CN108549343B - 一种基于大数据的运动控制***及控制方法 - Google Patents
一种基于大数据的运动控制***及控制方法 Download PDFInfo
- Publication number
- CN108549343B CN108549343B CN201810389904.6A CN201810389904A CN108549343B CN 108549343 B CN108549343 B CN 108549343B CN 201810389904 A CN201810389904 A CN 201810389904A CN 108549343 B CN108549343 B CN 108549343B
- Authority
- CN
- China
- Prior art keywords
- data
- module
- cluster
- dimension
- motion control
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012544 monitoring process Methods 0.000 claims abstract description 27
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 238000001514 detection method Methods 0.000 claims description 48
- 230000002159 abnormal effect Effects 0.000 claims description 25
- 230000004323 axial length Effects 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 17
- 230000009467 reduction Effects 0.000 claims description 15
- 230000000875 corresponding effect Effects 0.000 claims description 12
- 230000001276 controlling effect Effects 0.000 claims description 10
- 230000009471 action Effects 0.000 claims description 9
- 238000003672 processing method Methods 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 238000007493 shaping process Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 8
- 238000005265 energy consumption Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- KRTSDMXIXPKRQR-AATRIKPKSA-N monocrotophos Chemical compound CNC(=O)\C=C(/C)OP(=O)(OC)OC KRTSDMXIXPKRQR-AATRIKPKSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4185—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by the network communication
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31088—Network communication between supervisor and cell, machine group
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于运动控制技术领域,公开了一种基于大数据的运动控制***及控制方法,所述基于大数据的运动控制***包括:太阳能供电模块、开关控制模块、监控模块、单片机控制模块、执行模块、速度控制模块、云服务模块、数据存储模块、显示模块;同时公开一种控制方法。本发明通过太阳能供电模块可以获取源源不断的太阳能,太阳能清洁高效,节约能源,经济环保;同时通过云服务模块可以大大提高数据分析计算速度,提高运动控制效率。
Description
技术领域
本发明属于运动控制技术领域,尤其涉及一种基于大数据的运动控制***及控制方法。
背景技术
目前,业内常用的现有技术是这样的:
运动控制(MC)是自动化的一个分支,它使用通称为伺服机构的一些设备如液压泵,线性执行机或者是电机来控制机器的位置或速度。运动控制在机器人和数控机床的领域内的应用要比在专用机器中的应用更复杂,因为后者运动形式更简单,通常被称为通用运动控制(GMC)。运动控制被广泛应用在包装、印刷、纺织和装配工业中。然而,现有运动控制***通过传统方式供电,耗费电能,不利于环保;同时对运动控制数据处理速度慢,影响控制效率。
