CN116502155B - 一种用于数控电动螺旋压力机的****** - Google Patents
一种用于数控电动螺旋压力机的****** Download PDFInfo
- Publication number
- CN116502155B CN116502155B CN202310775936.0A CN202310775936A CN116502155B CN 116502155 B CN116502155 B CN 116502155B CN 202310775936 A CN202310775936 A CN 202310775936A CN 116502155 B CN116502155 B CN 116502155B
- Authority
- CN
- China
- Prior art keywords
- data
- screw press
- electric screw
- numerical control
- control electric
- 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
- 238000007637 random forest analysis Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000007405 data analysis Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 18
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000007726 management method Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 162
- 238000012544 monitoring process Methods 0.000 claims description 53
- 238000007781 pre-processing Methods 0.000 claims description 19
- 230000002596 correlated effect Effects 0.000 claims description 18
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000004140 cleaning Methods 0.000 claims description 8
- 238000003066 decision tree Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000005242 forging Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007873 sieving Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21J—FORGING; HAMMERING; PRESSING METAL; RIVETING; FORGE FURNACES
- B21J9/00—Forging presses
- B21J9/10—Drives for forging presses
- B21J9/20—Control devices specially adapted to forging presses not restricted to one of the preceding subgroups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及安全管理技术领域，具体公开了一种用于数控电动螺旋压力机的******，包括处理器以及与处理器通讯连接的数据采集模块、数据存储模块、数据分析模块以及数据展示模块；通过对数据的处理和算法的选择，构建一个高效、准确、泛化能力强的随机森林模型，为数控电动螺旋压力机的***提供支持，从大量的特征中筛选出对数控电动螺旋压力机安全性影响最大的关键特征，以提高随机森林模型的性能和准确性，用于解决特征数据的******中的高数据维度和高数据复杂度降低数据分析的效率和准确性的问题。
Description
技术领域
本发明涉及安全管理技术领域，更具体地说，本发明涉及一种用于数控电动螺旋压力机的******。
背景技术
螺旋压力机是用螺杆、螺母作为传动机构传递飞轮能量的锻压机械，广泛应用于模锻、切边以及校正等不同的锻压工艺，尤其是汽车发动机连杆模锻件采用的数控电动螺旋压力机一般都需要经过严格的***和质量检验。随着大数据技术的发展，利用大数据技术来监控和管理数控电动螺旋压力机已经成为一种趋势。特征数据的安全监控管理***中的设备数据量大，数据维度高，现有的监控管理***无法通过庞大而维度较高的设备数据提取对设备运行状态影响最大的特征，高数据维度和高数据复杂度降低了数据分析的效率和准确性。
