CN115685949A - 调整离散机加工生产过程中数据采样频率的方法及装置 - Google Patents
调整离散机加工生产过程中数据采样频率的方法及装置 Download PDFInfo
- Publication number
- CN115685949A CN115685949A CN202211705982.5A CN202211705982A CN115685949A CN 115685949 A CN115685949 A CN 115685949A CN 202211705982 A CN202211705982 A CN 202211705982A CN 115685949 A CN115685949 A CN 115685949A
- Authority
- CN
- China
- Prior art keywords
- data
- sampling frequency
- sensor
- discrete
- workpiece
- 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.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 51
- 238000003754 machining Methods 0.000 title claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 34
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 24
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004891 communication Methods 0.000 claims description 15
- 230000003247 decreasing effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000007423 decrease Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 14
- 239000000243 solution Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 238000001746 injection moulding Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 239000013072 incoming material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Feedback Control In General (AREA)
Abstract
本申请涉及一种调整离散机加工生产过程中数据采样频率的方法及装置，其中，该方法包括：通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据，其中，预测模型用于基于拟合函数对下一生产数据进行预测，拟合函数为对多个历史数据进行拟合得到的函数；将当前获取到的离散机加工工件过程中所产生的数据输入至神经网络模型中，输出第二数据；其中，神经网络模型基于目标训练集对初始神经网络模型进行训练得到；根据第一数据和第二数据的差值对传感器的采样频率进行调整。通过本申请，解决了现有技术中离散机在工件加工生产过程中采用固定采样频率进行数据采样，导致无法适应数据量动态变化需求的问题。
Description
技术领域
本申请涉及智能设备加工领域，尤其涉及一种调整离散机加工生产过程中数据采样频率的方法及装置。
背景技术
随着离散机制造能力的加强，当前生产频次逐步提升，部分已经超过200ppm（piece per minute），甚至有些将近1000ppm。但对于生产质量的要求并没有降低，因此需要监测***来对每一个零件均进行生产的监控，以防止因为设备及工治具（如冲头、注塑喷胶头、CNC刀具等）来料不均或电力等因素导致设备功率不稳定，造成生产异常及零件批量异常。
而当前针对离散生产设备（离散机）：冲压设备、注塑设备、CNC切削设备等，已经能够利用体系化的传感网络进行监测，即可以由大量的具有边缘计算的微小传感器构成的智能传感和边缘计算的通信***，以完成生产过程的监测及协调生产。但目前的传感器采样频率是固定的，如在生产加工过程中数据量大则无法满足需求，如在生产加工过程中数量较小的情况下采样频率较高则又会造成资源的浪费。
针对相关技术中的上述问题，目前尚未存在有效的解决方案。
发明内容
本申请提供了一种调整离散机加工生产过程中数据采样频率的方法及装置，以解决现有技术中离散机在工件加工生产过程中采用固定采样频率进行数据采样，导致无法适应数据量动态变化需求的问题。
第一方面，本申请提供了一种调整离散机加工生产过程中数据采样频率的方法，包括：通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据，其中，所述预测模型用于基于拟合函数对下一生产数据进行预测，所述拟合函数为对多个历史数据进行拟合得到的函数，所述历史数据为历史时间段内所采集的所述离散机加工工件过程中所产生的数据；将当前获取到的离散机加工工件过程中所产生的数据输入至神经网络模型中，输出第二数据；其中，所述神经网络模型基于目标训练集对初始神经网络模型进行训练得到，所述目标训练集包括历史时间段内所述离散机加工工件过程中所产生的数据；根据所述第一数据和所述第二数据的差值对传感器的采样频率进行调整，其中，所述传感器用于对所述离散机加工工件过程中所产生的数据基于所述采样频率进行采集。
第二方面，本申请提供了一种调整离散机加工生产过程中数据采样频率的装置，包括：第一处理模块，用于通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据，其中，所述预测模型用于基于拟合函数对下一生产数据进行预测，所述拟合函数为对多个历史数据进行拟合得到的函数，所述历史数据为历史时间段内所采集的所述离散机加工工件过程中所产生的数据；第二处理模块，用于将当前获取到的离散机加工工件过程中所产生的数据输入至神经网络模型中，输出第二数据；其中，所述神经网络模型基于目标训练集对初始神经网络模型进行训练得到，所述目标训练集包括历史时间段内所述离散机加工工件过程中所产生的数据；调整模块，用于根据所述第一数据和所述第二数据的差值对传感器的采样频率进行调整，其中，所述传感器用于对所述离散机加工工件过程中所产生的数据基于所述采样频率进行采集。
第三方面，提供了一种空调器控制设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现第一方面任一项实施例所述的方法步骤。
第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项实施例所述的方法步骤。
本申请实施例提供的上述技术方案与现有技术相比具有如下优点：
本申请实施例提供的该方法，通过预测模型可以预测离散机当前待加工工件的第一数据，以及通过神经网络模型得到对应的第二数据，进而根据第一数据和第二数据的差值对传感器的采样频率进行调整，而不是固定传感器的采样频率。也就是说，在本申请中采样频率可以根据离散机的状态变化而调整，例如，如果差值较大则表明当前离散机状态较为抖动，此时出现异常数据的可能性比较大从而可以提高采样频率以增加采样数据的量，如果差值较小则表明当前离散机的状态较为平缓，此时出现异常数据的可能性比较小以减少采样数据的量，从而解决了现有技术中离散机在工件加工生产过程中采用固定采样频率进行数据采样，导致无法适应数据量动态变化需求的问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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，对于本领域普通技术人员而言，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为本申请实施例提供的一种调整离散机加工生产过程中数据采样频率的方法的流程示意图；
图2为本申请实施例提供的一种调整离散机加工生产过程中数据采样频率的装置的结构示意图；
图3为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种调整离散机加工生产过程中数据采样频率的方法的流程示意图，如图1所示，该方法的步骤包括：
步骤102，通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据，其中，预测模型用于基于拟合函数对下一生产数据进行预测，拟合函数为对多个历史数据进行拟合得到的函数，历史数据为历史时间段内所采集的离散机加工工件过程中所产生的数据；
需要说明的是，本申请实施例中的离散机就是指离散生产设备，例如冲压设备、注塑设备、CNC切削设备等，且离散机优选应用超高频次加工节拍的离散生产场景，如加工频次：>100ppm的离散生产场景。
此外，本申请实施例中的历史时间段可以是指过去三天，或者过去一周的时间内，又或者是过去一个月，具体可以根据实际情况进行相应的设置。如果说当前离散机工作频次较高，在短时间内所产生的数据较多，则可以不用很长的时间段内的数据就能进行数据拟合，则该历史时间段可以设置的时间短一点。在得到历史时间段内的离散机所产生的数据之后，可以在一个预设平面上一系列的点，用一条光滑的曲线连接起来得到拟合的曲线。拟合的曲线一般可以用函数表示，即拟合函数。
步骤104，将当前获取到的离散机加工工件过程中所产生的数据输入至神经网络模型中，输出第二数据；其中，神经网络模型基于目标训练集对初始神经网络模型进行训练得到，目标训练集包括历史时间段内离散机加工工件过程中所产生的数据；
步骤106，根据第一数据和第二数据的差值对传感器的采样频率进行调整，其中，传感器用于对离散机加工工件过程中所产生的数据基于采样频率进行采集。
需要说明的是，本申请实施例中的预测模型是对离散机当前待加工工件的生产数据进行预测得到一个预测数据，也就是说，相当于是基于历史数据推测得到的数据，而神经网络模型所得到的则是当前真实的数据。因此，根据预测模型得到的第一数据与基于神经网络模型得到的第二数据之间的差值，相当于推测数据与真实数据之间的差值，如果差值较大则表明当前离散机状态较为抖动，此时出现异常数据的可能性比较大，如果差值较小则表明当前离散机的状态较为平缓，此时出现异常数据的可能性比较小。此外，本申请实施例中的传感器可以是振动传感器、噪声传感器、超声传感器、加速度传感器、应力应变传感器、高精度温度传感器等，可以根据实际需求对传感器进行相应的选择。
基于上述步骤102至步骤106，通过预测模型可以预测离散机当前待加工工件的第一数据，以及通过神经网络模型得到对应的第二数据，进而根据第一数据和第二数据的差值对传感器的采样频率进行调整，而不是固定传感器的采样频率。也就是说，在本申请中采样频率可以根据离散机的状态变化而调整，例如，如果差值较大则表明当前离散机状态较为抖动，此时出现异常数据的可能性比较大从而可以提高采样频率以增加采样数据的量，如果差值较小则表明当前离散机的状态较为平缓，此时出现异常数据的可能性比较小以减少采样数据的量，从而解决了现有技术中离散机在工件加工生产过程中采用固定采样频率进行数据采样，导致无法适应数据量动态变化需求的问题。
在本申请实施例的可选实施方式中，对于上述步骤104中涉及到的根据第一数据和第二数据的差值对传感器的采样频率进行调整的方式，进一步可以包括：
步骤11，在第一数据与第二数据的差值的绝对值大于预设阈值的情况下，基于绝对值调整传感器的采样频率为第一采样频率；
步骤12，在第一数据与第二数据的差值的绝对值小于预设阈值的情况下，基于绝对值调整传感器的采样频率为第二采样频率。
其中，不同的绝对值所对应的采样频率不同，第一采样频率大于第二采样频率。
在本申请实施例中，预设阈值可以是用来表明当前离散机的状态是否比较抖动，该预设阈值可以根据实际情况来设置。如果绝对值超过该预设阈值表明当前离散机的状态比较抖动，则大于该预设阈值的不同绝对值所对应的采样频率之间的幅度较大，如果绝对值小于该预设阈值表明当前离散机的状态比较平缓，则小于该预设阈值的不同绝对值所对应的采样频率之间的幅度较小。由此可见，在进一步根据离散机状态调整传感器采样频率的基础上，能够根据离散机的状态变化趋势适应性的调整采样频率，以使得采样数据更合理。
在本申请实施例的可选实施方式中，在步骤11中涉及到的基于绝对值调整传感器的采样频率为第一采样频率的方式之后，方法还包括：
步骤21，在绝对值在持续增大的情况下，持续增大传感器当前的采样频率；或，
步骤22，在绝对值持续减小的情况下，降低传感器当前的采样频率。
通过上述步骤21至步骤22可知，如果当前采样频率为第一采样频率之后，该绝对值也在持续增大（第一数据和第二数据差别更大）表明当前离散机更加抖动了，则可以持续增大传感器的采样频率，以保证数据采样质量。当然，如果当前离散机的状态依然是抖动，但是相比之前没有那么抖动后可以降低当前的采样频率，也就是说，会根据实际离散机的状态适应性的调整采样频率以保证数据采样质量，实现***高效与数据采集质量两者之间的均衡性。
在本申请实施例的可选实施方式中，在步骤12中涉及到的基于绝对值调整传感器的采样频率为第二采样频率之后，方法还包括：
步骤31，在绝对值在持续减小的情况下，持续降低传感器当前的采样频率；或，
步骤32，在绝对值持续增大的情况下，增大传感器当前的采样频率。
通过上述步骤31至步骤32可知，如果当前采样频率为第二采样频率之后，该绝对值也在持续减小（第一数据和第二数据更加接近）表明当前离散机更加平和，则可以持续降低传感器的采样频率。当然，如果当前离散机的状态虽然平和，但是相比之前没有已经有趋于抖动后可以降低当前的采样频率以减少冗余数据的产生与传输，也就是说，会根据实际离散机的状态适应性的调整采样频率以保证数据采样质量，实现***高效与数据采集质量两者之间的均衡性。
需要说明的是，在传感器的采样频率增大到为第三采样频率的情况下，保持采样频率为第三采样频率；而在传感器的采样频率减小到第四采样频率的情况下，保持采样频率为第四采样频率；在具体示例中该第三采样频率可以是预设的最大采样频率，该第四采样频率可以是预设的最小采样频率。也就是说，在本申请实施例中可以设置采样频率的上限和下限，以避免由于采样频率过高或过低以超出传感器正常负荷。
在本申请实施例中，对于上述步骤102中涉及到的通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据的方式，进一步可以包括：
基于线性自回归AR模型对离散机当前待加工工件的生产数据进行预测，得到第一数据；
其中，线性自回归AR模型的中的拟合函数公式如下：
其中，Xp[n]是预测数据（第一数据），Xr[n]是历史数据，ai[n]是AR模型的各阶的系数。
在本申请实施例的可选实施方式中，可以通过以下公式确定增大后的采样频率：
通过以下公式确定减小后的采样频率：
其中，fi+1为增大后或减小后的采样频率，fi为当前采样频率，σ为预设的可调参数，e为自然常数，ei+1为第一数据与当第二数据之间的差值，i为AR模型的阶次数。
在具体示例中以AR模型为二阶模型为例，预测值
表达式如下：
其中，Xi为历史真实值，α和β为模型参数，ei+1是误差值，
是过去L个历史数据的均值。对于给定的L个历史数据，参数α和β可由样本自相关函数计算得出如下：
其中，
，则预测数据（第一数据）与真实数据（第二数据）之差为：
其中，
为第一数据，Xi+1为第二数据。
在本申请实施例的另一个可选实施方式中，本申请实施例中方法还可以包括：
步骤108，获取历史时间段内通过传感器采集的离散机加工工件过程中所产生的第三数据；
步骤110，对第三数据进行预处理，得到第四数据，其中，预处理用于对第三数据中的异常数据进行处理，并对处理后的数据在时域上进行时间对齐以及进行噪声消除处理；
在具体示例中，可以是三西格玛、箱线图切分等异常值识别方法进行异常值的抓取，进而可以对抓取的异常值进行处理，处理方法如下可以平均值代替、滑动平均法等。另外，对于时序数据处理方法可以是：时间规则、DTW等以对数据进行时间对齐，利用滤波技术如高di通滤波、小波技术等进行噪声的消除。
步骤112，对第四数据进行特征工程处理，得到目标训练集；
其中，在本申请实施例中进行时域特征处理的方式可以是平均值、方差、最大最小值、峰峰值、偏度、峰度系数、裕度系数等。同时对进行滤波之后的数据可以进行FFT(FastFourier Transform：快速傅里叶变换)以提取频域特征，其中，频域特征可以是重心频率、均方频率、频率方差、短时功率谱密度等。
步骤114，基于目标训练集对初始神经网络模型进行训练得到神经网络模型。
需要说明的是，申请实施例中的神经网络模型可以监督模型或无监督模型；其中，监督模型可以是：线性分类器、朴素贝叶斯、支持向量机、K临近、决策（回归）树、集成模型等。无监督模型可以是：K-means、DBSCAN（Density-Based Spatial Clustering ofApplications with Noise）、GMM（Adaptive background mixture models for real-timetracking，高斯混合模型）、分层聚类、孤立森林等。
可见，在本申请实施例中采样频率可根据被测对象（离散机）的状态变化情况而改变，当观测对象状态变化较为抖动时，即真实数据（第二数据）与预测数据（第一数据）之间差值大于预设阈值时增大采样频率，表明此时生产状态产生了较大变化，则此时应该提升数据质量，即提升采样频率。因为在抖动期间产生异常数据的概率也增加，因此，则使用较大的采样频率，可以使得算法获得更多的异常信息，也就是说，在抖动期间增大采样频率可以保证数据采样质量，实现***高效与数据采集质量两者之间的均衡性。如果当观测对象状态变化较为平缓时，即真实数据（第二数据）与预测数据（第一数据）之间差值小于预设阈值时降低采样频率，表明此时生产状态产生了较大变化，则此时应该降低采样频率以减少冗余数据的产生与传输。
对应于上述图1中的调整离散机加工生产过程中数据采样频率的方法，本申请实施还提供了一种调整离散机加工生产过程中数据采样频率的装置，如图2所示，该装置包括：
第一处理模块22，用于通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据，其中，预测模型用于基于拟合函数对下一生产数据进行预测，拟合函数为对多个历史数据进行拟合得到的函数，历史数据为历史时间段内所采集的离散机加工工件过程中所产生的数据；
第二处理模块24，用于将当前获取到的离散机加工工件过程中所产生的数据输入至神经网络模型中，输出第二数据；其中，神经网络模型基于目标训练集对初始神经网络模型进行训练得到，目标训练集包括历史时间段内离散机加工工件过程中所产生的数据；
调整模块26，用于根据第一数据和第二数据的差值对传感器的采样频率进行调整，其中，传感器用于对离散机加工工件过程中所产生的数据基于采样频率进行采集。
通过本申请实施例的装置，通过预测模型可以预测离散机当前待加工工件的第一数据，以及通过神经网络模型得到对应的第二数据，进而根据第一数据和第二数据的差值对传感器的采样频率进行调整，而不是固定传感器的采样频率。也就是说，在本申请中采样频率可以根据离散机的状态变化而调整，例如，如果差值较大则表明当前离散机状态较为抖动，此时出现异常数据的可能性比较大从而可以提高采样频率以增加采样数据的量，如果差值较小则表明当前离散机的状态较为平缓，此时出现异常数据的可能性比较小以减少采样数据的量，从而解决了现有技术中离散机在工件加工生产过程中采用固定采样频率进行数据采样，导致无法适应数据量动态变化需求的问题。
可选地，本申请实施例中的调整模块26进一步可以包括：第一调整单元，用于在第一数据与第二数据的差值的绝对值大于预设阈值的情况下，基于绝对值调整传感器的采样频率为第一采样频率；第二调整单元，用于在第一数据与第二数据的差值的绝对值小于预设阈值的情况下，基于绝对值调整传感器的采样频率为第二采样频率；其中，不同的绝对值所对应的采样频率不同，第一采样频率大于第二采样频率。
可选地，本申请实施例中的第一调整单元，还用于在基于绝对值调整传感器的采样频率为第一采样频率之后，在绝对值在持续增大的情况下，持续增大传感器当前的采样频率；或，在绝对值持续减小的情况下，降低传感器当前的采样频率。
可选地，本申请实施例中的第二调整单元，还用于在基于绝对值调整传感器的采样频率为第二采样频率之后，在绝对值在持续减小的情况下，持续降低传感器当前的采样频率；或，在绝对值持续增大的情况下，增大传感器当前的采样频率
可选地，本申请实施例中的装置还可以包括：第一保持模块，用于在传感器的采样频率增大到为第三采样频率的情况下，保持传感器的采样频率为第三采样频率；第二保持模块，用于在传感器的采样频率降低到为第四采样频率的情况下，保持传感器的采样频率为第四采样频率；其中，第三采样频率大于第四采样频率。
可选地，本申请实施例中的第一处理模块22进一步可以包括：第一处理单元，用于基于线性自回归AR模型对离散机当前待加工工件的生产数据进行预测，得到第一数据；
其中，线性自回归AR模型的中的拟合函数公式如下：
其中，Xp[n]是第一数据，Xr[n]是历史数据，ai[n]是AR模型的各阶的系数。
在本申请实施例中，可以通过以下公式确定增大后的采样频率：
此外，可以通过以下公式确定减小后的采样频率：
其中，fi+1为增大后或减小后的采样频率，fi为当前采样频率，σ为预设的可调参数，e为自然常数，ei+1为所述第一数据与所述第二数据之间的差值，i为所述AR模型的阶次数。
本申请实施例中的装置还可以包括：获取模块，用于获取历史时间段内离散机加工工件过程中所产生的第三数据；第三处理模块，用于对第三数据进行预处理，得到第四数据，其中，预处理用于对第三数据中的异常数据进行处理，并对处理后的数据在时域上进行时间对齐以及进行噪声消除处理；第四处理模块，用于对第四数据进行特征工程处理，得到目标训练集；训练模块，用于基于目标训练集对初始神经网络模型进行训练得到神经网络模型。
如图3所示，本申请实施例提供了一种电子设备，包括处理器111、通信接口112、存储器113和通信总线114，其中，处理器111，通信接口112，存储器113通过通信总线114完成相互间的通信，
存储器113，用于存放计算机程序；
在本申请一个实施例中，处理器111，用于执行存储器113上所存放的程序时，实现前述任意一个方法实施例提供的调整离散机加工生产过程中数据采样频率的方法，所起到的作用也是类似的，在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如前述任意一个方法实施例提供的调整离散机加工生产过程中数据采样频率的方法步骤。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (11)
1.一种调整离散机加工生产过程中数据采样频率的方法，其特征在于，包括：
通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据，其中，所述预测模型用于基于拟合函数对下一生产数据进行预测，所述拟合函数为对多个历史数据进行拟合得到的函数，所述历史数据为历史时间段内所采集的所述离散机加工工件过程中所产生的数据；
将当前获取到的离散机加工工件过程中所产生的数据输入至神经网络模型中，输出第二数据；其中，所述神经网络模型基于目标训练集对初始神经网络模型进行训练得到，所述目标训练集包括历史时间段内所述离散机加工工件过程中所产生的数据；
根据所述第一数据和所述第二数据的差值对传感器的采样频率进行调整，其中，所述传感器用于对所述离散机加工工件过程中所产生的数据基于所述采样频率进行采集。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一数据和所述第二数据的差值对所述传感器的采样频率进行调整，包括：
在所述第一数据与所述第二数据的差值的绝对值大于预设阈值的情况下，基于所述绝对值调整所述传感器的采样频率为第一采样频率；
在所述第一数据与所述第二数据的差值的绝对值小于所述预设阈值的情况下，基于所述绝对值调整所述传感器的采样频率为第二采样频率；
其中，不同的绝对值所对应的采样频率不同，所述第一采样频率大于所述第二采样频率。
3.根据权利要求2所述的方法，其特征在于，在基于所述绝对值调整所述传感器的采样频率为第一采样频率之后，所述方法还包括：
在所述绝对值在持续增大的情况下，持续增大所述传感器当前的采样频率；或，
在所述绝对值持续减小的情况下，降低所述传感器当前的采样频率。
4.根据权利要求2所述的方法，其特征在于，在基于所述绝对值调整所述传感器的采样频率为第二采样频率之后，所述方法还包括：
在所述绝对值在持续减小的情况下，持续降低所述传感器当前的采样频率；或，
在所述绝对值持续增大的情况下，增大所述传感器当前的采样频率。
5.根据权利要求2所述的方法，其特征在于，所述方法还包括：
在所述传感器的采样频率增大到为第三采样频率的情况下，保持所述传感器的采样频率为所述第三采样频率；
在所述传感器的采样频率降低到为第四采样频率的情况下，保持所述传感器的采样频率为所述第四采样频率；
其中，所述第三采样频率大于所述第四采样频率。
6.根据权利要求4所述的方法，其特征在于，所述通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据包括：
基于线性自回归AR模型对离散机当前待加工工件的生产数据进行预测，得到第一数据；
其中，所述AR模型中的拟合函数的公式如下：
其中，Xp[n]是第一数据，Xr[n]是历史数据，ai[n]是AR模型的各阶的系数。
7.根据权利要求6所述的方法，其特征在于，
通过以下公式确定增大后的采样频率：
通过以下公式确定减小后的采样频率：
其中，fi+1为增大后或减小后的采样频率，fi为当前采样频率，σ为预设的可调参数，e为自然常数，ei+1为所述第一数据与所述第二数据之间的差值，i为所述AR模型的阶次数。
8.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取历史时间段内所述离散机加工工件过程中所产生的第三数据；
对所述第三数据进行预处理，得到第四数据，其中，所述预处理用于对所述第三数据中的异常数据进行处理，并对处理后的数据在时域上进行时间对齐以及进行噪声消除处理；
对所述第四数据进行特征工程处理，得到所述目标训练集；
基于所述目标训练集对初始神经网络模型进行训练得到所述神经网络模型。
9.一种调整离散机加工生产过程中数据采样频率的装置，其特征在于，包括：
第一处理模块，用于通过预测模型对离散机当前待加工工件的生产数据进行预测，得到第一数据，其中，所述预测模型用于基于拟合函数对下一生产数据进行预测，所述拟合函数为对多个历史数据进行拟合得到的函数，所述历史数据为历史时间段内所采集的所述离散机加工工件过程中所产生的数据；
第二处理模块，用于将当前获取到的离散机加工工件过程中所产生的数据输入至神经网络模型中，输出第二数据；其中，所述神经网络模型基于目标训练集对初始神经网络模型进行训练得到，所述目标训练集包括历史时间段内所述离散机加工工件过程中所产生的数据；
调整模块，用于根据所述第一数据和所述第二数据的差值对传感器的采样频率进行调整，其中，所述传感器用于对所述离散机加工工件过程中所产生的数据基于所述采样频率进行采集。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-8中任一项所述的方法步骤。
11.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的方法步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211705982.5A CN115685949A (zh) | 2022-12-29 | 2022-12-29 | 调整离散机加工生产过程中数据采样频率的方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211705982.5A CN115685949A (zh) | 2022-12-29 | 2022-12-29 | 调整离散机加工生产过程中数据采样频率的方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115685949A true CN115685949A (zh) | 2023-02-03 |
Family
ID=85056146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211705982.5A Pending CN115685949A (zh) | 2022-12-29 | 2022-12-29 | 调整离散机加工生产过程中数据采样频率的方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115685949A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797053A (zh) * | 2023-08-25 | 2023-09-22 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、***和介质 |
| CN117874435A (zh) * | 2024-03-11 | 2024-04-12 | 中国电子科技集团公司第十五研究所 | 分布式边缘数据采集方法、装置、电子设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446419A (zh) * | 2016-09-27 | 2017-02-22 | 广东电网有限责任公司电力科学研究院 | 一种火力发电厂燃煤锅炉的建模方法及*** |
| CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
| CN110545305A (zh) * | 2018-05-28 | 2019-12-06 | 塔塔咨询服务有限公司 | 用于自适应参数采样的方法和*** |
| CN111146865A (zh) * | 2019-12-25 | 2020-05-12 | 上海电力大学 | 一种电力设备运维状态智能监测*** |
| CN111930079A (zh) * | 2020-06-30 | 2020-11-13 | 西门子工厂自动化工程有限公司 | 数据采集方法、装置和***、电子设备及存储介质 |
| CN112926770A (zh) * | 2021-02-22 | 2021-06-08 | 胡书恺 | 一种基于数字孪生的统一数据计量采集*** |
| CN113377033A (zh) * | 2019-01-15 | 2021-09-10 | 北京百度网讯科技有限公司 | 数据采集方法、装置、设备及计算机可读存储介质 |
| CN113655768A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 装配良率控制方法、设备及计算机可读存储介质 |
-
2022
- 2022-12-29 CN CN202211705982.5A patent/CN115685949A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446419A (zh) * | 2016-09-27 | 2017-02-22 | 广东电网有限责任公司电力科学研究院 | 一种火力发电厂燃煤锅炉的建模方法及*** |
| CN110545305A (zh) * | 2018-05-28 | 2019-12-06 | 塔塔咨询服务有限公司 | 用于自适应参数采样的方法和*** |
| CN108875841A (zh) * | 2018-06-29 | 2018-11-23 | 国家电网有限公司 | 一种抽蓄机组振动趋势预测方法 |
| CN113377033A (zh) * | 2019-01-15 | 2021-09-10 | 北京百度网讯科技有限公司 | 数据采集方法、装置、设备及计算机可读存储介质 |
| CN111146865A (zh) * | 2019-12-25 | 2020-05-12 | 上海电力大学 | 一种电力设备运维状态智能监测*** |
| CN111930079A (zh) * | 2020-06-30 | 2020-11-13 | 西门子工厂自动化工程有限公司 | 数据采集方法、装置和***、电子设备及存储介质 |
| CN112926770A (zh) * | 2021-02-22 | 2021-06-08 | 胡书恺 | 一种基于数字孪生的统一数据计量采集*** |
| CN113655768A (zh) * | 2021-10-21 | 2021-11-16 | 深圳市信润富联数字科技有限公司 | 装配良率控制方法、设备及计算机可读存储介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116797053A (zh) * | 2023-08-25 | 2023-09-22 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、***和介质 |
| CN116797053B (zh) * | 2023-08-25 | 2023-11-10 | 深圳普菲特信息科技股份有限公司 | 基于神经网络的化工生产数据分析方法、***和介质 |
| CN117874435A (zh) * | 2024-03-11 | 2024-04-12 | 中国电子科技集团公司第十五研究所 | 分布式边缘数据采集方法、装置、电子设备及存储介质 |
| CN117874435B (zh) * | 2024-03-11 | 2024-06-25 | 中国电子科技集团公司第十五研究所 | 分布式边缘数据采集方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115685949A (zh) | 调整离散机加工生产过程中数据采样频率的方法及装置 | |
| US5784273A (en) | Method and system for predicting limit cycle oscillations and control method and system utilizing same | |
| CN105700477B (zh) | 一种基于颤振频率的加工颤振智能抑制方法 | |
| CN106649755B (zh) | 一种多维度实时变电设备数据的阈值自适应设置异常检测方法 | |
| Aghdam et al. | Vibration-based estimation of tool major flank wear in a turning process using ARMA models | |
| Yao et al. | Real-time chatter detection and automatic suppression for intelligent spindles based on wavelet packet energy entropy and local outlier factor algorithm | |
| JP2014238833A (ja) | プロセスアラーム削減のためのシステムおよび方法 | |
| US20230115878A1 (en) | Machine learning method for anomaly detection in an electrical system | |
| CN112700787B (zh) | 一种降噪方法、非易失性可读存储介质及电子设备 | |
| Mou et al. | A study of tool tipping monitoring for titanium milling based on cutting vibration | |
| CN110929677A (zh) | 一种振动数据在线监测分析*** | |
| Yuan et al. | Energy efficiency state identification of milling processing based on EEMD-PCA-ICA | |
| JP2021047183A (ja) | ロボット装置の異常を検出する方法 | |
| CN111930079A (zh) | 数据采集方法、装置和***、电子设备及存储介质 | |
| CN112207631A (zh) | 刀具检测模型的生成方法、检测方法、***、设备及介质 | |
| Frigieri et al. | Pattern recognition in audible sound energy emissions of AISI 52100 hardened steel turning: a MFCC-based approach | |
| Yang et al. | Application of bispectrum diagonal slice feature analysis to monitoring CNC tool wear states | |
| CN107942953B (zh) | 一种抑制加工颤振的方法 | |
| CN110149104B (zh) | 一种机器人零相移实时滤波方法 | |
| US11463849B2 (en) | Data processing device, data analyzing device, data processing system and method for processing data | |
| Rahman et al. | Recognition of unnatural variation patterns in metal-stamping process using artificial neural network and statistical features | |
| Yamamoto et al. | Design of a performance-adaptive proportional—integral—derivative controller for stochastic systems | |
| US20240210911A1 (en) | Mold state monitoring system and method thereof | |
| Huang et al. | Process monitoring with ICA‐based signal extraction technique and CART approach | |
| TW201705127A (zh) | 口吃偵測方法與裝置、電腦程式產品 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230203 |