技术领域
[0001] 本申请属于拉丝机检测技术领域，尤其涉及一种拉丝机故障检测方法、系统及设备。
相关背景技术
[0002] 在金属线材加工行业中，拉丝机是用于将原材料拉伸成所需直径线材的关键设备。然而，拉丝机在长期运行过程中可能会出现各种故障，如断丝、尺寸不一致、表面划痕等问题，这些问题不仅影响产品质量，还会导致生产效率下降，增加生产成本。
[0003] 传统的拉丝机故障检测往往依赖人工经验进行排查，耗时且不精确，难以及时有效地发现和解决设备故障。
具体实施方式
[0049] 以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
[0050] 应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0051] 还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0052] 如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到所描述条件或事件”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到所描述条件或事件”或“响应于检测到所描述条件或事件”。
[0053] 另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0054] 在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
[0055] 在金属线材加工行业中，拉丝机是用于将原材料拉伸成所需直径线材的关键设备。然而，拉丝机在长期运行过程中可能会出现各种故障，如断丝、尺寸不一致、表面划痕等问题，这些问题不仅影响产品质量，还会导致生产效率下降，增加生产成本。
[0056] 传统的拉丝机故障检测往往依赖人工经验进行排查，耗时且不精确，难以及时有效地发现和解决设备故障。
[0057] 为解决上述问题，本申请实施例提供了一种拉丝机故障检测方法、系统及设备。该方法中，通过获取包括经过拉丝机拉丝后的产品的缺陷项目和发生频次的产品不良信息；然后根据缺陷项目进行分析，得到用于反映发生故障的部件的拉丝机故障部件信息；再根据发生频次和拉丝机故障部件信息进行分析，得到拉丝机故障原因。该方法通过具体的产品不良质量的信息，能够快速定位发生故障的部件，并进一步确定故障的具体原因，从而显著提高故障诊断的准确性和效率，优化维护策略，从而提高维护效率。
[0058] 本申请实施例提供的拉丝机故障检测方法可以应用于拉丝机故障检测设备上，此时拉丝机故障检测设备即为本申请实施例提供的拉丝机故障检测方法的执行主体，本申请实施例对拉丝机故障检测设备的具体类型不作任何限制。
[0059] 例如，拉丝机故障检测设备可以是手机、平板电脑、笔记本电脑、超级移动个人计算机(ultra‑mobile personal computer，UMPC)、上网本、个人数字助理(personal digital assistant，PDA)、桌上型计算机、智慧大屏、智能电视等终端设备上、具有无线通信功能的手持设备、计算设备或连接到无线调制解调器的其它处理设备、物联网终端、电脑、膝上型计算机、手持式通信设备、手持式计算设备、卫星无线设备、无线调制解调器卡、电视机顶盒(set top box，STB)、用户驻地设备(customer premise equipment，CPE)和/或用于在无线系统上进行通信的其它设备以及下一代通信系统，例如，5G网络中的移动终端或者未来演进的公共陆地移动网络(Public Land Mobile Network，PLMN)中的移动终端等。
[0060] 为了更好地理解本申请实施例提供的拉丝机故障检测方法，下面对本申请实施例提供的拉丝机故障检测方法的具体实现过程进行示例性介绍。
[0061] 图1和图2示出了本申请实施例提供的拉丝机故障检测方法的示意性流程图，拉丝机故障检测方法包括：
[0062] S100，获取产品不良信息；其中，产品不良信息包括经过拉丝机拉丝后的产品的缺陷项目和发生频次。
[0063] 可以理解，缺陷项目可以包括拉丝尺寸偏差、断线和表面划痕等。发生频次是指拉丝产品出现缺陷项目在预设时间内的出现次数。预设时间是预先设定的值，可以是10分钟、0.5小时、1小时等等，但不限于此。预设时间可以通过人为进行手动输入，也可以通过在拉丝数据库中进行获取，等等，但不限于此。拉丝数据库是指包含了不同拉丝产品对应的预设时间的数据库，这些数据可以通过实验室的实验、现场的测量和监测以及以往的经验等手段来获得，获得后将采集到的数据进行整理、分类和归档，提取有用的信息和规律，再将相关的数据保存到数据库中，以形成拉丝数据库。产品不良信息可以通过人为进行手动输入，也可以通过获取拉丝产品在拉丝后的图像进行分析得到，但不限于此，拉丝产品在拉丝后的图像可以通过相机或其它成像设备进行获取。
