CN108229071A - 基于ar模型与svdd算法的刀具性能退化评估方法及*** - Google Patents
基于ar模型与svdd算法的刀具性能退化评估方法及*** Download PDFInfo
- Publication number
- CN108229071A CN108229071A CN201810133641.2A CN201810133641A CN108229071A CN 108229071 A CN108229071 A CN 108229071A CN 201810133641 A CN201810133641 A CN 201810133641A CN 108229071 A CN108229071 A CN 108229071A
- Authority
- CN
- China
- Prior art keywords
- signal data
- residual signals
- sample
- models
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明为一种基于AR模型与SVDD算法的刀具性能退化评估方法,包括以下步骤:依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型;通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集并处理,得到包容最小体积的超球面;采用AR滤波器模型对采集到的当前状态下的刀具信号数据进行处理,得到第一残差信号数据集;计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度。本发明能实现对刀具性能退化的评估,有助于实现数控机床预测性维修。
Description
技术领域
本发明涉及机械信号数据处理技术领域,尤其涉及了一种基于AR模型与SVDD算法的刀具性能退化评估方法及***。
背景技术
目前,在数控机床加工过程中,刀具由于受到热压裂、物理摩擦、塑性变形、扩散磨损和晶粒脱落等原因影响,会逐渐磨损,出现性能退化直至失效。刀具的性能退化不但会降低机床加工质量,影响工件的表面粗糙度和尺寸精度,同时也严重影响数控机床的稳定性和生产OEE(Overall Equipment Effectiveness)指标。特别是在柔性制造***和计算机集成制造***中的数控机床,如果不能及时、准确地评估刀具性能退化程度,一旦刀具失效发生故障,往往会产生不可估量的损失。因此,开发针对数控机床刀具的性能退化方法,不但能最优化机床切削参数和保证工艺性能的提升,更能有效控制数控机床的非计划停机时间,提高整体经济效益。
经过技术检索发现,现有的数控机床刀具管理相关专利主要集中于刀具的故障诊断方法及***,关注目的在于数控机床刀具出现故障时能够快速有效的进行识别,从而减少由于刀具故障引起的停机、废料等损失。但在现今柔性制造***和计算机集成制造***中,事后维修往往是不能满足企业实际需求的,只有从刀具性能退化评估的角度出发,实施基于状态的维修即预测性维修,才能从根本上消除非计划停机时间,进而极大地提高企业的经济效益。
发明内容
本发明针对现有技术中的缺点,提供了一种基于AR模型与SVDD算法的刀具性能退化评估方法及***。
为了解决上述技术问题,本发明通过下述技术方案得以解决:
本发明披露了:
一种基于AR模型与SVDD算法的刀具性能退化评估方法,包括以下步骤:
依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型;
通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集,对所述特征集进行处理,得到包容最小体积的超球面;
采用AR滤波器模型对采集到的当前状态下的刀具信号数据进行处理,得到第一残差信号数据集;
计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度。SVDD算法即就是支持向量数据描述。
作为一种可实施方式,所述依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型,具体的步骤为:
将采集到的正常状态下刀具的信号数据样本建立为信号数据样本集;
取信号数据样本集中的任意信号数据样本,依据信号数据样本建立AR滤波器模型,并确定AR滤波器模型的阶次和滤波系数。
作为一种可实施方式,所述通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集,对所述特征集进行处理,得到包容最小体积的超球面,具体步骤为:
通过所述AR滤波器模型对信号数据样本进行白噪声化处理,将采集的样本数据信号数据输入AR滤波器模型中,与所述滤波器系数进行卷积运算得到滤波信号数据在此,p表示滤波器阶次,ai表示滤波器模型系数,Y(k)表示k点的数值可以由X的前i+k个值线性表示,则AR滤波器模型的残差信号数据表示为ε(n)=x(n)-Y(n),通过所述残差信号数据形成残差信号数据集E=[ε1,ε2,...εm],其中,x(n)为任意样本,Y(n)为滤波信号数据;
将AR滤波器模型滤波所得的残差信号数据集中的残差信号数据代入信号数据累积概率分布公式中,形成正常状态下刀具信号数据多对应的特征集,特征集表示为G=[F1,F2,...,Fm],在此,信号数据积累概率分布表示为其中,f(x)为信号数据概率密度函数,得累积概率分布F(ε);