随机森林是一种基于决策树的集成学习算法，能够通过构建随机森林模型来计算特征的重要性，而这种算法在汽车发动机连杆模锻件数控电动螺旋压力机的******中的应用还尚未得到明确而具体的应用，尤其是对有效能量、打击力、滑块速度、滑块位移、驱动电流、驱动电压以及电机温升的监控管理就变得非常重要。为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明提供一种用于数控电动螺旋压力机的******，通过对数据的处理和算法的选择，构建一个高效、准确、泛化能力强的随机森林模型，为数控电动螺旋压力机的***提供支持，从大量的特征中筛选出对数控电动螺旋压力机安全性影响最大的关键特征，更好地进行数控电动螺旋压力机风险评估和预测，提高数控电动螺旋压力机的******的效率和性能，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种用于数控电动螺旋压力机的******，包括处理器以及与处理器通讯连接的数据采集模块、数据存储模块、数据分析模块以及数据展示模块，数据分析模块包括数据预处理模块、参数评估模块、建模模块以及预测模块，参数评估模块通过数据清洗完成的数控电动螺旋压力机温度、压力、流量、振动、电流以及电压数据构建设备运行状态评估指标、安全状态评估指标以及能源效率评估指标，分别用于评估设备的运行状态、安全状态和能源效率信息，通过设备运行状态评估指标、安全状态评估指标以及能源效率评估指标的加权之和对设备的状态进行综合评估，综合评估的公式为：
；
式中：为综合评估指标，/>为运行状态评估指标，/>为安全状态评估指标，/>为能源效率评估指标，/>、/>以及/>分别为设备运行状态评估指标、安全状态评估指标以及能源效率评估指标的影响权重，根据数控电动螺旋压力机的种类以及参数侧重的属性进行个性化设置，满足/>、/>以及/>均为/>之间的常数且/>；
参数评估指标通过综合评估公式获取综合评估指标的数据，利用综合评估指标的数据创建样本数据集，计算样本数据集的均值和标准差，利用均值和标准差对样本数据集中的数据进行标准化，标准化公式为：
；
式中：为综合评估指标的标准值，/>为样本数据集的均值，/>为样本数据集的方差；
将综合评估指标的标准值作为自变量代入函数，利用函数值对综合评估指标进行二分类，实现综合指标的分类评估。
作为本发明进一步的方案，在参数评估模块中，数控电动螺旋压力机的运行状态评估指标与有效能量、打击力、滑块速度以及滑块位移的监测值正相关，数控电动螺旋压力机的运行状态评估指标公式为：
；
式中：为数控电动螺旋压力机的有效能量监测值，/>为数控电动螺旋压力机的打击力监测值，/>为数控电动螺旋压力机的滑块速度监测值，/>为数控电动螺旋压力机的滑块速度基础值，为滑块下行回程中的初始打击速度，/>为数控电动螺旋压力机的滑块位移监测值。
作为本发明进一步的方案，在参数评估模块中，数控电动螺旋压力机的安全状态评估指标与气瓶的气体温度监测值正相关，与气瓶的压力监测值正相关，与气体浓度监测值的2倍同初始气体浓度之和正相关，安全状态评估指标的公式为：
；
式中：为气体浓度监测值，/>为初始气体浓度值，根据数控电动螺旋压力机使用的气体类别通过经验设定，/>为气瓶的气体温度监测值，/>为气瓶的压力监测值。
作为本发明进一步的方案，在参数评估模块中，数控电动螺旋压力机的能源效率评估指标与实际滑块位移正相关，与实际打击能量正相关，能源效率评估指标的公式为：
；
式中：为实际滑块位移监测值，/>为实际打击能量监测值。
作为本发明进一步的方案，在参数评估模块中，综合评估指标的分类机制为，
当时，综合评估指标的分类为一级；
当时，综合评估指标的分类为二级，一级的评估状态小于二级的评估状态；
式中，、/>分别为函数值/>的最大值和最小值。
作为本发明进一步的方案，处理器用于处理来自用于数控电动螺旋压力机的******的至少一个组件的数据；
数据采集模块用于采集获取数控电动螺旋压力机的监测数据，将获取到的监测数据发送至数据分析模块进行分析处理，并将获取到的监测数据发送至数据存储模块进行存储；
数据存储模块用于将采集、预处理、评估、建模和预测产生的数据使用分布式存储技术将采集到的数据存储在多个节点上；
数据展示模块用于将处理后的数据以图表的形式展示，并提供管理数控电动螺旋压力机的远程控制、维修记录管理的功能。
