CN109332433A - 一种基于数控的折弯机器人控制方法及控制系统 - Google Patents
一种基于数控的折弯机器人控制方法及控制系统 Download PDFInfo
- Publication number
- CN109332433A CN109332433A CN201811000023.7A CN201811000023A CN109332433A CN 109332433 A CN109332433 A CN 109332433A CN 201811000023 A CN201811000023 A CN 201811000023A CN 109332433 A CN109332433 A CN 109332433A
- Authority
- CN
- China
- Prior art keywords
- track
- numerical control
- data
- time
- downlink
- 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
- 238000005452 bending Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000003044 adaptive effect Effects 0.000 claims abstract description 27
- 230000010355 oscillation Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 73
- 238000013480 data collection Methods 0.000 claims description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 241000854291 Dianthus carthusianorum Species 0.000 claims description 9
- 230000005764 inhibitory process Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 7
- 239000012141 concentrate Substances 0.000 claims description 6
- 239000002184 metal Substances 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000000047 product Substances 0.000 description 4
- 230000001681 protective effect Effects 0.000 description 4
- 238000003462 Bender reaction Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000004321 preservation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006116 polymerization reaction Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000010009 beating Methods 0.000 description 1
- 239000006227 byproduct Substances 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B21—MECHANICAL METAL-WORKING WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D—WORKING OR PROCESSING OF SHEET METAL OR METAL TUBES, RODS OR PROFILES WITHOUT ESSENTIALLY REMOVING MATERIAL; PUNCHING METAL
- B21D5/00—Bending sheet metal along straight lines, e.g. to form simple curves
- B21D5/004—Bending sheet metal along straight lines, e.g. to form simple curves with program control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于人工智能技术领域,公开了一种基于数控的折弯机器人控制方法及控制系统,通过PLC控制系统采集数控折弯机的下行所用时间(即从夹紧点位置到下止点位置的总用时)及下行运动轨迹(即从夹紧点位置到下止点位置的上模实时位置数据),另外通过上位机控制系统采集工业机器人的跟随所用时间(即以匹配速度进行跟随动作的总用时),随后结合较为可行的速度自适应适度与摆动系统重新计算出工业机器人跟随匹配速度,最终达到两者之间的速度匹配的目的。本发明可通过PLC控制系统采集数控折弯机的下行所用时间及下行运动轨迹。
Description
技术领域
本发明属于人工智能技术领域,尤其涉及一种基于数控的折弯机器人控制 方法及控制系统。
背景技术
目前,业内常用的现有技术是这样的:
国内目前绝大多数钣金企业折弯机都还是人工操作,但随着各行业、各地 区、各企业抢抓“中国制造2025”和“工业4.0”的发展契机,不断加大技改项 目的投入,推进企业智能化改造,逐步实现“机器换工”,数控折弯机器人系 统的开发应用将是钣金行业发展的必然趋势。通过机器人折弯所形成的产品而 言,营运方往往会把焦点关注在成形后的两大精度问题,分别为产品的角度和 产品的尺寸。
在机器人折弯动作过程中,机器人绕折弯机下模具进行重定位运动的更新 速度,需与折弯机的上模具从夹紧点位置到下死点位置的下行运动速度相匹配, 否则材料在塑性变形的过程中,会迫使产品的精度与质量受到很大的影响。因 此解决折弯的速度匹配的问题显得尤为重要。
目前常见的速度匹配方式主要有两种:第一种是位置实时匹配,要求折弯 机位置采集的即时性,以及通信的实时性,这些要求往往在当前的以太网通信 工业技术上的100M带宽也无法满足。第二种是折弯用时匹配,要求折弯机折弯 过程的用时等于机器人折弯过程的用时,其数据采集简单。
综上所述,现有技术存在的问题是:
在机器人折弯动作过程中,机器人绕折弯机下模具进行重定位运动的更新 速度,与折弯机的上模具从夹紧点位置到下死点位置的下行运动速度难以相匹 配。
现有技术中,折弯机器人运动轨迹信息处理准确性差。
发明内容
针对现有技术存在的问题,本发明提供了一种基于数控的折弯机器人。
本发明是这样实现的,一种基于数控的折弯机器人控制方法,所述基于数 控的折弯机器人控制方法包括:
通过PLC控制系统采集数控折弯机的下行所用时间及下行运动轨迹;
通过上位机控制系统采集工业机器人的跟随所用时间,随后结合可行的速 度自适应适度与摆动系统重新计算出工业机器人跟随匹配速度。
进一步,PLC控制系统采集数控折弯机的下行所用时间及下行运动轨迹中,
收集并预处理原始数据,并最终形成若干数控折弯机采集的下行所用时间 及下行运动轨迹的原始轨迹序列集合;
对所述原始轨迹序列集合进行处理处理,其中包括:
在所述原始轨迹序列集合中找到不满足数控折弯机采集的下行所用时间及 下行运动轨迹准确容忍度的有问题的投影集VP;
将问题投影集VP中的所有轨迹按照其在原始轨迹序列集合中出现的频率进 行降序排序,并将结果保存到集合FVP;
搜索所述集合FVP中前|PS|个出现频率最高的轨迹投影记录,对其进行处理 处理,其中,所述处理处理包括轨迹抑制处理,直至或结束处理处 理;
对经过所述处理处理后的轨迹序列集合进行发布。
进一步,所述处理处理还包括局部抑制处理,其中:
在所述集合FVP中找到最小的违反准确需求的轨迹序列集,并保存到轨迹 集合MVP;
根据干扰信号的知识Av计算所述轨迹序列集MVP中所有轨迹点的 R(PG(loci),UL(loci))值,每次找到R(PG(loci),UL(loci))值较大的轨迹点loci,并在原始轨迹 集中找到与MVP中的所有包含位置信息的轨迹记录相对应的轨迹集,抑制该轨 迹集中的位置信息loci,此处理需迭代进行,直至束;
轨迹数据集T是数控折弯机采集的下行所用时间及下行运动轨迹序列的集 合,形式化表示为:
T=∪ti,i=1,2...