采用支持向量数据描述算法对所述特征集进行处理,得到包容最小体积的超球面,采用高斯核函数K(x,y)进行优化,得到决策函数:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时,对应的目标样本称为支持向量xs,则超球面半径表示为K为高斯核函数,α为决策函数f(z)的系数,与核函数K(x,y)相对应。
作为一种可实施方式,所述计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度的具体步骤为:
计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征;
所述第一特征到所述超球体的距离为通过距离HI的大小来评估刀具性能,若HI=0表示刀具正常,若HI>0表示刀具出现性能衰退;HI值越大,表明刀具性能退化越严重。
本发明还披露了:
一种基于AR模型与SVDD算法的刀具性能退化评估***,包括模型建立模块、处理建立模块、处理模块和计算判断模块;
所述模型建立模块,用于依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型;
所述处理建立模块,用于通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集,对所述特征集进行处理,得到包容最小体积的超球面;
所述处理模块,用于采用AR滤波器模型对采集到的当前状态下的刀具信号数据进行处理,得到第一残差信号数据集;
所述计算判断模块,用于计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度。
作为一种可实施方式,所述模型建立模块包括建立样本集单元和建立模型单元;
所述建立样本集单元,用于将采集到的正常状态下刀具的信号数据样本建立为信号数据样本集;
所述建立模型单元,用于取信号数据样本集中的任意信号数据样本,依据信号数据样本建立AR滤波器模型,并确定AR滤波器模型的阶次和滤波系数。
作为一种可实施方式,所述处理建立模块包括残差集建立单元、特征集建立单元和特征集处理单元;
所述残差集建立单元,用于通过所述AR滤波器模型对信号数据样本进行白噪声化处理,将采集的样本数据信号数据输入AR滤波器模型中,与所述滤波器系数进行卷积运算得到滤波信号数据在此,p表示滤波器阶次,ai表示滤波器模型系数,Y(k)表示k点的数值可以由X的前i+k个值线性表示,则AR滤波器模型的残差信号数据表示为ε(n)=x(n)-Y(n),通过所述残差信号数据形成残差信号数据集E=[ε1,ε2,...εm],其中,x(n)为任意样本,Y(n)为滤波信号数据;
所述特征集建立单元,用于将AR滤波器模型滤波所得的残差信号数据集中的残差信号数据代入信号数据累积概率分布公式中,形成正常状态下刀具信号数据多对应的特征集,特征集表示为G=[F1,F2,...,Fm],在此,信号数据积累概率分布表示为其中,f(x)为信号数据概率密度函数,得累积概率分布F(ε);
所述特征集处理单元,用于采用支持向量数据描述算法对所述特征集进行处理,得到包容最小体积的超球面,采用高斯核函数K(x,y)进行优化,得到决策函数:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时,对应的目标样本称为支持向量xs,则超球面半径表示为K为高斯核函数,α为决策函数f(z)的系数,与核函数K(x,y)相对应。
作为一种可实施方式,所述计算判断模块包括第一特征计算单元和判断单元;
所述第一特征计算单元,用于计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征;
所述判断单元,用于所述第一特征到所述超球体的距离为通过距离HI的大小来评估刀具性能,若HI=0表示刀具正常,若HI>0表示刀具出现性能衰退;HI值越大,表明刀具性能退化越严重。
本发明还披露了:
一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现基于AR模型与SVDD算法的刀具性能退化评估方法的步骤。
本发明由于采用了以上技术方案,具有显著的技术效果:
采用本发明的方法,能有效实现对刀具性能退化的评估,有助于实现数控机床预测性维修;
对刀具信号数据进行AR滤波器模型预处理,将不同状态下的数据白噪声化,将后续对比标准统一为白噪声信号数据,从而增强其性能退化评估效果;
与常用的基于累积概率分布的检测方法,如K-S检测不同,不通过计算对比累积概率密度函数的相似度,而是采用SVDD算法(支持向量数据描述算法)来获取高维空间的最优超球体,从而显著化对比的差异性;
将样本点到超球体的距离作为刀具性能退化指标,实现了对常用于异常点检测的SVDD算法的提升。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的整体流程示意图;
图2是本发明的其中一步骤的详细过程示意图;
图3为基于AR模型与SVDD算法的刀具性能退化评估方法流程;
图4为振动信号数据经过AR线性预测模型进行白噪声化示意图;
图5为支持向量数据描述算法的原理图;
图6分别为刀具正常状态和刀具磨损状态下的累积概率分布差异示意图;
图7分别为刀具正常状态和刀具磨损状态下的HI指标区分结果;
图8是本发明的整体结构示意图。
