CN112100248B - 基于智能切割边界的应力数据统计方法、装置及电子设备 - Google Patents
基于智能切割边界的应力数据统计方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112100248B CN112100248B CN202011292077.2A CN202011292077A CN112100248B CN 112100248 B CN112100248 B CN 112100248B CN 202011292077 A CN202011292077 A CN 202011292077A CN 112100248 B CN112100248 B CN 112100248B
- Authority
- CN
- China
- Prior art keywords
- stress
- boundary
- action
- point
- stress 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Fuzzy Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
Abstract
本申请提出一种基于智能切割边界的应力数据统计方法、装置及电子设备中,在依据各个测点的应变数据序列分别生成对应的应力数据序列后,将应力数据序列输入神经网络模型获得应力数据序列对应的边界信息,然后依据最终边界获取各个测点对应的统计结果。因为将应力数据序列输入神经网络模型获得应力数据序列对应的边界信息,相对于现有技术,减少了人工切分边界的步骤。结合测试存在的上百种工况和上百个测点的情况,相当于节省了一万次左右人工切分边界的步骤,极大地节约了人力成本,节省了时间,提高了效率。
Description
技术领域
本申请涉及时序信息分析领域,具体而言,涉及一种基于智能切割边界的应力数据统计方法、装置及电子设备。
背景技术
应力分析实验作为可靠性的重要评估依据,对于保证工程机械设备正常工作以及创新升级有着重要作用。现有的做法为:模拟实际工作场景,让工程机械设备在每种工况下,重复工作几遍,采集各个测点的应变数据,然后经过分析处理确定工程机械设备的危险部位。在测点应力数据统计中,需要切分出工况每遍动作的边界,在每一遍动作边界内进行应力统计。目前,通常是通过人为切分每一个测点各个工况下每一遍动作中的边界,然后利用Excel进行应力统计。
但是,由于在应力分析实验中,工程机械设备有多达数十上百种工况,每一种工况有对应数十上百个测试点,通过人为切分每一个测点各个工况下每一遍动作中的边界,工作量巨大,且效率低下,人力成本高。
发明内容
本申请的目的在于提供一种基于智能切割边界的应力数据统计方法、装置及电子设备,以解决上述问题。
为了实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种基于智能切割边界的应力数据统计方法,所述方法包括:
依据各个测点的应变数据序列分别生成对应的应力数据序列;
其中,所述应变数据序列包含统计时间段内测点的单位长度形变量,所述应力数据序列包含统计时间段内测点对应的应力,在所述统计时间段内设备重复相同的动作;
将所述应力数据序列输入神经网络模型获得所述应力数据序列对应的边界信息;其中,所述边界信息包含每一次动作的起始点和截止点;
依据最终边界获取各个测点对应的统计结果;
其中,所述最终边界为与各个测点对应的边界信息重合度最高的一组边界,所述统计结果包含所述设备在执行所述动作时,测点所对应的拉应力、压应力以及最大应力幅值。
第二方面,本申请实施例提供一种基于智能切割边界的应力数据统计装置,所述装置包括:
处理单元,用于依据各个测点的应变数据序列分别生成对应的应力数据序列;
其中,所述应变数据序列包含统计时间段内测点的单位长度形变量,所述应力数据序列包含统计时间段内测点对应的应力,在所述统计时间段内设备重复相同的动作;
所述处理单元还用于将所述应力数据序列输入神经网络模型获得所述应力数据序列对应的边界信息;其中,所述边界信息包含每一次动作的起始点和截止点;
统计单元,用于依据最终边界获取各个测点对应的统计结果;
其中,所述最终边界为与各个测点对应的边界信息重合度最高的一组边界,所述统计结果包含所述设备在执行所述动作时,测点所对应的拉应力、压应力以及最大应力幅值。
第三方面,本申请实施例提供一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述的方法。
第四方面,本申请实施例提供一种电子设备,所述电子设备包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现上述的方法。
