计算公式为：；s52、将计算出的原丝外观形变指数与预设值进行比较，原丝外观形变指数大于预设值则拉丝不达标，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，原丝外观形变指数小于预设值则拉丝达标，将达标的原丝制成丝饼并称量丝饼重量。7.根据权利要求1所述的基于人工智能的纤维类拉丝异常状态检测方法，其特征在于：
所述步骤s8中具体数据处理过程如下：s81、由实际原丝重量m
a
与预期原丝产重m
b
的数值关系计算产重达标指数g
a
，具体计算公式为：；s82、由异常修正前的断头飞丝率x
ti
和修正后的断头飞丝率x
si
计算异常判断准确率指数t
e
，具体计算公式为：，其中n
f
为拉丝生产过程中检测出异常的次数；s83、由异常情况发生次数c
a
、异常修正耗费总时间t
a
以及实际生产时间t
e
计算拉丝控制稳定性指数u
k
，具体计算公式为：。8.根据权利要求1所述的基于人工智能的纤维类拉丝异常状态检测方法，其特征在于：所述步骤s9中基于产量达标指数、异常判断准确率以及拉丝控制稳定性指数计算异常修正质量指数r
t
的具体计算公式为：，其中j1、j2、j3为对应影响因素的常数系数，j1>j2>j3>0。

技术总结
本发明公开了基于人工智能的纤维类拉丝异常状态检测方法，具体涉及图像数据处理技术领域，本发明在拉丝出现异常后将监测的工艺流程数据与工艺生产设定数据进行数据对比计算误差指数后与允许误差指数进行一一对比判断工艺生产数据是否有异，统计异常数据名单后进行异常修正，提高了玻璃纤维拉丝生产过程中玻璃液异常判断的准确性；本发明对于能够顺利拉丝的原丝计算了原丝外观形变指数并将其与预设值进行比较，将不达标的原丝收集起来进行二次高温熔化后重新进行拉丝操作，将达标的原丝制成丝饼并称量丝饼重量，提高了原丝生产质量，同时对外观未达标的原丝进行二次回收拉丝处理，提高了产量。提高了产量。提高了产量。


技术研发人员：李松和 武传涛 张法宝 王猛 胡小隔 李春燕 曹国梁 张司菲
受保护的技术使用者：山东众志电子有限公司
技术研发日：2023.08.18
技术公布日：2023/9/26