目前,已经有多重异常值检测方法:基于邻近节点的方法,基于统计学的方法,基于分簇的方法,基于聚类的方法以及基于频谱分析的方法。但是,传感器网络的一些自身特点使得并不是所有的现有检测方法都能很好的直接用于其中。为此,为了更好的设计关于WSNs的高效、可行的异常值检测方法,需要考虑以下特点:
(1)节点能力受限。传感器节点的廉价微型特性导致其携带电源的能量相当有限。能量的多少在一定程度上影响了传感器节点的处理、储存和通信收发能力。因此,在实际应用中,应该充分考虑传感器节点的各种能量和能力限制,然而多数传统检测方法很少考虑算法在节点能力受限的情况下的性能。
(2)分布式自组织。在WSNs中,所有节点均处于相同地位,没有任何一个节点是严格意义上的“统治者”,这种网络节点之间的平等直接影响即是其通过分布式协作即可保证网络的正常运行。同时,WSNs的节点具有很强的自组织能力,其可以在任何恶劣或者动态环境下配置网络,并通过特定的途径将监测数据传送给远程观测者,实现网络的功能。考虑网络的超强自组织能力能很好降低网络开销,从而设计更有效的异常值检测算法
(3)高能耗高负载。无线传感器网络节点的无线通信会消耗节点的大部分能量,其是节点计算消耗的好多倍。然而,多数传统异常值检测方法采用集中处理所收集数据的方法,大大增加了节点能耗和通信负载,降低网络寿命。因此,如何可以降低通信能耗以延长WSNs寿命是设计WSNs异常值检测方法的一个重要考虑方面。
(4)实时性。综合分析WSNs的应用领域可以得出,对异常值的检测都需要在线且实时。网络对事件的反应时间与***的性能成正比。因此,设计实时的异常值检测方法是及其有必要的。
综上所述,实时的、分布式的同时可以保持较低通信能耗与通信负载,并可以实现较高检测率与较低误报率的异常值检测方法才是适合无线传感器网络的异常值检测算法。
在文献Statistics-based outlier detecti on for wirseslseensor networks中,作者给出几种基于统计学模型的WSNs异常数据检测方法。包括只考虑时间相关性的方法、只考虑空间相关性的方法以及同事考虑时空相关性的方法。但是,就多维数据而言,文章中依然采用时间序列模型及地理统计学,没有考虑对数据降维,大大增加了计算消耗。
文献Trajectory-based multi-dimensional outlier detection in wirelesssensor networks using Hidden Markov Models中,作者利用傅里叶变换对传感器节点收集到的多维数据降维。同时,在隐马尔科夫模型应用的过程中还利用了数据之间的时间相关性。但是,文中没有考虑节点之间存在的空间相关性。
文献Distributed online outlier detection in wireless sensor networksusing ellipsoidal support vector machine中,作者利用超椭球支持向量机对数据分类从而达到找出异常数据的目的。文中利用范数定义多维数据之间的距离。其在达到较高的检出率的同时,还保证了有很低的误检测率。同时,该方法还是一种在线的,实时检方法。但训练椭球支持向量机的过程需要事先明确数据的分布,需要较大能量消耗。
文献An Energy-Efficient Outlier Detection Based on Data Clustering inWSNs中,通过对节点之间的空间相关性分析来对节点进行分簇,从而减少了通信交流进而减少了能量消耗。但对于多维数据先分别对一维数据处理后再整合,增加了计算量。
综上所述,现有技术存在的问题是:
现有运动控制***通过传统方式供电,耗费电能,不利于环保;同时对运动控制数据处理速度慢,影响控制效率。
在无线传感器网络中,理论上相邻区域内的节点数据具有空间相关性,且同一节点连续时间段内数据具有时间相关性。但目前已有文献只有少数异常检测方法同时考虑了时间和空间相关性,这必然会使得检测准确度降低或者使检测成本增加。
发明内容
针对现有技术存在的问题,本发明提供了一种基于大数据的运动控制***及控制方法。
本发明是这样实现的,一种基于大数据的运动控制***,所述基于大数据的运动控制***包括:
监控模块,与单片机控制模块连接,用于通过摄像头对运动控制过程进行监控;
单片机控制模块,与监控模块、执行模块、速度控制模块、云服务模块连接,用于调度各个模块正常工作;
执行模块,与单片机控制模块连接,用于通过电机操控机械结构完成相应动作;
速度控制模块,与单片机控制模块连接,用于控制执行模块运动速度;速度控制模块的控制方法包括:
对接收信号s(t)进行非线性变换,按如下公式进行:
构造n个信号的多径空间为:
云服务模块,与单片机控制模块连接,用于通过云服务器集中大数据计算资源对控制数据进行处理;云服务模块的数据处理方法包括:
首先,根据某相同时刻传感器节点数据对传感器节点分簇,对分簇后的每个簇分别训练超椭球并相应计算超椭球各个轴长,将轴长比例系数作为系数对多维数据线性降维,降维后的数据拟合成数据曲线,作为测试曲线。对次日相同时间段的数据作相同降维、曲线拟合处理,拟合后的曲线作为检测曲线。比较测试曲线与检测曲线的趋势及曲线相似度,以此来检测节点收集的多维数据是否存在异常数据。