相对于现有技术,本申请实施例所提供的一种基于智能切割边界的应力数据统计方法、装置及电子设备中,在依据各个测点的应变数据序列分别生成对应的应力数据序列后,将应力数据序列输入神经网络模型获得应力数据序列对应的边界信息,然后依据最终边界获取各个测点对应的统计结果。因为将应力数据序列输入神经网络模型获得应力数据序列对应的边界信息,相对于现有技术,减少了人工切分边界的步骤。结合测试存在的上百种工况和上百个测点的情况,相当于节省了一万次左右人工切分边界的步骤,极大地节约了人力成本,节省了时间,提高了效率。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本申请实施例提供的电子设备的结构示意图;
图2为本申请实施例提供的基于智能切割边界的应力数据统计方法的流程示意图;
图3为本申请实施例提供的不同测点在同一工况下的应变数据序列对应的曲线示意图;
图4为本申请实施例提供的S102的子步骤示意图;
图5为本申请实施例提供的应变数据序列零点复位的示意图;
图6为本申请实施例提供的应力数据阶段分布示意图;
图7为本申请实施例提供的基于智能切割边界的应力数据统计方法的流程示意图之一;
图8为本申请实施例提供的神经网络模型的结构示意图;
图9为本申请实施例提供的基于智能切割边界的应力数据统计方法的流程示意图之一;
图10为本申请实施例提供的S105的子步骤示意图;
图11为本申请实施例提供的边界识别示意图;
图12为本申请实施例提供的同一测点在不同工况下的应变数据序列对应的曲线示意图;
图13为本申请实施例提供的基于智能切割边界的应力数据统计装置的单元示意图。
图中:10-处理器;11-存储器;12-总线;13-通信接口;201-处理单元;202-统计单元。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
在本申请的描述中,需要说明的是,术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该申请产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本申请中的具体含义。
下面结合附图,对本申请的一些实施方式作详细说明。在不冲突的情况下,下述的实施例及实施例中的特征可以相互组合。
应力试验需要在一定时间段内持续采集应变数据,因此应变数据具有时间序列特性。为了减小试验中异常应变数据的影响,使设备多次重复某一种工况对应的动作,然后取各遍动作应力幅值的中位数作为该工况的统计结果。所以在进行应力分析时,需要分析出序列中每一次动作的边界。目前采用的方法是人为切分出工况每遍动作的边界,然后统计每遍动作中的拉应力(max)、压应力(min)以及应力幅值数据,最后用应力幅值的中位数以及对应max和min作为统计结果。但是,由于在应力分析实验中,工程机械设备有多达数十上百种工况,每一种工况有对应数十上百个测试点,通过人为切分每一个测点各个工况下每一遍动作中的边界,工作量巨大,且效率低下,人力成本高。
本申请实施例提供了一种电子设备,可以是车载电脑或其他智能终端。请参照图1,电子设备的结构示意图。电子设备包括处理器10、存储器11、总线12。处理器10、存储器11通过总线12连接,处理器10用于执行存储器11中存储的可执行模块,例如计算机程序。
处理器10可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,基于智能切割边界的应力数据统计方法的各步骤可以通过处理器10中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器10可以是通用处理器,包括中央处理器(CentralProcessing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(ApplicationSpecific Integrated Circuit ,简称ASIC)、现场可编程门阵列(Field-ProgrammableGate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器11可能包含高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
总线12可以是ISA(Industry Standard Architecture)总线、PCI(PeripheralComponent Interconnect)总线或EISA(Extended Industry Standard Architecture)总线等。图1中仅用一个双向箭头表示,但并不表示仅有一根总线12或一种类型的总线12。