其中,ti表示数控折弯机采集的下行所用时间及下行运动轨迹i的运动轨迹, 代表数控折弯机采集的下行所用时间及下行运动轨迹i的历史足迹。
对每个数控折弯机采集的下行所用时间及下行运动轨迹i,其运动轨迹ti是由 n个不同时刻timei的位置序列组成,表示为:
ti={<loc1(x1,y1),time1>→…→<locn(xn,yn),timen>}
其中<loci(xi,yi),timei>代表timei时刻数控折弯机采集的下行所用时间及下行运动轨迹i所在的具体位置;
干扰信号模型:
假定潜在的干扰信号数量为m个,则有其中V为干扰信号集合; 每个干扰信号vi可以掌控Ai中包含的所有位置信息,则有:且 针对每一条轨迹记录t∈T,每一个干扰信号vi∈V都拥有一个投影知识
若仅考虑一个干扰信号v,则一条轨迹记录t=<loc1,loc2,......,locn>的投影为 称tv为t相对于干扰信号v的投影;
tv即称之为干扰信号V的投影知识,投影tv是t的一个子轨迹记录,仅由t 中属于Av的所有位置数据点组成。因此,每一个干扰信号将会拥有所有轨迹数据 集T中的投影集TPv,且TPv=∪t∈Ttv,干扰信号v的投影集TPa通过轨迹记录集T得 到。
进一步,随后结合速度自适应适度与摆动系统重新计算出工业机器人跟随 匹配速度中,通过速度自适应适度与摆动系统在面积为S=L*L的部署区域内, 随机分布N个同构的无线传感器节点,sink节点位于部署区域之外,节点处理 整个无线传感器网络内收集到的数据;
非均匀成簇:
sink节点位于部署区域的上方;首先部署区域X轴划分为S个信道,所有 信道有相同的宽度w,并且每个信道的长度与部署区域的长度相等;用从1到s 作为信道的ID,最左端的信道的ID为1,然后每个信道沿着y轴划分为多个矩 形网格,每个信道中的每个网格都被定义一个水平,最下端的网格的水平为1, 每个网格和每个信道有相同的宽度w;每个信道中网格的个数、长度与信道到 sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的信道, 距离sink越远的信道含有的网格数目越小;针对同一信道,距离sink越远的 网格的长度越大;A中含有S个元素,第k个元素表示在第k个信道中网格的数 目;每个网格用一个数组(i,j)作为ID,表示第i个信道有水平j;定义S个 数组表示网格的长度,第v个数组Hv表示第v个信道中网格的长度,并且Hv的 第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
o_x+(i-1)×w<x≤o_x+i×w
非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选 取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入 簇,然后再进行数据聚合;
进一步,非均匀成簇后,还需进行:
格拉布斯预处理:
传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据; 采用格拉布斯预准则对传感器节点所采集到的数据进行预处理假设某个簇首节 点含有n个传感器节点,传感器节点收集到的数据为x1,x2,…,xn,服从正态分布, 并设:
根据顺序统计原理,计算格拉布斯统计量:
给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效, 测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除, 即不参与到下一层次的数据聚合;
自适应聚合算法:
通过迭代得到各个节点测量数据的无偏估计值,求取各个传感器节点的测 量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和 的权值;选用簇中的传感器节点采集到的数据的最大值与最小值的平均值作为 中心数据;
某个簇中有个传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数 据之间的偏差大小,其中li的计算公式为:
根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小 权值越大;
其中wi为相应的权值。
本发明的另一目的在于提供一种计算机程序,所述计算机程序实现权利要 求1所述的基于数控的折弯机器人控制方法。
本发明的另一目的在于提供一种终端,所述终端至少搭载实现所述基于数 控的折弯机器人控制方法的控制器。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在 计算机上运行时,使得计算机执行所述的基于数控的折弯机器人控制方法。
本发明的另一目的在于提供一种实现所述基于数控的折弯机器人控制方法 的基于数控的折弯机器人控制系统,所述基于数控的折弯机器人控制系统包括:
工业机器人,用于执行生产中的控制指令;
上位机控制系统,采集工业机器人的跟随所用时间,随后结合可行的速度 自适应适度与摆动系统重新计算出工业机器人跟随匹配速度;
PLC控制系统,采集数控折弯机的下行所用时间及下行运动轨迹;
数控折弯机,执行生产中的折弯控制指令。
本发明的另一目的在于提供一种钣金折弯机,所述钣金折弯机至少搭载所 述的基于数控的折弯机器人控制系统。
综上所述,本发明的优点及积极效果为:
PLC控制器能够做到折弯用时匹配,要求折弯机折弯过程的用时等于机器 人折弯过程的用时,其数据采集简单。所述数据采集通过PLC控制系统采集数 控折弯机的下行所用时间(即从夹紧点位置到下止点位置的总用时)及下行运 动轨迹(即从夹紧点位置到下止点位置的上模实时位置数据),另外通过上位 机控制系统采集工业机器人的跟随所用时间(即以匹配速度进行跟随动作的总 用时),随后结合较为可行的速度自适应适度与摆动系统重新计算出工业机器 人跟随匹配速度,最终达到两者之间的速度匹配的目的。
实配各个方向的工作面,也可以适应各种程序来制造各种钣金,同时也方 便把密封门转动到开阔的方向进行各种数据设置和设备的维护。
本发明PLC控制系统采集数控折弯机的下行所用时间及下行运动轨迹中,
收集并预处理原始数据,并最终形成若干数控折弯机采集的下行所用时间 及下行运动轨迹的原始轨迹序列集合;
对所述原始轨迹序列集合进行处理处理,其中包括:
在所述原始轨迹序列集合中找到不满足数控折弯机采集的下行所用时间及 下行运动轨迹准确容忍度的有问题的投影集VP;
将问题投影集VP中的所有轨迹按照其在原始轨迹序列集合中出现的频率进 行降序排序,并将结果保存到集合FVP;
搜索所述集合FVP中前|PS|个出现频率最高的轨迹投影记录,对其进行处理 处理,其中,所述处理处理包括轨迹抑制处理,直至或结束处理处 理;
对经过所述处理处理后的轨迹序列集合进行发布。可获的准确的运动轨迹 信息。
随后结合速度自适应适度与摆动系统重新计算出工业机器人跟随匹配速度 中,通过速度自适应适度与摆动系统在面积为S=L*L的部署区域内,随机分布N 个同构的无线传感器节点,sink节点位于部署区域之外,节点处理整个无线传 感器网络内收集到的数据;
非均匀成簇:
sink节点位于部署区域的上方;首先部署区域X轴划分为S个信道,所有 信道有相同的宽度w,并且每个信道的长度与部署区域的长度相等;用从1到s 作为信道的ID,最左端的信道的ID为1,然后每个信道沿着y轴划分为多个矩 形网格,每个信道中的每个网格都被定义一个水平,最下端的网格的水平为1, 每个网格和每个信道有相同的宽度w;每个信道中网格的个数、长度与信道到 sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的信道, 距离sink越远的信道含有的网格数目越小;针对同一信道,距离sink越远的 网格的长度越大;A中含有S个元素,第k个元素表示在第k个信道中网格的数 目;每个网格用一个数组(i,j)作为ID,表示第i个信道有水平j;定义S个 数组表示网格的长度,第v个数组Hv表示第v个信道中网格的长度,并且Hv的 第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
o_x+(i-1)×w<x≤o_x+i×w
可匹配出准确的信息。
附图说明
图1是本发明实施例提供的基于数控的折弯机器人控制系统示意图;
图2是本发明实施例提供的折弯机下行运动轨迹曲线分析图。
图3是本发明实施例提供的基于数控的折弯机器人控制方法流程图。
图4是本发明实施例提供的工业机器人的跟随过程中的时间与速度之间关 系曲线图(MH50机器人90°折弯跟随时间-速度曲线图)。
图5是本发明实施例提供的数据效用通过数据损失率UL表示,UL值越大代 表数据效用越差,反之,数据效用越好的仿真图。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并 配合附图详细说明如下。
本发明实施例提供的基于数控的折弯机器人控制方法包括:
通过PLC控制系统采集数控折弯机的下行所用时间及下行运动轨迹;
通过上位机控制系统采集工业机器人的跟随所用时间,随后结合可行的速 度自适应适度与摆动系统重新计算出工业机器人跟随匹配速度。
如图1,本发明实施例提供的基于数控的折弯机器人控制系统包括:
工业机器人,用于执行生产中的控制指令;
上位机控制系统,采集工业机器人的跟随所用时间,随后结合可行的速度 自适应适度与摆动系统重新计算出工业机器人跟随匹配速度;
PLC控制系统,采集数控折弯机的下行所用时间及下行运动轨迹;
数控折弯机,执行生产中的折弯控制指令。
通过PLC控制系统采集数控折弯机的下行所用时间(即从夹紧点位置到下 止点位置的总用时)及下行运动轨迹(即从夹紧点位置到下止点位置的上模实 时位置数据),另外通过上位机控制系统采集工业机器人的跟随所用时间(即 以匹配速度进行跟随动作的总用时),随后结合较为可行的速度自适应适度与 摆动系统重新计算出工业机器人跟随匹配速度,最终达到两者之间的速度匹配 的目的。
下面结合具体分析对本发明作进一步描述。
1、系统分析
速度自适应速度控制分析
系统通过大量实验对数控折弯机的下行运动轨迹进行分析,得到运动轨迹 曲线图如图2所示,大致分为五个阶段:停顿、加速、匀速、减速及抬刀。
图中曲线为折弯机下行运动轨迹曲线,其中,A→B表示该阶段为停顿;B →C表示该阶段为加速;C→D表示该阶段为匀速;D→E表示该阶段为减速;E →F表示该阶段为抬刀。
2、摆动控制分析
工业机器人各轴分别由电机与减速机等组成,因此工业机器人进行跟随动作 的过程中,会由于齿轮间隙的原因而出现摆动现象。考虑到跟随动作发生摆动 时,工业机器人会带动板件与折弯机上模之间拉扯,从而会影响产品的精度和 品质。
其中,折弯机器人直角坐标系O(原点)、X(X方向)、Y(Y方向)。
因此通过在工业机器人法兰盘上安装工具,并在工具两侧安装带高精度位 移传感器的止挡工具,从而对其在折弯机器人直角坐标系X方向上的摆动量进 行测试。
大量实验所得的工业机器人跟随动作摆动轨迹中可得,机器人在跟随过程 中,摆动现象明显。摆动现象大部分发生在前期运动状态,摆动会向右止挡偏 差0.1~0.3mm左右。
下面结合具体分析对本发明作进一步描述。
图3是本发明实施例提供的基于数控的折弯机器人控制方法流程图及程序 分析,
具体为系统速度自适应速度与摆动算法。
算法及程序分析其中,系统速度自适应速度与摆动算法流程图如图所示。
其中,系统在首次运行时需机器人初始速度值的设定,因此通过大量实验 得到工业机器人的跟随过程中的时间与速度之间关系曲线图如图4所示。
随后结合速度自适应适度与摆动系统重新计算出工业机器人跟随匹配速度 中,通过速度自适应适度与摆动系统在面积为S=L*L的部署区域内,随机分布N 个同构的无线传感器节点,sink节点位于部署区域之外,节点处理整个无线传 感器网络内收集到的数据;
非均匀成簇:
sink节点位于部署区域的上方;首先部署区域X轴划分为S个信道,所有 信道有相同的宽度w,并且每个信道的长度与部署区域的长度相等;用从1到s 作为信道的ID,最左端的信道的ID为1,然后每个信道沿着y轴划分为多个矩 形网格,每个信道中的每个网格都被定义一个水平,最下端的网格的水平为1, 每个网格和每个信道有相同的宽度w;每个信道中网格的个数、长度与信道到 sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的信道, 距离sink越远的信道含有的网格数目越小;针对同一信道,距离sink越远的 网格的长度越大;A中含有S个元素,第k个元素表示在第k个信道中网格的数 目;每个网格用一个数组(i,j)作为ID,表示第i个信道有水平j;定义S个 数组表示网格的长度,第v个数组Hv表示第v个信道中网格的长度,并且Hv的 第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
o_x+(i-1)×w<x≤o_x+i×w
非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选 取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入 簇,然后再进行数据聚合;
非均匀成簇后,还需进行:
格拉布斯预处理:
传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据; 采用格拉布斯预准则对传感器节点所采集到的数据进行预处理假设某个簇首节 点含有n个传感器节点,传感器节点收集到的数据为x1,x2,…,xn,服从正态分布, 并设:
根据顺序统计原理,计算格拉布斯统计量:
给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效, 测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除, 即不参与到下一层次的数据聚合;
自适应聚合算法:
通过迭代得到各个节点测量数据的无偏估计值,求取各个传感器节点的测 量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和 的权值;选用簇中的传感器节点采集到的数据的最大值与最小值的平均值作为 中心数据;
某个簇中有个传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数 据之间的偏差大小,其中li的计算公式为:
根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小 权值越大;
其中wi为相应的权值。
下面结合具体分析对本发明作进一步描述。
本发明的轨迹数据集T是所有数控折弯机采集的下行所用时间及下行运动 轨迹序列的集合,形式化表示为:
T=∪ti,i=1,2...