进一步,所述的基于大数据的运动控制***还包括:
太阳能供电模块,与单片机控制模块连接,用于通过太阳能电池板将太阳能转化为电能给运动控制***进行供电;
开关控制模块,与单片机控制模块连接,用于通过开关按键对控制***进行启动和关闭操作;
数据存储模块,与单片机控制模块连接,用于存储控制***操作数据;
显示模块,与单片机控制模块连接,用于显示运动控制的监控数据;
控制信号接收模块,用于接收机械控制信号;
程序驱动加载模块,用于加载机械控制的驱动程序;
动作执行模块,用于完成机械操作动作。
进一步,云服务模块的数据处理方法,包括:
如果有则称数据rid与在第k维是相邻的;如果ri d与在第k维相邻,则其在第k维同属一个簇;对节点i,j,只有当其d维数据ri d与在所有的第k(1≤k≤d)维均同属一个簇时,称节点i,j属于同一个簇;
当簇区间和在第k维重叠时,称簇Ci和簇Cj在第k维可合并,且新形成的簇之簇半径为CR=[MIN({mini,minj}),MAX({maxi,maxj})];当簇Ci和Cj在所有第k(1≤k≤d)维均重叠时,簇Ci和Cj可合并为新的簇;
定义在X上的函数g(x)和f(x)是相似的,如果当g(x)和f(x)平移至相同起点后,有:对任意的x∈X,都有|f(x)-g(x)|<c;
或者有:
上式中,c是一个大于0的参数,但不能过大,应该远远小于1;在实际应用中由实际情况确定该值。
进一步,云服务模块的数据处理方法,包括:
1):选取测试数据;
2):对选取的测试数据进行节点分簇;
3):对已分好的簇训练刚好包含簇内所有节点的超椭球,并计算相应超椭球的轴长;
4):根据各个超椭球的轴长进行数据降维;
5):对根据各个超椭球的轴长降维后的数据进行相应的曲线拟合;
6):选取检测数据;
7):处理检测数据;
8):将测试曲线与检测曲线进行相似度比较,确定数据是否存在异常数据;
9):重复步骤4)至步骤8)直至检测完所有节点数据;
步骤2)的具体过程为:
根据每个节点某相同时刻点的数据对节点分簇,通过选取的节点数据,计算数据在每个维度的许可半径,
对所有k成立时,则簇Ci和Cj可合并为一个簇,簇半径为
CR=[MIN({mini,minj}),MAX({maxi,maxj})];
所述步骤3)的具体过程为:
用超椭球的各个轴长之间的比例关系来描述数据属性之间的联系,超椭球的各个轴长分别为σpl≥σp-1l≥σp-2l≥…≥σ1l;其中,σi(1≤i≤p)表示数据集D的协方差矩阵Σ的特征值之平方根,用μ表示数据集D的均值,则对应超椭球的轴长
所述步骤8)需要通过判断两条曲线的相似程度来确定异常值,其具体过程为:
设f(x)为拟合的测试曲线,g(x)为拟合的待检测曲线,对于预先设定的阈值c(0<c<1),当曲线f(x)与曲线g(x)满足,对任意的x∈X,有
|f(x)-g(x)|<c
或者满足
则称该节点处无异常值存在,否则,认为存在异常值。
本发明的另一目的在于提供一种搭载有所述基于大数据的运动控制***的信息数据处理终端
本发明的另一目的在于提供一种基于大数据的运动控制方法包括以下步骤:
步骤一,通过太阳能供电模块将太阳能转化为电能给运动控制***进行供电;
步骤二,通过开关控制模块对控制***进行启动和关闭操作;通过监控模块对运动控制过程进行监控;
步骤三,单片机控制模块调度执行模块通过电机操控机械结构完成相应动作;通过速度控制模块控制执行模块运动速度;
步骤四,通过云服务模块集中大数据计算资源对控制数据进行处理;通过数据存储模块存储控制***操作数据;
步骤五,通过显示模块显示运动控制的监控数据。
本发明的另一目的在于提供一种实现所述基于大数据的运动控制方法的计算机程序。
本发明的另一目的在于提供一种实现所述基于大数据的运动控制方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的基于大数据的运动控制方法。
本发明的优点及积极效果为:
本发明通过太阳能供电模块可以获取源源不断的太阳能,太阳能清洁高效,节约能源,经济环保;同时通过云服务模块可以大大提高数据分析计算速度,提高运动控制效率。
本发明分簇过程考虑了网络节点之间的空间相关性,这使得数据降维过程更加准确且有针对性。
本发明通过利用椭圆对数据进行线性降维,避免了直接使用多维数据造成的计算量过大的缺点。
本发明在进行异常值检测的过程利用了节点数据之间的时间相关性,通过比较连续两天数据拟合曲线来实现检测过程。
本发明可以通过适当调节比值参数c的大小来实现在不同监测环境的检测要求。
本发明在整个检测过程中,没有额外通信消耗,故其同样适用于动态变化的无线传感器网络。
本发明在检测过程中充分利用了网络相邻节点数据之间的空间相关性及同一节点数据的时间相关性;通过分簇对数据降维,避免了直接处理多维数据计算复杂度较高的缺点;异常值检测方法可以准确检测出网络节点处连续出现异常值的情况,且检出率较高,误检率较低。
速度控制模块的控制方法包括:
对接收信号s(t)进行非线性变换,按如下公式进行:
附图说明
图1是本发明实施提供的基于大数据的运动控制方法流程图。
图2是本发明实施提供的基于大数据的运动控制***结构框图。