存储器11用于存储程序,例如基于智能切割边界的应力数据统计装置对应的程序。基于智能切割边界的应力数据统计装置包括至少一个可以软件或固件(firmware)的形式存储于存储器11中或固化在电子设备的操作系统(operating system,OS)中的软件功能模块。处理器10在接收到执行指令后,执行所述程序以实现基于智能切割边界的应力数据统计方法。
可能地,本申请实施例提供的电子设备还包括通信接口13。通信接口13通过总线与处理器10连接。处理器10可以通过通信接口13接收应变传感器传输的数据。
应变式传感器用于测量设备上的测点受力变形所产生的单位长度形变量。
应当理解的是,图1所示的结构仅为电子设备的部分的结构示意图,电子设备还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
本发明实施例提供的一种基于智能切割边界的应力数据统计方法,可以但不限于应用于图1所示的电子设备,具体的流程,请参考图2,基于智能切割边界的应力数据统计方法包括:
S102,依据各个测点的应变数据序列分别生成对应的应力数据序列。
其中,应变数据序列包含统计时间段内测点的单位长度形变量,应力数据序列包含统计时间段内测点对应的应力,在统计时间段内设备重复相同的动作。
因为各个测点位于设备上的不同位置,设备在统计时间段内重复相同的动作时,用于检测各个测点应变数据的应变传感器所采集到的数据不同。如图3所示,图3为两个不同测点在同一工况下的应变数据序列对应的曲线示意图。从图3可以看出不同测点在同一工况下的应变数据序列对应的曲线是不同的。而应力数据序列时依据应变数据序列所生成的,所以,各个测点对应的应力数据序列也是不相同的。
可能地,在统计时间段内设备重复相同的动作的次数为3次或4次,在此不做具体的限定。
S103,将应力数据序列输入神经网络模型获得应力数据序列对应的边界信息。
其中,边界信息包含每一次动作的起始点和截止点。
请继续参考图3,在图3对应的统计时间段内,设备重复执行相同工况的次数为3次。如前文所述,需要划分设备执行每一次动作的起始点和截止点。假设将与图3对应的应力数据序列输入神经网络模型,其对应的边界信息可以为{(a-b)、(c-d)、(e-f)},表示3次执行该动作的起始点分别为a、c以及e;截止点分别为b、d以及f。在得到每一次动作的边界后,可以统计每一次执行动作时各个测点的应力情况。
S105,依据最终边界获取各个测点对应的统计结果。
具体地,因为外界的影响或测点传感器损坏,可能导致部分应变传感器采集的应变数据序列存在误差。将同一工况下各个测点对应的应力数据序列输入到神经网络模型中,得到的边界信息可以不完全相同。所以,本申请实施例中,依据最终边界获取各个测点对应的统计结果。
其中,最终边界为与各个测点对应的边界信息重合度最高的一组边界。最终边界包含每一次动作的确定起始点和确定截止点。
重合度最高表征每一次动作的确定起始点为所有测点对应的该次动作的起始点中相同个数最多的时间;每一次动作的确定截止点为所有测点对应的该动作的截止点中相同个数最多的时间。
统计结果包含设备在执行动作时,测点所对应的拉应力、压应力以及最大应力幅值。
综上所述,本申请实施例提供的基于智能切割边界的应力数据统计方法中,在依据各个测点的应变数据序列分别生成对应的应力数据序列后,将应力数据序列输入神经网络模型获得应力数据序列对应的边界信息,然后依据最终边界获取各个测点对应的统计结果。因为将应力数据序列输入神经网络模型获得应力数据序列对应的边界信息,相对于现有技术,减少了人工切分边界的步骤。结合测试存在的上百种工况和上百个测点的情况,相当于节省了一万次左右人工切分边界的步骤,极大地节约了人力成本,节省了时间,提高了效率。
在图2的基础上,对于S102中的内容,本申请实施例还提供了一种可能的实现方式,如图4所示,S102包括:
S102-1,对应变数据序列进行零点复位。
理论地,当设备处于静止状态,未执行动作时,各个测点对应的应变数据应该为0;但实际中,因为外界环境或安装架构的影响,导致当设备处于静止状态,未执行动作时,各个测点对应的应变数据不为0。为了克服这个问题,需要对应变数据序列进行零点复位。请参考图5,图5为应变数据序列零点复位的示意图。图5中上方的曲线为进行零点复位前的应变数据序列对应的曲线,下方的曲线为进行零点复位后的应变数据序列对应的曲线。
可选地,选取边界段,边界段可以为(0-s),在边界段内,设备处于静止阶段。获取边界段内,测点的应变数据的平均值,将应变数据序列中的所有元素减去该平均值,即可实现零点复位。s可以为8s,当然地,也可以进行调整。
S102-2,根据胡克定律将复位后的应变数据序列转换为应力数据序列。
具体地,胡克定律对应的公式为:σ=E*ε;
其中,E表征弹性模量,可选地,取值为200Gpa;ε表征应变数据;σ表征应力数据,单位为Mpa。
S102-3,将各个测点所对应的应力数据序列调整为预设定的长度。
