CN113297723B - 基于均值漂移-灰色关联分析的电主轴温度测点优化方法 - Google Patents
基于均值漂移-灰色关联分析的电主轴温度测点优化方法 Download PDFInfo
- Publication number
- CN113297723B CN113297723B CN202110435877.3A CN202110435877A CN113297723B CN 113297723 B CN113297723 B CN 113297723B CN 202110435877 A CN202110435877 A CN 202110435877A CN 113297723 B CN113297723 B CN 113297723B
- Authority
- CN
- China
- Prior art keywords
- temperature measuring
- sequence
- mean shift
- measuring point
- temperature
- 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.)
- Expired - Fee Related
Links
- 238000010219 correlation analysis Methods 0.000 title claims abstract description 30
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 238000009529 body temperature measurement Methods 0.000 title claims description 11
- 238000006073 displacement reaction Methods 0.000 claims abstract description 20
- 238000012163 sequencing technique Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000002474 experimental method Methods 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明公开了一种基于均值漂移聚类算法(MS)和灰色关联分析算法(GRA)相结合的电主轴温度测点优化方法,对温度变量进行了筛选,包括如下步骤:首先,介绍了均值漂移算法,表明了均值漂移算法的可靠性,将温度测点分类,消除了温度测点的共线性问题;其次,采用灰色关联分析算法计算了每组实验数据中温度变量和热位移变量的灰色关联度,并进行了排序;最后,将均值漂移算法的聚类结果和灰色关联分析算法的排序结果结合考虑后选择最优温度测点,减少了温度测点的数量,完成了测点优化。本发明有效保证了高速电主轴热误差预测模型输入的温度变量的质量,使热误差预测模型的准确性和鲁棒性得到了显著提高。
Description
技术领域
本发明涉及一种温度测点优化技术,特别涉及基于均值漂移聚类和灰色关联分析算法的电主轴温度测点优化方法。
背景技术
目前,热误差占机床总误差比例常在60%~80%,随着数控机床不断精密化,该热误差比重也随之增大,温度测点的选取是电主轴热误差补偿技术中的关键问题,电主轴温度测点的优化是实现热误差建模和补偿的前提。由于不同温度测点之间可能存在相关性和共线性等问题,从而影响电主轴热误差预测模型的准确性和鲁棒性。目前,现有的电主轴温度测点优化有以下几种方案:
方案一为采用逐步多元回归法对电主轴温度变量和热误差的相关性进行温度测点优化;
方案二为采用SOM神经网络和负相关系数结合的方法,对机床主轴温度测点进行优化筛选。
其中,方案一采用的逐步多元回归方法仅仅考虑温度变量和热误差之间的相关性,未考虑变量间的耦合现象,可能会出现电主轴热误差预测模型中温度变量不相关或过相关的现象;方案二采用的SOM神经网路和负相关系数结合法,虽然考虑了温度变量和热误差间的耦合关系,也有效地减少了测温点的数量,但是所提取的测温点过于典型,对传感器有较高要求,通过线性拟合所求得的相关性不能准确反应温度场的变化情况。
发明内容
本发明目的在于克服上述现有技术中的不足,提供了一种基于均值漂移聚类-灰色关联分析算法的电主轴温度测点优化方法,能使得测点与温度的相关性和共线性符合需求且保证热误差预测模型的准确性和鲁棒性,能有效对温度变量进行筛选,对于不同转速的温度数据进行聚类分析,使结果更可靠。
本发明通过下述技术方案实现技术目标。