图2中:1、太阳能供电模块;2、开关控制模块;3、监控模块;4、单片机控制模块;5、执行模块;6、速度控制模块;7、云服务模块;8、数据存储模块;9、显示模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,本发明提供的一种基于大数据的运动控制方法包括以下步骤:
S101,通过太阳能供电模块将太阳能转化为电能给运动控制***进行供电;
S102,通过开关控制模块对控制***进行启动和关闭操作;通过监控模块对运动控制过程进行监控;
S103,单片机控制模块调度执行模块通过电机操控机械结构完成相应动作;通过速度控制模块控制执行模块运动速度;
S104,通过云服务模块集中大数据计算资源对控制数据进行处理;通过数据存储模块存储控制***操作数据;
S105,通过显示模块显示运动控制的监控数据。
如图2所示,本发明提供的基于大数据的运动控制***包括:太阳能供电模块1、开关控制模块2、监控模块3、单片机控制模块4、执行模块5、速度控制模块6、云服务模块7、数据存储模块8、显示模块9。
太阳能供电模块1,与单片机控制模块4连接,用于通过太阳能电池板将太阳能转化为电能给运动控制***进行供电;
开关控制模块2,与单片机控制模块4连接,用于通过开关按键对控制***进行启动和关闭操作;
监控模块3,与单片机控制模块4连接,用于通过摄像头对运动控制过程进行监控;
单片机控制模块4,与太阳能供电模块1、开关控制模块2、监控模块3、执行模块5、速度控制模块6、云服务模块7、数据存储模块8、显示模块9连接,用于调度各个模块正常工作;
执行模块5,与单片机控制模块4连接,用于通过电机操控机械结构完成相应动作;
速度控制模块6,与单片机控制模块4连接,用于控制执行模块运动速度;
云服务模块7,与单片机控制模块4连接,用于通过云服务器集中大数据计算资源对控制数据进行处理;
数据存储模块8,与单片机控制模块4连接,用于存储控制***操作数据;
显示模块9,与单片机控制模块4连接,用于显示运动控制的监控数据。
本发明提供的执行模块5包括控制信号接收模块、程序驱动加载模块、动作执行模块;
控制信号接收模块,用于接收机械控制信号;
程序驱动加载模块,用于加载机械控制的驱动程序;
动作执行模块,用于完成机械操作动作。
速度控制模块的控制方法包括:
对接收信号s(t)进行非线性变换,按如下公式进行:
构造n个信号的多径空间为:
云服务模块,与单片机控制模块连接,用于通过云服务器集中大数据计算资源对控制数据进行处理;云服务模块的数据处理方法包括:
首先,根据某相同时刻传感器节点数据对传感器节点分簇,对分簇后的每个簇分别训练超椭球并相应计算超椭球各个轴长,将轴长比例系数作为系数对多维数据线性降维,降维后的数据拟合成数据曲线,作为测试曲线。对次日相同时间段的数据作相同降维、曲线拟合处理,拟合后的曲线作为检测曲线。比较测试曲线与检测曲线的趋势及曲线相似度,以此来检测节点收集的多维数据是否存在异常数据。
进一步,所述的基于大数据的运动控制***还包括:
太阳能供电模块,与单片机控制模块连接,用于通过太阳能电池板将太阳能转化为电能给运动控制***进行供电;
开关控制模块,与单片机控制模块连接,用于通过开关按键对控制***进行启动和关闭操作;
数据存储模块,与单片机控制模块连接,用于存储控制***操作数据;
显示模块,与单片机控制模块连接,用于显示运动控制的监控数据;
控制信号接收模块,用于接收机械控制信号;
程序驱动加载模块,用于加载机械控制的驱动程序;
动作执行模块,用于完成机械操作动作。
进一步,云服务模块的数据处理方法,包括:
如果有则称数据ri d与在第k维是相邻的;如果ri d与在第k维相邻,则其在第k维同属一个簇;对节点i,j,只有当其d维数据ri d与在所有的第k(1≤k≤d)维均同属一个簇时,称节点i,j属于同一个簇;
当簇区间和在第k维重叠时,称簇Ci和簇Cj在第k维可合并,且新形成的簇之簇半径为CR=[MIN({mini,minj}),MAX({maxi,maxj})];当簇Ci和Cj在所有第k(1≤k≤d)维均重叠时,簇Ci和Cj可合并为新的簇;
定义在X上的函数g(x)和f(x)是相似的,如果当g(x)和f(x)平移至相同起点后,有:对任意的x∈X,都有|f(x)-g(x)|<c;
或者有:
上式中,c是一个大于0的参数,但不能过大,应该远远小于1;在实际应用中由实际情况确定该值。
云服务模块的数据处理方法,包括:
1):选取测试数据;
2):对选取的测试数据进行节点分簇;
3):对已分好的簇训练刚好包含簇内所有节点的超椭球,并计算相应超椭球的轴长;
4):根据各个超椭球的轴长进行数据降维;
5):对根据各个超椭球的轴长降维后的数据进行相应的曲线拟合;
6):选取检测数据;
7):处理检测数据;
8):将测试曲线与检测曲线进行相似度比较,确定数据是否存在异常数据;
9):重复步骤4)至步骤8)直至检测完所有节点数据;
步骤2)的具体过程为:
根据每个节点某相同时刻点的数据对节点分簇,通过选取的节点数据,计算数据在每个维度的许可半径,
对所有k成立时,则簇Ci和Cj可合并为一个簇,簇半径为
CR=[MIN({mini,minj}),MAX({maxi,maxj})];
所述步骤3)的具体过程为:
用超椭球的各个轴长之间的比例关系来描述数据属性之间的联系,超椭球的各个轴长分别为σpl≥σp-1l≥σp-2l≥…≥σ1l;其中,σi(1≤i≤p)表示数据集D的协方差矩阵Σ的特征值之平方根,用μ表示数据集D的均值,则对应超椭球的轴长
所述步骤8)需要通过判断两条曲线的相似程度来确定异常值,其具体过程为:
设f(x)为拟合的测试曲线,g(x)为拟合的待检测曲线,对于预先设定的阈值c(0<c<1),当曲线f(x)与曲线g(x)满足,对任意的x∈X,有
|f(x)-g(x)|<c
或者满足
则称该节点处无异常值存在,否则,认为存在异常值。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据的运动控制***,其特征在于,所述基于大数据的运动控制***包括:
监控模块,与单片机控制模块连接,用于通过摄像头对运动控制过程进行监控;
单片机控制模块,与监控模块、执行模块、速度控制模块、云服务模块连接,用于调度各个模块正常工作;
执行模块,与单片机控制模块连接,用于通过电机操控机械结构完成相应动作;
速度控制模块,与单片机控制模块连接,用于控制执行模块运动速度;速度控制模块的控制方法包括:
对接收信号s(t)进行非线性变换,按如下公式进行:
构造n个信号的多径空间为:
云服务模块,与单片机控制模块连接,用于通过云服务器集中大数据计算资源对控制数据进行处理;云服务模块的数据处理方法包括:
首先,根据某相同时刻传感器节点数据对传感器节点分簇,对分簇后的每个簇分别训练超椭球并相应计算超椭球各个轴长,将轴长比例系数作为系数对多维数据线性降维,降维后的数据拟合成数据曲线,作为测试曲线;对次日相同时间段的数据作相同降维、曲线拟合处理,拟合后的曲线作为检测曲线;比较测试曲线与检测曲线的趋势及曲线相似度,以此来检测节点收集的多维数据是否存在异常数据。
2.如权利要求1所述的基于大数据的运动控制***,其特征在于,所述的基于大数据的运动控制***还包括:
太阳能供电模块,与单片机控制模块连接,用于通过太阳能电池板将太阳能转化为电能给运动控制***进行供电;
开关控制模块,与单片机控制模块连接,用于通过开关按键对控制***进行启动和关闭操作;
数据存储模块,与单片机控制模块连接,用于存储控制***操作数据;
显示模块,与单片机控制模块连接,用于显示运动控制的监控数据;
控制信号接收模块,用于接收机械控制信号;
程序驱动加载模块,用于加载机械控制的驱动程序;
动作执行模块,用于完成机械操作动作。
3.如权利要求1所述的基于大数据的运动控制***,其特征在于,云服务模块的数据处理方法,包括:
如果有则称数据ri d在在第k维是相邻的;如果ri d与在第k维相邻,则其在第k维同属一个簇;对节点i,j,只有当其d维数据ri d与在所有的第k(1≤k≤d)维均同属一个簇时,称节点i,j属于同一个簇;
当簇区间和在第k维重叠时,称簇Ci和簇Cj在第k维可合并,且新形成的簇之簇半径为CR=[MIN({mini,minj}),MAX({maxi,maxj})];当簇Ci和Cj在所有第k(1≤k≤d)维均重叠时,簇Ci和Cj可合并为新的簇;
定义在X上的函数g(x)和f(x)是相似的,如果当g(x)和f(x)平移至相同起点后,有:对任意的x∈X,都有|f(x)-g(x)|<c;
或者有:
上式中,c是一个大于0的参数,但不能过大,应该远远小于1;在实际应用中由实际情况确定该值。
4.如权利要求1所述的基于大数据的运动控制***,其特征在于,云服务模块的数据处理方法,包括:
1):选取测试数据;
2):对选取的测试数据进行节点分簇;
3):对已分好的簇训练刚好包含簇内所有节点的超椭球,并计算相应超椭球的轴长;
4):根据各个超椭球的轴长进行数据降维;
5):对根据各个超椭球的轴长降维后的数据进行相应的曲线拟合;
6):选取检测数据;
7):处理检测数据;
8):将测试曲线与检测曲线进行相似度比较,确定数据是否存在异常数据;
9):重复步骤4)至步骤8)直至检测完所有节点数据;
步骤2)的具体过程为:
根据每个节点某相同时刻点的数据对节点分簇,通过选取的节点数据,计算数据在每个维度的许可半径,
对所有k成立时,则簇Ci和Cj可合并为一个簇,簇半径为
CR=[MIN({mini,minj}),MAX({maxi,maxj})];
所述步骤3)的具体过程为:
用超椭球的各个轴长之间的比例关系来描述数据属性之间的联系,超椭球的各个轴长分别为σpl≥σp-1l≥σp-2l≥…≥σ1l;其中,σi(1≤i≤p)表示数据集D的协方差矩阵Σ的特征值之平方根,用μ表示数据集D的均值,则对应超椭球的轴长
5.一种搭载有权利要求1~4任意一项所述基于大数据的运动控制***的信息数据处理终端。
6.一种如权利要求1所述基于大数据的运动控制***的基于大数据的运动控制方法,其特征在于,所述基于大数据的运动控制方法包括以下步骤:
步骤一,通过太阳能供电模块将太阳能转化为电能给运动控制***进行供电;
步骤二,通过开关控制模块对控制***进行启动和关闭操作;通过监控模块对运动控制过程进行监控;
步骤三,单片机控制模块调度执行模块通过电机操控机械结构完成相应动作;通过速度控制模块控制执行模块运动速度;
步骤四,通过云服务模块集中大数据计算资源对控制数据进行处理;通过数据存储模块存储控制***操作数据;