为了保障神经网络模型的输入一致,需要将各个测点所对应的应力数据序列调整为预设定的长度。假设预设定长度为M,对于长度小于M的序列,在序列末尾补0,直至长度等于M。对于长度大于M的序列,如果采用传统的post截断(即在序列尾部截断超过M的部分),对于如图6所示应力数据阶段分布示意图,其前期的静止阶段过长,在序列尾部截断超过M的部分可能会导致有效阶段的数据丢失。同理,对于后期静止阶段过长的序列采用pre截断(即在序列头部截断超过M的部分),也存在相同的问题。
本申请实施例提供了一种可能的实现方式,用于在序列中截断超过M的部分,请参考下文。
计算超出部分的长度d,d=L-M。
其中,L为应力数据序列的长度。
计算零点复位边界段中的序列的长度b,b=s//p。
其中,s表征零点复位边界段的时间长度;p表征应变传感器的采样频率,即应变数据序列的采样频率;//表征整除符号。
当b大于或等于d时,即从边界段中截取长度为d的序列,可选地,令b等d。
当b小于d时,计算零点复位边界段中的应力均指v;然后在b至d的范围内,遍历应力数据序列中的元素i,判断是否v_i-v<r,其中,r表征噪声浮动范围,v_i表征应力数据序列中的第i个元素的值,b<i≤d。
若是,表征第i个元素仍然为设备处于静止阶段时,所采集的元素,则将b移至第i个元素对应的位置,即令b=i,直至b=d,此时截取初始位置到b的长度。
若v_i-v≥r,表示第i个元素可能为设备处于执行动作的有效阶段,即第i个元素不能被剔除,此时终止循环。
令当前的b作为左边界,M+b作为右边界,对应力数据序列进行截断,得到的应力数据序列的长度为M+b-b=M,与预设长度一致。
在图2的基础上,对于神经网络模型的训练,本申请实施例还提供了一种可能的实现方式,请参考图7,方法还包括:
S101,依据训练序列对神经网络模型进行训练,直至神经网络模型收敛。
其中,训练序列为携带标签的应力数据序列,标签用于表征边界信息。
可选地,神经网络模型如图8所示。神经网络模型为基于Encoder-Decoder结构的1维Unet模型。Unet网络在医学图像分割中取得了很好的效果。但是在工业应力分析试验应变数据采集中,会因为设备的抖动等因素产生很多噪点,另外一个工况对应的应力数据序列长度较长,简单的Unet网络不能达到良好的分割效果。
如图8所示,本申请实施例提供的神经网络模型中,为了获取较大的感受野,采用大小为33的大卷积核代替大小为3的小卷积核。可选地,采用大尺寸的max pool,前两次下采样的尺寸为4,第三次下采样尺寸为5,第四次下采样尺寸为2,上采样层分别与下采样层对应。可选地,为了更好的提取长序列特征,同时减少计算量,在Encoder侧将三、四以及五层中的第一个卷积层替换为Bi-GRU;由于序列中包含大量的噪点数据,在特征拼接融合中使用Attention gate模块,可以较好的实现对显著性区域的关注,以及对无关背景区域的抑制;在卷积层中加入Batch Norm层,以加速模型学习速率、降低模型对初始权重参数和学习率的敏感度以及提高模型的泛化能力。
通过本申请实施例中的神经网络模型进行边界分割,准确率可以达到98.41%。
可选地,将应力数据序列进行标准化处理,公式为:
在图2的基础上,关于如何获得最终边界,本申请实施例还提供了一种可能的实现方式,请参考图9,方法还包括:
S104,将各个测点对应的边界信息输入集成学习算法模型,获得最终边界。
可选地,集成学习算法模型取得各个测点对应每一次动作所预测的左边界数组(每一次动作预测起始点对应的数组)中的众数作为左边界,即确定起始点;取得各个测点对应每一次动作所预测的右边界数组(每一次动作预测截止点对应的数组)中的众数作为右边界,即确定截止点。
在图2的基础上,对于S105中的内容,本申请实施例还提供了一种可能的实现方式,请参考图10,S105包括:
S105-1,分别获取设备每一次执行动作时,各个测点的拉应力、压应力以及应力幅值。
S105-2,分别将各个测点所对应的应力幅值中的中位数作为最大应力幅值。
S105-3,将最大应力幅值对应的拉应力和压应力分别作为最终的拉应力和最终的压应力。
如图11所示,图11为边界识别示意图。93.64-130.22为阶段一,第一次执行工况对应的动作;142.17-173.93为阶段二,第二次执行工况对应的动作;184.39-216.63为阶段三,第三次执行工况对应的动作。
每一个阶段的统计结果如图11右部分所示。拉应力表示在该阶段中应力的最大值;压应力表示在该阶段中应力的最小值;应力幅值即为应力范围,等于拉应力与压应力的差值。
本申请实施例可以用于各种工况下基于智能切割边界的应力数据统计,从而获得各种工况下,各个测点对应的统计结果。
可选地,基于一个测点,可以统计出在各种工况下该测点的最大应力幅值以及对应的工况、拉应力和压应力;最大拉应力以及对应的工况;最大压应力以及对应的工况;综合幅值。