[0064] S200，根据缺陷项目进行分析，得到拉丝机故障部件信息；其中，拉丝机故障部件信息用于反映发生故障的部件。
[0065] 可以理解，拉丝机各部件发生故障，对拉丝产品产生的缺陷可能不同，并且同一部件发生故障的原因不同，对拉丝产品产生的缺陷也可能不同。示例性地，当拉丝产品的缺陷项目为断线时，发生故障的部件可能是收线轮、模具损坏、张力传感器损坏等等。若发生故障的部件为收线轮故障时，可能由于收线轮磨损导致拉丝产品出现表面划痕，也可能由于收线轮收线速度不稳定导致拉丝尺寸偏差或断线。也就是说同一缺陷项目，发生故障的部件是不确定的。可以通过先缺陷项目的类别得到对应的多个可能发生故障的部件，再在多个可能发生故障的部件中进行分析最终得到发生故障的部件；也可以将缺陷项目输入到学习模型中，学习模型再输出对应的拉丝机故障部件信息，等等，但不限于此。学习模型是通过多组训练数据训练出来的，通过将详细的缺陷项目和该缺陷项目作为训练数据对学习模型进行反复训练，训练的缺陷项目涵盖了所有可能产生的缺陷。
[0066] 作为本申请的一个可选实施例，请参阅图2，在步骤S200中，根据缺陷项目进行分析，得到拉丝机故障部件信息，包括：
[0067] S210，根据缺陷项目进行分析，得到缺陷种类；其中，缺陷种类包括尺寸类和外观类。
[0068] 可以理解，缺陷种类用于反映缺陷项目的类别。可以将缺陷项目输入到缺陷数据库中进行匹配，即可得到缺陷项目对应的缺陷种类；也可以根据缺陷项目的特征直接识别其所属的缺陷种类，等等，但不限于此。缺陷数据库是指包含了将所有缺陷项目分为尺寸类或外观类的数据库。
[0069] 在一种可能的实现方式中，在步骤S210中，根据缺陷项目进行分析，得到缺陷种类，包括：
[0070] S211，根据缺陷项目进行分析，得到缺陷程度值；其中，缺陷程度值用于反映拉丝产品的损坏程度。
[0071] 可以理解，同一缺陷项目形成的缺陷程度可能不同，例如同样是表面划痕，划痕的深浅程度可能不同。同时，质量要求不同的拉丝产品，即使造成的划痕深浅一致，但对于质量品质要求较高的拉丝产品来说，对应的的缺陷程度值越大。可以通过将获取的缺陷产品图像在缺陷数据库中进行匹配，得到缺陷程度值；也可以通过将拉丝产品的规格要求和缺陷项目输入到学习模型中，学习模型输出对应的缺陷程度值，等等，但不限于此。
[0072] S212，根据缺陷程度值进行分析，得到返工率；其中，返工率用于反映该缺陷项目能够进行返工修复的成功率。
[0073] 可以理解，缺陷程度值越高，返工率越小；缺陷程度值越低，返工率越大。可以将缺陷程度值在缺陷数据库中进行匹配，得到对应的返工率；也可以将拉丝产品的规格要求和缺陷程度值输入到学习模型中，学习模型输出对应的返工率，等等，但不限于此。
[0074] S213，根据返工率进行分析，得到缺陷种类。
[0075] 示例性地，可以通过将返工率与预设返工率进行对比，若返工率小于预设返工率，则确定为尺寸类，返工率大于预设返工率，则确定为外观类。预设返工率是预先设定的值，它可以通过人为进行手动输入，也可以在缺陷数据库中进行获取，等等，但不限于此。也可以将返工率在缺陷数据库中进行匹配，得到对应的缺陷种类，等等，但不限于此。
[0076] 如此设置，这种方法允许对拉丝产品的缺陷进行精细化管理，通过具体的缺陷程度值来反映不同缺陷的实际影响，从而更精确地判断质量问题的严重程度，通过对缺陷程度及其返工率的分析，能够使缺陷种类的判断更全面和准确。
[0077] S220，根据缺陷种类进行分析，得到部件组信息；其中，部件组信息用于反映至少一个可能发生故障的部件。
[0078] 可以理解，部件组信息包含多个拉丝机的部件。尺寸类和外观类分别对应有一个部件组信息。可以通过将缺陷种类输入到缺陷数据库中进行匹配，得到对应的部件组信息；也可以通过拉丝机的各部件与对应的缺陷种类进行匹配，得到部件组信息，等等，但不限于此。
[0079] S230，根据部件组信息进行分析，得到拉丝机故障部件信息。
[0080] 示例性地，可以通过对部件组信息中各部件的维护信息进行统计分析，计算出最有可能出现故障的部件，即为拉丝机故障部件信息；也可以通过对部件组信息汇总各部件的实际运行情况进行实施监控，对运行数据进行分析，运行数据出现异常的部件进行分析，得到拉丝机故障部件信息，等等，但不限于此。
[0081] 如此设置，通过拉丝产品的缺陷种类能够缩小拉丝机故障部件的分析范围，从而能够显著提高故障诊断的准确性和效率。
[0082] 在一种可能的实现方式中，在步骤S230中，根据部件组信息进行分析，得到拉丝机故障部件信息，包括：
[0083] S231，获取部件组信息中各部件的维护信息；其中，维护信息用于反映各部件的维修和更换的记录。