作为本发明进一步的方案，数据分析模块接收到数据采集模块发送的信息后，通过处理器调用数据存储模块内部存储的数据对数控电动螺旋压力机的运行状态进行分析处理，得到不同的状态评估指标以及综合评估指标，对综合指标进行分级评估，并将评估级别发送至数据存储模块以及数据展示模块，同时将不同的状态评估指标发送给建模模块以及预测模块，通过三种不同状态的评估指标数值构建原始数据集，并将原始数据集分割成若干不同的子集，并针对每个子集构建一棵决策树，通过集成所有的决策树获取随机森林模型，提取数控电动螺旋压力机运行状态影响最大的特征，识别出异常数据并及时报警，判断数控电动螺旋压力机的故障风险和安全风险，综合分析和预测数控电动螺旋压力机的安全状态和故障状态，判断不同状态评估指标之间的相互影响和交叉关系。
作为本发明进一步的方案，数据分析模块利用随机森林机器学习模型提取数控电动螺旋压力机运行状态影响特征的过程包括如下步骤，
步骤S1，数据预处理：数据预处理模块从采集到的运行状态评估指标数据集、安全状态评估指标数据集以及能源效率评估指标数据集分别获取不同的子集，对子集的数据进行数据清洗、缺失值填充以及数据标准化；
步骤S2，构建随机森林模型：建模模块使用已经预处理过的设备数据，利用随机森林算法构建分类模型，调节随机森林模型的参数，随机森林模型的参数包括树的数量和树的深度，判断设备的运行状态和异常情况；
步骤S3，计算特征重要性：利用随机森林算法计算特征的重要性，使用基尼指数判断各个特征对目标变量的影响程度；
步骤S4，特征选择：根据重要性排序结果，选取对目标变量有较大影响的特征，使用特征筛选、特征变换以及特征组合的方式实现特征的预处理，其中特征筛选采用相关系数分析法选择与故障预测相关的特征，特征变换包括特征的标准化和归一化，特征组合是通过特征交叉法构建特征集合，剔除冗余和噪声特征，利用递归特征消除的方法进行特征选择；
步骤S5，模型验证和调整：使用交叉验证方法验证所选取的特征的有效性，对构建好的随机森林模型进行评估和调优，在预先给定的超参数空间中随机选择若干超参数组合进行搜索，获取最佳的超参数组合。
使用验证集对模型进行评估，计算模型中的准确率、召回率以及F1分数，根据验证集上的性能指标，对模型的超参数进行调整，同时增加或者减少特征数量，使用随机搜索法寻找最优超参数组合，根据模型性能指标和调参结果，对模型进行正则化操作，防止过拟合，最后再利用测试集对模型进行再次测试，获取最终的预测结果。
本发明一种用于数控电动螺旋压力机的******的技术效果和优点：
本发明是通过对数据的处理和算法的选择，利用参数评估模块获取通过数据清洗完成的数控电动螺旋压力机有效能量、打击力、滑块速度、滑块位移、驱动电流、驱动电压以及电机温升数据构建设备运行状态评估指标、安全状态评估指标以及能源效率评估指标，再构建一个高效、准确、泛化能力强的随机森林模型对这三个状态评估指标的数据集进行故障状态判断和预测，为数控电动螺旋压力机的***提供支持，从大量的特征中筛选出对数控电动螺旋压力机安全性影响最大的关键特征，以提高随机森林模型的性能和准确性，更好地进行数控电动螺旋压力机风险评估和预测，降低计算成本和存储成本，提高数控电动螺旋压力机的******的效率和性能，实现对数控电动螺旋机有效能量、打击力、滑块速度、滑块位移、驱动电流、驱动电压以及电机温升的有效监控和管理。
附图说明
图1为本发明中数据分析模块利用随机森林机器学习模型提取数控电动螺旋压力机运行状态影响特征的过程流程图；
图2为本发明一种用于数控电动螺旋压力机的******的结构示意图。
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他实施例，都属于本发明保护的范围。
实施例1
本发明一种用于数控电动螺旋压力机的******，是通过对数据的处理和算法的选择，利用参数评估模块获取通过数据清洗完成的数控电动螺旋压力机有效能量、打击力、滑块速度、滑块位移、驱动电流、驱动电压以及电机温升数据构建设备运行状态评估指标、安全状态评估指标以及能源效率评估指标，再构建一个高效、准确、泛化能力强的随机森林模型对这三个状态评估指标的数据集进行故障状态判断和预测，为数控电动螺旋压力机的***提供支持，从大量的特征中筛选出对数控电动螺旋压力机安全性影响最大的关键特征，以提高随机森林模型的性能和准确性，更好地进行数控电动螺旋压力机风险评估和预测，降低计算成本和存储成本，提高数控电动螺旋压力机的******的效率和性能，实现对数控电动螺旋机有效能量、打击力、滑块速度、滑块位移、驱动电流、驱动电压以及电机温升的有效监控和管理。
图1给出了本发明中数据分析模块利用随机森林机器学习模型提取数控电动螺旋压力机运行状态影响特征的过程流程图，其包括如下步骤：
步骤S1，数据预处理：数据预处理模块从采集到的运行状态评估指标数据集、安全状态评估指标数据集以及能源效率评估指标数据集分别获取不同的子集，对子集的数据进行数据清洗、缺失值填充以及数据标准化；
步骤S2，构建随机森林模型：建模模块使用已经预处理过的设备数据，利用随机森林算法构建分类模型，调节随机森林模型的参数，随机森林模型的参数包括树的数量和树的深度，判断设备的运行状态和异常情况；