可选地,请参考图12,图12为同一测点在不同工况下的应变数据序列对应的曲线。
请参阅图13,图13为本申请实施例提供的一种基于智能切割边界的应力数据统计装置,可选的,该基于智能切割边界的应力数据统计装置被应用于上文所述的电子设备。
基于智能切割边界的应力数据统计装置包括:处理单元201和统计单元202。
处理单元201,用于依据各个测点的应变数据序列分别生成对应的应力数据序列。
其中,应变数据序列包含统计时间段内测点的单位长度形变量,应力数据序列包含统计时间段内测点对应的应力,在统计时间段内设备重复相同的动作。
处理单元201还用于将应力数据序列输入神经网络模型获得应力数据序列对应的边界信息;其中,边界信息包含每一次动作的起始点和截止点。
可选地,处理单元201可以执行上述的S102和S103。
统计单元202,用于依据最终边界获取各个测点对应的统计结果;
其中,最终边界为与各个测点对应的边界信息重合度最高的一组边界,统计结果包含设备在执行动作时,测点所对应的拉应力、压应力以及最大应力幅值。可选地,统计单元202可以执行上述的S105。
可选地,统计单元202还用于分别获取设备每一次执行动作时,各个测点的拉应力、压应力以及应力幅值;还用于分别将各个测点所对应的应力幅值中的中位数作为最大应力幅值;还用于将最大应力幅值对应的拉应力和压应力分别作为最终的拉应力和最终的压应力。可选地,统计单元202可以执行上述的S105-1~S105-3。
需要说明的是,本实施例所提供的基于智能切割边界的应力数据统计装置,其可以执行上述方法流程实施例所示的方法流程,以实现对应的技术效果。为简要描述,本实施例部分未提及之处,可参考上述的实施例中相应内容。
本发明实施例还提供了一种存储介质,该存储介质存储有计算机指令、程序,该计算机指令、程序在被读取并运行时执行上述实施例的基于智能切割边界的应力数据统计方法。该存储介质可以包括内存、闪存、寄存器或者其结合等。
下面提供一种电子设备,可以是车载电脑或其他智能终端,该设电子设备如图1所示,可以实现上述的基于智能切割边界的应力数据统计方法;具体的,该电子设备包括:处理器10,存储器11、总线12。处理器10可以是CPU。存储器11用于存储一个或多个程序,当一个或多个程序被处理器10执行时,执行上述实施例的基于智能切割边界的应力数据统计方法。
在本申请所提供的实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
对于本领域技术人员而言,显然本申请不限于上述示范性实施例的细节,而且在不背离本申请的精神或基本特征的情况下,能够以其它的具体形式实现本申请。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本申请的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (10)
1.一种基于智能切割边界的应力数据统计方法,其特征在于,所述方法包括:
依据各个测点的应变数据序列分别生成对应的应力数据序列;
其中,所述应变数据序列包含统计时间段内测点的单位长度形变量,所述应力数据序列包含统计时间段内测点对应的应力,在所述统计时间段内设备重复相同的动作;
将所述应力数据序列输入神经网络模型获得所述应力数据序列对应的边界信息;其中,所述边界信息包含每一次动作的起始点和截止点;
依据最终边界获取各个测点对应的统计结果;
其中,所述最终边界为与各个测点对应的边界信息重合度最高的一组边界,所述统计结果包含所述设备在执行所述动作时,测点所对应的拉应力、压应力以及最大应力幅值,所述最终边界包含每一次动作的确定起始点和确定截止点,所述重合度最高表征每一次动作的确定起始点为所有测点对应的该次动作的起始点中相同个数最多的时间;每一次动作的确定截止点为所有测点对应的该动作的截止点中相同个数最多的时间。
2.如权利要求1所述的基于智能切割边界的应力数据统计方法,其特征在于,所述依据各个测点的应变数据序列分别生成对应的应力数据序列的步骤,包括:
对所述应变数据序列进行零点复位;
根据胡克定律将复位后的应变数据序列转换为应力数据序列。
3.如权利要求2所述的基于智能切割边界的应力数据统计方法,其特征在于,在根据胡克定律将复位后的应变数据序列转换为应力数据序列之后,所述依据各个测点的应变数据序列分别生成对应的应力数据序列的步骤,还包括:
将各个测点所对应的应力数据序列调整为预设定的长度。
4.如权利要求1所述的基于智能切割边界的应力数据统计方法,其特征在于,在将所述应力数据序列作为神经网络模型的输入之前,所述方法还包括:
依据训练序列对所述神经网络模型进行训练,直至所述神经网络模型收敛;
其中,所述训练序列为携带标签的应力数据序列,所述标签用于表征所述边界信息。
