CN108596210A - 一种机械部件对接状态的智能识别系统及方法 - Google Patents
一种机械部件对接状态的智能识别系统及方法 Download PDFInfo
- Publication number
- CN108596210A CN108596210A CN201810268353.8A CN201810268353A CN108596210A CN 108596210 A CN108596210 A CN 108596210A CN 201810268353 A CN201810268353 A CN 201810268353A CN 108596210 A CN108596210 A CN 108596210A
- Authority
- CN
- China
- Prior art keywords
- unit
- mated condition
- interworking data
- history
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000003032 molecular docking Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013145 classification model Methods 0.000 claims description 37
- 241000208340 Araliaceae Species 0.000 claims description 32
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 32
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 32
- 235000008434 ginseng Nutrition 0.000 claims description 32
- 230000009467 reduction Effects 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 25
- 238000000605 extraction Methods 0.000 claims description 21
- 238000007619 statistical method Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 10
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 238000002790 cross-validation Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 235000013399 edible fruits Nutrition 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering 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
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种机械部件对接状态的智能识别系统及方法，该系统包括：对接数据采集单元、对接数据库、对接数据预处理单元、对接状态标注单元、分类模型训练单元及对接状态预测单元；上述各单元依次连接，此外对接数据预处理单元还与对接状态预测单元相连。该方法包括：提取历史对接数据，进行预处理；对接状态标注；训练得到分类模型；采集当前对接数据，进行预处理；将其输入分类模型中，完成对接状态预测。本发明提出的机械部件对接状态的智能识别系统及方法，实现了机械部件对接状态的实时监测和智能预警，能够实时获取对接状态，及时发现问题以保证高质量的完成对接。
Description
技术领域
本发明涉及机械部件数字化对接领域，特别涉及一种机械部件对接状态的智能识别系统及方法。
背景技术
现代机械部件对接多采用数字化对接方法，例如大型飞机各机身段的对接，主要通过数字化定位器调整机身位姿然后进行机身对接，定位器上的传感器实时获取位移和力的数据并录入对接数据库中，机身对接状态可以分为空站位、机身上架、调姿、对接、装配、异常等多种状态。机械部件对接装配的质量直接影响着产品的最终质量、性能和水平。因此，对机械部件对接过程进行实时监控并判断对接状态具有重大意义，然而目前还没有人提出这个想法，更没有人对这项技术进行过深入的研究。
发明内容
本发明针对上述现有技术中存在的问题，提出一种机械部件对接状态的智能识别系统及方法，实现机械部件尤其是大机械部件对接状态的实时监测和智能预警，使得工程技术人员能够实时获取机械部件的对接状态，及时发现问题以保证机械部件高质量的完成对接。
为解决上述技术问题，本发明是通过如下技术方案实现的：