附图中的标号说明:100、模型建立模块;200、处理建立模块;300、处理模块;400、计算判断模块;110、建立样本集单元;120、建立模型单元;210、残差集建立单元;220、特征集建立单元;230、特征集处理单元;410、第一特征计算单元;420、判断单元;
具体实施方式
下面结合实施例对本发明做进一步的详细说明,以下实施例是对本发明的解释而本发明并不局限于以下实施例。
本发明公开了:
一种基于AR模型与SVDD算法的刀具性能退化评估方法,如图1所示,包括以下步骤:
S100、依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型;
S200、通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集,对所述特征集进行处理,得到包容最小体积的超球面;
S300、采用AR滤波器模型对采集到的当前状态下的刀具信号数据进行处理,得到第一残差信号数据集;
S400、计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度。
更进一步地,在步骤S100中,如图2所示,所述依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型,具体的步骤为:
S110、将采集到的正常状态下刀具的信号数据样本建立为信号数据样本集X=[x1,x2,...,xm],其中,x1,x2,…,xm表示信号数据样本;
S120、取信号数据样本集中的任意信号数据样本,依据信号数据样本建立AR滤波器模型,并确定AR滤波器模型的阶次p和滤波系数aq。
在本实施例中,在步骤S200中,所述通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集G=[F1,F2,...,Fm],其中,F1,F2,…Fm表示的是累积概率分布,对所述特征集G=[F1,F2,...,Fm]进行处理,得到包容最小体积的超球面,具体步骤为:
S210、通过所述AR滤波器模型对信号数据样本进行白噪声化处理,将采集的样本数据信号数据输入AR滤波器模型中,与所述滤波器系数进行卷积运算得到滤波信号数据在此,p表示滤波器阶次,ai表示滤波器模型系数,Y(k)表示k点的数值可以由X的前i+k个值线性表示,则AR滤波器模型的残差信号数据表示为ε(n)=x(n)-Y(n),通过所述残差信号数据形成残差信号数据集E=[ε1,ε2,...εm],其中,x(n)为任意样本,Y(n)为滤波信号数据;
更重要的,在此处选择AR滤波器模型对采集的刀具信号数据进行预处理,是为了将不同刀具状态下的信号数据统一到起始基准,从而增加后期性能退化评估的可靠性,参见附图4所示。AR滤波器模型可以描述数据序列内部的递推的线性回归关系,将正常状态振动数据信号数据经过AR滤波器进行处理,即信号数据白噪声化过程。若刀具处于正常状态,其结果信号数据的表现形式应为白噪声信号数据或接近于白噪声,若刀具出现性能退化,则滤波结果与白噪声会出现偏差,通过该偏差的大小可以评估刀具性能;
S220、将AR滤波器模型滤波所得的残差信号数据集中的残差信号数据代入信号数据累积概率分布公式中,形成正常状态下刀具信号数据多对应的特征集,特征集表示为G=[F1,F2,...,Fm],在此,信号数据积累概率分布表示为其中,f(x)为信号数据概率密度函数,得累积概率分布F(ε);
S230、采用支持向量数据描述算法对所述特征集进行处理,得到包容最小体积的超球面,采用高斯核函数K(x,y)进行优化,得到决策函数:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时,对应的目标样本称为支持向量xs,则超球面半径表示为K为高斯核函数,α为决策函数f(z)的系数,与核函数K(x,y)相对应,此步骤中,为构建有效的刀具性能退化指标,此处采用SVDD算法即支持向量数据描述算法,该算法是一种重要的数据描述方法,能够寻求一个包含所有或几乎所有的目标样本且体积最小的超球体或域,实现对目标数据的超球面的描述,图5为算法示意图。若将累计概率分布通过非线性映射,落入最优超球体内,则该样本被视为一个正常点;否则,样本在特征空间中的像落入到最优超球体外,则该样本被视为一个异常点,而其性能退化程度可以由到最优超球体的距离决定。
在步骤S400中,所述计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度的具体步骤为:
S410、计算当前状态下刀具信号数据x′(n)对应的第一残差信号数据ε′(n)的累积概率分布特征F′(ε),记作第一特征;
S420、所述第一特征到所述超球体的距离为通过距离HI的大小来评估刀具性能,若HI=0表示刀具正常,若HI>0表示刀具出现性能衰退;HI值越大,表明刀具性能退化越严重。
图6为刀具正常状态下与磨损状态下信号数据的累积概率分布的差异图。从图中可以看到,不同状态下信号数据经过AR滤波器白噪声化处理结果的累积概率分布呈现出明显地差异性,通过该差异性可以对刀具的状态进行评估。
为量化两者之间的差异性,采用支持向量数据描述算法进行计算,结果如图7所示。从图中可以看到,正常状态下的样本点在图中基本处于HI=0的位置,而出现性能退化的样本则远离HI=0的位置。该试例结果表明,本发明提出的基于AR模型与SVDD算法的刀具性能退化评估方法能够有效的区分刀具状态,具有广阔的应用前景。
本发明还公开了:
一种基于AR模型与SVDD算法的刀具性能退化评估***,如图8所示,包括模型建立模块100、处理建立模块200、处理模块300和计算判断模块400;
