System.ArgumentOutOfRangeException: 索引和長度必須引用該字符串內的位置。 參數名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技術實現步驟摘要】
本專利技術屬于智能制造過程質量控制,具體涉及基于稀疏空間異常識別的質量波動評估方法。
技術介紹
1、隨著科學技術與產業變革的加速演進,數字化、網絡化和智能化等新技術不斷取得新突破,并與前沿制造技術實現迅速融合。在制造過程中,產品質量是整個制造過程的關鍵所在,質量直接關系到產品的競爭力和運營績效。
2、因此如何實現準確的質量波動評估,對產品質量出現不穩定波動的各種因素及波動數據進行系統分析,識別出潛在的問題和改進點,提供改進建議和措施,從而實現對制造過程質量的有效控制便成了重要的研究內容。但是高維空間中數據的量和維度發生了爆炸式增長。隨著數據維度的增加,點與點間距離的區分度變小且數據分布稀疏,異常點不再敏感。在高維數據中傳統的基于距離、密度的算法對異常波動識別通常不可行,導致無法對制造過程質量波動實現有效分析。因此,如何在復雜的數據中準確地監測到少量的異常,并對異常波動進行準確評估,對于制造過程質量控制具有重要價值。目前,很多學者針對制造過程質量波動評估方面展開了大量的研究,并給出了解決方案:刀具磨損過程是一個復雜的熱力耦合動態過程,刀具磨損會引起切削過程動態特性的變化即過程阻尼,yang等提出了一種通過在線識別切削振動的阻尼行為來評估刀具磨損程度的方法。[bin?y,min?w,zhihao?l,et?al.tool?wear?process?monitoring?by?damping?behavior?of?cuttingvibration?for?milling?process[j].journal?of?man
3、相關研究表明在其他領域質量波動評估已經取得了一些研究成果,但是在制造過程中的波動評估缺乏研究,且在對波動幅度度量方面涉及更少。現有的很多方法對質量波動表征不夠直觀,無法準確區分正常波動和異常波動。
技術實現思路
1、本專利技術目的在于提供基于稀疏空間異常識別的質量波動評估方法,能夠實現對質量波動的準確評估以及對制造過程的穩定性進行監測,當評估出異常波動時可及時停止運行,降低質量異常波動帶來不必要的風險損失。
2、本專利技術所采用的技術方案是,基于稀疏空間異常識別的質量波動評估方法,具體為:
3、步驟1、基于自組織映射神經網絡的制造過程質量數據聚類;
4、步驟2、利用孤立森林對質量波動數據進行打分,通過與設定閾值進行對比從而判定是否發生異常波動。
5、本專利技術的特征還在于:
6、步驟1具體為:
7、步驟1.1、首先進行基于自組織映射神經網絡的制造過程質量數據聚類,自組織映射神經網絡由輸入層和競爭層組成;
8、步驟1.1中,在輸入層神經元數目設置須與輸入樣本維度保持一致,假設輸入制造過程質量數據集為x=(x1,x2,...,xn),該數據集具有n個維度,自組織映射神經網絡輸入層神經元數目也須設置為n;在競爭層中的神經元在二維空間中是以矩陣方式進行排列;聚類類別數目需和競爭層神經元數目保持一致,若要將數據集聚為m類,則競爭層神經元的個數需要設置為m,此時其就擁有m個權值向量,wj,j=1,2,...,m,每一個神經元都對應一個權值向量;
9、步驟1.2、向量歸一化,對自組織映射神經網絡輸入層輸入的制造過程質量數據集x、競爭層所有神經元對應的權值wj,j=1,2,...,m,進行歸一化處理,得到和
10、步驟1.3、將步驟1.2得到的與競爭層所有神經元對應的進行相似性比較,計算與之間的歐幾里得距離,距離最小稱之為獲勝的神經元;
11、步驟1.4、以步驟1.3中獲勝的神經元為中心,對其最近鄰域內的所有神經元重新調整權值,然后繼續循環迭代;當自組織映射神經網絡運算到達迭代次數1000次后,完成聚類即表示為算法結束;自此完成對制造過程質量數據的聚類,劃分為8個類別c1,c2,...,c8以后,所選用的數據集呈現良好聚類效果。
12、步驟1.1中,選用制造過程質量數據集x的維度為10維,故自組織映射神經網絡的輸入層神經元參數設置為10;故競爭層神經元參數設置成2×4即8個神經元。
13、步驟2具體為:
14、步驟2.1、在步驟1中完成制造過程質量數據的聚類以后得到c2,c3,...,c8的8個類別,分別在每個類別中進行質量波動評估,首先在c1中隨機選取z個樣本數據點作為子采樣集d=(d1,d2,...,dz),z表示子采樣集d=(d1,d2,...,dz)樣本的數量,子采樣集d=(d1,d2,...,dz)的維度為n,作為樹的根節點;
15、步驟2.2、從步驟2.1所獲取子采樣集d=(d1,d2,...,dz)的n個維度中,隨機選擇一個維度a和一個切分值p,p介于當前子采樣集d=(d1,d2,...,dz)中維度a的最大值和最小值之間;
16、步驟2.3、在子采樣集d=(d1,d2,...,dz)中的每個數據di,i=1,2,...,z,按其維度a的值di(a)進行劃分,若di(a)<p則劃分到左子樹,否則就劃分到右子樹;
17、步驟2.4、重復步驟2.2和步驟2.3不斷生成左、右子樹,直到d=(d本文檔來自技高網...
【技術保護點】
1.基于稀疏空間異常識別的質量波動評估方法,其特征在于,具體為:
2.根據權利要求1所述的基于稀疏空間異常識別的質量波動評估方法,其特征在于,步驟1具體為:
3.根據權利要求2所述的基于稀疏空間異常識別的質量波動評估方法,其特征在于,步驟1.1中,選用制造過程質量數據集X的維度為10維,故自組織映射神經網絡的輸入層神經元參數設置為10;故競爭層神經元參數設置成2×4即8個神經元。
4.根據權利要求3所述的基于稀疏空間異常識別的質量波動評估方法,其特征在于,步驟2具體為:
5.根據權利要求4所述的基于稀疏空間異常識別的質量波動評估方法,其特征在于,步驟2.4中,設置隔離樹的高度為500。
6.根據權利要求4所述的基于稀疏空間異常識別的質量波動評估方法,其特征在于,步驟2.5中,score(x,Z)范圍在0~1之間,設定的評估閾值為0.6,其中大于0.6為異常樣本,小于0.6為正常樣本。
【技術特征摘要】
1.基于稀疏空間異常識別的質量波動評估方法,其特征在于,具體為:
2.根據權利要求1所述的基于稀疏空間異常識別的質量波動評估方法,其特征在于,步驟1具體為:
3.根據權利要求2所述的基于稀疏空間異常識別的質量波動評估方法,其特征在于,步驟1.1中,選用制造過程質量數據集x的維度為10維,故自組織映射神經網絡的輸入層神經元參數設置為10;故競爭層神經元參數設置成2×4即8個神經元。
4.根據...
【專利技術屬性】
技術研發人員:胡勝,張剛,劉登基,趙小惠,高冰冰,
申請(專利權)人:西安工程大學,
類型:發明
國別省市:
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。