本发明提供一种基于均值漂移聚类-灰色关联分析算法的电主轴温度测点优化方法,是采用均值漂移聚类与灰色关联分析相结合的方法。其中,均值漂移算法(MS)是一种滑动窗口算法,与传统的用于电主轴温度测点优化的方法相比,均值漂移算法不需要知道聚类数量和形状等先验知识。通过将滑动窗口的中心移动到滑动窗口内所有点的均值处,使得滑动窗口移动到更密集区域,不断迭代找到数据中心。此方法有利于对温度变量进行了筛选。同时,对温度测点序列和高速电主轴热位移序列进行灰色关联分析,灰色关联度的大小能够反映出温度测点和热位移这两个变量之间的关联程度,通过关联程度的大小找到温度敏感点。
基于均值漂移聚类-灰色关联分析算法的电主轴温度测点优化方法,其改进之处在于包括以下步骤:
(一)均值漂移聚类算法的具体步骤:
通过将滑动窗口的中心移动到滑动窗口内所有点的均值处,使得滑动窗口移动到更密集区域,不断迭代找到数据中心,对于给定的d维空间Rd有n个样本xi(i=1,2,...,n),选择一个样本点x作为窗口中心,那么窗口移动的方向和距离可由均值偏移向量表示,均值偏移向量Mr(x)可由下式进行计算:
其中,K表示有K个样本在Sr中,Sr(x)所表示的是半径为r,以样本点x为中心的一个球形窗口区域,对于球型窗口中的样本点,每一个样本点对于Mr(x)的贡献程度应该有所不同,所以通过引入内核函数对均值偏移向量进行改进,如下式:
其中,G[(xi-x/hi)]为高斯核函数;
(二)灰色关联度分析法的具体步骤:
步骤一,确定特征序列和相关序列。在电主轴温度测点优化技术中,特征序列为电主轴热误差序列,即Y={Y(t)|t=1,2,...,T};相关序列为温度测点序列X={Xi(t)|t=1,2,...,m;t=1,2,...,T};
步骤二,数据归一化。因为电主轴温度测点序列和热位移序列的单位不相同,对于单位不同的数据进行运算是没有意义的,所以在进行计算之前需要将数据进行去量纲化,也叫归一化。本文采用区间法对数据进行归一化,归一化序列Xi *(t)如式(3)所示:
步骤三,计算灰色关联系数。计算归一化后的温度测点序列和热误差序列Y*(t)的灰色关联系数ξi(t)如式(4)所示:
其中,Y*(t)、Xi *(t)分别为热误差序列、温度测点序列的归一化序列;ρ为大于0,小于1的可调参数,ρ越小,序列的区分度越大,通常取ρ=0.5;
步骤四,计算灰色关联度。所述式(4)计算的灰色关联系数是一个T维的向量,表示单个温度测点与热位移在每一个时刻t上的关联程度,不易于比较每个温度测点与热位移之间相关程度的大小。为了保证在全部时间域上温度测点与热位移之间的关联程度,所以求取每个温度测点的灰色关联系数的平均值,这个平均值也叫灰色关联度ri,其式如下:
通过所采集的实验数据最为依据,应用均值漂移-灰色关联分析算法对高速电主轴温度测点进行优化。依据MS的聚类结果和GRA算法的排序结果,在不同转速情况下的实验进行温度测点的筛选,选取最终温度测点,达到对电主轴温度测点优化的目的。
本发明与现有技术相比,具有以下积极效果:
1、通过本发明,不仅使得测点与温度相关性符合需求,还保证了热误差预测模型的准确性和鲁棒性;
2、基于均值漂移算法和灰色关联度分析法相结合,即能有效对温度变量进行筛选,又能够反映出温度测点和热位移这两个变量之间的关联程度,通过关联程度的大小找到温度敏感点对于不同转速的温度数据进行聚类分析,使优化结果更可靠。
附图说明
图1为本发明优化流程图;
图2为本发明均值漂移聚类流程图;
图3为本发明灰色关联分析流程图;
图4为实施例1中A02型电主轴温度传感器布置示意图;
其中,T1、电主轴前端面温度传感器布置点;T2、电主轴前端面温度传感器布置点;T3、前轴承室外壳处温度传感器布置点;T4、前轴承室外壳处温度传感器布置点;T5、电主轴内部前轴承处温度传感器布置点;T6、内置电机外壳处前轴承室外壳处温度传感器布置点;T7、内置电机外壳处前轴承室外壳处温度传感器布置点;T8、内置电机外壳处前轴承室外壳处温度传感器布置点;T9、后轴承室外壳处温度传感器布置点;T10、电主轴内部后轴承处温度传感器布置点;
图5为实施例1中温度变量和热位移变量之间的灰色关联图。
具体实施方式
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它实施例,都属于本发明保护的范围。
附图1~4所示的一种基于均值漂移-灰色关联分析算法的电主轴温度测点优化方法,包括以下步骤:
(一)采用均值漂移聚类算法对温度数据进行聚类,如图2所示,为均值漂移算法流程图,包括以下步骤:
对于给定的空间序列分布和样本点,随机抽取1000对点,计算每对样本点之间的距离,并取所有距离之和的20%作为高维球区域的半径r。其中,均值偏移向量Mr(x)和Sr(x)可由下式进行计算:
从样本点中选取一个未标记的点作为滑动窗口中心c,找出以c为中心,r为半径的滑动窗口区域Sr(c),考虑Sr(c)中所有的点都属于聚类c,并添加属于该类的概率,归为一类;
计算Sr(c)中每一个样本点与滑动窗口中心点c构成的向量,并通过这些向量计算均值偏移向量Mr(c);
更新滑动窗口中心,移动到滑动窗口内所有点的均值处:
重复迭代,直到Mr(c)等于0时收敛并一直迭代到所有的样本点都被标记为止;
(二)如图3所示,为灰色关联分析流程图,描述了计算归一化后的温度测点和热误差序列的灰色关联度的操作过程,包括以下步骤:
步骤一,确定特征序列和相关序列。在电主轴温度测点优化技术中,特征序列为电主轴热误差序列,Y={Y(t)|t=1,2,...,T};相关序列为温度测点序列X={Xi(t)|t=1,2,...,m;t=1,2,...,T};
步骤二,数据归一化。因为电主轴温度测点序列和热位移序列的单位不相同,对于单位不同的数据进行运算是没有意义的,所以在进行计算之前需要将数据进行去量纲化,也叫归一化。本文采用区间法对数据进行归一化,归一化序列Xi *(t)的计算公式如下:
步骤三,计算灰色关联系数。计算归一化后的温度测点序列和热误差序列Y*(t)的灰色关联系数ξi(t),计算公式如下:
其中,Y*(t)、Xi *(t)分别为热误差序列、温度测点序列的归一化序列;ρ为大于0,小于1的可调参数,ρ越小,序列的区分度越大,通常取ρ=0.5;
步骤四,计算灰色关联度。对于上式计算的灰色关联系数是一个T维的向量,表示单个温度测点与热位移在每一个时刻t上的关联程度,不易于比较每个温度测点与热位移之间相关程度的大小。为了保证在全部时间域上温度测点与热位移之间的关联程度,所以求取每个温度测点的灰色关联系数的平均值,这个平均值也叫灰色关联度ri,计算公式如下:
(三)基于灰色关联分析算法对各组实验的温度变量和热位移变量之间的灰色关联度进行计算,同时,基于灰色关联分析算法对温度测点进行排序;
(四)根据所采集的实验数据最为依据,应用均值漂移-灰色关联分析算法对高速电主轴温度测点进行优化。依据均值漂移的聚类结果和灰色关联分析算法的排序结果,对各组实验进行温度测点的筛选;
(五)由均值漂移-灰色关联分析算法筛选的温度测点存在两种筛选结果,为了使建立的高速电主轴热误差预测模型具有强壮的鲁棒性,选取最终温度测点。
实施例1
本实施例中,待优化的电主轴为A02型电主轴,采用上述方法的步骤对A02型电主轴温度测点选取进行优化,其中:
(1)电主轴温度传感器布置示意图如图4所示。测点布置的区域T1,T2,T3,...,T10作为待优化的测点位置;
(2)图4所示电主轴的初始环境温度设为22℃,采用LK-H020型激光位移传感器进行测量,实验研究对象的额定转速为9900r/min,所以实验按照转速从2000r/min到10000r/min平均分成五组进行实验,检测电主轴在低速时和高速时的温度和热位移数据。同时为了减小环境温度对实验数据的影响,实验时通过空调控制实验室的环境温度。实验方案设计如表1所示;
表1高速电主轴实验方案
(3)完成均值漂移聚类和灰色关联分析的计算过程。采用均值漂移聚类算法对5组温度数据进行聚类,聚类结果如表2所示;
表2均值漂移聚类结果
由表2可知,对于实验所采集的5组温度测点,均值漂移聚类结果只有一种,对于不同转速的温度数据聚类结果表明,均值漂移聚类算法的聚类结果可靠性更好。基于灰色关联分析算法对5组实验的温度变量和热位移变量之间的灰色关联度进行计算,计算结果如图5所示。基于灰色关联分析算法对温度测点进行排序,排序结果如表3所示:
表3温度测点排序结果
根据表3所采集的实验数据最为依据,应用均值漂移-灰色关联分析算法对高速电主轴温度测点进行优化。依据均值漂移的聚类结果和灰色关联分析算法的排序结果,对5组实验进行温度测点的筛选。筛选结果如表4所示;
表4均值漂移-灰色关联分析算法筛选结果
(4)通过对温度测点排序和筛选后完成测点优化。根据表4可知,由均值漂移-灰色关联分析算法筛选的温度测点存在两种筛选结果,其中转速为8000r/min的筛选结果为T10,T5,T7,另外4组实验筛选的结果为T10,T5,T6。为了使建立的高速电主轴热误差预测模型具有强壮的鲁棒性,本发明最终选取T10,T5,T6这三个温度测点为最终温度测点。
在本说明书的描述中,参考术语“一个实施例”、“具体实例”等的描述指结合该实施例或示例描述的具体方法、特点等包含于本发明的至少一个实施例或实例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。
以上公开的本发明优选实施例只适用于帮助阐述本发明。优选实施例并没有详尽叙述所有细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述实施例,是为了更好地解释本发明的原理和实际应用,从而使所述技术领域技术人员能很好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (1)
1.一种基于均值漂移-灰色关联分析的电主轴温度测点优化方法,其特征在于:包括以下步骤:
(一)均值漂移聚类算法计算,包括以下步骤:
通过将滑动窗口的中心移动到滑动窗口内所有点的均值处,使得滑动窗口移动到更密集区域,不断迭代找到数据中心,对于给定的d维空间Rd有n个样本xi(i=1,2,...,n),选择一个样本点x作为窗口中心,那么窗口移动的方向和距离可由均值偏移向量表示,其中,均值偏移向量Mr(x)为
其中,K表示有K个样本在Sr中,Sr(x)所表示的是半径为r,以样本点x为中心的一个球形窗口区域,对于球型窗口中的样本点,每一个样本点对于Mr(x)的贡献程度应该有所不同,所以通过引入内核函数对均值偏移向量进行改进,
其中,G[(xi-x/hi)]为高斯核函数;
(二)灰色关联度分析算法计算,其实现步骤如下:
步骤一,确定特征序列和相关序列,在电主轴温度测点优化技术中,特征序列为电主轴热误差序列,即Y={Y(t)|t=1,2,...,T};相关序列为温度测点序列X={Xi(t)|t=1,2,...,m;t=1,2,...,T};
步骤二,数据归一化,因为电主轴温度测点序列和热位移序列的单位不相同,对于单位不同的数据进行运算是没有意义的,所以在进行计算之前需要将数据进行去量纲化,也叫归一化,采用区间法对数据进行归一化,
其中,为归一化序列;
步骤三,计算灰色关联系数;
步骤四,计算灰色关联度;
(三)结合均值漂移聚类算法与灰色关联分析算法求得的结果对温度测点进行筛选和排序;
(四)选取符合实际的最优温度测点,完成对测点的优化;
(五)由均值漂移-灰色关联分析算法筛选的温度测点存在两种筛选结果,并从中选取最终温度测点;
所述步骤三中,计算归一化后的温度测点序列和热误差序列Y*(t)的灰色关联系数ξi(t),如(4)所示:
其中,Y*(t)、Xi*(t)分别为热误差序列、温度测点序列的归一化序列;ρ为大于0,小于1的可调参数,ρ越小,序列的区分度越大,取ρ=0.5;
所述步骤四中,对于归一化后的灰色关联系数是一个T维的向量,表示单个温度测点与热位移在每一个时刻t上的关联程度,不易于比较每个温度测点与热位移之间相关程度的大小,为了保证在全部时间域上温度测点与热位移之间的关联程度,所以求取每个温度测点的灰色关联系数的平均值,
其中,ri为灰色关联度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435877.3A CN113297723B (zh) | 2021-04-22 | 2021-04-22 | 基于均值漂移-灰色关联分析的电主轴温度测点优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110435877.3A CN113297723B (zh) | 2021-04-22 | 2021-04-22 | 基于均值漂移-灰色关联分析的电主轴温度测点优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113297723A CN113297723A (zh) | 2021-08-24 |
CN113297723B true CN113297723B (zh) | 2022-11-08 |
Family
ID=77319984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110435877.3A Expired - Fee Related CN113297723B (zh) | 2021-04-22 | 2021-04-22 | 基于均值漂移-灰色关联分析的电主轴温度测点优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113297723B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114525372B (zh) * | 2022-01-05 | 2022-10-28 | 浙江大学 | 基于多模态融合的高炉状态监测方法及装置 |
WO2023130234A1 (zh) * | 2022-01-05 | 2023-07-13 | 浙江大学 | 基于多模态融合的高炉状态监测方法及装置 |
CN117113845B (zh) * | 2023-08-31 | 2024-03-19 | 哈尔滨理工大学 | 一种avoa优化lstm神经网络主轴热误差建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242206A (zh) * | 2020-01-08 | 2020-06-05 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
CN111913081A (zh) * | 2020-07-14 | 2020-11-10 | 上海电力大学 | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 |
CN112200447A (zh) * | 2020-10-03 | 2021-01-08 | 大同煤矿集团阳高热电有限公司 | 一种基于大数据的电厂前馈控制优化方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7260259B2 (en) * | 2002-01-08 | 2007-08-21 | Siemens Medical Solutions Usa, Inc. | Image segmentation using statistical clustering with saddle point detection |
US7572643B2 (en) * | 2005-11-21 | 2009-08-11 | E. I. Du Pont De Nemours And Company | Nanoparticle composite-coated glass microspheres for use in bioassays |
CN101404119A (zh) * | 2008-11-18 | 2009-04-08 | 北京交通大学 | 利用遥感影像探测和计数城市道路车辆的方法 |
CN104216334B (zh) * | 2014-09-16 | 2017-02-22 | 北京工业大学 | 一种关于数控机床热效应下定位误差温度测点组合的选择优化方法 |
CA2969038C (en) * | 2014-12-03 | 2023-07-04 | Ventana Medical Systems, Inc. | Methods, systems, and apparatuses for quantitative analysis of heterogeneous biomarker distribution |
CN105666244B (zh) * | 2016-01-06 | 2018-07-13 | 北京工业大学 | 数控镗床热效应下镗杆热伸长误差温度测点约简的方法 |
CA3031771A1 (en) * | 2016-07-25 | 2018-02-01 | Magic Leap, Inc. | Imaging modification, display and visualization using augmented and virtual reality eyewear |
CN106679671B (zh) * | 2017-01-05 | 2019-10-11 | 大连理工大学 | 一种基于激光数据的导航标识图识别方法 |
CN107292882B (zh) * | 2017-08-02 | 2019-09-17 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种基于Meanshift自适应电气设备故障检测方法 |
WO2020023213A1 (en) * | 2018-07-27 | 2020-01-30 | Ventana Medical Systems, Inc. | Systems for automated in situ hybridization analysis |
CN110543140B (zh) * | 2019-07-26 | 2020-05-08 | 四川大学 | 基于时间特性的数控机床主轴***热关键点选取建模方法 |
CN110675463B (zh) * | 2019-08-23 | 2023-05-23 | 河南工业大学 | 一种局部彩色铅笔画生成方法及装置 |
