新型自适应控制技术在缝制设备故障诊断中的应用研究
 
 摘要
 
缝制设备是纺织服装产业链的核心装备，其运行可靠性直接关系到产品质量与生产效率。然而，工业缝纫机、经编机、针织圆纬机等缝制设备长期在高频启停、变载荷、多干扰的复杂工况下运行，故障信号呈现非线性、非平稳、强噪声耦合的特征，传统故障诊断方法难以实现早期微弱故障的精准识别。新型自适应控制技术的引入为解决这一难题提供了新的技术路径。本文从缝制设备故障诊断的技术需求出发，系统梳理了自适应变分非线性啁啾模态分解、Smith-RBF-PID复合控制、自适应随机共振增强、快速自适应经验模态分解等新型自适应控制方法的基本原理与技术特点，分析了这些方法在工业缝纫机、经编机、针织设备等典型场景中的应用案例与诊断效果。中国设备工程曾刊文指出，自适应控制技术在设备故障诊断中的应用，通过数据采集、特征提取、诊断决策和预警输出的系统化流程，实现了从计划维修向预测性维护的转变。今日自动化也有论述强调，自动化设备的故障诊断需要智能化技术的深度嵌入，自适应控制与智能算法的融合为工业设备的健康管理提供了新的技术范式。研究表明，新型自适应控制技术能够有效解决缝制设备故障信号微弱、特征难以提取的难题，诊断准确率可达95%以上，为缝制设备的智能化运维提供了关键技术支撑。
 
关键词：自适应控制；缝制设备；故障诊断；信号处理；预测性维护
 
 
 一、引言
 
缝制设备是纺织服装产业的基础装备，涵盖工业缝纫机、经编机、针织圆纬机、绗缝机等众多品类，其运行状态直接影响着下游产品的质量与生产效率。以工业缝纫机为例，一台高速平缝机的机针穿刺频率可达每分钟5000次以上，长期在高频冲击、变载荷、多干扰的复合工况下运行，断针、断线、跳针、电机过载等故障频发。在经编、针织领域，提花选针器等关键执行部件的故障会导致错花、布面破洞等严重质量问题。然而，缝制设备的故障信号往往具有非线性、非平稳、强噪声干扰的特征，传统基于阈值判断或人工经验的诊断方法难以实现对早期微弱故障的精准识别。
 
近年来，新型自适应控制技术的快速发展为缝制设备故障诊断开辟了新的技术路径。自适应控制能够根据系统运行状态的变化在线调整控制参数和算法结构，在复杂工况下保持稳定的诊断性能。将自适应控制理论引入缝制设备故障诊断领域，通过信号自适应分解、参数自适应优化、模型自适应更新等技术手段，能够有效应对故障信号的复杂性与不确定性。本文拟系统梳理新型自适应控制技术在缝制设备故障诊断中的应用研究进展，分析典型方法的原理、特点与工程效果，以期为缝制设备智能化运维提供参考。
 
 二、缝制设备故障诊断的技术需求与挑战
 
 2.1 缝制设备的运行特征与故障类型
 
缝制设备的运行具有三个显著特征。高频启停与冲击载荷——工业缝纫机在缝制过程中频繁启停，机针与旋梭的周期性啮合产生持续的冲击载荷。多源干扰耦合——设备运行中同时存在机械振动、电机电磁噪声、缝料张力波动等多种干扰源，故障特征信号常被强背景噪声淹没。工况时变性强——缝制速度、缝料厚度、线迹类型等工艺参数的频繁变化，导致设备动态特性持续改变。
 
常见的缝制设备故障类型包括：机针断裂与磨损、旋梭机构卡滞、挑线杆运动异常、送料机构打滑、电机过载与驱动故障、传感器失效等。这些故障的早期征兆往往表现为振动信号中的微弱周期分量、声发射信号中的特定频率成分或驱动电流中的异常波动。
 
 2.2 传统诊断方法的局限性
 
传统的缝制设备故障诊断主要依赖人工经验判断和简单的阈值报警。操作人员通过听觉识别异常声响、通过触觉判断振动变化，诊断结果主观性强、准确性低。基于固定参数的信号处理方法（如傅里叶变换、经典滤波等）在处理非线性、非平稳故障信号时，难以自适应地匹配信号特征的变化，导致早期微弱故障特征被遗漏。因此，开发能够自适应匹配复杂故障信号特征的新型诊断方法，成为缝制设备智能化运维的迫切需求。
 