所述模型建立模块100,用于依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型;
所述处理建立模块200,用于通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集,对所述特征集进行处理,得到包容最小体积的超球面;
所述处理模块300,用于采用AR滤波器模型对采集到的当前状态下的刀具信号数据进行处理,得到第一残差信号数据集;
所述计算判断模块400,用于计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度。
所述模型建立模块100包括建立样本集单元110和建立模型单元120;
所述建立样本集单元110,用于将采集到的正常状态下刀具的信号数据样本建立为信号数据样本集;
所述建立模型单元120,用于取信号数据样本集中的任意信号数据样本,依据信号数据样本建立AR滤波器模型,并确定AR滤波器模型的阶次和滤波系数。
所述处理建立模块200包括残差集建立单元210、特征集建立单元220和特征集处理单元230;
所述残差集建立单元210,用于通过所述AR滤波器模型对信号数据样本进行白噪声化处理,将采集的样本数据信号数据输入AR滤波器模型中,与所述滤波器系数进行卷积运算得到滤波信号数据在此,p表示滤波器阶次,ai表示滤波器模型系数,Y(k)表示k点的数值可以由X的前i+k个值线性表示,则AR滤波器模型的残差信号数据表示为ε(n)=x(n)-Y(n),通过所述残差信号数据形成残差信号数据集E=[ε1,ε2,...εm],其中,x(n)为任意样本,Y(n)为滤波信号数据;
所述特征集建立单元220,用于将AR滤波器模型滤波所得的残差信号数据集中的残差信号数据代入信号数据累积概率分布公式中,形成正常状态下刀具信号数据多对应的特征集,特征集表示为G=[F1,F2,...,Fm],在此,信号数据积累概率分布表示为其中,f(x)为信号数据概率密度函数,得累积概率分布F(ε);
所述特征集处理单元230,用于采用支持向量数据描述算法对所述特征集进行处理,得到包容最小体积的超球面,采用高斯核函数K(x,y)进行优化,得到决策函数:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时,对应的目标样本称为支持向量xs,则超球面半径表示为K为高斯核函数,α为决策函数f(z)的系数,与核函数K(x,y)相对应。
所述计算判断模块400包括第一特征计算单元410和判断单元420;
所述第一特征计算单元410,用于计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征;
所述判断单元420,用于所述第一特征到所述超球体的距离为通过距离HI的大小来评估刀具性能,若HI=0表示刀具正常,若HI>0表示刀具出现性能衰退;HI值越大,表明刀具性能退化越严重。
本发明还公开了:
一种计算机可读存储介质,其存储有计算机程序,该程序被处理器执行时实现基于AR模型与SVDD算法的刀具性能退化评估方法的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明的实施例可提供为方法、装置、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明的方法、终端设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
需要说明的是:
说明书中提到的“一个实施例”或“实施例”意指结合实施例描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,说明书通篇各个地方出现的短语“一个实施例”或“实施例”并不一定均指同一个实施例。
此外,需要说明的是,本说明书中所描述的具体实施例,其零、部件的形状、所取名称等可以不同。凡依本发明专利构思所述的构造、特征及原理所做的等效或简单变化,均包括于本发明专利的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (9)
1.一种基于AR模型与SVDD算法的刀具性能退化评估方法,其特征在于包括以下步骤:
依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型;
通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集,对所述特征集进行处理,得到包容最小体积的超球面;
采用AR滤波器模型对采集到的当前状态下的刀具信号数据进行处理,得到第一残差信号数据集;
计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度。
2.根据权利要求1所述的基于AR模型与SVDD算法的刀具性能退化评估方法,其特征在于,所述依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型,具体的步骤为:
将采集到的正常状态下刀具的信号数据样本建立为信号数据样本集;
取信号数据样本集中的任意信号数据样本,依据信号数据样本建立AR滤波器模型,并确定AR滤波器模型的阶次和滤波系数。