[0084] 示例性地，可以通过在MES系统中的设备运行记录中对维护信息进行获取；也可以通过人为进行手动输入获取维护信息，等等，但不限于此。MES系统包括各设备的运行信息以及各设备的维修、更换和保养记录等等。
[0085] S232，根据维护信息进行分析，得到各部件的故障发生值；其中，故障发生值用于反映部件发生故障的概率。
[0086] 示例性地，可以通过维护信息中的更换记录以及设备使用周期中的整体的维护记录进行分析，基于更换记录和维护记录的权重得到故障发生值；也可以将维护信息输入到学习模型中，学习模型输出对应的故障发生值，等等，但不限于此。学习模型是经过大量的历史维护记录和故障发生情况以及对应的故障发生值训练出来的。
[0087] 在一种可能的实现方式中，在步骤S230中，根据维护信息进行分析，得到各部件的故障发生值，包括：
[0088] S2321，根据维护信息进行分析，得到更换因子；其中，更换因子用于反映部件距上一次更换的时间长短。
[0089] 可以理解，更换因子＝故障发生日‑上一次更换日。更换因子越大，表示部件距离上一次更换的时间越长，故障发生的可能性越大。
[0090] S2322，根据维护信息进行分析，得到维护频次；其中，维护频次用于反映部件维修和更换的次数和间隔。
[0091] 可以理解，维护频次＝时间区间÷(维修次数+更换次数)。维护频次的计算可以通过整个使用周期内的维护次数进行计算，也可以通过预设周期内的维护次数进行计算，等等，但不限于此。预设周期是预先设定的一个周期值，可以是一年内、三年内等等，但不限于此。预设周期可以通过人为进行手动属输入，也可以在故障数据库中进行获取，等等，但不限于此。维护频次越小，表示部件在这段时间内维修和更换的次数越多，故障发生的可能性越大。
[0092] S2323，根据更换因子和维护频次进行分析，得到各部件的故障发生值。
[0093] 示例性地，可以通过对更换因子和维护频次进行加权求和后，得到故障发生值；也可以将更换因子和维护频次输入到学习模型中，输出对应的故障发生值，等等，但不限于此。
[0094] 如此设置，通过对各部件的故障可能性进行量化，可以为设备管理和维护提供科学依据，可以快速确定哪些部件存在较高的故障风险，从而优先进行检查和维护，避免不必要的停机时间。
[0095] 在一种可能的实现方式中，在步骤S2323中，根据更换因子和维护频次进行分析，得到各部件的故障发生值，包括：
[0096] S23231，获取更换因子的更换权重和维护频次的频次权重。
[0097] 可以理解，更换权重和频次权重是预先设定的权重值，它们可以通过人为进行手动输入，也可以在故障数据库中进行获取，等等，但不限于此。
[0098] S23232，分别将更换权重对更换因子进行加权，将频次权重对维护频次进行加权，并求和得到各部件的故障发生值。
[0099] 可以理解，故障发生值＝更换因子×更换权重+维护频次×维护权重。示例性地，假设更换权重为0.6，维护权重为0.4，部件A、B、C的更换时间分别为2024年6月1日、2024年4月10日和2024年8月1日，部件A、B、C在过去一年内的维护次数分别为5次、3次和4次，当前时间为2024年9月19日，则部件A的故障发生值＝110×0.6+73×0.4＝95.2，部件B的故障发生值＝162×0.6+121.7×0.4＝145.9，部件C的故障发生值＝50×0.6+91.3×0.4＝66.5，以此类推。
[0100] 如此设置，通过加权分析更换因子和维护频次得到各部件的故障发生值，可以为后续的分析过程提供量化的数据，同时也可以快速确定哪些部件存在较高的故障风险。
[0101] S233，根据多个故障发生值进行分析，得到拉丝机故障部件信息。
[0102] 示例性地，可以将各部件的多个故障发生值进行排序，根据排序后的顺序位进行进一步分析，得到拉丝机故障部件信息；也可以将各故障发生值输入到学习模型中，学习模型再输出拉丝机故障部件信息，等等，但不限于此。学习模型是通过多组训练数据训练出来的，多组训练数据中的每组训练数据均包括各部件的故障发生值和对应的拉丝机故障部件信息。
[0103] 如此设置，根据各部件以往的维护信息进行分析得到各部件的故障发生值，从而得到拉丝机故障部件信息，可以更加准确地识别出可能发生故障的部件。这种方法相比传统的人工经验判断更为科学和客观。
[0104] 在一种可能的实现方式中，在步骤S233中，根据多个故障发生值进行分析，得到拉丝机故障部件信息，包括：
[0105] S2331，将多个故障发生值进行排序，得到第一顺序位和第二顺序位。
[0106] 可以理解，第一顺序位为故障发生值最大值。第二顺序位为除了第一顺序位以外的故障发生值大于预设阈值的顺序位。预设阈值是预先设定的一个值，它可以通过人为进行手动输入，也可以在故障数据库中进行获取，等等，但不限于此。示例性地，部件A的故障发生值为87.5，部件B的故障发生值为114.0，部件C的故障发生值为61.3，部件D的故障发生值为42.9，部件E的故障发生值为31.5,预设阈值为50，则第一顺序位为114.0，第二顺序位包括87.5、61.3，以此类推。