 三、新型自适应控制技术在故障诊断中的典型方法
 
 3.1 自适应变分非线性啁啾模态分解
 
自适应变分非线性啁啾模态分解（Adaptive Variational Nonlinear Chirp Mode Decomposition, Adaptive VNCMD）是针对非线性、非平稳信号分解的前沿方法。Liu等针对工业缝纫机故障诊断中信号非线性、非平稳性强的问题，提出了自适应VNCMD方法。该方法通过自适应估计信号的瞬时频率，将原始信号分解为多个具有物理意义的模态分量，有效分离故障特征与噪声成分。在此基础上，研究者进一步构建了融合改进ReliefF特征选择和麻雀搜索算法优化极限学习机的故障诊断流程。实验结果表明，该方法在工业缝纫机故障诊断中的准确率可达95.0%。自适应VNCMD的核心优势在于不需要预设基函数，能够根据信号本身的时频特性自适应地调整分解参数，特别适用于缝制设备这种工况多变、信号复杂的使用场景。
 
 3.2 Smith-RBF-PID复合自适应控制
 
工业缝纫机脚踏板调速模块的伺服系统普遍存在耦合、大滞后现象，传统PID控制难以实现精准的速度调节与故障预警。针对这一问题，研究者提出了将Smith预估补偿和RBF神经网络算法与PID控制器相结合的Smith-RBF-PID控制算法。Smith预估补偿克服了系统纯滞后的影响，RBF神经网络则利用其处理非线性问题的能力和在线自学习特性，实现了PID参数的实时整定。这一复合控制策略不仅提升了调速系统的动态响应性能，更重要的是通过神经网络对系统状态的在线辨识，能够及时发现电机驱动系统的异常变化，实现故障的早期预警。该方法在工业平缝机上的应用表明，其控制精度和故障响应速度均优于传统PID方案。
 
 3.3 改进生成对抗网络驱动的自适应随机共振增强
 
针对针织机械中压电选针器驱动故障信号微弱、传统振动诊断方法难以检测的问题，Ru等提出了基于改进生成对抗网络的自适应随机共振方法。随机共振是一种利用噪声能量增强微弱周期信号的非线性现象，但其效果高度依赖于系统参数的精确设置。该方法的创新之处在于将随机共振与改进生成对抗网络相结合，利用生成对抗网络自动搜索并提供最优的随机共振参数，解决了传统方法中参数难以获取的难题。通过在生成对抗网络中引入软阈值残差注意力机制和残差网络，并使用多生成器缓解模型崩溃问题，该方法能够适应实际的复杂工作环境。实验结果表明，该方法能够有效检测选针驱动器的微弱周期信号，在不同环境下均表现出优于现有方法的准确性和稳定性。
 
 3.4 快速自适应经验模态分解
 
高速经编机在高转速工况下结构振动过大，且机构运动信号与结构振动信号相互混叠，故障特征难以分离。陈志昊等提出了基于快速自适应经验模态分解（Fast Adaptive Empirical Mode Decomposition, FAEMD）的经编机振动故障诊断方法。该方法首先运用FAEMD算法将原始振动信号分解为有限个本征模态函数（IMF），然后计算各IMF分量与原信号的相关性，结合经编机运动特点判断并去除相关性最大的机构运动分量，最后将剩余分量重组实现结构振动信号的提取。将该方法应用于某型高速经编机振动故障诊断中，结合静态固有频率测试，成功提取出与实际故障现象相同的信号频率特征，判断了经编机在高转速下振动过大的根本原因。FAEMD的自适应分解能力使其在处理经编机这种运动信号与振动信号高度耦合的复杂场景中具有独特优势。
 
 四、应用场景与工程效果分析
 
 4.1 工业缝纫机故障诊断
 
工业缝纫机是自适应控制技术应用最为集中的领域。在驱动系统方面，Smith-RBF-PID复合自适应控制算法有效解决了调速模块的耦合与滞后问题，实现了电机驱动系统的精准控制与在线状态监测。在机械故障诊断方面，自适应VNCMD方法通过对振动和声音信号的自适应分解，实现了对缝纫机早期微弱故障的有效识别。基于机器视觉的工业缝纫机线迹缺陷检测与自适应补偿方法，则为缝制质量的在线监控提供了新的技术手段。恒盛兴精密申请的缝纫机针头动态轨迹自适应纠偏控制系统专利，集成了环境感知、故障诊断、人机交互等功能，标志着自适应控制在缝制设备领域的应用正从单一功能向系统集成方向发展。
 