3.根据权利要求2所述的基于AR模型与SVDD算法的刀具性能退化评估方法,其特征在于,所述通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集,对所述特征集进行处理,得到包容最小体积的超球面,具体步骤为:
通过所述AR滤波器模型对信号数据样本进行白噪声化处理,将采集的样本数据信号数据输入AR滤波器模型中,与所述滤波器系数进行卷积运算得到滤波信号数据在此,p表示滤波器阶次,ai表示滤波器模型系数,Y(k)表示k点的数值可以由X的前i+k个值线性表示,则AR滤波器模型的残差信号数据表示为ε(n)=x(n)-Y(n),通过所述残差信号数据形成残差信号数据集E=[ε1,ε2,...εm],其中,x(n)为任意样本,Y(n)为滤波信号数据;
将AR滤波器模型滤波所得的残差信号数据集中的残差信号数据代入信号数据累积概率分布公式中,形成正常状态下刀具信号数据多对应的特征集,特征集表示为G=[F1,F2,...,Fm],在此,信号数据积累概率分布表示为其中,f(x)为信号数据概率密度函数,得累积概率分布F(ε);
采用支持向量数据描述算法对所述特征集进行处理,得到包容最小体积的超球面,采用高斯核函数K(x,y)进行优化,得到决策函数:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时,对应的目标样本称为支持向量xs,则超球面半径表示为K为高斯核函数,α为决策函数f(z)的系数,与核函数K(x,y)相对应。
4.根据权利要求3所述的基于AR模型与SVDD算法的刀具性能退化评估方法,其特征在于,所述计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度的具体步骤为:
计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征;
所述第一特征到所述超球体的距离为通过距离HI的大小来评估刀具性能,若HI=0表示刀具正常,若HI>0表示刀具出现性能衰退;HI值越大,表明刀具性能退化越严重。
5.一种基于AR模型与SVDD算法的刀具性能退化评估***,其特征在于,包括模型建立模块、处理建立模块、处理模块和计算判断模块;
所述模型建立模块,用于依据采集到的正常状态下刀具的信号数据样本,建立AR滤波器模型;
所述处理建立模块,用于通过所述AR滤波器模型对信号数据样本进行处理,得到残差信号数据集,并计算残差信号数据集中每个残差信号数据的累积概率分布,建立正常状态下刀具信号数据所对应的特征集,对所述特征集进行处理,得到包容最小体积的超球面;
所述处理模块,用于采用AR滤波器模型对采集到的当前状态下的刀具信号数据进行处理,得到第一残差信号数据集;
所述计算判断模块,用于计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征,计算第一特征到所述超球面的距离,通过距离判断刀具性能退化的程度。
6.根据权利要求5所述基于AR模型与SVDD算法的刀具性能退化评估***,其特征在于,所述模型建立模块包括建立样本集单元和建立模型单元;
所述建立样本集单元,用于将采集到的正常状态下刀具的信号数据样本建立为信号数据样本集;
所述建立模型单元,用于取信号数据样本集中的任意信号数据样本,依据信号数据样本建立AR滤波器模型,并确定AR滤波器模型的阶次和滤波系数。
7.根据权利要求6所述基于AR模型与SVDD算法的刀具性能退化评估***,其特征在于,所述处理建立模块包括残差集建立单元、特征集建立单元和特征集处理单元;
所述残差集建立单元,用于通过所述AR滤波器模型对信号数据样本进行白噪声化处理,将采集的样本数据信号数据输入AR滤波器模型中,与所述滤波器系数进行卷积运算得到滤波信号数据在此,p表示滤波器阶次,ai表示滤波器模型系数,Y(k)表示k点的数值可以由X的前i+k个值线性表示,则AR滤波器模型的残差信号数据表示为ε(n)=x(n)-Y(n),通过所述残差信号数据形成残差信号数据集E=[ε1,ε2,...εm],其中,x(n)为任意样本,Y(n)为滤波信号数据;
所述特征集建立单元,用于将AR滤波器模型滤波所得的残差信号数据集中的残差信号数据代入信号数据累积概率分布公式中,形成正常状态下刀具信号数据多对应的特征集,特征集表示为G=[F1,F2,...,Fm],在此,信号数据积累概率分布表示为其中,f(x)为信号数据概率密度函数,得累积概率分布F(ε);
所述特征集处理单元,用于采用支持向量数据描述算法对所述特征集进行处理,得到包容最小体积的超球面,采用高斯核函数K(x,y)进行优化,得到决策函数:
其中,αi,αj是由训练得到的对应于xi,xj的系数,当系数为零时,对应的目标样本称为支持向量xs,则超球面半径表示为K为高斯核函数,α为决策函数f(z)的系数,与核函数K(x,y)相对应。
8.根据权利要求7所述基于AR模型与SVDD算法的刀具性能退化评估***,其特征在于,所述计算判断模块包括第一特征计算单元和判断单元;
所述第一特征计算单元,用于计算当前状态下刀具信号数据对应的第一残差信号数据的累积概率分布特征,记作第一特征;
所述判断单元,用于所述第一特征到所述超球体的距离为通过距离HI的大小来评估刀具性能,若HI=0表示刀具正常,若HI>0表示刀具出现性能衰退;HI值越大,表明刀具性能退化越严重。