本发明提供一种机械部件对接状态的智能识别系统，其包括：对接数据采集单元、对接数据库、对接数据预处理单元、对接状态标注单元、分类模型训练单元以及对接状态预测单元；其中，
所述对接数据采集单元用于采集历史对接数据以及当前对接数据，并将所述历史对接数据以及当前对接数据存入所述对接数据库中；
所述对接数据预处理单元用于对所述对接数据库中的历史对接数据以及当前对接数据进行预处理,提取出对接数据中的位移和力特征；
所述对接状态标注单元用于对所述对接数据预处理单元预处理的历史对接数据进行对接状态标注；
所述分类模型训练单元用于对所述对接状态标注单元标注的历史对接数据进行训练得到分类模型，并将调试好的分类模型应用于所述对接状态预测单元之中；
所述对接状态预测单元用于将所述对接数据预处理单元预处理后的当前对接数据输入到所述分类模型训练单元训练得到的分类模型中完成当前对接数据的对接状态预测。
较佳地，所述对接状态标注单元包括：对接状态统计分析单元、对接状态预估单元、对接数据降维去噪单元、聚类分析单元以及标注单元；其中，
所述对接状态统计分析单元用于对所述对接数据预处理单元预处理后的历史对接数据进行统计分析及可视化；
所述对接状态预估单元用于结合实际对接过程和所述对接状态统计分析单元初步预估对接状态；
所述对接数据降维去噪单元用于对所述对接数据预处理单元预处理后的历史对接数据进行降维去噪；
所述聚类分析单元用于对所述对接数据降维去噪单元降维去噪后的历史对接数据进行聚类分析，得到聚类结果；
所述标注单元用于比对所述对接状态预估单元预估的对接状态和所述聚类分析单元得到的聚类结果，对所述历史对接数据进行对接状态标注。
本发明结合部件的历史对接数据和实际对接过程的特点，利用降维和聚类算法解决对接数据的状态标注问题，利用经标注对接状态的历史对接数据训练得到高效率、高精度的分类模型。
较佳地，所述对接数据预处理单元包括：相互连接的特征提取单元以及缺失值处理及离群点处理单元；其中，
所述特征提取单元用于对所述对接数据库中的历史对接数据以及当前对接数据进行特征提取，提取出对接数据中的位移和力特征；
所述缺失值处理及离群点处理单元用于结合实际对接过程完成所述特征提取单元提取的各特征的缺失值填充以及离群点处理。
较佳地，所述分类模型训练单元包括：依次连接的初步分类模型单元、模型评估及调参单元以及最终分类模型单元；其中，
所述初步模型分类单元与所述对接状态标注单元相连，所述最终分类模型单元与所述对接状态预测单元相连；
所述初步分类模型单元用于对所述对接状态标注单元标注的历史对接数据进行训练得到初步分类模型；
所述模型评估及调参单元用于对所述初步分类模型单元得到的初步分类模型进行评估及调参；
所述最终分类模型单元用于根据所述模型评估及调参单元获得的模型参数对所述对接状态标注单元标注的历史对接数据进行训练得到最终分类模型。该得到的分类模型经过评估及调参，精度更高，预测更准确。
较佳地，所述模型评估及调参单元通过k折交叉验证对模型进行评估，通过网格搜索或随机搜索等方法对模型进行调参。
本发明还提供一种机械部件对接状态的智能识别方法，其包括以下步骤：
S11：从对接数据库中提取历史对接数据，对所述历史对接数据进行预处理；
S12：对预处理后的所述历史对接数据进行对接状态标注；
S13：对标注的所述历史对接数据进行训练得到分类模型；
S14：采集当前对接数据，对所述当前对接数据进行预处理；
S15：将预处理后的所述当前对接数据输入所述分类模型中，完成当前对接数据的对接状态预测。
较佳地，所述步骤S12具体包括：
S121：对预处理后的所述历史对接数据进行统计分析及可视化，结合实际对接过程初步预估对接状态；
S122：对预处理后的所述历史对接数据进行降维去噪，然后进行聚类分析，得到聚类结果；
S123：比对预估的对接状态以及聚类结果对所述历史对接数据进行对接状态标注；
所述步骤S121和所述步骤S122不分先后顺序。
较佳地，所述步骤S11预处理具体包括：
S111：对所述历史对接数据进行特征提取；
S112：结合实际对接过程完成提取的各特征的缺失值填充以及离群点处理；
所述步骤S14中的预处理具体包括：
S141：对所述当前对接数据进行特征提取；
S142：完成提取的各特征的缺失值填充以及离群点处理。
较佳地，所述步骤S13具体包括：
S131：对标注的所述历史对接数据进行训练得到初步分类模型；
S132：对初步分类模型进行评估及调参；
S133：根据评估及调参获得的模型参数对标注的所述历史对接数据进行训练得到最终分类模型。
较佳地，所述步骤S132中对初步分类模型进行评估具体为通过k折交叉验证对模型进行评估，对初步分类模型进行调参具体为通过网格搜索或随机搜索等方法对模型进行调参。
相较于现有技术，本发明具有以下优点：
(1)本发明提供的机械部件对接状态的智能识别系统及方法，结合机械大部件对接的具体过程和数据，引入机器学习算法实现了机械部件对接状态的智能识别，实现了机械部件当前对接状态的实时监测和智能预警，使得工程技术人员能够实时获取机械部件的对接状态，及时发现问题以保证机械部件高质量的完成对接；