[0107] S2332，计算第一顺序位和第二顺序位的差值，得到故障差异值。
[0108] 可以理解，故障差异值＝第一顺序位的故障发生值‑第二顺序位的故障发生值。
[0109] S2333，根据故障差异值进行分析，得到拉丝机故障部件信息。
[0110] 示例性地，可以故障差异值的大小进行分析，判断第一顺序位和第二顺序位发生故障的可能性，从而确定拉丝机故障部件信息；也可以将各故障差异值输入到学习模型中，得到拉丝机故障部件信息，等等，但不限于此。
[0111] 如此设置，通过排序和计算故障差异值，可以快速定位故障部件，减少排查时间，同时，通过故障差异值分析，可以及时发现潜在故障部件，从而可以制定更合理的预防性维护计划，减少非计划性停机时间。
[0112] 在一种可能的实现方式中，在步骤S2333中，根据故障差异值进行分析，得到拉丝机故障部件信息，包括：
[0113] S23331a，将故障差异值与预设差异值进行比对，当故障差异值大于或等于预设差异值时，将第一顺序位对应的部件确定为拉丝机故障部件信息。
[0114] 可以理解，预设差异值是预先设定的值，它可以通过人为进行手动输入，也可以在故障数据库中进行获取，等等，但不限于此。当故障差异值大于或等于预设差异值时，说明第一顺序位对应的部件发生故障的可能性远远大于其他部件发生故障的可能性，可以确定为故障部件。
[0115] S23331A，当故障差异值小于预设差异值时，将第一顺序位对应的更换因子和第二顺序位对应的更换因子进行比对，将较大的更换因子对应的第一顺序位或第二顺序位确定为拉丝机故障部件信息。
[0116] 可以理解，当故障差异值小于预设差异值时，说明对应的第二顺序位对应的部件发生故障的可能性与第一顺序位对应的部件发生故障的可能性均很高，仅通过故障发生值无法进行准确的定位，此时需要进一步比较更换因子来确定更可能的故障部件。更换因子越大，说明该部件距上一次进行更换的时间较远，该部件可能已经发生磨损或机能消耗较大，如果第一顺序位对应的更换因子较大，则第一顺序位对应的部件更可能是故障部件，如果第而顺序位对应的更换因子较大，则第二顺序位对应的部件更可能是故障部件，以此类推。
[0117] 如此设置，通过故障差异值与预设差异值的比对，可以快速确定故障可能性较高的部件，再结合更换因子，可以更准确地定位故障部件，提高诊断效率。
[0118] S300，根据发生频次和拉丝机故障部件信息进行分析，得到拉丝机故障原因。
[0119] 示例性地，在确定拉丝机发生故障的部件后，可以根据拉丝产品产生不良质量问题的发生频次进行分析，确定发生故障的原因对应的部件故障的问题；也可以将发生频次与拉丝机故障部件信息输入到学习模型中，学习模型输出对应的拉丝机故障原因，等等，但不限于此。
[0120] 在一种可能的实现方式中，在步骤S300中，根据发生频次和拉丝机故障部件信息进行分析，得到拉丝机故障原因，包括：
[0121] S310，根据拉丝机故障部件信息进行分析，得到故障集；其中，故障集包括拉丝机故障部件信息可能发生的所有故障问题。
[0122] 可以理解，每个故障部件会存在多个故障问题，例如润滑机构的润滑液质量不良、润滑液不足、润滑泵故障等，储线器的张力调节不当、张力传感器故障、张力控制器故障等等。
[0123] S320，计算发生频次与故障集的关联值，将最大的关联值对应的故障问题确定为拉丝机故障原因。
[0124] 可以理解，拉丝产品的质量不良的发生频次与故障部件的各故障问题之间存在一定的关系，不同的发生频次与故障集中不同的故障问题之间有一个关联值。关联值可以是统计学上的相关系数、皮尔逊相关系数、斯皮尔曼等级相关系数等，即，通过历史故障数据与维修数据进行统计分析，在某个拉丝产品产生某个缺陷项目时，发生故障的部件的故障原因，通过故障原因的次数与缺陷项目的发生次数进行统计，得到关联值；关联值也可以是通过数学模型得到的，将发生频次和故障集中的每个故障问题输入到数学模型中，输出对应的关联值，等等，但不限于此。
[0125] 如此设置，通过结合发生频次和故障部件信息，可以更精确地定位故障的具体原因，提高故障诊断的准确性，通过科学的量化分析方法，减少因误诊导致的无效维护工作，提高工作效率。
[0126] 应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
[0127] 对应于上文实施例所述的拉丝机故障检测方法，本申请实施例还提供了一种拉丝机故障检测系统，该系统的各个模块可以实现拉丝机故障检测方法的各个步骤。图3示出了本申请实施例提供的拉丝机故障检测系统的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
[0128] 参照图3，该拉丝机故障检测系统包括：