其中,ti表示数控折弯机采集的下行所用时间及下行运动轨迹i的运动轨迹, 代表数控折弯机采集的下行所用时间及下行运动轨迹i的历史足迹。
对每个数控折弯机采集的下行所用时间及下行运动轨迹i,其运动轨迹ti是由 n个不同时刻timei的位置序列组成,可表示为:
ti={<loc1(x1,y1),time1>→…→<locn(xn,yn),timen>}
其中<loci(xi,yi),timei>代表timei时刻数控折弯机采集的下行所用时间及下行运动轨迹i所在的具体位置。
为了简化处理,轨迹序列包含数控折弯机采集的下行所用时间及下行运动 轨迹的位置信息,且位置信息按照时间timei升序排列;Table3.1、Table 3.2、 Table 3.3及Table 3.4是为了方便理解,在后续部分会以此为例进行说明,这 里仅有两个干扰信号a,b,且数控折弯机采集的下行所用时间及下行运动轨迹 的准确容忍度Pbr设置为0.5。
定义3.1轨迹记录:轨迹记录是由n个位置信息按照时间顺序组成的长度 为n的一条记录t=<loc1,loc2,......,locn>,其中loci∈A。
A是数据发布中心可以掌控的所有位置,这里本发明假设A={a1,a2,a2,b1,b2,b3},如智能卡公司(相当于数据发布中心)可以发行一种智能卡,A代表的是可以刷 该种卡的所有位置,如商店,停车场等;由于存在商业垄断,一个商店可能拥 有不同的分商店。A被分为m个互不相交的非空子集,即根据表1有A=A1∪A2,A1={a1,a2,a2},A2={b1,b2,b2};
表1轨迹数据集T
t<sub>id</sub> | rajectory |
t<sub>1</sub> | a<sub>1</sub>→b<sub>1</sub>→a<sub>2</sub> |
t<sub>2</sub> | a<sub>1</sub>→b<sub>1</sub>→a<sub>2</sub>→b<sub>2</sub> |
t<sub>3</sub> | a<sub>1</sub>→b<sub>2</sub>→a<sub>2</sub> |
t<sub>4</sub> | a<sub>1</sub>→a<sub>2</sub>→b<sub>2</sub> |
t<sub>5</sub> | a<sub>1</sub>→a<sub>3</sub>→b<sub>1</sub> |
t<sub>6</sub> | a<sub>2</sub>→a<sub>3</sub>→b<sub>1</sub> |
t<sub>7</sub> | a<sub>2</sub>→a<sub>3</sub>→b<sub>1</sub> |
t<sub>8</sub> | a<sub>2</sub>→a<sub>3</sub>→b<sub>2</sub>→b<sub>2</sub> |
表2干扰信号va的知识TPa
t<sub>id</sub> | rajectory |
t<sub>1</sub> | a<sub>1</sub>→a<sub>2</sub> |
t<sub>2</sub> | a<sub>1</sub>→a<sub>2</sub> |
t<sub>a</sub> | a<sub>1</sub>→a<sub>2</sub> |
t<sub>4</sub> | a<sub>1</sub>→a<sub>2</sub> |
t<sub>5</sub> | a<sub>1</sub>→a<sub>a</sub> |
t<sub>6</sub> | a<sub>2</sub>→a<sub>3</sub> |
t<sub>7</sub> | a<sub>2</sub>→a<sub>a</sub> |
t<sub>3</sub> | a<sub>2</sub>→a<sub>3</sub> |
表3处理轨迹集T′2
干扰信号模型
这里本发明假定潜在的干扰信号数量为m个,则有其中V为干扰 信号集合;每个干扰信号vi可以掌控Ai中包含的所有位置信息,则有: 且针对每一条轨迹记录t∈T,每一个干扰信号vi∈V 都拥有一个投影知识,定义如下。
定义3.2投影:若仅考虑一个干扰信号v,则一条轨迹记录 t=<loc1,loc2,.....,locn>的投影为称tv为t相对 于干扰信号v的投影。
这里,tv即称之为干扰信号v的投影知识,投影tv是t的一个子轨迹记录, 仅由t中属于Av的所有位置数据点组成。因此,每一个干扰信号将会拥有所有轨 迹数据集T中的投影集TPv,且TPv=∪t∈Ttv,如干扰信号v的投影集TPa就是根据定 义2通过轨迹记录集T得到。
干扰信号v所拥有的知识仅是TPv,干扰信号可以根据其拥有的知识TPv很容 易地推断出经过tv中全部位置的所有数控折弯机采集的下行所用时间及下行运 动轨迹的身份信息,进而推断出其他信息。对该问题,本发明进行如下定义:
定义3.3给定原始轨迹数据集T,T′是T经过处理后要公布的轨迹数据集; 若每一个干扰信号v都不能以高于Pbr概率准确地推断出任一位置信息locj, 这里locj∈t^locj∈Av,则认为T′是安全的,可以公开发布,否则就不安全,不能公 开发布。
本部分主要考虑干扰信号可能发起的攻击:(1)身份连接攻击:由于干扰信 号掌握数控折弯机采集的下行所用时间及下行运动轨迹的部分信息和对应的数 控折弯机采集的下行所用时间及下行运动轨迹身份信息,所以干扰信号可以根 据这些局部信息实行身份连接攻击,从而推断出数控折弯机采集的下行所用时 间及下行运动轨迹的身份;(2)属性链接攻击:干扰信号根据掌握的数控折弯机 采集的下行所用时间及下行运动轨迹的局部信息作为数控折弯机采集的下行所 用时间及下行运动轨迹的准标识符发起属性连接攻击,从而推断出数控折弯机 采集的下行所用时间及下行运动轨迹的其他属性信息;
本发明不希望干扰信号v,拥有关于轨迹记录t的投影tv的知识,从即将要 发布的轨迹数据集T′中推断出其他任何不属于tv的位置信息或者数控折弯机采集 的下行所用时间及下行运动轨迹的身份信息,即进行身份连接攻击和属性连接 攻击;这一问题类似于1-多样性问题“Privacy protection for RFID data”, “Walking in the crowd:anonymizing trajectory data for pattern analysis”,其中tv中的位置信息类似于准标识符QID,而其他的位置信息则类似 于敏感属性S。该问题和以往的轨迹数据发布问题相比,有很大不同;随着攻击 数量的变化,从不同干扰信号的角度出发,每一个干扰信号的投影知识tv∈TPV都 可以作为轨迹记录t的准标识符QID,由于tv的长度是可变长的,因此,每一条 轨迹记录t∈T的准标示符都是可变长的,且可能有多个;对于每一条轨迹记录t∈T,其敏感属性S也是不唯一的,可能有多个;综上所述,本发明研究的问题 和以往不同的是:(a)准标识符QID是可变长的,且可能有多个;(b)敏感属性S 不是唯一的,可能是多个;(c)干扰信号也是不唯一的,可能有多个。
准确保护模型
由于干扰信号拥有局部的轨迹信息,仅移除或隐藏原始轨迹集集中的身份 信息如ID,干扰信号仍然能够以一定的概率推断出数控折弯机采集的下行所用 时间及下行运动轨迹的身份和其他敏感信息,从而导致数控折弯机采集的下行 所用时间及下行运动轨迹的准确受到威胁。为了保护数控折弯机采集的下行所 用时间及下行运动轨迹的准确在其可容忍度Pbr范围内,本发明定义了如下准确 模型Pbr-privaoy,该模型保证了干扰信号不会以高于Pbr的概率推断出任意数控折 弯机采集的下行所用时间及下行运动轨迹的身份信息和其它不被干扰信号所掌 握的位置信息(亦称之为敏感信息)。
S(tv,TPv):根据定义3.2从轨迹数据集T中找到干扰信号v的投影知识TPv, 并从TPv中找到满足特定条件的所有轨迹记录集S(tv,TPv), S(tv,TPv)={t′|t′∈TPv∧t′=tv}。
S(tv,TPv)是干扰信号v的投影知识TPv中所有与轨迹tv相同的轨迹形成的集合,如干扰信号a的投影集TPa如表2,若ta={a1→a2},则S(ta,TPa)是数控折弯机采集 的下行所用时间及下行运动轨迹的轨迹集合。干扰信号v根据S(tv,TPv) 推断出其他位置locj的概率为p(locj,tv,T′)=sup(locj,tv,T′)/|S(tv,T′)|,为了使处理的数据T′在一定程度上保护数控折弯机采集的下行所用时间及下行运动轨迹的准确(假设数控折弯机采 集的下行所用时间及下行运动轨迹的准确容忍度为Pbr),本发明进行如下定义:
Pbr-privacy:若且若p(locj,tv,T′)<Pbr成立, 则认为T→T′的转换是安全的,可以公开发布T′;若p(locj,tv,T′)>Pbr,则认为T→T′ 的转换是不安全的,并标记tv为有问题的投影轨迹,根据特定处理算法对有问题 的投影记录作处理,使得T→T′的转换是安全的。
如果所有的干扰信号从T′中推断出任意不被自身掌握的位置信息的概率都 小于数控折弯机采集的下行所用时间及下行运动轨迹的准确容忍度Pbr,则表明 该轨迹数据集T′满足了数控折弯机采集的下行所用时间及下行运动轨迹的准确 需求,是安全的数据集,可以进行发布。如表1中数据集T不能够直接发布, 而经过处理处理的数据集T′则是安全的,可以发布。
数据效用
数据发布者发布轨迹数据的目的是为了让接收者进行数据挖掘;为了尽可 能满足多个接收者完成不同的数据挖掘任务,使其更好的服务于社会,本发明 不得不考虑如何提高数据效用UL。本部分给出一种数据效用的定义。(当然UL 也可以根据不同的需求进行不同的定义):
若原始轨迹数据集T的足迹个数记作|T|,处理的轨迹数据集T′中的 足迹个数记作|T′|,则有:
若UL的值越小,数据效用越好;若UL的值越大,数据效用越差。
基于上述描述,本发明采用的技术方案如下:
基于频率的轨迹抑制数据发布准确保护的系统,所述系统具有若干发布消 息的数控折弯机采集的下行所用时间及下行运动轨迹,用于收集所述数控折弯 机采集的下行所用时间及下行运动轨迹的发布消息的数据收集服务器,所述系 统还包括与所述数据收集服务器连接的处理服务器,所述处理服务器设有数据 预处理模块,准确保护模块,数据效用衡量模块,其中
所述数据预处理模块:对收集到的原始数据进行预处理,即对所述原始数 据按照数控折弯机采集的下行所用时间及下行运动轨迹身份进行归类,并将同 一数控折弯机采集的下行所用时间及下行运动轨迹身份的所有位置数据按照时 间戳排序,最终形成数控折弯机采集的下行所用时间及下行运动轨迹的原始轨 迹序列集合;
所述准确保护模块:对预处理后的轨迹序列集合进行准确保护处理,即根 据数控折弯机采集的下行所用时间及下行运动轨迹的准确需求,找到不满足数 控折弯机采集的下行所用时间及下行运动轨迹准确容忍度的轨迹序列集合,然 后将这些集合按照频率进行排序,从而得到安全的可发布的轨迹数据集合;
所述数据效用衡量模块:负责评估经过所述准确保护模块处理后的轨迹数 据集合的可用性,即统计处理轨迹数据集的数据效用。
需要说明的是,所述准确保护模块对不满足数控折弯机采集的下行所用时 间及下行运动轨迹准确需求的轨迹序列集合进行排序后,可对即将发布的轨迹 数据集进行轨迹抑制并适时添加假数据;可对即将发布的轨迹数据集进行轨迹 局部抑制。
处理处理还包括局部抑制处理,其中:
在所述集合FVP中找到最小的违反准确需求的轨迹序列集,并保存到轨迹 集合MVP;
根据干扰信号的知识Av计算所述轨迹序列集MVP中所有轨迹点的 R(PG(loci),UL(loci))值,每次找到R(PG(loci),UL(loci))值较大的轨迹点loci,并在原始轨迹 集中找到与MVP中的所有包含位置信息的轨迹记录相对应的轨迹集,抑制该轨 迹集中的位置信息loci,此处理需迭代进行,直至束。
需要进一步说明的是,所述局部抑制处理包含:
(1)IVPA处理,从原始轨迹数据集T中找到不满足数控折弯机采集的下行 所用时间及下行运动轨迹的准确容忍度Pbr的有问题的投影集VP;
(2)FVPA处理:将有问题的投影集VP中的所有轨迹按照其在轨迹集T中 出现的频率进行排序,并将结果保存到集合FVP;
(3)IMVA处理:在有问题的投影集FVP中找到最小的违反准确需求的轨迹 序列集,并保存到轨迹集合MVP的算法IMVA;
(4)TAA_1处理:根据干扰信号v的知识Av计算轨迹序列集MVP中所有轨迹点的 R(PG(loci),UL(loci))值,每次找到R(PG(loci),UL(loci))值较大的轨迹点loci,并在原始轨迹 集T中找到与MVP中的所有包含位置信息的轨迹记录相对应的轨迹集,抑制该 轨迹集中的位置信息loci,此步骤需迭代进行,直至束。
IVPA处理
为了更好的理解对原始轨迹数据集T所采用的处理处理过程,进行以下定义:VPv:干扰信号v推断出其他位置locj的概率为P(locj,tv,T′);若P(locj,tv,T′)>Pbr,则记录tv为有问题的轨迹投影,VPv={tv|tv∈TPv∧P(locj,tv,T′)>Pbr}。
这里VPv是干扰信号v的投影知识TPv中有问题的投影集,即干扰信号能够以高于数控折弯机采集的下行所用时间及下行运动轨迹的准确容忍度Pbr的概率推断出 与VPv中的轨迹记录相对应的原始轨迹中其他的位置信息;这样的轨迹记录对于 数控折弯机采集的下行所用时间及下行运动轨迹来说,是不安全的,所以需对 其进行处理处理。由于这里有m个干扰信号,所以有:
例如:对于干扰信号a,b来说,由表1、表2及上述定义可知,有问题的投影 集为:
VPa={a1→a2,α2→a3},
VPb={b1,b1→b3,b2,b2→b3]
VP={a1→a2,a2→a3,b1,b1→b3,b2,b2→b3}。
IVPA处理描述:
IVPA伪代码描述:
输入:原始轨迹集T,数控折弯机采集的下行所用时间及下行运动轨迹容忍度Pbr,每一个干扰信号v所掌握的位置集合Av;
输出:违背数控折弯机采集的下行所用时间及下行运动轨迹准确需求的投影集合VP;
for all v in V and t in T
TPv:=∪t∈Ttv;//根据定义3.2,求取每一干扰信号v的投影知识TPV;
for all tv∈TPVdo
sup(locj,tv,T):=0;//初始化sup(locj,tv,T)为0;
for all v∈V do
for all do
calculate sup(locj,tv,T);//统计原始轨迹集中所有不属于干扰信号v的位置数据 出现的次数;
for allv∈V do
calculateS(tv,TPv)of tvin TPv;//统计轨迹投影记录tv在集合TPv
出现的次数;
for all tv∈TpV do
p(locj,tv,T)=sup(locj,tv,T)/|S(tv,T)|;
If P(locj,tv,T)>Pbrthen
VPv=push_back(VPv);//找到所有不满足数控折弯机采集的下行所用时间及下行运 动轨迹准确需求的轨迹影tv,并将其保存到集合VPv中;
for all v in V do
VP=push_back(VPv);//找到所有有问题的投影集合VP;
FVPA处理
该处理基于IVPA,将有问题的投影集VP中的轨迹序列按照其在原始轨迹集 T中出现的次数降序排列,使出现频率较高的轨迹序列优先得到处理,通过多次 实验,发现该算法在一定程度上可以减少被抑制的点数。
例如:对干扰信号a来说,其轨迹序列{a1→a2}、{a1→a3},{a2→a3},分别出 现的次数为4、1、3,排序后的结果是:
{a1→a2}→{a2→a3}→{a1→a3}。
FVPA处理描述:
FVPA伪代码描述:
输入:违背数控折弯机采集的下行所用时间及下行运动轨迹准确需求的投影集合VP
输出:依据频率降序排列有问题的轨迹投影集合FVP;
for all v in V do
for all tv∈VPv do
f(tv,VPv)=0;//初始化f(tv,VPv),该集合用于保存轨迹投影记
录tv在VPv中出现的次数;
for all v∈V do
for all tv∈VPv do
calculate the frequency f(tv,VPv)of tvwhich occurs in VPv://统计
所有的轨迹投影记录tv在集合VPv中出现的次数;
F(tv,frequency):=push_back(tv,f(tv,VPv));//将轨迹投影和对应出现的次数保存到集 合FVPv中;
for all v∈V do
sort all trajectories in VPvindescending order according to thefrequency F(tv,VPv),and save them in FVPv;//将所有有问题的投影轨迹记录按照频率降 序排列;
FVP=push_back(FVPv);
IMVA算法
MVPv:若或时,则将合并 为则有
为了提升处理数据的效用,该处理仅通过对有问题的投影集FVPv进行合并,将集合FVPv缩小,从而得到最小的有问题的投影集MVPv。由于这里有m个干扰信号, 所以有:
例如:对于干扰信号a,b来说,FVPa={a2→a3,a1→a3}, FVPb={b1,b2,b1→b3,b2→b3};通过算法IMVA,得到MVPa={a2→a3,a1→a3}, MVPb={b1,b2]。
IMVA处理描述:
MVPA伪代码描述:
输入:依据频率降序排列的有问题的轨迹投影集合FVP;
输出:最小的有问题的轨迹投影集合MVP;
for all vin V do
for all
Iforthen
replace all the trajectoriesandin FVPv with
call Alg.IVPA and Alg.FVPA;//将集合FVPv中所有包含关系或子集关系的投影记录和用代替;
else do
//若找不到包含关系或子集关系时,则轨迹记录保存到集合 MVPv;
for a11v∈V do
MVP=push_back(MVPv);
TAA_1处理:
在对数据集T进行处理处理前,本发明需要进行如下定义:
PG(loci):本发明定义其为与位置loci相关的准确关联度,代表由删除点loci所带来 的准确收益,其值为集合MVPv中包含点loci的不同的轨迹个数;但是当某一位置 点仅和自身关联时,其准确关联度仍定义为1。因为若将准确关联度定义为0, 当多个位置都和自身关联,导致多个位置的R值是相同的,会造成对位置点的 随机删除,因此,为了避免该种情况的出现,将其定义为1,那么出现次数较少 的点便会优先被抑制,从而提升数据的效用。UL(loci):代表由删除位置点loci的所 带来的信息损失量,其值为MVPv中所有的轨迹中包含点loci的总数;PG(loci)的值越 大,代表由删除点loci所带来的准确收益越大,且信息损失量越小。
该处理算法不同于以往的轨迹处理算法,这里本发明采用局部抑制轨迹集MVP 中点的方法对轨迹数据集T进行处理处理;为了获得好的准确收益和较高的数 据效用,在处理轨迹集MVP中的位置信息时,优先抑制PG(loci)最大的点loci,从 而使得每删除一个点loci所带的准确保护和数据效用都同时达到最优。具体处理 描述如下:
R(PG,UL)值
位置数据 | PG | UL | R(PG,UL) |
a<sub>1</sub> | 1 | 1 | 1 |
a<sub>2</sub> | 1 | 3 | 0.33 |
a<sub>3</sub> | 2 | 4 | 0.5 |
b<sub>1</sub> | 1 | 4 | 0.25 |
b<sub>2</sub> | 1 | 4 | 0.25 |
例如:对于干扰信号a,b来说,MVPa={a2→a3,a1→a2},MVPb={b1,b2]。按照上 述定义计算得到上表;由行表知R(PG(a1),UL(a1))最大,由于轨迹a1→a2对应T′中的 轨迹a1→aa→b1,所以删除轨迹a1→a3→b1中的点a1,即a1→a3→b1变为a3→b1,循 环迭代,直至结束,最终结果如表3。
TDA_2处理描述:
TDA_2伪代码描述:
输入:原始轨迹集T,数控折弯机采集的下行所用时间及下行运动轨迹容忍度Pbr,每一个干扰信号v所掌握的位置集合Av;
输出:可发布的安全的轨迹数据集T′;
construct projection TPv for every attacker v∈V;
initial T′=T;
whiledo
call Alg.IVPA,Alg.FVPA and Alg.MVPA;
for all v in V do
calculate the R(PG,UL)s of all the points in Avaccording to MVPv bydefinition 4.3,and select the highest R(PG,UL).//根据定义4.3及集合 MVPv,计算所有位置数据的R(PG,UL);
for alltv∈MVPv
find all trajectories T1which include the point with highest R(PG,UL);//在集合MVPv找到所有包含R(PG,UL)最高位置数据的轨迹记录; for all t∈TPv
find all trajectories T2which contain the trajectories in T1.//在投影集TPv找到所有包含T1中的轨迹投影,并保存到集合T2中;
for all t∈T′do
find all trajectories T2with the projections the same with thetrajectories in T2,and delete the point with highest R(PG,UL)in alltrajectories inT2.//根据集合T2,在轨迹集T′中找到对应的轨迹记录,并保存 到集合T2中,抑制集合T2中所有轨迹记录中的对应R(PG,UL)值最高的位置数据; Output T′;//输出安全的可发布数据集;
需要说明的是,若所述集合FVP为空集,则表示当前原始轨迹序列集合为安全 状态,可进行发布。
下面结合效果对本发明作进一步描述。
为验证所提方案的有效性,本发明进行了一系列的实验:在相同轨迹数据 集的情况下,通过设置不同的干扰信号数量和数控折弯机采集的下行所用时间 及下行运动轨迹的准确容忍度,采用“Privacy preservation in the publication of trajectories”(下称“对比方案”)的处理方法和本发明所 提的处理方案分别进行实验,并根据实验结果,进行对比分析。
实验环境和实验数据
实验环境为2.83GHz的Intel双核CPU,2GB内存,操作系统平台为Windows XP。 在VC编程环境下,通过C++编程实现处理算法;通过Brinkoff生成器在 Oldenburg地图上模拟产生移动数控折弯机采集的下行所用时间及下行运动轨 迹的坐标信息,经过简单地处理得到数控折弯机采集的下行所用时间及下行运 动轨迹的轨迹数据集T。在这里,本发明将Oldenburg地图均分成100个区域, 通过随机算法产生每一个区域的干扰信号,每个区域的中心位置作为数控折弯 机采集的下行所用时间及下行运动轨迹穿越该区域的足迹信息。数控折弯机采 集的下行所用时间及下行运动轨迹的平均轨迹长度为6,收集到的轨迹集T的总 数为15000。
在相同数据集T的情况下,分别采用本方案及对比方案中的处理算法分别对数 据集T进行处理,并根据处理后的数据效用对处理结果进行对比分析。
数据效用通过数据损失率UL表示,UL值越大代表数据效用越差,反之,数据效 用越好,实验仿真结果如图5所示。
本发明发现本发明所提的方案(局部抑制)明显优于对比方案;在数控折 弯机采集的下行所用时间及下行运动轨迹准确容忍度设置同为,本发明所提方 案明显提升了数据效用,且随着轨迹集T的增大,数据效用趋向于更好。
现实中数控折弯机采集的下行所用时间及下行运动轨迹的准确需求可能是变化的,通过改变可实现数控折弯机采集的下行所用时间及下行运动轨迹的准确需 求,且数控折弯机采集的下行所用时间及下行运动轨迹的数量也可能是变化的, 因此,本发明测试了这两种方案在同时改变时的处理结果。通过对比本发明发 现:
1、仅改变时,本发明所提方案的UL下降较快,这是因为本发明所提方案 在每次处理处理过程中,将“Privacy preservation in the publication of trajectories”中的对整条轨迹记录的抑制改为对轨迹中的某一位置数据的抑 制,有效地提升了数据效用。
2、仅改变时,本发明所提方案的UL变化较不明显,比较稳定,这是因为 随着的增多,导致有问题的投影集相对也增多,但变化较快,此时,对比方案 的方法对UL的影响大于对投影集进行局部抑制的方法,因此,本发明所提方案 稳定性较好。
随着干扰信号数量|V|的增加,本发明所提方案的数据效用UL优于对比方 案的实验结果。对比方案的实验结果变化幅度较大,而本发明所提方案的结果 变化则较平缓,由此可见,所提方案的稳定性更好。
综上所述当同时改变时,本发明所提方案的实验结果均优于“Privacypreservation in the publication of trajectories”的方案,且本方案明显 优于对比方案,且在同等准确需求的情况下,将处理后的数据效用提升了近40%。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组 合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程 序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指 令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可 以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算 机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向 另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、 计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字数控折弯机采 集的下行所用时间及下行运动轨迹线(DSL)或无线(例如红外、无线、微波等) 方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可 读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可 用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介 质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固 态硬盘Solid State Disk(SSD))等。
以上所述仅是对本发明的较佳实施例而已,并非对本发明作任何形式上的 限制,凡是依据本发明的技术实质对以上实施例所做的任何简单修改,等同变 化与修饰,均属于本发明技术方案的范围内。
Claims (10)
1.一种基于数控的折弯机器人控制方法,其特征在于,所述基于数控的折弯机器人控制方法包括:
通过PLC控制系统采集数控折弯机的下行所用时间及下行运动轨迹;
通过上位机控制系统采集工业机器人的跟随所用时间,随后结合速度自适应适度与摆动系统重新计算出工业机器人跟随匹配速度。
2.如权利要求1所述的基于数控的折弯机器人控制方法,其特征在于,
PLC控制系统采集数控折弯机的下行所用时间及下行运动轨迹中,
收集并预处理原始数据,并最终形成若干数控折弯机采集的下行所用时间及下行运动轨迹的原始轨迹序列集合;
对所述原始轨迹序列集合进行处理处理,其中包括:
在所述原始轨迹序列集合中找到不满足数控折弯机采集的下行所用时间及下行运动轨迹准确容忍度的有问题的投影集VP;
将问题投影集VP中的所有轨迹按照其在原始轨迹序列集合中出现的频率进行降序排序,并将结果保存到集合FVP;
搜索所述集合FVP中前|PS|个出现频率最高的轨迹投影记录,对其进行处理处理,其中,所述处理处理包括轨迹抑制处理,直至或结束处理处理;
对经过所述处理处理后的轨迹序列集合进行发布。
3.如权利要求2所述的基于数控的折弯机器人控制方法,其特征在于,所述处理处理还包括局部抑制处理,其中:
在所述集合FVP中找到最小的违反准确需求的轨迹序列集,并保存到轨迹集合MVP;
根据干扰信号的知识Av计算所述轨迹序列集MVP中所有轨迹点的R(PG(loci),UL(loci))值,每次找到R(PG(loci),UL(loci))值较大的轨迹点loci,并在原始轨迹集中找到与MVP中的所有包含位置信息的轨迹记录相对应的轨迹集,抑制该轨迹集中的位置信息loci,此处理需迭代进行,直至束;
轨迹数据集T是数控折弯机采集的下行所用时间及下行运动轨迹序列的集合,形式化表示为:
T=∪ti,i=1,2...
其中,ti表示数控折弯机采集的下行所用时间及下行运动轨迹i的运动轨迹,代表数控折弯机采集的下行所用时间及下行运动轨迹i的历史足迹。
对每个数控折弯机采集的下行所用时间及下行运动轨迹i,其运动轨迹ti是由n个不同时刻timei的位置序列组成,表示为:
ti={<loc1(x1,y1),time1>→…→<locn(xn,yn),timen>}
其中<loci(xi,yi),timei>代表timei时刻数控折弯机采集的下行所用时间及下行运动轨迹i所在的具体位置;
干扰信号模型:
假定潜在的干扰信号数量为m个,则有其中V为干扰信号集合;每个干扰信号vi可以掌控Ai中包含的所有位置信息,则有:且针对每一条轨迹记录t∈T,每一个干扰信号vi∈V都拥有一个投影知识
若仅考虑一个干扰信号v,则一条轨迹记录t=<loc1,loc2,......,locn>的投影为称tv为t相对于干扰信号v的投影;
tv即称之为干扰信号v的投影知识,投影tv是t的一个子轨迹记录,仅由t中属于Av的所有位置数据点组成。因此,每一个干扰信号将会拥有所有轨迹数据集T中的投影集TPv,且TPv=∪t∈Ttv,干扰信号v的投影集通过轨迹记录集T得到。
4.如权利要求1所述的基于数控的折弯机器人控制方法,其特征在于,
随后结合速度自适应适度与摆动系统重新计算出工业机器人跟随匹配速度中,通过速度自适应适度与摆动系统在面积为S=L*L的部署区域内,随机分布N个同构的无线传感器节点,sink节点位于部署区域之外,节点处理整个无线传感器网络内收集到的数据;
非均匀成簇:
sink节点位于部署区域的上方;首先部署区域X轴划分为S个信道,所有信道有相同的宽度w,并且每个信道的长度与部署区域的长度相等;用从1到s作为信道的ID,最左端的信道的ID为1,然后每个信道沿着y轴划分为多个矩形网格,每个信道中的每个网格都被定义一个水平,最下端的网格的水平为1,每个网格和每个信道有相同的宽度w;每个信道中网格的个数、长度与信道到sink的距离有关;通过设置网格的长度来调整网格的大小;针对不同的信道,距离sink越远的信道含有的网格数目越小;针对同一信道,距离sink越远的网格的长度越大;A中含有S个元素,第k个元素表示在第k个信道中网格的数目;每个网格用一个数组(i,j)作为ID,表示第i个信道有水平j;定义S个数组表示网格的长度,第v个数组Hv表示第v个信道中网格的长度,并且Hv的第w个元素hvw表示网格(v,w)的长度;网格(i,j)的边界为:
o_x+(i-1)×w<x≤o_x+i×w
非均匀网格划分好之后进行成簇阶段;算法分为很多轮进行,在每轮中选取每个网格中剩余能量最大的节点作为簇首节点,其余节点根据就近原则加入簇,然后再进行数据聚合。
5.如权利要求4所述的基于数控的折弯机器人控制方法,其特征在于,非均匀成簇后,还需进行:
格拉布斯预处理:
传感器节点需要对收集的数据进行预处理,然后再向簇首节点传输数据;采用格拉布斯预准则对传感器节点所采集到的数据进行预处理假设某个簇首节点含有n个传感器节点,传感器节点收集到的数据为x1,x2,…,xn,服从正态分布,并设:
根据顺序统计原理,计算格拉布斯统计量:
给定显著性水平α=0.05之后,测量值满足gi≤g0(n,α),则认为测量值有效,测量值参与到下一层次的数据聚合;反之,则认为测量值无效,因此需要剔除,即不参与到下一层次的数据聚合;
自适应聚合算法:
通过迭代得到各个节点测量数据的无偏估计值,求取各个传感器节点的测量数据值与估计值之间的欧式距离,以归一化的欧式距离作为自适应加权融和的权值;选用簇中的传感器节点采集到的数据的最大值与最小值的平均值作为中心数据;
某个簇中有个传感器节点,用维列向量D=(d1,d2,…,dn)表示相应节点的测量值,通过计算各个节点数据与中心数据的欧式距离反应不同节点数据与中心数据之间的偏差大小,其中li的计算公式为:
根据欧式距离自适应设定相应的权值大小,距离越大权值越小,距离越小权值越大;
其中wi为相应的权值。
6.一种计算机程序,其特征在于,所述计算机程序实现权利要求1~5任意一项所述的基于数控的折弯机器人控制方法。
7.一种终端,其特征在于,所述终端至少搭载实现权利要求1~5任意一项所述基于数控的折弯机器人控制方法的控制器。
8.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1~5任意一项所述的基于数控的折弯机器人控制方法。
9.一种实现权利要求1所述基于数控的折弯机器人控制方法的基于数控的折弯机器人控制系统,其特征在于,所述基于数控的折弯机器人控制系统包括:
工业机器人,用于执行生产中的控制指令;
上位机控制系统,采集工业机器人的跟随所用时间,随后结合可行的速度自适应适度与摆动系统重新计算出工业机器人跟随匹配速度;
PLC控制系统,采集数控折弯机的下行所用时间及下行运动轨迹;
数控折弯机,执行生产中的折弯控制指令。
10.一种钣金折弯机,其特征在于,所述钣金折弯机至少搭载权利要求9所述的基于数控的折弯机器人控制系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000023.7A CN109332433A (zh) | 2018-08-20 | 2018-08-20 | 一种基于数控的折弯机器人控制方法及控制系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811000023.7A CN109332433A (zh) | 2018-08-20 | 2018-08-20 | 一种基于数控的折弯机器人控制方法及控制系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109332433A true CN109332433A (zh) | 2019-02-15 |
Family
ID=65292237
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811000023.7A Pending CN109332433A (zh) | 2018-08-20 | 2018-08-20 | 一种基于数控的折弯机器人控制方法及控制系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109332433A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116116952A (zh) * | 2023-04-13 | 2023-05-16 | 山西八建集团有限公司 | 一种便于多角度折弯的无损弧形管道加工机床 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914659A (zh) * | 2014-03-12 | 2014-07-09 | 西安电子科技大学 | 基于频率的轨迹抑制数据发布隐私保护的系统及其方法 |
CN107848005A (zh) * | 2015-12-30 | 2018-03-27 | 深圳配天智能技术研究院有限公司 | 折弯跟随轨迹规划方法、装置及系统 |
CN107870591A (zh) * | 2017-11-06 | 2018-04-03 | 四川大学 | 一种基于互联网的地下工程变形远程自动监控控制系统 |
CN207271859U (zh) * | 2017-08-09 | 2018-04-27 | 杭州凯尔达机器人科技股份有限公司 | 一种实时同步的机器人折弯系统 |
-
2018
- 2018-08-20 CN CN201811000023.7A patent/CN109332433A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103914659A (zh) * | 2014-03-12 | 2014-07-09 | 西安电子科技大学 | 基于频率的轨迹抑制数据发布隐私保护的系统及其方法 |
CN107848005A (zh) * | 2015-12-30 | 2018-03-27 | 深圳配天智能技术研究院有限公司 | 折弯跟随轨迹规划方法、装置及系统 |
CN207271859U (zh) * | 2017-08-09 | 2018-04-27 | 杭州凯尔达机器人科技股份有限公司 | 一种实时同步的机器人折弯系统 |
CN107870591A (zh) * | 2017-11-06 | 2018-04-03 | 四川大学 | 一种基于互联网的地下工程变形远程自动监控控制系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116116952A (zh) * | 2023-04-13 | 2023-05-16 | 山西八建集团有限公司 | 一种便于多角度折弯的无损弧形管道加工机床 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104408518B (zh) | 基于粒子群优化算法的神经网络学习优化方法 | |
CN103810637B (zh) | 机动车保险欺诈检测方法及系统 | |
CN109657547A (zh) | 一种基于伴随模型的异常轨迹分析方法 | |
CN106951919A (zh) | 一种基于对抗生成网络的流速监测实现方法 | |
CN111427750B (zh) | 一种计算机平台的gpu功耗估计方法、系统及介质 | |
CN109145957A (zh) | 基于大数据的配电网异常指标的识别与处理方法及装置 | |
Jiang et al. | Parallel processing of probabilistic models-based power supply unit mid-term load forecasting with apache spark | |
CN110708318A (zh) | 基于改进的径向基神经网络算法的网络异常流量预测方法 | |
CN110163304A (zh) | 一种采用线性关系聚类的谐波源耦合参数辨识方法 | |
CN110493221A (zh) | 一种基于聚簇轮廓的网络异常检测方法 | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN109332433A (zh) | 一种基于数控的折弯机器人控制方法及控制系统 | |
CN110737975B (zh) | 基于经验模态分解与自回归模型的风电场风速、功率预测和异常修正方法 | |
bin Hasnan et al. | Comparative evaluation of firefly algorithm and MC-GPSO for optimal RFID network planning | |
Abidin et al. | RSSI Data Preparation for Machine Learning | |
Fu et al. | Trimming outliers using trees: winning solution of the large-scale energy anomaly detection (LEAD) competition | |
CN114036452A (zh) | 一种应用于离散型生产线的产能评估方法 | |
CN106611213A (zh) | 一种求解作业车间调度问题的混合粒子群算法 | |
Kong et al. | Modeling and optimization of RFID networks planning problem | |
Kiraz et al. | An ant-based selection hyper-heuristic for dynamic environments | |
CN115936062A (zh) | 基于场景生成与深度学习的光伏功率日前区间预测方法 | |
Suriya et al. | Genetic algorithm based approach for RFID network planning | |
CN108008695A (zh) | 一种智能模具制造的数控加工方法及控制系统 | |
CN108646235B (zh) | 基于点迹位置聚合识别空间散布固定杂波的方法 | |
CN112258338A (zh) | 一种基于最近邻算法的基站费用自动化稽核方法 |
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 |