(2)本发明的机械部件对接状态的智能识别系统及方法，结合部件的历史对接数据和实际对接过程的特点，利用降维和聚类算法解决对接数据的状态标注问题，利用经标注对接状态的历史对接数据训练得到高效率、高精度的分类模型；
(3)本发明的机械部件对接状态的智能识别系统及方法，训练得到的初步分类模型还经过进一步的评估及调参，精度更高、预测更准确。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
下面结合附图对本发明的实施方式作进一步说明：
图1为本发明的一实施例的机械部件对接状态的智能识别系统的结构示意图；
图2为本发明的一较佳实施例的机械部件对接状态的智能识别系统的结构示意图；
图3为本发明的另一较佳实施例的机械部件对接状态的智能识别系统的结构示意图；
图4为本发明的另一较佳实施例的机械部件对接状态的智能识别系统的结构示意图；
图5为本发明的一实施例的机械部件对接状态的智能识别方法的流程图。
标号说明：1-对接数据采集单元，2-对接数据库，3-对接数据预处理单元，4-对接状态标注单元，5-分类模型训练单元，6-对接状态预测单元；
31-特征提取单元，32-缺失值处理及离群点处理单元；
41-对接状态统计分析单元，42-对接状态预估单元，43-对接数据降维去噪单元，44-聚类分析单元，45-标注单元；
51-初步分类模型单元，52-模型评估及调参单元，53-最终分类模型单元。
具体实施方式
下面对本发明的实施例作详细说明，本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
结合图1，本实施例对本发明的机械部件对接状态的智能识别系统进行详细描述，如图1所示，其包括：对接数据采集单元1、对接数据库2、对接数据预处理单元3、对接状态标注单元4、分类模型训练单元5以及对接状态预测单元6；上述各单元依次相连；其中：对接数据采集单元1用于采集历史对接数据以及当前对接数据，并将历史对接数据以及当前对接数据存入对接数据库2中；对接数据预处理单元3用于对对接数据库2中的历史对接数据以及当前对接数据进行预处理，具体为：提取出对接数据库的位移和力等特征，填充缺失数据并处理异常值，获得可以用于机器学习算法处理的结构化数据；对接状态标注单元4用于对对接数据预处理单元3预处理的历史对接数据进行对接状态标注；分类模型训练单元5用于对对接状态标注单元4标注的历史对接数据进行训练得到分类模型，并将调试好的分类模型应用于对接状态预测单元6中；对接状态预测单元6用于将对接数据预处理单元3预处理后的当前对接数据输入到分类模型训练单元5训练得到的分类模型中完成当前对接数据的对接状态预测。
在一较佳实施例中，对接数据预处理单元3除包括特征提取单元31外，还包括与其连接的缺失值处理及离群点处理单元32，其结构示意图如图2所示。缺失值处理单元及群点处理单元32用于结合实际对接过程完成特征提取单元提取的各特征的缺失值填充以及离群点处理，具体为：通过箱形图等工具进一步分析各个特征的分布情况，找出各个特征的离群点，结合实际对接过程及定位器的行程限制，完成对接数据的缺失值填充及离群点处理。
在另一较佳实施例中，对接状态标注单元4包括：对接状态统计分析单元41、对接状态预估单元42、对接数据降维去噪单元43、聚类分析单元44以及标注单元45；其结构示意图如图3所示，对接状态统计分析单元41以及对接状态降维去噪单元43分别与对接数据预处理单元3相连，对接状态统计分析单元41还与对接状态预估单元42相连，对接数据降维去噪单元43还与聚类分析单元44相连，对接状态预估单元42以及聚类分析单元44分别与标注单元45相连。对接状态统计分析单元41用于对对接数据预处理单元3预处理后的历史对接数据进行统计分析及可视化；对接状态预估单元42用于结合实际对接过程和对接状态统计分析单元41初步预估对接状态；对接数据降维去噪单元43用于对对接数据预处理单元预处理后的历史对接数据进行降维去噪，传感器采集的对接数据常伴有轻微噪声，降维便于可视化数据，同时可以一定程度过滤噪声数据；聚类分析单元44用于对对接数据降维去噪单元43降维去噪后的历史对接数据进行聚类分析，得到聚类结果；标注单元45用于比对对接状态预估单元42预估的对接状态以及聚类分析单元44得到的聚类结果对历史对接数据进行对接状态标注。
所述对接状态标注，标注的状态和具体的机械部件、对接过程有关。比如以飞机各机身段对接为例说明了机身对接状态可以分为空站位、机身上架、调姿、对接、装配、异常等多种状态。类似的，不同的机械部件可能有不同的对接状态。