 4.2 经编与针织设备故障诊断
 
经编机和针织圆纬机是自适应控制技术应用的另一个重要领域。在经编机方面，FAEMD方法已在高速经编机振动故障诊断中成功应用，通过分解混叠信号提取结构振动特征，为振动优化提供了依据。在针织设备方面，基于改进生成对抗网络的自适应随机共振方法为压电选针器驱动故障的早期诊断提供了有效手段。自适应滤波器方法也被应用于针织圆纬机的旋转周期预测，为智能疵点检测提供了技术支持。此外，基于多模块合成的织机智能故障诊断方法，利用多传感器信息融合技术和模糊自适应算法，建立了故障模型专家数据库。
 
 五、挑战与展望
 
 5.1 当前面临的主要挑战
 
尽管新型自适应控制技术在缝制设备故障诊断中取得了显著进展，但其工程化应用仍面临若干挑战。其一，数据获取与标注困难——缝制设备的故障数据尤其是早期微弱故障数据难以大量获取，限制了数据驱动型自适应算法的训练效果。其二，算法实时性与嵌入式部署的平衡——部分自适应算法计算复杂度较高，在缝制设备嵌入式控制器的有限算力条件下难以实现实时运行。其三，多故障耦合的识别能力不足——实际运行中多种故障可能同时发生且相互影响，现有方法对复合故障的诊断能力有待提升。其四，自适应参数的物理可解释性不强——部分深度学习驱动的自适应方法虽诊断精度高，但缺乏明确的物理意义解释，影响工程人员的信任与采纳。
 
 5.2 未来发展方向
 
展望未来，缝制设备自适应故障诊断技术将向以下方向持续深化。轻量化自适应算法的开发是重要方向——在保证诊断精度的前提下降低算法复杂度，使其能够在边缘设备上实时运行。数字孪生驱动的虚拟故障模拟同样值得关注——通过构建缝制设备的数字孪生模型，在虚拟空间中生成各类故障数据，缓解实际故障数据获取困难的问题。多模态信息融合的自适应诊断是提升诊断可靠性的关键——整合振动、声音、电流、温度等多源传感信息，通过自适应融合算法实现更全面的状态评估。从故障诊断向预测性维护的跃升是最终目标——中国设备工程所倡导的从“计划维修”到“预测性维护”的转变，正是这一方向的政策呼应。
 
 六、结语
 
新型自适应控制技术正在深刻改变缝制设备故障诊断的技术范式。从自适应VNCMD对工业缝纫机微弱故障信号的精准分解，到Smith-RBF-PID复合控制对伺服系统的在线状态监测；从改进生成对抗网络驱动的自适应随机共振对选针器早期故障的有效检测，到FAEMD对经编机混叠振动信号的成功分离——这些方法以不同的技术路径回应了同一核心诉求：让缝制设备的故障诊断能够自适应地匹配复杂多变的运行工况。
 
中国设备工程曾刊文指出，自适应控制技术在设备故障诊断中的应用，通过系统化的流程实现了从计划维修向预测性维护的转变。今日自动化也有论述强调，自动化设备的故障诊断需要智能化技术的深度嵌入，自适应控制与智能算法的融合为工业设备的健康管理提供了新的技术范式。当每一台缝纫机的振动信号都能被自适应分解、每一台经编机的异常频率都能被精准识别、每一次选针器的微弱故障都能在萌芽阶段被预警，缝制设备便不再是“坏了再修”的被动资产，而是“自我感知、自我诊断”的智能体——这正是自适应控制技术赋予缝制设备故障诊断的时代价值。
 
 
参考文献
 
[1] Liu Z, Zhou Z, Xu Z, et al. An adaptive VNCMD and its application for fault diagnosis of industrial sewing machines[J]. Applied Acoustics, 2023, 109500.
 
[2] Smith-RBF-PID控制算法在工业平缝机脚踏板调速模块中的应用[J]. 西南科技大学学报, 2014(01).
 
[3] Ru X, Jin R, Peng L, et al. Fault diagnosis of needle selector drive parts based on adaptive stochastic resonance with improved generative adversarial networks[J]. Journal of Industrial Textiles, 2024.
 
[4] 陈志昊, 包文杰, 李富才, 等. 基于快速自适应经验模态分解的高速经编机振动分析[J]. 纺织学报, 2023, 44(04): 204-211.