5.如权利要求1所述的基于智能切割边界的应力数据统计方法,其特征在于,在依据最终边界获取各个测点对应的统计结果之前,所述方法还包括:
将各个测点对应的边界信息输入集成学习算法模型,获得所述最终边界。
6.如权利要求1所述的基于智能切割边界的应力数据统计方法,其特征在于,所述依据所述最终边界获取各个测点对应的统计结果的步骤,包括:
分别获取所述设备每一次执行所述动作时,各个测点的拉应力、压应力以及应力幅值;
分别将各个测点所对应的应力幅值中的中位数作为最大应力幅值;
将所述最大应力幅值对应的拉应力和压应力分别作为最终的拉应力和最终的压应力。
7.一种基于智能切割边界的应力数据统计装置,其特征在于,所述装置包括:
处理单元,用于依据各个测点的应变数据序列分别生成对应的应力数据序列;
其中,所述应变数据序列包含统计时间段内测点的单位长度形变量,所述应力数据序列包含统计时间段内测点对应的应力,在所述统计时间段内设备重复相同的动作;
所述处理单元还用于将所述应力数据序列输入神经网络模型获得所述应力数据序列对应的边界信息;其中,所述边界信息包含每一次动作的起始点和截止点;
统计单元,用于依据最终边界获取各个测点对应的统计结果;
其中,所述最终边界为与各个测点对应的边界信息重合度最高的一组边界,所述统计结果包含所述设备在执行所述动作时,测点所对应的拉应力、压应力以及最大应力幅值,所述最终边界包含每一次动作的确定起始点和确定截止点,所述重合度最高表征每一次动作的确定起始点为所有测点对应的该次动作的起始点中相同个数最多的时间;每一次动作的确定截止点为所有测点对应的该动作的截止点中相同个数最多的时间。
8.如权利要求7所述的基于智能切割边界的应力数据统计装置,其特征在于,所述统计单元还用于分别获取所述设备每一次执行所述动作时,各个测点的拉应力、压应力以及应力幅值;还用于分别将各个测点所对应的应力幅值中的中位数作为最大应力幅值;还用于将所述最大应力幅值对应的拉应力和压应力分别作为最终的拉应力和最终的压应力。
9.一种存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-6中任一项所述的方法。
10.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器用于存储一个或多个程序;当所述一个或多个程序被所述处理器执行时,实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011292077.2A CN112100248B (zh) | 2020-11-18 | 2020-11-18 | 基于智能切割边界的应力数据统计方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011292077.2A CN112100248B (zh) | 2020-11-18 | 2020-11-18 | 基于智能切割边界的应力数据统计方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112100248A CN112100248A (zh) | 2020-12-18 |
CN112100248B true CN112100248B (zh) | 2021-02-26 |
Family
ID=73785232
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011292077.2A Active CN112100248B (zh) | 2020-11-18 | 2020-11-18 | 基于智能切割边界的应力数据统计方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112100248B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8176454B2 (en) * | 2009-08-28 | 2012-05-08 | Empire Technology Development Llc | Non-invasive timing characterization of integrated circuits using sensitizable signal paths and sparse equations |
CN103592060B (zh) * | 2013-11-07 | 2015-09-02 | 国家电网公司 | 智能电能表自动化检定装置压接端子的应力应变测试系统 |
CN104792808B (zh) * | 2014-12-01 | 2017-06-06 | 北京理工大学 | 一种金属基复合材料微观残余应力的检测方法 |
CN104729870B (zh) * | 2015-04-02 | 2018-01-02 | 天津市市政工程研究院 | 一种混凝土桥梁结构现存预应力检测的方法 |
CN105510824B (zh) * | 2016-01-28 | 2018-07-31 | 云南电网有限责任公司电力科学研究院 | 一种高压断路器操动机构监测方法及系统 |
CN107633146B (zh) * | 2017-09-28 | 2021-03-30 | 国家电网公司 | 一种不同尺度模型间地应力计算结果高精度转换的方法 |
-
2020
- 2020-11-18 CN CN202011292077.2A patent/CN112100248B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112100248A (zh) | 2020-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112258093A (zh) | 风险等级的数据处理方法及装置、存储介质、电子设备 | |
CN112735094B (zh) | 基于机器学习的地质灾害预测方法、装置和电子设备 | |
CN115082920B (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
CN111238492B (zh) | 一种定点漂移纠偏方法、装置、终端设备及存储介质 | |
CN115801463B (zh) | 工业互联网平台入侵检测的方法、装置和电子设备 | |
CN114356734A (zh) | 服务异常检测方法和装置、设备、存储介质 | |
CN112100248B (zh) | 基于智能切割边界的应力数据统计方法、装置及电子设备 | |
CN113850244B (zh) | 基于图像识别的输煤量监测方法、装置、设备及存储介质 | |
CN114444827A (zh) | 一种集群性能的评估方法和装置 | |
CN111811567A (zh) | 一种基于曲线拐点比对的设备检测方法及相关装置 | |
CN113869526A (zh) | 数据处理模型性能提高方法及装置、存储介质和电子设备 | |
CN113919500B (zh) | 微震事件时空分形维数计算方法、装置及电子设备 | |
CN116188940A (zh) | 训练模型的方法、装置、存储介质以及电子设备 | |
CN113469247B (zh) | 网络资产异常检测方法 | |
CN115358914A (zh) | 用于视觉检测的数据处理方法、装置、计算机设备及介质 | |
CN115567371A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
CN114358581A (zh) | 性能指标的异常阈值确定方法和装置、设备、存储介质 | |
CN115146641A (zh) | 一种ner带噪训练方法及装置 | |
CN116933002A (zh) | 一种动作检测方法、装置、终端设备和存储介质 | |
CN114928467A (zh) | 一种网络安全运维关联分析方法及系统 | |
CN110263496B (zh) | 岩芯特征尺寸确定方法及装置 | |
CN113989569A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN111476117A (zh) | 一种安全帽佩戴检测方法、装置和终端 | |
CN109947816A (zh) | 模型参数计算方法、数据类型识别方法、装置和服务器 | |
CN111371594B (zh) | 设备异常告警方法、装置及电子设备 |
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: Room 303-309, No.3, Pazhou Avenue East Road, Haizhu District, Guangzhou City, Guangdong Province 510000 Patentee after: Shugen Internet Co.,Ltd. Address before: Unit 12-30, 4th floor, Xigang office building, Guangzhou international media port, 218 and 220 Yuejiang West Road, Haizhu District, Guangzhou City, Guangdong Province 510000 Patentee before: IROOTECH TECHNOLOGY Co.,Ltd. |