CN116168036B - 用于电感绕线设备的异常智能监测*** - Google Patents
用于电感绕线设备的异常智能监测*** Download PDFInfo
- Publication number
- CN116168036B CN116168036B CN202310457838.2A CN202310457838A CN116168036B CN 116168036 B CN116168036 B CN 116168036B CN 202310457838 A CN202310457838 A CN 202310457838A CN 116168036 B CN116168036 B CN 116168036B
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- dimensional point
- data
- clustering
- 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
- 238000004804 winding Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 61
- 230000000694 effects Effects 0.000 claims abstract description 29
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005452 bending Methods 0.000 claims abstract description 24
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000003064 k means clustering Methods 0.000 claims abstract description 6
- 230000006698 induction Effects 0.000 claims description 15
- 230000001939 inductive effect Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 230000005856 abnormality Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 6
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012804 iterative process Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005259 measurement Methods 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
- 230000000704 physical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图形识别技术领域,具体涉及一种用于电感绕线设备的异常智能监测***,该***根据三维点云数据的数据分布计算每个三维点云数据的缩放系数,进而获得整体缩放系数,根据整体缩放系数和三维点云数据的坐标范围获得体素立方体,在每个体素立方体中,以中心点云作为初始聚类中心对三维点云数据进行聚类得到电感点云类,通过三维点云数据与对应聚类中心之间的曲折系数差异和位置差异对K‑means聚类过程进行优化。本发明利用数据分布特征进而自适应确定合适的体素立方体,通过引入曲折系数使算法与领域紧密结合,聚类效果优秀,提高了对电感绕线设备异常状态监测的实时性和准确性。
Description
技术领域
本发明涉及图形识别处理技术领域,具体涉及一种用于电感绕线设备的异常智能监测***。
背景技术
电感线圈由于其特殊的物理性质而被广泛应用于不同的工业制造、日常生活设备等不同的领域中。电感线圈在生产制造过程中通过绕线机械设备进行加工处理,但由于技术人员操作不当或绕线机械设备参数设置不当、零部件磨损等因素导致生产得到的电感线圈出现质量问题,通常表现为线圈密度不均匀,这种不均匀的电感线圈不仅会影响线圈的物理特性,而且线圈整体的工整程度有较大的影响。因此需要对线圈的绕线异常进行监测。
现有技术中可通过聚类算法将电感线圈的数据点聚为一类,进而获得电感线圈的点云区域,根据点云区域的特征进行异常监测。但是因为电感线圈的数据点呈集中分布,但是现有技术中采用的聚类算法会因为聚类中心选择不合适,导致聚类效果差,进而无法准确监测出电感绕线设备的异常。
发明内容
为了解决现有技术中采用的聚类算法会因为聚类中心选择不合适,导致聚类效果差的技术问题,本发明的目的在于提供一种用于电感绕线设备的异常智能监测***,所采用的技术方案具体如下:
本发明提出了一种用于电感绕线设备的异常智能监测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现以下方法步骤:
采集获取得到电感线圈的三维点云数据;
据所述三维点云数据的数据分布,计算每个所述三维点云数据的缩放系数,进而获得所有所述三维点云数据的整体缩放系数;根据所述整体缩放系数和所述三维点云数据的坐标范围获得体素立方体的边长和数量;根据所述边长和所述数量构建所述三维点云数据的体素立方体;
在三维空间中,根据不同预设方向下每个所述三维点云数据与预设邻域范围内邻域数据点的坐标差异,计算对应三维点云数据的曲折系数;
在每个所述体素立方体中,以所述体素立方体的中心点云作为电感点云类的初始聚类中心,对所述三维点云数据进行聚类,获得电感点云类;在所述聚类过程中通过所述三维点云数据与对应所述聚类中心之间的所述曲折系数的差异和位置差异对所述聚类过程进行优化;
所述电感点云类中的所述三维点云数据组成所述电感线圈的点云区域,在所述点云区域中,根据所述三维点云数据之间的坐标位置差异计算所述电感线圈中每个线圈对应的外形因子,根据所述外形因子得到所述电感线圈的质量指标,根据所述质量指标进行电感绕线设备的异常的监测。
进一步地,所述缩放系数的获取方法包括:
构造所述三维点云数据的Kd树,根据所述Kd树获得任意一个所述三维点云数据预设邻域内的邻域数据点,以每个所述三维点云数据与对应所述邻域数据点之间的平均坐标差异作为所述缩放系数。
进一步地,所述整体缩放系数的获取方法包括:
以所有所述三维点云数据的缩放系数的平均值作为所述整体缩放系数。
进一步地,所述边长和所述数量的获取方法包括:
获得所述三维点云数据在各个维度下的坐标极差;将各个维度下的坐标极差累乘,将累乘结果与所述三维点云数据的数量的比值作为均分坐标范围;将所述均分坐标范围与所述整体缩放系数相乘后开三次方,获得所述边长;
以各个维度下的所述坐标极差与所述边长的比值作为对应维度下的初始数量;将各个维度下的所述初始数量累乘,获得所述数量。
进一步地,所述曲折系数的获取方法包括:
以三维坐标中的x轴与y轴组成的面作为参考平面,所述参考平面中包含不同预设方向,获得每个所述三维点云数据的邻域数据点在所述参考平面上的投影点,若所述投影点与原点连线的方向满足所述预设方向,则所述投影点对应的所述邻域数据点为所述三维点云数据在对应预设方向下的方向邻域数据点;在每个预设方向下,计算所述三维点云数据与每个所述方向邻域数据点的z轴坐标差异的累加和,获得对应预设方向下的初始曲折系数;将所有预设方向下的所述初始曲折系数累加,获得对应所述三维点云数据的所述曲折系数。
进一步地,所述聚类过程包括:
在每个所述体素立方体中,以所述体素立方体的中心点云作为电感点云类的初始聚类中心;除电感点云类的初始聚类中心外,利用高斯函数随机生成的一个点作为背景点云类的初始聚类中心;根据两类初始聚类中心利用K-means聚类算法将所述三维点云数据聚为两个类别,所述类别包括电感点云类和背景点云类。
进一步地,对所述聚类过程进行优化包括:
在每次聚类过程中,计算每个所述三维点云数据与所属类别的聚类中心点的曲折系数差异和欧氏距离,将所述欧氏距离和所述曲折系数差异相乘作为对应三维点云数据的类别偏移指标;将所有所述三维点云数据的类别偏移指标累加,获得对应聚类过程的聚类效果指标;当所述聚类效果指标最小时,停止聚类迭代,获得聚类结果。
进一步地,所述外形因子的获取方法包括:
获得每个线圈对应的所述三维点云数据在各个维度下的坐标极差,将各个维度下的所述坐标极差累加,获得所述外形因子。
进一步地,所述质量指标的获取方法包括:
计算各个线圈之间的所述外形因子的差异,并累加,获得初始质量指标;将所述初始质量指标归一化,获得所述质量指标。
进一步地,所述根据所述质量指标进行电感绕线设备的异常的监测的方法包括:
当所述质量指标大于预设指标阈值时,认为对应电感绕线设备出现异常;当质量指标小于等于预设指标阈值时,认为对应电感绕线设备正常。
本发明具有如下有益效果:
考虑到现有技术采用的聚类算法会因为聚类中心选择不合适而导致聚类效果差,进而无法精确监测出电感绕线设备的异常,因此,根据三维点云数据的数据分布自适应调整体素立方体的边长和数量,进而构建三维点云数据的大小合适的体素立方体,以体素立方体中的中心点云作为电感点云类的初始聚类中心进行聚类,比现有技术中选取聚类中心的方法更贴合本领域,使聚类效果优秀,提高了对电感绕线设备异常状态监测的准确性,解决了现有技术中采用的聚类算法会因为聚类中心选择不合适而导致聚类效果差的问题。
曲折系数代表了不同预设方向下对应三维点云数据的曲折信息,通过引用的曲折系数和体素立方体作为聚类信息分析聚类效果,能够获得准确的电感点云区域,引入的曲折系数能够使聚类算法与本领域紧密结合,在电感分析领域中具有更好的效果,相较于传统的聚类算法仅使用欧式距离进行聚类,聚类结果更精准,提高了对电感绕线设备异常状态监测的准确性。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种用于电感绕线设备的异常智能监测***的实现方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于电感绕线设备的异常智能监测***,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种用于电感绕线设备的异常智能监测***的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于电感绕线设备的异常智能监测***的实现方法的流程图。本发明实施例提供了一种用于电感绕线设备的异常智能监测***,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器在执行计算机程序时,可以实现以下方法步骤,该方法步骤对应的流程图如图1所示,具体包括:
步骤S1:采集获取得到电感线圈的三维点云数据。
传统算法通常基于2D的相机对电感线圈进行拍摄,但是拍摄后的图像丢失了原有
的立体数据信息,且忽略了导线粗细对电感线圈质量的影响,在分析图像信息时对电感线
圈出现异常监测的过程中存在误差,因此通过采集三维数据进行分析处理,异常监测的精
准度更高。本发明一个实施例利用Azure Kinect DK深度相机拍摄采集获取得到电感线圈
的三维点云数据中每个不同位置处的数据点,其均有三个不同维度的坐标信息,其
表示了拍摄采集得到的三维点云数据中数据点与深度相机对应位置处的空间距离信息。
至此,采集获取得了电感线圈的三维点云数据。
步骤S2:根据三维点云数据的数据分布,计算每个三维点云数据的缩放系数,进而获得所有三维点云数据的整体缩放系数;根据整体缩放系数和三维点云数据的坐标范围获得体素立方体的边长和数量;根据边长和数量构建三维点云数据的体素立方体。
在实际拍摄过程中受到采集工作环境、采集工作人员的操作情况和深度相机设备等多方面的影响,采集获得的三维点云数据中会出现异常数据点,同时,直接采集得到的三维点云数据会比较多,若直接对三维点云数据进行聚类,对电感线圈的异常监测的实时性慢且精确性低。因此,需要预先选择聚类中心点,使得最终的聚类结果产生的电感点云类中包含且仅包含尽可能多的电感线圈数据点。
现有技术中传统的体素滤波法中设置固定的立方体尺寸构建体素立方体会导致体素立方体的数量和大小不合适,体素立方体数量较大会增加计算量,体素立方体数量较少时不能准确将相关三维点云数据共同分析进而导致后续聚类效果差,所以需要根据所获得的三维点云数据自适应获得体素立方体的边长和数量。因为电感线圈为规则实体,三维点云数据具有邻域聚集特征,所以能够根据三维点云数据的数据分布计算每个三维点云数据的缩放系数,进而获得整体缩放系数,根据整体缩放系数和三维点云数据的坐标范围即可进行自适应获得体素立方体的边长和数量。
优选地,本发明一个实施例中,缩放系数的具体获取方法包括:
考虑到每次拍摄的三维点云数据所对应的坐标信息有差异,为了便于搜索特定数据,因此,利用Kd树中的三维点云数据分布特征进行缩放系数的计算。首先根据三维点云数据构建得到对应的Kd树,因为三维点云数据点具有聚集性,因此对于每个三维点云数据而言需要分析其邻域范围内的聚集性,进而获得对应的缩放系数,即根据Kd树获得任意一个三维点云数据预设邻域内的邻域数据点,以每个三维点云数据与对应邻域数据点之间的平均坐标差异作为缩放系数。
作为一个示例,第个数据点为任意一个三维点云数据,则根据Kd树可以获第个数
据点的邻域数据点数量,记为,其中,根据K近邻查询确定第个数据点预设邻域内的邻
域数据点。在本发明一个实施例中,K近邻查询过程中的K值取为3。
根据第个数据点与其的邻域数据点的平均坐标差异获得第个数据点的缩放系数,平均坐标差异为第个数据点与其的每个邻域数据点的坐标信息的各个维度差的绝对
值的累加和并平均的数值。计算获得每个三维点云数据的缩放系数,为后续计算整体缩放
系数做准备。即缩放系数的公式包括:
其中,为第个数据点的缩放系数,分别为第个数据点对应的第个
邻域数据点的坐标信息的、、坐标值,分别为第个数据点的坐标信息的、、坐标值,为第个数据点的邻域数据点数量,因为本发明一个实施例中K近邻查询过程
的K值取为3,因此为3。
缩放系数表征对应的一个三维点云数据与其邻域数据点的坐标分布数据的变化大小,当对应的一个三维点云数据与其邻域数据点的坐标分布数据的变化差异越大时,则对应的缩放系数越大。
将三维空间分割成一个个大小一致的立方体,这些立方体就称为体素立方体。体素立方体的作用为对三维空间进行划分并赋予每个立方体特征信息。Kd树是一种表征数据点之间关联顺序且便于搜索特定数据的一种数据结构,Kd树的具体构建过程为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。K近邻查询为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
因为每个三维点云数据均对应一个缩放系数,所以为了获得所有三维点云数据对应空间中的体素立方体边长和数量,需要获得整体缩放系数。
整体缩放系数表征所有三维点云数据的坐标分布数据的变化大小,当所有三维点云数据的坐标分布数据的变化差异大时,则整体缩放系数缩放越大。
在本发明另一个实施例中,整体缩放系数也可以为所有三维点云数据的缩放系数的中位数。
整体缩放系数表示了三维空间中数据点之间的坐标分布离散性,即整体缩放系数越大,为了使得体素立方体包含更多的三维点云数据点,则体素立方体设置的边长需要增大。因为电感线圈的三维点云数据具有明显的坐标范围,因此可结合坐标范围和整体缩放系数获得所需要设置的体素立方体的边长和数量。
优选地,在本发明一个实施例中,获得三维点云数据在各个维度下的坐标极差,各
个维度下的坐标极差即可反应对应维度下三维点云数据的坐标范围。将三维点云数据在各
个维度下的坐标极差累乘,将累乘结果与三维点云数据的数量的比值作为均分坐标范围,
均分坐标范围表示一个初始的体素立方体边长参考指标,进一步将均分坐标范围与整体缩
放系数结合,将均分坐标范围与整体缩放系数相乘后开三次方,获得大小合适的体素立方
体的边长;以各个维度下的坐标极差与所述边长的比值作为对应维度下的初始数量,将各
个维度下的初始数量累乘,获得体素立方体的数量。
其中,、、分别为三维点云数据的各个维度下的最大的、、坐标
值,、、分别为三维点云数据的各个维度下的最小的、、坐标值,、、
分别为三维点云数据对应维度下的、、坐标的坐标极差,、、分别为对应维度下的初
始数量,初始数量表征对应维度体素立方体的个数,为三维点云数据空间中体素立方体的
总个数,为三维点云数据的数量。
步骤S3:在三维空间中根据不同预设方向下每个三维点云数据与预设邻域范围内邻域数据点的坐标差异,计算对应三维点云数据的曲折系数。
经过电感绕线设备绕线后,电感线圈表面是曲折的其具有曲折性,现有技术中传统K-means聚类算法中仅使用欧氏距离,应用到本领域中聚类效果差,因此引入表示三维点云数据空间任意一个数据点对应电感线圈一点对应的曲折系数,将曲折系数参与到聚类后表示聚类效果的计算中使聚类更精准。所以为了精确获得每个三维点云数据下的曲折系数,考虑到不同预设方向下对应三维点云数据与预设邻域范围内邻域数据点的坐标差异进行计算曲折系数,即曲折系数包含不同预设方向下对应三维点云数据的曲折信息。
优选地,本发明一个实施例中,曲折系数的具体获取方法包括:
以三维坐标中的x轴与y轴组成的面作为参考平面,参考平面中包含不同预设方向,获得每个三维点云数据的邻域数据点在参考平面上的投影点,其中,根据Kd树中K近邻查询且K取体素立方体的边长的数值获得预设邻域范围内的邻域数据点。根据体素立方体的边长自适应确定邻域数据点。若投影点与原点连线的方向满足预设方向,则投影点对应的邻域数据点为三维点云数据在对应预设方向下的方向邻域数据点。在每个预设方向下,计算三维点云数据与每个方向邻域数据点的z轴坐标数值的差的绝对值的累加和,获得对应预设方向下的初始曲折系数;将所有预设方向下的初始曲折系数累加,获得对应三维点云数据的曲折系数。进一步计算每一个三维点云数据的曲折系数,为后面聚类做准备。
在本发明另一个实施例中,在确定邻域数据点时,K近邻查询方法中K选择其他合适的值进行计算。
曲折系数的公式包括:
初始曲折系数表征三维点云数据对应电感线圈一点在对应预设方向下的表面曲折情况,曲折系数表征三维点云数据对应电感线圈一点对应表面的曲折情况。当电感线圈的某点处表面曲折情况越大时,则对应某一个数据点的曲折系数越大。
在本发明另一个实施例中,预设方向可以选择其他的方向进行计算。
至此,获得了所有三维点云数据的曲折系数。
步骤S4:在每个体素立方体中,以体素立方体的中心点云作为电感点云类的初始聚类中心,对三维点云数据进行聚类,获得电感点云类;在聚类过程中通过三维点云数据与对应聚类中心之间的曲折系数差异和位置差异对聚类过程进行优化。
经过步骤S2的处理,将整体三维点云数据根据体素立方体分为一个个局部区域,因此可针对每个局部区域进行细节分析。在每个体素立方体中,因为电感点云数据呈现聚集性,因此体素立方体中的中心点云为电感点云数据的可能性最大,因此以体素立方体的中心点云作为电感点云类的初始聚类中心,对三维点云数据进行聚类,获得电感点云类。
优选地,本发明一个实施例中,聚类过程包括:在每个体素立方体中,以体素立方体的中心点云作为电感点云类的初始聚类中心;除电感点云类的初始聚类中心外,利用高斯函数随机生成的一个点作为背景点云类的初始聚类中心;根据两类初始聚类中心利用K-means聚类算法将三维点云数据聚为两个类别,类别包括电感点云类和背景点云类。对所有体素立方体中三维点云数据进行聚类得到电感点云类。背景点云数据是无意义的数据。
需要说明的是,本发明一个实施例把每个体素立方体中重心位置处的数据点作为中心点云,若重心位置处不存在数据点,则取距离重心最近的数据点作为中心点云。
现有技术中采用欧式距离表示聚类效果不贴合本领域,因此引入结合曲折系数差异表示聚类效果,曲折系数差异表示了每个三维点云数据与所属类别的聚类中心对应电感线圈两个点对应表面的曲折情况的差异,当两个点对应的曲折系数差异比较小时,则对应的点云数据为同类电云的可能性大,所以为了获得精确的聚类结果,结合曲折系数差异表示聚类效果。电感点云数据具有聚集性,因此可结合曲折系数差异和位置差异实现对聚类过程的优化。
优选地,本发明一个实施例中,聚类过程进行优化包括:在步骤S2中三维点云数据
空间被划分为一个个体素立方体,在体素立方体中便于聚类分析,第个体素立方体为任意
一个体素立方体,分析在第个体素立方体中的聚类过程。因为曲折系数差异能表示聚类效
果,所以引入曲折系数差异进行计算聚类效果,结合曲折系数差异和欧氏距离进行聚类效
果分析优化聚类算法。计算每个三维点云数据与所属类别的聚类中心点的曲折系数差异和
欧氏距离,曲折系数差异为对应的两个数据点的曲折系数相差的绝对值,将欧氏距离和曲
折系数差异相乘作为对应三维点云数据的类别偏移指标,其大小表示了对应的聚类效果,
对应的类别偏移指标越小,则对应的聚类效果越好;将对应的三维点云数据的类别偏移指
标累加,获得对应聚类过程的聚类效果指标;当聚类效果指标最小时,停止聚类迭代,
获得聚类结果。
需要说明的是,在聚类迭代过程中,不同类别对应的聚类中心由对应类别三维点云数据的坐标信息的平均维度值获得。并且每次聚类迭代过程均采用现有技术对每个数据点进行分类,具体聚类方法为本领域技术人员熟知的技术手段,在此不做赘述。
作为一个示例,聚类效果指标的获取公式包括:
其中,数据点为一个三维点云数据,为聚类中不同类的总个数,为第个体素
立方体中第个类别的数据点总个数。令当=1时,对电感点云类的数据点进行处理,为
电感点云类中的数据点的数量;令当=2时,对背景点云类的数据点进行处理,为背景点
云类的数据点的数量。为对应类别中的第个数据点的曲折系数,为第个类别的聚
类中心对应的数据点的曲折系数,为对应类别中的第个数据点的坐标信息,第个类
别的聚类中心对应的数据点的坐标信息,为距离衡量函数,其采用欧氏距离进行计算
分析。本发明一个实施例中聚类中不同类的总个数为2,因此为2。
在聚类迭代过程中,当对应的三维点云数据与对应中心点云的类别偏移指标累加和即聚类效果指标最小时,说明在对应体素立方体中完成了精准聚类。
对其他所有的体素立方体均进行聚类操作,所有三维点云数据被分为电感点云类和背景点云类。
至此,聚类结束,获得了电感点云类。
步骤S5:电感点云类中的三维点云数据组成电感线圈的点云区域,在点云区域中,根据三维点云数据之间的坐标位置差异计算电感线圈中每个线圈对应的外形因子,根据外形因子得到电感线圈的质量指标,根据质量指标进行电感绕线设备的异常的监测。
每个线圈的点云区域均具有三维坐标范围,根据坐标范围计算出对应线圈的外形情况,为了对电感绕线设备的异常的监测需要获得不同线圈之间的外形差异情况,因此引入线圈的外形因子表示其绕线情况。
在本发明一个实施例中,使用工程CAD图划分点云区域,获得每个线圈对应的点云
区域。工程CAD图为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。在电
感线圈点云区域中,对电感线圈从左到右进行编号,其为,每个线圈均对应一个电
感点云区域。
优选地,本发明一个实施例中,外形因子的获取方法包括:
第个线圈为任意一个线圈,获得第个线圈对应的三维点云数据在各个维度下的
坐标极差,其为对应维度下最大坐标与最小坐标的差,将各个维度下的坐标极差累加,获得
第个线圈对应电感点云区域的外形因子。即外形因子的公式包括:
外形因子表征对应电感线圈的外形特征,当对应的三维点云数据在各个维度下的坐标极差大时,则对应电感线圈在对应维度下越凸出。
为了对电感绕线设备的异常的监测,所以考虑到利用不同线圈之间的外形差异进行计算质量指标,即质量指标表示不同线圈之间差异的总和。
优选地,本发明一个实施例中,质量指标的获取方法包括:
质量指标表征各个线圈外形大小的差异的累加和,当各个线圈对应的外形因子之间的差异的总和越大时,则质量指标越大。
质量指标反映了电感线圈之间外形差异的总和,其对应电感绕线设备的状态。
优选地,本发明一个实施例中,根据所述质量指标进行电感绕线设备的异常的监测的方法包括:
当质量指标大于预设指标阈值时,认为对应的电感绕线设备异常,当电感绕制设备处于异常工作状态时,电感线圈之间出现相互交叠或凸起现象的异常情况,此时计算得到的电感线圈的质量指标较大;反之,当质量指标小于或等于预设经验阈值时,认为对应的电感绕线设备正常。
在本发明一个实施例中,预设指标阈值设为0.6。
至此,完成了对电感绕线设备的异常的监测。
综上,本发明根据三维点云数据的数据分布计算每个三维点云数据的缩放系数,进而获得整体缩放系数,根据整体缩放系数和三维点云数据的坐标范围获得体素立方体,在每个体素立方体中,以中心点云作为初始聚类中心对三维点云数据进行聚类得到电感点云类,通过三维点云数据与对应聚类中心之间的曲折系数差异和位置差异对K-means聚类过程进行优化。本发明利用数据分布特征进而自适应确定合适的体素立方体,通过引入曲折系数使算法与领域紧密结合,聚类效果优秀,提高了对电感绕线设备异常状态监测的实时性和准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种用于电感绕线设备的异常智能监测***,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时,实现以下方法步骤:
采集获取得到电感线圈的三维点云数据;
根据所述三维点云数据的数据分布,计算每个所述三维点云数据的缩放系数,进而获得所有所述三维点云数据的整体缩放系数;根据所述整体缩放系数和所述三维点云数据的坐标范围获得体素立方体的边长和数量;根据所述边长和所述数量构建所述三维点云数据的体素立方体;
在三维空间中,根据不同预设方向下每个所述三维点云数据与预设邻域范围内邻域数据点的坐标差异,计算对应三维点云数据的曲折系数;
在每个所述体素立方体中,以所述体素立方体的中心点云作为电感点云类的初始聚类中心,对所述三维点云数据进行聚类,获得电感点云类;在所述聚类过程中通过所述三维点云数据与对应所述聚类中心之间的所述曲折系数的差异和位置差异对所述聚类过程进行优化;
所述电感点云类中的所述三维点云数据组成所述电感线圈的点云区域,在所述点云区域中,根据所述三维点云数据之间的坐标位置差异计算所述电感线圈中每个线圈对应的外形因子,根据所述外形因子得到所述电感线圈的质量指标,根据所述质量指标进行电感绕线设备的异常的监测。
2.根据权利要求1所述的一种用于电感绕线设备的异常智能监测***,其特征在于,所述缩放系数的获取方法包括:
构造所述三维点云数据的Kd树,根据所述Kd树获得任意一个所述三维点云数据预设邻域内的邻域数据点,以每个所述三维点云数据与对应所述邻域数据点之间的平均坐标差异作为所述缩放系数。
3.根据权利要求1所述的一种用于电感绕线设备的异常智能监测***,其特征在于,所述整体缩放系数的获取方法包括:
以所有所述三维点云数据的缩放系数的平均值作为所述整体缩放系数。
4.根据权利要求1所述的一种用于电感绕线设备的异常智能监测***,其特征在于,所述边长和所述数量的获取方法包括:
获得所述三维点云数据在各个维度下的坐标极差;将各个维度下的坐标极差累乘,将累乘结果与所述三维点云数据的数量的比值作为均分坐标范围;将所述均分坐标范围与所述整体缩放系数相乘后开三次方,获得所述边长;
以各个维度下的所述坐标极差与所述边长的比值作为对应维度下的初始数量;将各个维度下的所述初始数量累乘,获得所述数量。
5.根据权利要求2所述的一种用于电感绕线设备的异常智能监测***,其特征在于,所述曲折系数的获取方法包括:
以三维坐标中的x轴与y轴组成的面作为参考平面,所述参考平面中包含不同预设方向,获得每个所述三维点云数据的邻域数据点在所述参考平面上的投影点,若所述投影点与原点连线的方向满足所述预设方向,则所述投影点对应的所述邻域数据点为所述三维点云数据在对应预设方向下的方向邻域数据点;在每个预设方向下,计算所述三维点云数据与每个所述方向邻域数据点的z轴坐标差异的累加和,获得对应预设方向下的初始曲折系数;将所有预设方向下的所述初始曲折系数累加,获得对应所述三维点云数据的所述曲折系数。
6.根据权利要求1所述的一种用于电感绕线设备的异常智能监测***,其特征在于,所述聚类过程包括:
在每个所述体素立方体中,以所述体素立方体的中心点云作为电感点云类的初始聚类中心;除电感点云类的初始聚类中心外,利用高斯函数随机生成的一个点作为背景点云类的初始聚类中心;根据两类初始聚类中心利用K-means聚类算法将所述三维点云数据聚为两个类别,所述类别包括电感点云类和背景点云类。
7.根据权利要求6所述的一种用于电感绕线设备的异常智能监测***,其特征在于,对所述聚类过程进行优化包括:
在每次聚类过程中,计算每个所述三维点云数据与所属类别的聚类中心点的曲折系数差异和欧氏距离,将所述欧氏距离和所述曲折系数差异相乘作为对应三维点云数据的类别偏移指标;将所有所述三维点云数据的类别偏移指标累加,获得对应聚类过程的聚类效果指标;当所述聚类效果指标最小时,停止聚类迭代,获得聚类结果。
8.根据权利要求1所述的一种用于电感绕线设备的异常智能监测***,其特征在于,所述外形因子的获取方法包括:
获得每个线圈对应的所述三维点云数据在各个维度下的坐标极差,将各个维度下的所述坐标极差累加,获得所述外形因子。
9.根据权利要求1所述的一种用于电感绕线设备的异常智能监测***,其特征在于,所述质量指标的获取方法包括:
计算各个线圈之间的所述外形因子的差异,并累加,获得初始质量指标;将所述初始质量指标归一化,获得所述质量指标。
10.根据权利要求9所述的一种用于电感绕线设备的异常智能监测***,其特征在于,所述根据所述质量指标进行电感绕线设备的异常的监测的方法包括:
当所述质量指标大于预设指标阈值时,认为对应电感绕线设备出现异常;当质量指标小于等于预设指标阈值时,认为对应电感绕线设备正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457838.2A CN116168036B (zh) | 2023-04-26 | 2023-04-26 | 用于电感绕线设备的异常智能监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310457838.2A CN116168036B (zh) | 2023-04-26 | 2023-04-26 | 用于电感绕线设备的异常智能监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116168036A CN116168036A (zh) | 2023-05-26 |
CN116168036B true CN116168036B (zh) | 2023-07-04 |
Family
ID=86416781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310457838.2A Active CN116168036B (zh) | 2023-04-26 | 2023-04-26 | 用于电感绕线设备的异常智能监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116168036B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095771B (zh) * | 2023-10-18 | 2024-02-06 | 昆山尚瑞智能科技有限公司 | 一种高精度光谱测量数据优化处理方法 |
CN117252863B (zh) * | 2023-11-13 | 2024-02-09 | 山东省地质测绘院 | 一种地理信息异常数据快速检测分析方法 |
CN117474999B (zh) * | 2023-12-25 | 2024-04-19 | 惠州市德立电子有限公司 | 一种微型片式电感双线绕线异常定位方法及*** |
CN117710244B (zh) * | 2024-02-05 | 2024-04-26 | 湖南裕工新能科技有限公司 | 一种车载装配物料对位智能检测方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658531A (zh) * | 2019-08-23 | 2020-01-07 | 畅加风行(苏州)智能科技有限公司 | 一种用于港口自动驾驶车辆的动态目标追踪方法 |
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN112034244A (zh) * | 2020-11-04 | 2020-12-04 | 南京航天工业科技有限公司 | 一种etc异常信号的检测方法及*** |
WO2022142948A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市普渡科技有限公司 | 动态目标跟踪定位方法、装置、设备和存储介质 |
CN115908751A (zh) * | 2022-11-23 | 2023-04-04 | 南京莱斯信息技术股份有限公司 | 一种基于三维点云的飞行器捕获与识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220269900A1 (en) * | 2021-02-19 | 2022-08-25 | Teraki Gmbh | Low level sensor fusion based on lightweight semantic segmentation of 3d point clouds |
-
2023
- 2023-04-26 CN CN202310457838.2A patent/CN116168036B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488769A (zh) * | 2019-01-28 | 2020-08-04 | 北京工商大学 | 基于光斑发散尺寸的无监督式融合点云超体素化方法 |
CN110658531A (zh) * | 2019-08-23 | 2020-01-07 | 畅加风行(苏州)智能科技有限公司 | 一种用于港口自动驾驶车辆的动态目标追踪方法 |
CN112034244A (zh) * | 2020-11-04 | 2020-12-04 | 南京航天工业科技有限公司 | 一种etc异常信号的检测方法及*** |
WO2022142948A1 (zh) * | 2020-12-29 | 2022-07-07 | 深圳市普渡科技有限公司 | 动态目标跟踪定位方法、装置、设备和存储介质 |
CN115908751A (zh) * | 2022-11-23 | 2023-04-04 | 南京莱斯信息技术股份有限公司 | 一种基于三维点云的飞行器捕获与识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116168036A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116168036B (zh) | 用于电感绕线设备的异常智能监测*** | |
Guo et al. | 3D object recognition in cluttered scenes with local surface features: A survey | |
CN109887015B (zh) | 一种基于局部曲面特征直方图的点云自动配准方法 | |
CN107038717B (zh) | 一种基于立体栅格自动分析3d点云配准误差的方法 | |
CN107886529B (zh) | 一种用于三维重建的点云配准方法 | |
CN100559398C (zh) | 自动的深度图像配准方法 | |
CN114972459B (zh) | 一种基于低维点云局部特征描述符的点云配准方法 | |
CN109903319B (zh) | 一种基于多分辨率的快速迭代最近点配准算法 | |
CN108665491A (zh) | 一种基于局部参考点的快速点云配准方法 | |
CN108022262A (zh) | 一种基于点的邻域重心向量特征的点云配准方法 | |
CN112669385A (zh) | 基于三维点云特征的工业机器人工件识别与位姿估计方法 | |
CN112381862B (zh) | 一种cad模型与三角网格全自动配准方法和装置 | |
CN111027140B (zh) | 基于多视角点云数据的飞机标准件模型快速重构方法 | |
CN111145129A (zh) | 基于超体素的点云去噪方法 | |
CN117132630A (zh) | 一种基于二阶空间兼容性度量的点云配准方法 | |
CN117274339A (zh) | 一种基于改进的iss-3dsc特征结合icp的点云配准方法 | |
CN112446952B (zh) | 三维点云法向量的生成方法、装置、电子设备及存储介质 | |
Zhao et al. | A new k nearest neighbours algorithm using cell grids for 3d scattered point cloud | |
Liu et al. | Deep learning of directional truncated signed distance function for robust 3D object recognition | |
Guan et al. | View-based 3D model retrieval by joint subgraph learning and matching | |
CN111583098B (zh) | 一种基于序列图像的线段聚类及拟合方法和*** | |
CN111401385B (zh) | 一种图像局部拓扑结构特征描述符的相似度计算方法 | |
CN113111741A (zh) | 一种基于三维特征点的装配状态识别方法 | |
CN111915732A (zh) | 一种图像生成方法及*** | |
CN113989381A (zh) | 一种基于改进的海鸥算法的多相机标定方法 |
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 | ||
CP03 | Change of name, title or address | ||
CP03 | Change of name, title or address |
Address after: 518000 room 1101-1105, building 6, Hengda fashion Huigu building (East District), Fulong Road, Henglang community, Dalang street, Longhua District, Shenzhen, Guangdong Patentee after: Cenke Technology (Shenzhen) Group Co.,Ltd. Address before: Room 1101-1105, Building 6, Evergrande Fashion Huigu Building (East Area), Fulong Road, Henglang Community, Dalang Street, Longhua District, Shenzhen, Guangdong 518110 Patentee before: SHENZHEN CENKER ENTERPRISE Ltd. |