CN112084677A (zh) * | 2020-09-21 | 2020-12-15 | 郑州航空工业管理学院 | 适用于应急生产***的预防维修和控制图联合可用度优化方法 |
-
2021
- 2021-04-22 CN CN202110435877.3A patent/CN113297723B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242206A (zh) * | 2020-01-08 | 2020-06-05 | 吉林大学 | 一种基于层次聚类和随机森林的高分辨率海洋水温计算方法 |
CN111913081A (zh) * | 2020-07-14 | 2020-11-10 | 上海电力大学 | 一种基于均值漂移聚类的开关柜绝缘状态异常检测方法 |
CN112200447A (zh) * | 2020-10-03 | 2021-01-08 | 大同煤矿集团阳高热电有限公司 | 一种基于大数据的电厂前馈控制优化方法 |
Non-Patent Citations (1)
Title |
---|
基于灰色关联和模糊聚类的机床温度测点优化;张伟 等;《中国机械工程》;20140228;第25卷(第4期);456-460 * |
Also Published As
Publication number | Publication date |
---|---|
CN113297723A (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113297723B (zh) | 基于均值漂移-灰色关联分析的电主轴温度测点优化方法 | |
CN110992354B (zh) | 基于引入自动记忆机制对抗自编码器的异常区域检测方法 | |
CN110443281B (zh) | 基于hdbscan聚类的文本分类自适应过采样方法 | |
CN110070060B (zh) | 一种轴承设备的故障诊断方法 | |
CN109934810B (zh) | 一种基于改进粒子群小波神经网络的缺陷分类方法 | |
CN110889091B (zh) | 基于温度敏感区间分段的机床热误差预测方法与*** | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
CN112819806B (zh) | 一种基于深度卷积神经网络模型的船舶焊缝缺陷检测方法 | |
CN109003275B (zh) | 焊缝缺陷图像的分割方法 | |
CN112633337A (zh) | 一种基于聚类和边界点的不平衡数据处理方法 | |
CN103544499A (zh) | 一种基于机器视觉的表面瑕疵检测的纹理特征降维方法 | |
CN112017204A (zh) | 一种基于边缘标记图神经网络的刀具状态图像分类方法 | |
CN107239792A (zh) | 一种基于二进制描述子的工件识别方法及装置 | |
Zhang et al. | Fast covariance matching with fuzzy genetic algorithm | |
CN111062093A (zh) | 一种基于图像处理和机器学习技术的汽车轮胎寿命预测方法 | |
CN115511856A (zh) | 一种部件的缺陷检测方法、装置、电子设备及存储介质 | |
CN116740044A (zh) | 基于视觉检测与控制的铜管铣面加工方法及*** | |
CN110097067B (zh) | 一种基于层进式特征变换的弱监督细粒度图像分类方法 | |
CN117522864B (zh) | 基于机器视觉的欧松板表面瑕疵检测方法 | |
JP2005537578A (ja) | 紙の特徴付け | |
CN117237902A (zh) | 基于深度学习的机器人物体识别*** | |
CN111027609B (zh) | 一种图像数据加权分类方法和*** | |
CN115205275A (zh) | 基于深度学习算法的表面缺陷检测方法 | |
CN112750119B (zh) | 一种面向白玻璃盖板表面微弱缺陷的检测与测量方法 | |
KR101133225B1 (ko) | 자세 추정을 이용한 얼굴 인식 시스템 및 방법 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221108 |
|
CF01 | Termination of patent right due to non-payment of annual fee |