在另一较佳实施例中，分类模型训练单元5包括：依次连接的初步分类模型单元51、模型评估及调参单元52以及最终分类模型单元53；其中，初步模型分类单元51与对接状态标注单元4相连，最终分类模型单元43与对接状态预测单元6相连，其结构示意图如图4所示。初步分类模型单元51用于对对接状态标注单元4标注的历史对接数据进行训练得到初步分类模型；模型评估及调参单元52用于对初步分类模型单元51得到的初步分类模型进行评估及调参；最终分类模型单元53用于根据模型评估及调参单元52获得的模型参数对对接状态标注单元4标注的历史对接数据进行训练得到最终分类模型。最终的分类模型经过评估及调参，精度更高，预测更准确。较佳地，为了合理的评估模型参数对对接状态识别准确率的影响，通过k折交叉验证进行模型评估；通过网格搜索、随机搜索等方法进行模型调参。
结合图5，本实施例对本发明的机械部件对接状态的智能识别方法进行详细描述，其包括以下步骤：
S11：从对接数据库中提取历史对接数据，对历史对接数据进行预处理，具体为：提取出历史对接数据中的位移和力等特征，通过工具(比如箱形图等)分析各个特征的分布情况，找出各个特征的离群点，结合实际对接过程及定位器的行程限制，完成对接数据的缺失值填充及离群点处理，获得可以用于机器学习算法处理的结构化数据；
S12：对预处理后的历史对接数据进行对接状态标注；
S13：通过机器学习分类算法训练标注好的对接数据，获得机械部件对接状态识别的分类模型；
S14：采集当前对接数据，对当前对接数据进行预处理；预处理操作与上述S11的预处理相同；
S15：将预处理后的当前对接数据输入分类模型中，完成当前对接数据的对接状态预测。
较佳实施例中，步骤S12具体包括：
S121：对预处理后的历史对接数据进行统计分析及可视化，结合实际对接过程初步预估对接状态；
S122：对预处理后的历史对接数据进行降维去噪，然后进行聚类分析，得到聚类结果；
S123：比对预估的对接状态以及聚类结果对所述历史对接数据进行对接状态标注；
所述步骤S121和所述步骤S122不分先后顺序。
具体的，在一优选实施例中，步骤S122中的降维去噪可以参照以下操作进行：
(a)特征缩放：对接数据中，特征包含力和位移，单位不统一，尺度不一致。在进行主成分分析(PCA)之前，需要先进行特征缩放：
其中Xi表示第i个特征，Xi’表示缩放后的新特征。
(b)主成分分析(PCA)及降维去噪：通过主成分分析(PCA)得到变换后的对接数据，一般根据累计方差百分比>85％选择前m个主成分，其计算公式如下：
其中：m为选定的主成分个数，n为特征的总数目，λi为第i个主成分的方差。
一般而言对于机械部件的对接数据，前2个主成分的累积方差百分比很高，基本可以满足要求，这样高维空间可以降到2维，便于观察数据的分布情况。当然，在其他实施例下，也可以根据需要采用其他的降维维数。
步骤S122中的聚类分析具体为：通过聚类算法，找到降维后每一个样本点对应的簇，结合实际对接过程为每个簇匹配对接状态。
在一优选实施例中，以K-MEANS聚类算法为例，其优化目标如下：
其中，k为指定的簇数，ci代表第i个簇，x为属于簇ci的样本，ui为ci的中心坐标，即使得每个样本到其所在的簇中心的距离之和最小。为避免多个初始化中心出现在同一个高斯簇的情况，可以对K-MEANS的初始化方法进一步优化，使得初始均值向量彼此尽可能远离。
(a)取k＝1,2,3…画出每个样本到其所在簇的中心的距离总和与簇数目k的折线图，经验上选取折线图上总距离不再明显变化时对应的簇数c作为聚类簇数，即指定聚类簇数k＝c。
(b)为了进一步选定合适的簇数目k，可分别取k＝c-1，k＝c，k＝c+1进行聚类，在PCA降维后的对接数据上比较不同k值的聚类效果并结合大部件对接过程中可能的状态，确认最终的聚类簇数k。
(c)根据选定的聚类簇数对降维后的对接数据进行聚类，获得每个样本点的簇类别之后，将簇类别作为原始对接数据的标签。
(d)结合各特征随时间的变化曲线与机械部件的对接过程，确定每个簇类别代表的对接状态。
完成了机械部件对接数据的标注工作后，每个样本点都属于某一种特定的对接状态。因此，机械部件对接状态的识别可以转化为监督学习中的多分类问题。
在一较佳实施例中，步骤S13具体包括：
S131：对标注的历史对接数据进行训练得到初步分类模型；
为了兼顾模型训练、调参的开销和分类的准确率，以随机森林(RF)算法为例。随机森林是集成学习中比较有代表性的一种，随机森林的个体学习器为决策树，各个体学习器之间不存在强依赖关系，可以并行生成，同时还在传统决策树的训练过程中引入了随机属性选择。
S132：对初步分类模型进行评估及调参；
为了合理的评估模型参数对对接状态识别准确率的影响，通过k折交叉验证进行模型评估；通过网格搜索、随机搜索等方法进行模型调参，确定使验证集上对接状态识别准确率最高的一组模型参数。
S133：根据评估及调参获得的模型参数对标注的历史对接数据进行训练得到最终分类模型。
本发明的机械部件对接状态的智能识别系统及方法，实现机械部件尤其是大机械部件对接状态的实时监测和智能预警，使得工程技术人员能够实时获取机械部件的对接状态，及时发现问题以保证机械部件高质量的完成对接。
需要说明的是，本发明提供的所述智能识别方法中的步骤，可以利用所述智能识别系统中对应的模块、装置、单元等予以实现，本领域技术人员可以参照所述系统的技术方案实现所述方法的步骤流程，即，所述系统中的实施例可理解为实现所述方法的优选例，在此不予赘述。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统及其各个装置以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统及其各个装置以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同功能。所以，本发明提供的系统及其各项装置可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构；也可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
此处公开的仅为本发明的优选实施例，本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，并不是对本发明的限定。任何本领域技术人员在说明书范围内所做的修改和变化，均应落在本发明所保护的范围内。
Claims (10)
1.一种机械部件对接状态的智能识别系统，其特征在于，包括：对接数据采集单元、对接数据库、对接数据预处理单元、对接状态标注单元、分类模型训练单元以及对接状态预测单元；其中，
所述对接数据采集单元用于采集历史对接数据以及当前对接数据，并将所述历史对接数据以及当前对接数据存入所述对接数据库中；
所述对接数据预处理单元用于对所述对接数据库中的历史对接数据以及当前对接数据进行预处理；
所述对接状态标注单元用于对所述对接数据预处理单元预处理的历史对接数据进行对接状态标注；
所述分类模型训练单元用于对所述对接状态标注单元标注的历史对接数据进行训练得到分类模型，并将调试好的分类模型应用于所述对接状态预测单元之中；
所述对接状态预测单元用于将所述对接数据预处理单元预处理后的当前对接数据输入到所述分类模型训练单元训练得到的分类模型中，完成当前对接数据的对接状态预测。
2.根据权利要求1所述的机械部件对接状态的智能识别系统，其特征在于，所述对接状态标注单元包括：对接状态统计分析单元、对接状态预估单元、对接数据降维去噪单元、聚类分析单元以及标注单元；其中，
所述对接状态统计分析单元用于对所述对接数据预处理单元预处理后的历史对接数据进行统计分析及可视化；
所述对接状态预估单元用于结合实际对接过程和所述对接状态统计分析单元初步预估对接状态；
所述对接数据降维去噪单元用于对所述对接数据预处理单元预处理后的历史对接数据进行降维去噪；
所述聚类分析单元用于对所述对接数据降维去噪单元降维去噪后的历史对接数据进行聚类分析，得到聚类结果；
所述标注单元用于比对所述对接状态预估单元预估的对接状态和所述聚类分析单元得到的聚类结果，对所述历史对接数据进行对接状态标注。
3.根据权利要求1所述的机械部件对接状态的智能识别系统，其特征在于，所述对接数据预处理单元包括：特征提取单元以及缺失值处理及离群点处理单元；其中，
所述特征提取单元与所述对接数据库相连，所述缺失值处理及离群点处理单元与所述对接状态标注单元以及所述对接状态预测单元相连；
所述特征提取单元用于对所述对接数据库中的历史对接数据以及当前对接数据进行特征提取，提取出对接数据中的位移和力特征；
所述缺失值处理及离群点处理单元用于结合实际对接过程完成所述特征提取单元提取的各特征的缺失值填充以及离群点处理。
4.根据权利要求1-3任一项所述的机械部件对接状态的智能识别系统，其特征在于，所述分类模型训练单元包括：依次连接的初步分类模型单元、模型评估及调参单元以及最终分类模型单元；其中，
所述初步模型分类单元与所述对接状态标注单元相连，所述最终分类模型单元与所述对接状态预测单元相连；
所述初步分类模型单元用于对所述对接状态标注单元标注的历史对接数据进行训练得到初步分类模型；
所述模型评估及调参单元用于对所述初步分类模型单元得到的初步分类模型进行评估及调参；
所述最终分类模型单元用于根据所述模型评估及调参单元获得的模型参数对所述对接状态标注单元标注的历史对接数据进行训练得到最终分类模型。
5.根据权利要求4所述的机械部件对接状态的智能识别系统，其特征在于，所述模型评估及调参单元通过k折交叉验证对模型进行评估，通过网格搜索或随机搜索方法对模型进行调参。
6.一种机械部件对接状态的智能识别方法，其特征在于，包括以下步骤：
S11：从对接数据库中提取历史对接数据，对所述历史对接数据进行预处理；
S12：对预处理后的所述历史对接数据进行对接状态标注；
S13：对标注的所述历史对接数据进行训练得到分类模型；
S14：采集当前对接数据，对所述当前对接数据进行预处理；
S15：将预处理后的所述当前对接数据输入所述分类模型中，完成当前对接数据的对接状态预测。
7.根据权利要求6所述的机械部件对接状态的智能识别方法，其特征在于，所述步骤S12具体包括：
S121：对预处理后的所述历史对接数据进行统计分析及可视化，结合实际对接过程初步预估对接状态；
S122：对预处理后的所述历史对接数据进行降维去噪，然后进行聚类分析，得到聚类结果；
S123：比对预估的对接状态以及聚类结果对所述历史对接数据进行对接状态标注；
所述步骤S121和所述步骤S122不分先后顺序。
8.根据权利要求6所述的机械部件对接状态的智能识别方法，其特征在于，所述步骤S11预处理具体包括：
S111：对所述历史对接数据进行特征提取，提取出历史对接数据中的位移和力特征；
S112：结合实际对接过程完成提取的各特征的缺失值填充以及离群点处理；
所述步骤S14中的预处理具体包括：
S141：对所述当前对接数据进行特征提取，提取出所述当前对接数据中的位移和力特征；
S142：完成提取的各特征的缺失值填充以及离群点处理。
9.根据权利要求6所述的机械部件对接状态的智能识别方法，其特征在于，所述步骤S13具体包括：
S131：对标注的所述历史对接数据进行训练得到初步分类模型；
S132：对初步分类模型进行评估及调参；
S133：根据评估及调参获得的模型参数对标注的所述历史对接数据进行训练得到最终分类模型。
10.根据权利要求9所述的机械部件对接状态的智能识别方法，其特征在于，所述步骤S132中对初步分类模型进行评估具体为通过k折交叉验证对模型进行评估，对初步分类模型进行调参具体为通过网格搜索或随机搜索方法对模型进行调参。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810268353.8A CN108596210B (zh) | 2018-03-29 | 2018-03-29 | 一种机械部件对接状态的智能识别系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810268353.8A CN108596210B (zh) | 2018-03-29 | 2018-03-29 | 一种机械部件对接状态的智能识别系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108596210A true CN108596210A (zh) | 2018-09-28 |
| CN108596210B CN108596210B (zh) | 2020-12-01 |
Family
ID=63623938
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810268353.8A Expired - Fee Related CN108596210B (zh) | 2018-03-29 | 2018-03-29 | 一种机械部件对接状态的智能识别系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596210B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020211109A1 (zh) * | 2019-04-17 | 2020-10-22 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2508955A2 (en) * | 2011-04-06 | 2012-10-10 | The Boeing Company | Complex system function status diagnosis and presentation |
| CN105930870A (zh) * | 2016-04-26 | 2016-09-07 | 中国电建集团昆明勘测设计研究院有限公司 | 一种工程安全监测数据离群值检测方法 |
| CN107844836A (zh) * | 2017-10-24 | 2018-03-27 | 信雅达系统工程股份有限公司 | 一种基于机器学习的系统及学习方法 |
-
2018
- 2018-03-29 CN CN201810268353.8A patent/CN108596210B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2508955A2 (en) * | 2011-04-06 | 2012-10-10 | The Boeing Company | Complex system function status diagnosis and presentation |
| CN105930870A (zh) * | 2016-04-26 | 2016-09-07 | 中国电建集团昆明勘测设计研究院有限公司 | 一种工程安全监测数据离群值检测方法 |
| CN107844836A (zh) * | 2017-10-24 | 2018-03-27 | 信雅达系统工程股份有限公司 | 一种基于机器学习的系统及学习方法 |
Non-Patent Citations (1)
| Title |
|---|
| 姚艳彬等: "飞机智能装配技术", 《航空制造技术》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020211109A1 (zh) * | 2019-04-17 | 2020-10-22 | 北京天泽智云科技有限公司 | 基于模型全生命周期管理的设备故障预警系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108596210B (zh) | 2020-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11624731B2 (en) | Method for predicting remaining life of numerical control machine tool | |
| CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
| CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
| CN106951695A (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
| US20200310400A1 (en) | Predictive Classification of Future Operations | |
| CN109766930A (zh) | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 | |
| CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
| CN107273924B (zh) | 基于模糊聚类分析的多数据融合的电厂故障诊断方法 | |
| CN108320043A (zh) | 一种基于电力大数据的配电网设备状态诊断预测方法 | |
| Zheng et al. | Sucker rod pumping diagnosis using valve working position and parameter optimal continuous hidden Markov model | |
| Chien et al. | A data mining approach for analyzing semiconductor MES and FDC data to enhance overall usage effectiveness (OUE) | |
| CN105675038A (zh) | 一种仪表的故障预测装置 | |
| CN114813105A (zh) | 一种基于工况相似性评估的齿轮箱故障预警方法及系统 | |
| CN110737976B (zh) | 一种基于多维度信息融合的机械设备健康评估方法 | |
| CN115343676B (zh) | 密封电子设备内部多余物定位技术的特征优化方法 | |
| CN114273977A (zh) | 一种基于mes的刀具磨损检测方法及其系统 | |
| CN113221282A (zh) | 基于贝叶斯残差卷积网络的航空发动机寿命预测方法 | |
| Kuravsky et al. | Detecting abnormal activities of operators of complex technical systems and their causes basing on wavelet representations | |
| CN114754973A (zh) | 基于机器学习的风洞测力试验数据智能诊断与分析方法 | |
| CN115510950A (zh) | 基于时间卷积网络的飞行器遥测数据异常检测方法及系统 | |
| CN104634265A (zh) | 一种基于多元图像特征融合的矿物浮选泡沫层厚度软测量方法 | |
| CN115269958A (zh) | 互联网可靠性数据信息采集分析系统 | |
| Rokach et al. | Automatic discovery of the root causes for quality drift in high dimensionality manufacturing processes | |
| CN108596210A (zh) | 一种机械部件对接状态的智能识别系统及方法 | |
| Li et al. | A remaining useful life prediction method considering the dimension optimization and the iterative speed |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201201 |