步骤五,通过显示模块显示运动控制的监控数据。
7.一种实现权利要求6所述基于大数据的运动控制方法的计算机程序。
8.一种实现权利要求6所述基于大数据的运动控制方法的信息数据处理终端。
9.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求6所述的基于大数据的运动控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810389904.6A CN108549343B (zh) | 2018-04-27 | 2018-04-27 | 一种基于大数据的运动控制***及控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810389904.6A CN108549343B (zh) | 2018-04-27 | 2018-04-27 | 一种基于大数据的运动控制***及控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549343A CN108549343A (zh) | 2018-09-18 |
CN108549343B true CN108549343B (zh) | 2020-11-27 |
Family
ID=63512730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810389904.6A Active CN108549343B (zh) | 2018-04-27 | 2018-04-27 | 一种基于大数据的运动控制***及控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549343B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103543735A (zh) * | 2013-10-30 | 2014-01-29 | 北京理工大学 | 一种分布式低速高精度天文望远镜控制装置与方法 |
CN104898573A (zh) * | 2015-04-06 | 2015-09-09 | 华中科技大学 | 一种基于云计算的数控***数据采集及处理方法 |
CN105205563A (zh) * | 2015-09-28 | 2015-12-30 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
CN105307200A (zh) * | 2015-09-30 | 2016-02-03 | 西安电子科技大学 | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 |
CN105550374A (zh) * | 2016-01-29 | 2016-05-04 | 湖南大学 | Spark云服务环境下面向大数据的随机森林并行机器学习方法 |
CN106216843A (zh) * | 2016-08-25 | 2016-12-14 | 广东工业大学 | 一种基于大数据平台的自适应激光喷丸校形装置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9026864B2 (en) * | 2012-02-29 | 2015-05-05 | Red Hat, Inc. | Offloading health-checking policy |
-
2018
- 2018-04-27 CN CN201810389904.6A patent/CN108549343B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103543735A (zh) * | 2013-10-30 | 2014-01-29 | 北京理工大学 | 一种分布式低速高精度天文望远镜控制装置与方法 |
CN104898573A (zh) * | 2015-04-06 | 2015-09-09 | 华中科技大学 | 一种基于云计算的数控***数据采集及处理方法 |
CN105205563A (zh) * | 2015-09-28 | 2015-12-30 | 国网山东省电力公司菏泽供电公司 | 一种基于大数据的短期负荷预测平台 |
CN105307200A (zh) * | 2015-09-30 | 2016-02-03 | 西安电子科技大学 | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 |
CN105550374A (zh) * | 2016-01-29 | 2016-05-04 | 湖南大学 | Spark云服务环境下面向大数据的随机森林并行机器学习方法 |
CN106216843A (zh) * | 2016-08-25 | 2016-12-14 | 广东工业大学 | 一种基于大数据平台的自适应激光喷丸校形装置及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108549343A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105307200B (zh) | 一种基于轨迹的无线传感器网络多维数据异常值检测方法 | |