[0129] 获取模块，用于获取产品不良信息；其中，产品不良信息包括经过拉丝机拉丝后的产品的缺陷项目和发生频次。
[0130] 第一分析模块，用于根据缺陷项目进行分析，得到拉丝机故障部件信息；其中，拉丝机故障部件信息用于反映发生故障的部件。
[0131] 第二分析模块，用于根据发生频次和拉丝机故障部件信息进行分析，得到拉丝机故障原因。
[0132] 需要说明的是，上述模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
[0133] 所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的模块完成，即将所述系统的内部结构划分成不同的模块，以完成以上描述的全部或者部分功能。实施例中的各模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0134] 本申请实施例还提供了一种拉丝机故障检测设备，图4为本申请一实施例提供的拉丝机故障检测设备6的结构示意图。如图4所示，该实施例的拉丝机故障检测设备6包括：至少一个处理器60(图4中仅示出一个)、至少一个存储器61(图4中仅示出一个)以及存储在所述至少一个存储器61中并可在所述至少一个处理器60上运行的计算机程序62，所述处理器60执行所述计算机程序62时，使所述拉丝机故障检测设备6实现上述任意各个拉丝机故障检测方法实施例中的步骤，或者使所述拉丝机故障检测设备6实现上述各系统实施例中各模块的功能。
[0135] 示例性地，所述计算机程序62可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器61中，并由所述处理器60执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序62在所述拉丝机故障检测设备6中的执行过程。
[0136] 所述拉丝机故障检测设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该拉丝机故障检测设备可包括，但不仅限于，处理器60、存储器61。本领域技术人员可以理解，图4仅仅是拉丝机故障检测设备6的举例，并不构成对拉丝机故障检测设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备、总线等。
[0137] 所述处理器60可以是中央处理单元(Central Processing Unit，CPU)，该处理器60还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0138] 所述存储器61在一些实施例中可以是所述拉丝机故障检测设备6的内部存储单元，例如拉丝机故障检测设备6的硬盘或内存。所述存储器61在另一些实施例中也可以是所述拉丝机故障检测设备6的外部存储设备，例如所述拉丝机故障检测设备6上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器61还可以既包括所述拉丝机故障检测设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
[0139] 本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任意各个方法实施例中的步骤。
[0140] 本申请实施例提供了一种计算机程序产品，当计算机程序产品在拉丝机故障检测设备上运行时，使得拉丝机故障检测设备实现上述任意各个方法实施例中的步骤。
[0141] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拉丝机故障检测设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
[0142] 在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
[0143] 本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
[0144] 在本申请所提供的实施例中，应该理解到，所揭露的拉丝机故障检测设备和系统，可以通过其它的方式实现。例如，以上所描述的拉丝机故障检测系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或模块的间接耦合或通讯连接，可以是电性，机械或其它的形式。
[0145] 所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
[0146] 以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