9.一种计算机可读存储介质,其存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810133641.2A CN108229071B (zh) | 2018-02-09 | 2018-02-09 | 基于ar模型与svdd算法的刀具性能退化评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810133641.2A CN108229071B (zh) | 2018-02-09 | 2018-02-09 | 基于ar模型与svdd算法的刀具性能退化评估方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229071A true CN108229071A (zh) | 2018-06-29 |
CN108229071B CN108229071B (zh) | 2021-06-22 |
Family
ID=62661324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810133641.2A Active CN108229071B (zh) | 2018-02-09 | 2018-02-09 | 基于ar模型与svdd算法的刀具性能退化评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229071B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085121A (zh) * | 2020-09-18 | 2020-12-15 | 郑州大学 | 一种基于lle-svdd的非线性轮廓数据监控方法 |
CN114095222A (zh) * | 2021-11-10 | 2022-02-25 | 湖南大学 | 基于感知线性预测和SVDD的LDoS攻击检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100205042A1 (en) * | 2009-02-11 | 2010-08-12 | Mun Johnathan C | Integrated risk management process |
CN102072144A (zh) * | 2011-03-11 | 2011-05-25 | 大连大学 | 涡旋压缩机在线振动、噪声监测及故障诊断*** |
CN103545832A (zh) * | 2013-09-22 | 2014-01-29 | 国家电网公司 | 一种基于发电预测误差的光伏***储能容量配置方法 |
CN103822793A (zh) * | 2014-01-20 | 2014-05-28 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
WO2015163121A1 (ja) * | 2014-04-25 | 2015-10-29 | 株式会社日立製作所 | 電圧安定度監視装置および方法 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
CN107563008A (zh) * | 2017-08-08 | 2018-01-09 | 三峡大学 | 基于svd变换和支持向量空间的刀具运行可靠性评估方法 |
-
2018
- 2018-02-09 CN CN201810133641.2A patent/CN108229071B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100205042A1 (en) * | 2009-02-11 | 2010-08-12 | Mun Johnathan C | Integrated risk management process |
CN102072144A (zh) * | 2011-03-11 | 2011-05-25 | 大连大学 | 涡旋压缩机在线振动、噪声监测及故障诊断*** |
CN103545832A (zh) * | 2013-09-22 | 2014-01-29 | 国家电网公司 | 一种基于发电预测误差的光伏***储能容量配置方法 |
CN103822793A (zh) * | 2014-01-20 | 2014-05-28 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
WO2015163121A1 (ja) * | 2014-04-25 | 2015-10-29 | 株式会社日立製作所 | 電圧安定度監視装置および方法 |
CN107092582A (zh) * | 2017-03-31 | 2017-08-25 | 江苏方天电力技术有限公司 | 一种基于残差后验的异常值在线检测及置信度评估方法 |
CN107144430A (zh) * | 2017-06-27 | 2017-09-08 | 电子科技大学 | 一种基于增量学习的轴承故障诊断方法 |
CN107563008A (zh) * | 2017-08-08 | 2018-01-09 | 三峡大学 | 基于svd变换和支持向量空间的刀具运行可靠性评估方法 |
Non-Patent Citations (7)
Title |
---|
S. MA等: "Uncertainty Reduced Novelty Detection Approach Applied to Rotating Machinery for Condition Monitoring", 《SHOCK AND VIBRATION》 * |