Harb et al. | Energy-efficient sensor data collection approach for industrial process monitoring | |
Jiang et al. | Outlier detection approaches based on machine learning in the internet-of-things | |
CN113051830B (zh) | 智能产线动态误差预测***、控制***、控制方法及数字孪生*** | |
Alzghoul et al. | Data stream forecasting for system fault prediction | |
CN115469627B (zh) | 基于物联网的智能工厂运行管理*** | |
Long et al. | Motor fault diagnosis using image visual information and bag of words model | |
Liu et al. | Helical fault diagnosis model based on data-driven incremental mergence | |
CN108549343B (zh) | 一种基于大数据的运动控制***及控制方法 | |
Jia et al. | An online adjusting RBF neural network for nonlinear system modeling | |
Li et al. | A fault diagnosis method for rotating machinery with semi-supervised graph convolutional network and images converted from vibration signals | |
Fan et al. | Research and applications of data mining techniques for improving building operational performance | |
CN117688362A (zh) | 基于多元数据特征增强的光伏功率区间预测方法及装置 | |
Ding et al. | Health assessment and fault classification for hydraulic pump based on LR and softmax regression | |
Zhang et al. | Intelligent fault diagnosis system based on vibration signal edge computing | |
CN114330875A (zh) | 环境信息确定方法、装置、电子设备及存储介质 | |
CN110161459B (zh) | 一种幅度调制声源的快速定位方法 | |
Huang et al. | MicroT: Low-Energy and Adaptive Models for MCUs | |
Zhou et al. | An effective network intrusion detection framework based on learning to hash | |
CN116450592B (zh) | 一种基于工业大数据特征的工况自适应压缩方法及*** | |
CN116935608B (zh) | 一种空气能设备的远程智能监控方法及*** | |
Vulfin | Detection of Network Attacks in a Heterogeneous Industrial Network Based on Machine Learning | |
Chen et al. | A Novel Big Data Cleaning Algorithm Based On Edge Computing In Industrial Internet of Things | |
Wang et al. | A non-intrusive load decomposition method for residents | |
Liu et al. | Construction of Intelligent Building Automation Control System Based on Fuzzy Clustering Algorithm |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Cai Mingshan Inventor after: Li Jianqi Inventor after: Pan Xianggao Inventor before: Cai Mingshan |
|
GR01 | Patent grant | ||
GR01 | Patent grant |