步骤S3，计算特征重要性：利用随机森林算法计算特征的重要性，使用基尼指数判断各个特征对目标变量的影响程度；
步骤S4，特征选择：根据重要性排序结果，选取对目标变量有较大影响的特征，使用特征筛选、特征变换以及特征组合的方式实现特征的预处理，其中特征筛选采用相关系数分析法选择与故障预测相关的特征，特征变换包括特征的标准化和归一化，特征组合是通过特征交叉法构建特征集合，剔除冗余和噪声特征，利用递归特征消除的方法进行特征选择；
步骤S5，模型验证和调整：使用交叉验证方法验证所选取的特征的有效性，对构建好的随机森林模型进行评估和调优，在预先给定的超参数空间中随机选择若干超参数组合进行搜索，获取最佳的超参数组合。
具体的，本发明各步骤详细过程如下：
步骤S1：
本发明首先进行数据预处理：数据预处理模块从采集到的运行状态评估指标数据集、安全状态评估指标数据集以及能源效率评估指标数据集分别获取不同的子集，对子集的数据进行数据清洗、缺失值填充以及数据标准化。
需要说明的是，对数据的预处理能够去除数据集中的缺失值、重复值以及异常值，保留有效数据，根据评估指标和评估需求，选择适应的数据，剔除无关数据，将数据进行标准化能够对数据进行去量纲处理，方便模型的训练和比较。
步骤S2：
本发明再构建随机森林模型：建模模块使用已经预处理过的设备数据，利用随机森林算法构建分类模型，调节随机森林模型的参数，随机森林模型的参数包括树的数量和树的深度，判断设备的运行状态和异常情况。
需要注意的是，随机森林算法作为一种集成学习算法，能够在获取的三个状态评估指标大规模的数据集进行处理时获得良好的预测效果，与数据采集模块的数据以及预测模块进行结合，能够实时预测数控电动螺旋压力机的安全情况以及故障状态。
步骤S3：
本发明进一步计算特征重要性：利用随机森林算法计算特征的重要性，使用基尼指数判断各个特征对目标变量的影响程度。
需要指出的是，使用基尼指数算法获取每个特征的基尼指数，得出每个特征的重要性得分，进而实现特征重要性的排序，从而准确地确定对数控电动螺旋压力机安全性影响最大的关键特征，进而通过筛选出的最佳特征提高随机森林模型的计算性能以及准确性，从而更好地进行数控电动螺旋压力机风险评估和预测。
步骤S4：
步骤S4中，主要是征选择：根据重要性排序结果，选取对目标变量有较大影响的特征，使用特征筛选、特征变换以及特征组合的方式实现特征的预处理，其中特征筛选采用相关系数分析法选择与故障预测相关的特征，特征变换包括特征的标准化和归一化，特征组合是通过特征交叉法构建特征集合，剔除冗余和噪声特征，利用递归特征消除的方法进行特征选择。
需要说明的是，特征选择在数控电动螺旋压力机的******中的重要意义主要体现在以下几个方面：
（1）高模型效率：数控电动螺旋压力机的******需要实时监控大量的设备数据，并能够对设备异常情况进行预测和诊断。而通过特征选择，可以筛选出最具有代表性的特征，减少模型的计算量，提高模型效率和响应速度。
（2）提高模型的准确性和泛化能力：数控电动螺旋压力机的******需要预测和诊断各种类型的设备异常情况，因此需要构建一个具有较好的泛化能力的模型。通过特征选择，减少冗余特征的干扰，提高模型的准确性和泛化能力。
（3）降低建模成本：数控电动螺旋压力机的******中需要收集和处理大量的设备数据，而特征选择减少了数据收集和处理的成本，同时也降低了建模的时间成本。
综上所述，通过应用随机森林算法解决特征选择的技术问题，更加有效地提高了特征选择的准确性和效率，能够通过集成多个决策树的结果来减少随机误差和噪声的干扰，同时也能够提供特征重要性排名，准确地筛选出最具有代表性的特征，提高模型的准确性和泛化能力。
步骤S5
步骤S5中，主要是模型验证和调整：使用交叉验证方法验证所选取的特征的有效性，对构建好的随机森林模型进行评估和调优，在预先给定的超参数空间中随机选择若干超参数组合进行搜索，获取最佳的超参数组合。
通过将验证和优化调整后的随机森林模型与数据采集模块的采集数据相结合，能够实现数控电动螺旋压力机监测大数据的实时分析，帮助了解数控电动螺旋压力机的使用情况，发现潜在问题，提高生产效率和产品质量，提高了数控电动螺旋压力机的管理水平，加强了设备的监管和检查，有助于实现数控电动螺旋压力机管理的规范化和科学化。
实施例2
本发明实施例2与实施例1的区别在于，本实施例是对一种用于数控电动螺旋压力机的******进行介绍。
图2给出了本发明用于数控电动螺旋压力机的******的结构示意图，其包括处理器以及与处理器通讯连接的数据采集模块、数据存储模块、数据分析模块以及数据展示模块，数据分析模块包括数据预处理模块、参数评估模块、建模模块以及预测模块，参数评估模块通过数据清洗完成的数控电动螺旋压力机温度、压力、流量、振动、电流以及电压数据构建设备运行状态评估指标、安全状态评估指标以及能源效率评估指标，分别用于评估设备的运行状态、安全状态和能源效率信息，通过设备运行状态评估指标、安全状态评估指标以及能源效率评估指标的加权之和对设备的状态进行综合评估，综合评估的公式为：
；
式中：为综合评估指标，/>为运行状态评估指标，/>为安全状态评估指标，/>为能源效率评估指标，/>、/>以及/>分别为设备运行状态评估指标、安全状态评估指标以及能源效率评估指标的影响权重，根据数控电动螺旋压力机的种类以及参数侧重的属性进行个性化设置，满足/>、/>以及/>均为/>之间的常数且/>；
参数评估指标通过综合评估公式获取综合评估指标的数据，利用综合评估指标的数据创建样本数据集，计算样本数据集的均值和标准差，利用均值和标准差对样本数据集中的数据进行标准化，标准化公式为：
；
式中：为综合评估指标的标准值，/>为样本数据集的均值，/>为样本数据集的方差；
将综合评估指标的标准值作为自变量代入函数，利用函数值对综合评估指标进行二分类，实现综合指标的分类评估。
在参数评估模块中，数控电动螺旋压力机的运行状态评估指标与有效能量、打击力、滑块速度以及滑块位移的监测值正相关，数控电动螺旋压力机的运行状态评估指标公式为：
；
式中：为数控电动螺旋压力机的有效能量监测值，/>为数控电动螺旋压力机的打击力监测值，/>为数控电动螺旋压力机的滑块速度监测值，/>为数控电动螺旋压力机的滑块速度基础值，为滑块下行回程中的初始打击速度，/>为数控电动螺旋压力机的滑块位移监测值。
在参数评估模块中，数控电动螺旋压力机的安全状态评估指标与气瓶的气体温度监测值正相关，与气瓶的压力监测值正相关，与气体浓度监测值的2倍同初始气体浓度之和正相关，安全状态评估指标的公式为：
；
式中：为气体浓度监测值，/>为初始气体浓度值，根据数控电动螺旋压力机使用的气体类别通过经验设定，/>为气瓶的气体温度监测值，/>为气瓶的压力监测值。
在参数评估模块中，数控电动螺旋压力机的能源效率评估指标与实际滑块位移正相关，与实际打击能量正相关，能源效率评估指标的公式为：
；
式中：为实际滑块位移监测值，/>为实际打击能量监测值。
在参数评估模块中，综合评估指标的分类机制为，
当时，综合评估指标的分类为一级；
当时，综合评估指标的分类为二级，一级的评估状态小于二级的评估状态；
式中，、/>分别为函数值/>的最大值和最小值。
处理器用于处理来自用于数控电动螺旋压力机的******的至少一个组件的数据；
数据采集模块用于采集获取数控电动螺旋压力机的监测数据，将获取到的监测数据发送至数据分析模块进行分析处理，并将获取到的监测数据发送至数据存储模块进行存储；
数据存储模块用于将采集、预处理、评估、建模和预测产生的数据使用分布式存储技术将采集到的数据存储在多个节点上；
数据展示模块用于将处理后的数据以图表的形式展示，并提供管理数控电动螺旋压力机的远程控制、维修记录管理的功能。
数据分析模块接收到数据采集模块发送的信息后，通过处理器调用数据存储模块内部存储的数据对数控电动螺旋压力机的运行状态进行分析处理，得到不同的状态评估指标以及综合评估指标，对综合指标进行分级评估，并将评估级别发送至数据存储模块以及数据展示模块，同时将不同的状态评估指标发送给建模模块以及预测模块，通过三种不同状态的评估指标数值构建原始数据集，并将原始数据集分割成若干不同的子集，并针对每个子集构建一棵决策树，通过集成所有的决策树获取随机森林模型，提取数控电动螺旋压力机运行状态影响最大的特征，识别出异常数据并及时报警，判断数控电动螺旋压力机的故障风险和安全风险，综合分析和预测数控电动螺旋压力机的安全状态和故障状态，判断不同状态评估指标之间的相互影响和交叉关系。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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 (5)
1.一种用于数控电动螺旋压力机的******，其特征在于，包括处理器以及与处理器通讯连接的数据采集模块、数据存储模块、数据分析模块以及数据展示模块，数据分析模块包括数据预处理模块、参数评估模块、建模模块以及预测模块，参数评估模块通过数据清洗完成的数控电动螺旋压力机温度、压力、流量、振动、电流以及电压数据构建设备运行状态评估指标、安全状态评估指标以及能源效率评估指标，分别用于评估设备的运行状态、安全状态和能源效率信息，通过设备运行状态评估指标、安全状态评估指标以及能源效率评估指标的加权之和对设备的状态进行综合评估，综合评估的公式为：
；
式中：为综合评估指标，/>为运行状态评估指标，/>为安全状态评估指标，/>为能源效率评估指标，/>、/>以及/>分别为设备运行状态评估指标、安全状态评估指标以及能源效率评估指标的影响权重，根据数控电动螺旋压力机的种类以及参数侧重的属性进行个性化设置，满足/>、/>以及/>均为/>之间的常数且/>；
参数评估指标通过综合评估公式获取综合评估指标的数据，利用综合评估指标的数据创建样本数据集，计算样本数据集的均值和标准差，利用均值和标准差对样本数据集中的数据进行标准化，标准化公式为：
；
式中：为综合评估指标的标准值，/>为样本数据集的均值，/>为样本数据集的方差；
将综合评估指标的标准值作为自变量代入函数，利用函数值/>对综合评估指标进行二分类，实现综合指标的分类评估；
在参数评估模块中，数控电动螺旋压力机的运行状态评估指标与有效能量、打击力、滑块速度以及滑块位移的监测值正相关，数控电动螺旋压力机的运行状态评估指标公式为：
；
式中：为数控电动螺旋压力机的有效能量监测值，/>为数控电动螺旋压力机的打击力监测值，/>为数控电动螺旋压力机的滑块速度监测值，/>为数控电动螺旋压力机的滑块速度基础值，为滑块下行回程中的初始打击速度，/>为数控电动螺旋压力机的滑块位移监测值；
在参数评估模块中，数控电动螺旋压力机的安全状态评估指标与气瓶的气体温度监测值正相关，与气瓶的压力监测值正相关，与气体浓度监测值的2倍同初始气体浓度之和正相关，安全状态评估指标的公式为：
；
式中：为气体浓度监测值，/>为初始气体浓度值，根据数控电动螺旋压力机使用的气体类别通过经验设定，/>为气瓶的气体温度监测值，/>为气瓶的压力监测值；
在参数评估模块中，数控电动螺旋压力机的能源效率评估指标与实际滑块位移正相关，与实际打击能量正相关，能源效率评估指标的公式为：
；
式中：为实际滑块位移监测值，/>为实际打击能量监测值。
2.根据权利要求1所述的一种用于数控电动螺旋压力机的******，其特征在于：在参数评估模块中，综合评估指标的分类机制为，
当时，综合评估指标的分类为一级；
当时，综合评估指标的分类为二级，一级的评估状态小于二级的评估状态；
式中，、/>分别为函数值/>的最大值和最小值。
3.根据权利要求1所述的一种用于数控电动螺旋压力机的******，其特征在于：
处理器用于处理来自用于数控电动螺旋压力机的******的至少一个组件的数据；
数据采集模块用于采集获取数控电动螺旋压力机的监测数据，将获取到的监测数据发送至数据分析模块进行分析处理，并将获取到的监测数据发送至数据存储模块进行存储；
数据存储模块用于将采集、预处理、评估、建模和预测产生的数据使用分布式存储技术将采集到的数据存储在多个节点上；
数据展示模块用于将处理后的数据以图表的形式展示，并提供管理数控电动螺旋压力机的远程控制、维修记录管理的功能。
4.根据权利要求1所述的一种用于数控电动螺旋压力机的******，其特征在于：数据分析模块接收到数据采集模块发送的信息后，通过处理器调用数据存储模块内部存储的数据对数控电动螺旋压力机的运行状态进行分析处理，得到不同的状态评估指标以及综合评估指标，对综合指标进行分级评估，并将评估级别发送至数据存储模块以及数据展示模块，同时将不同的状态评估指标发送给建模模块以及预测模块，通过三种不同状态的评估指标数值构建原始数据集，并将原始数据集分割成若干不同的子集，并针对每个子集构建一棵决策树，通过集成所有的决策树获取随机森林模型，提取数控电动螺旋压力机运行状态影响最大的特征，识别出异常数据并及时报警，判断数控电动螺旋压力机的故障风险和安全风险，综合分析和预测数控电动螺旋压力机的安全状态和故障状态，判断不同状态评估指标之间的相互影响和交叉关系。
5.根据权利要求4所述的一种用于数控电动螺旋压力机的******，其特征在于：数据分析模块利用随机森林机器学习模型提取数控电动螺旋压力机运行状态影响特征的过程包括如下步骤，
步骤S1，数据预处理：数据预处理模块从采集到的运行状态评估指标数据集、安全状态评估指标数据集以及能源效率评估指标数据集分别获取不同的子集，对子集的数据进行数据清洗、缺失值填充以及数据标准化；
步骤S2，构建随机森林模型：建模模块使用已经预处理过的设备数据，利用随机森林算法构建分类模型，调节随机森林模型的参数，随机森林模型的参数包括树的数量和树的深度，判断设备的运行状态和异常情况；
步骤S3，计算特征重要性：利用随机森林算法计算特征的重要性，使用基尼指数判断各个特征对目标变量的影响程度；
步骤S4，特征选择：根据重要性排序结果，选取对目标变量有影响的特征，使用特征筛选、特征变换以及特征组合的方式实现特征的预处理，其中特征筛选采用相关系数分析法选择与故障预测相关的特征，特征变换包括特征的标准化和归一化，特征组合是通过特征交叉法构建特征集合，剔除冗余和噪声特征，利用递归特征消除的方法进行特征选择；
步骤S5，模型验证和调整：使用交叉验证方法验证所选取的特征的有效性，对构建好的随机森林模型进行评估和调优，在预先给定的超参数空间中随机选择若干超参数组合进行搜索，获取超参数组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310775936.0A CN116502155B (zh) | 2023-06-28 | 2023-06-28 | 一种用于数控电动螺旋压力机的****** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310775936.0A CN116502155B (zh) | 2023-06-28 | 2023-06-28 | 一种用于数控电动螺旋压力机的****** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116502155A CN116502155A (zh) | 2023-07-28 |
| CN116502155B true CN116502155B (zh) | 2023-09-19 |
Family
ID=87321701
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310775936.0A Active CN116502155B (zh) | 2023-06-28 | 2023-06-28 | 一种用于数控电动螺旋压力机的****** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116502155B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117341261B (zh) * | 2023-12-04 | 2024-02-23 | 淄博诚拓机械有限公司 | 一种伺服直驱螺旋压力机智能控制方法及*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控***及方法 |
| WO2020041955A1 (zh) * | 2018-08-28 | 2020-03-05 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
| CN111401749A (zh) * | 2020-03-17 | 2020-07-10 | 三峡大学 | 一种基于随机森林与极限学习回归的动态安全评估方法 |
| CN109241601B (zh) * | 2018-08-28 | 2021-05-18 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
| CN113837578A (zh) * | 2021-09-15 | 2021-12-24 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
| CN115475904A (zh) * | 2022-09-14 | 2022-12-16 | 常州机电职业技术学院 | 一种锻造液压机故障预测与健康管理装置及工作方法 |
| CN116187725A (zh) * | 2023-04-27 | 2023-05-30 | 武汉新威奇科技有限公司 | 一种用于锻造自动线的锻造设备管理*** |
| CN116296305A (zh) * | 2022-11-28 | 2023-06-23 | 江苏亚威机床股份有限公司 | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106444703B (zh) * | 2016-09-20 | 2018-12-07 | 西南石油大学 | 基于故障模式发生概率的动设备运行状态模糊评价及预测方法 |
| WO2020000248A1 (zh) * | 2018-06-27 | 2020-01-02 | 大连理工大学 | 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法 |
-
2023
- 2023-06-28 CN CN202310775936.0A patent/CN116502155B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020041955A1 (zh) * | 2018-08-28 | 2020-03-05 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
| CN109241601B (zh) * | 2018-08-28 | 2021-05-18 | 大连理工大学 | 一种基于改进型拉开档次法的数控机床综合性能评价方法 |
| CN110288200A (zh) * | 2019-05-29 | 2019-09-27 | 同济大学 | 一种危化品运输安全风险防控***及方法 |
| CN111401749A (zh) * | 2020-03-17 | 2020-07-10 | 三峡大学 | 一种基于随机森林与极限学习回归的动态安全评估方法 |
| CN113837578A (zh) * | 2021-09-15 | 2021-12-24 | 江苏兴力工程管理有限公司 | 一种电力监理企业网格化监督管理评价方法 |
| CN115475904A (zh) * | 2022-09-14 | 2022-12-16 | 常州机电职业技术学院 | 一种锻造液压机故障预测与健康管理装置及工作方法 |
| CN116296305A (zh) * | 2022-11-28 | 2023-06-23 | 江苏亚威机床股份有限公司 | 具有在线故障自诊断功能的折弯机后挡料部件诊断方法 |
| CN116187725A (zh) * | 2023-04-27 | 2023-05-30 | 武汉新威奇科技有限公司 | 一种用于锻造自动线的锻造设备管理*** |
Non-Patent Citations (3)
| Title |
|---|
| 基于多分类器融合与模糊综合评判的滚动轴承故障诊断;文妍等;中国科技论文(04);全文 * |
| 数控机床可靠性试验中关键功能部件的提取研究;张根保等;中国机械工程(17);全文 * |
| 考虑不确定性的机枪作战效能综合评估方法;余俊等;兵工学报(10);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116502155A (zh) | 2023-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112254964A (zh) | 一种基于快速多尺度卷积神经网络的滚动轴承故障诊断方法 | |
| CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及*** | |
| CN111259947A (zh) | 一种基于多模态学习的电力***故障预警方法和*** | |
| CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
| CN116502155B (zh) | 一种用于数控电动螺旋压力机的****** | |
| CN112039903B (zh) | 基于深度自编码神经网络模型的网络安全态势评估方法 | |
| CN105677791A (zh) | 用于分析风力发电机组的运行数据的方法和*** | |
| CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
| CN113688558A (zh) | 一种基于大数据库样本的汽车行驶工况构建方法及*** | |
| CN110119756B (zh) | 一种基于投票法的趋势性数据特征自动选择方法 | |
| CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
| CN116148679A (zh) | 一种电池健康状态的预测方法及相关装置 | |
| CN111896254A (zh) | 一种变速变载大型滚动轴承故障预测***及方法 | |
| CN110737976A (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
| CN116678552B (zh) | 一种变温度环境下光纤应力传感器异常监测方法 | |
| CN115935286A (zh) | 铁路轴承状态监测数据的异常点检测方法、装置及终端 | |
| CN115099149A (zh) | 一种基于多重特征对比和随机森林算法的结果预测方法 | |
| CN113255591A (zh) | 一种基于随机森林和融合特征的轴承故障诊断方法 | |
| CN117131425B (zh) | 一种基于反馈数据的数控机床加工状态监测方法及*** | |
| CN116738214B (zh) | 一种基于高阶张量的数据降维预处理方法 | |
| CN114756420A (zh) | 故障预测方法及相关装置 | |
| CN117113135A (zh) | 一种可对异常数据整理分类的碳排放异常监测分析*** | |
| CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及*** | |
| CN113722230B (zh) | 针对模糊测试工具漏洞挖掘能力的集成化评估方法及装置 | |
| CN114580472A (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 |
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 |