S.POYHONEN等: "Signal processing of vibrations for condition monitoring of an induction", 《FIRST INTERNATIONAL SYMPOSIUM ON CONTROL, COMMUNICATIONS AND SIGNAL PROCESSING,2004》 * |
YASENJIANG JIARULA等: "A fault detection method for complex electromechanical system using improved integrated approach", 《2017 IEEE 3RD INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC)》 * |
从飞云等: "基于AR模型的Kolmogorov-Smirnov检验性能退化及预测研究", 《振动与冲击》 * |
刘雨: "基于支持向量数据描述与信息融合的设备性能退化评估研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
潘玉娜等: "小波包-支持向量数据描述在轴承性能退化评估中的应用研究", 《振动与冲击》 * |
陈斌等: "旋转设备声学故障特征提取与优化方法", 《北京邮电大学学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085121A (zh) * | 2020-09-18 | 2020-12-15 | 郑州大学 | 一种基于lle-svdd的非线性轮廓数据监控方法 |
CN114095222A (zh) * | 2021-11-10 | 2022-02-25 | 湖南大学 | 基于感知线性预测和SVDD的LDoS攻击检测方法 |
CN114095222B (zh) * | 2021-11-10 | 2022-11-11 | 湖南大学 | 基于感知线性预测和SVDD的LDoS攻击检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108229071B (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108229071A (zh) | 基于ar模型与svdd算法的刀具性能退化评估方法及*** | |
EP2916164B1 (en) | Method for designing spectacle lens, and system for designing spectacle lens | |
CN112102384A (zh) | 一种非刚性医学影像配准方法及*** | |
CN114918581B (zh) | 焊接参数处理方法、装置、存储介质及处理器 | |
CN113344994B (zh) | 图像配准方法、装置、电子设备及存储介质 | |
EP3292447B1 (en) | System and method for compensating deviations in an optical lens manufacturing process | |
CN103998215A (zh) | 处理用于眼镜片的订单请求的方法 | |
CN117724401A (zh) | 一种数控机床自动化数据采集方法、装置、设备及介质 | |
CN108491274A (zh) | 分布式数据管理的优化方法、装置、存储介质及设备 | |
CN110781340A (zh) | 一种推荐***召回策略的离线评估方法、***、装置及存储介质 | |
CN114844696B (zh) | 一种基于风险池最小化的网络入侵动态监测方法、***、设备和可读存储介质 | |
CN115880696A (zh) | 一种基于深度学习的物联网卡管理方法、装置及相关介质 | |
CN115905373A (zh) | 一种数据查询以及分析方法、装置、设备及存储介质 | |
CN115690287A (zh) | 一种基于路面高程数据的导流带渲染方法及装置 | |
CN112925281B (zh) | 基于数字孪生的实体制造***部署方案的生成方法及*** | |
CN112269879B (zh) | 基于k-means算法的中台日志分析方法及设备 | |
CN114021031A (zh) | 理财产品信息推送方法及装置 | |
CN109858742B (zh) | 基于协同过滤的工程物资计算方法、设备、介质及*** | |
CN111429232A (zh) | 产品推荐方法、装置和电子设备及计算机可读存储介质 | |
CN111597499A (zh) | 一种工业设备故障维修方案生成方法及*** | |
CN114493057B (zh) | 基于异常工况的生产工艺参数推荐方法及相关设备 | |
CN117114742B (zh) | 炼油厂生产运营数据处理方法及装置 | |
CN111383156B (zh) | 图像处理方法、装置、智能驾驶***和车载运算平台 | |
CN113268038B (zh) | 基于平行铣削的刀轨排序方法、智能终端以及存储装置 | |
CN110750548B (zh) | 基于神经网络的问题评价方法、存储介质及应用服务器 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |