CN112836940B - 耐久性能指标长期趋势与局部波动的协同可视化方法 - Google Patents
耐久性能指标长期趋势与局部波动的协同可视化方法 Download PDFInfo
- Publication number
- CN112836940B CN112836940B CN202110042089.8A CN202110042089A CN112836940B CN 112836940 B CN112836940 B CN 112836940B CN 202110042089 A CN202110042089 A CN 202110042089A CN 112836940 B CN112836940 B CN 112836940B
- Authority
- CN
- China
- Prior art keywords
- test data
- durability
- index
- test
- trend
- 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
- 230000007774 longterm Effects 0.000 title claims abstract description 14
- 238000007794 visualization technique Methods 0.000 title claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 122
- 238000000034 method Methods 0.000 claims abstract description 23
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims description 7
- 241000258920 Chilopoda Species 0.000 claims description 4
- 239000007858 starting material Substances 0.000 description 12
- 238000011056 performance test Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 230000035484 reaction time Effects 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 206010047571 Visual impairment Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 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
- 230000000630 rising effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F16/26—Visual data mining; Browsing structured data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种耐久性能指标长期趋势与局部波动的协同可视化方法,具体包括以下步骤:步骤1,采集耐久性能指标的测试数据,将测试数据按时间序列排序获得测试数据集;步骤2,计算各时刻测试数据的趋势值;步骤3,按照时间间隔对测试数据进行分段,计算每段测试数据的变异系数和偏度;步骤4,以测试过程持续时长为横坐标,测试数据的趋势值为纵坐标绘制曲线,按照偏度的大小和正负在曲线上绘制分割线,对耐久性能指标测试数据进行可视化展示;本发明能够直观展示各耐久性能指标的测试过程,方便了解测试过程中耐久性能的变化趋势及各测试时段内性能的波动情况,以便对耐久性能进行具体分析,获得更为准确的测试结果。
Description
技术领域
本发明属于数据可视化处理技术领域,特别是涉及一种耐久性能指标长期趋势与局 部波动的协同可视化方法。
背景技术
近年来,工业4.0已经成全球的主要话题,随着物联网和CPS等新兴技术的广泛应用,各种来源的工业过程数据呈指数增长,人们在处理数据分析方面面临着前所未有的 挑战,可视化技术作为解释和理解复杂数据的一种重要技术,越来越多被引入到工业数 据分析场景中,以提高工作效率、促进工艺创新。
以汽车起动机耐久性试验为背景提出一种可视化分析方法,用于理解大规模长期耐 久性试验数据的长期趋势和局部波动;耐久性试验是指对部件、子系统进行长期或复制的服务条件,以验证产品设计,并在产品开发早期确定使用寿命的过程,耐久性试验通 常会产生大量的试验数据,这些数据包含了与试件工作装填、耐久性能相关的丰富信息, 物联网、CPS等的广泛应用使这些数据很容易从智能工厂中获取、传输和共享,然而由 于缺乏有效的数据分析方法和工具,这些数据往往被忽视。
测试人员和工程师在分析和理解耐久性试验数据时,无法对多组测试指标的测试数 据进行比较,也无法了解耐久性能的总体变化趋势和局部波动情况,不能及时找出测试中的异常情况,所以亟须提供一种可视化界面帮助测试人员完成分析任务,以全面了解 耐久性能测试数据。
发明内容
本发明的目的在于提供一种耐久性能指标长期趋势与局部波动的协同可视化方法, 通过对大规模的耐久性测试数据进行分析处理,绘制出一种新型蜈蚣图,在有限的视图 内有效地呈现测试数据的长期变化趋势和局部波动情况,能据此及时找出测试中的异常 情况。
本发明所采用的技术方案是,耐久性能指标长期趋势与局部波动的协同可视化方法, 包括以下步骤:
步骤1,采集第i个耐久性能指标的测试数据,将测试数据按照时间序列进行排序,获得第i个耐久性能指标的测试数据集Ti,Ti={ai1,…,ait,…,ain},其中ait为第i个耐久性能 指标在t时刻的测试值,n为测试过程持续时长;
步骤2,计算耐久性能指标在每个时刻的趋势值;
步骤3,按照时间间隔将耐久性能指标的测试数据集分段,计算每段测试数据的变异 系数和偏度;
步骤4,以测试过程持续时长为横坐标,耐久性能指标测试数据的趋势值为纵坐标绘 制曲线,根据各段测试数据偏度的正负和大小在曲线上绘制分割线,分割线的高度为变异系数的大小,对耐久性能指标测试数据进行可视化展示。
进一步的,步骤2中使用公式(1)计算耐久性能指标测试数据在各时刻的趋势值:
trit为第i个耐久性能指标在t时刻的趋势值,分别为第i个耐久性 能指标在/>时刻、/>时刻、/>时刻的测试数据。
进一步的,步骤3中使用公式(2)计算各段测试数据的变异系数,使用公式(3) 计算计算各段测试数据的偏度;
其中cvk为第k段耐久性能指标测试数据的变异系数,σk为第k段耐久性能测试数据的标准差,μk为第k分段耐久性能测试数据的平均值,fsk为第k段耐久性能指标测试数 据的偏度,m为时间间隔的长度。
进一步的,所述步骤4中绘制蜈蚣图的过程如下:
步骤41,在时间窗口内以测试过程持续时长为横坐标,以耐久性能指标测试数据的 趋势值为纵坐标,绘制折线图;
步骤42,按照时间间隔将折线分段,根据各段测试数据的偏度正负绘制分割线,偏度为正时分割线朝上,偏度为负时分割线朝下,分割线的粗细为偏度的绝对值大小,分 割线的高度为变异系数的大小。
本发明的有益效果是:本发明通过绘制曲线展示耐久性能指标的长期发展趋势,可 以有效消除局部波动的影响,使用无量纲量变异系数表示分段上耐久性能指标的局部波 动程度,便于比较多组量纲不同数据的波动情况,本发明将分段上耐久测试数据偏度的正负和大小分别映射为曲线的方向和粗细,以直观清晰地观察该分段测试指标的分布、 波动情况,降低了视觉紊乱,能更直观地展示耐久性能测试数据的变化情况,方便用户 了解、分析耐久性能的变化趋势和各时段内的波动情况,获得更为准确的测试结果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有 技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1是本发明的流程图。
图2是本发明实施例Ps-MAX指标的测试数据可视图。
图3是本发明实施例Ps-MAX指标和Is-MAX-MSEC指标的测试数据可视图。
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。
如图1所示,耐久性能指标长期趋势与局部波动的协同可视化方法,包括以下步骤:
步骤1,采集第i个耐久性能指标的测试数据,将测试数据按照时间序列排序,获得第i个耐久性能指标的测试数据集Ti,Ti={ai1,…,ait,…,ain},其中ait为第i个耐久性能指标 在t时刻的测试值,n为测试过程持续时长;
步骤2,使用公式(1)计算耐久性能指标的测试数据在测试中每个时刻的趋势值,得到趋势值数据集Ti′={tri1,…,trit,…trin};
其中trit表示t时刻第i个耐久性能指标的测试数据趋势值,分别 为第i个耐久性能指标在/>时刻、/>时刻、/>时刻的测试数据;
步骤3,使用时间间隔将耐久性能指标测试数据集分段,使用公式(2)计算各段测试数据的变异系数,用于表征该段耐久性能测试数据的局部波动度,使用公式(3)计算 各段测试数据的偏度,用于表示该段耐久性能测试数据的波动方向;
其中cvk为第k段耐久性能测试数据的变异系数,σk为第k段耐久性能测试数据的标准差,μk为第k段耐久性能测试数据的平均值,fsk为第k段耐久性能测试数据的偏度,m 为各段时间间隔的长度,fsk=0表示第k段耐久性能测试数据呈正态分布,fsk>0表示第k 段耐久性能测试数据呈正偏态分布,fsk<0表示第k段耐久性能测试数据呈负偏态分布;
步骤4,绘制新型蜈蚣图对耐久数据的趋势值和局部波动度进行可视化展示;
步骤41,在时间窗口内以测试过程持续时长n为横坐标,设置时间窗口的滑动步长为1,以耐久性能指标测试数据的趋势值为纵坐标,绘制坐标点,将各坐标点连接形成折 线图,用于展示第i个耐久性能指标在测试过程中的总体变化趋势情况;
步骤42,根据每段耐久性能测试数据的偏度正负,在时间窗口内的时间间隔处绘制 分割线,偏度为正则分割线朝上,偏度为负则分割线朝下;
将每段耐久性能测试数据的变异系数表示为分割线的高度,代表该段耐久性能测试 数据的波动程度,将偏度的绝对值大小表示为分隔线的粗细,代表该段耐久性能测试数据正偏或负偏的程度大小,得到耐久性能指标长期趋势与局部波动的协同可视化视图。
使用本发明可以分别对多个耐久性能指标进行可视化展示,还可以使用双坐标轴将 两个相互关联的耐久性能指标展示在同一窗口内,此时可使用不同颜色填充每个耐久性 能指标的波动面积,便于区分和直观展示,方便用户了解零件在耐久性能测试过程的性能变化情况及某一时段内的性能波动情况,以便对测试过程进行具体分析,获得更为准 确的耐久性能测试结果。
实施例
使用本发明对25万次耐久性能测试数据进行可视化显示的过程如下:
步骤1,耐久性能测试数据包括对两个耐久性能指标Ps_MAX和Is_MAX_MSEC的测试数据,对测试数据进行预处理生成耐久性能测试数据集合T={T1,T2},其中 T1={a11,a12,…,a1t,…,a1 250000},T2={a21,a22,…,a2t,…,a2 250000},a1t为第1个耐久性能指标在t时刻的测试值,a2t为第2个耐久性能指标在t时刻的测试值;
步骤2,计算集合T1、集合T2中每一个元素的趋势值tr1t、tr2t,tr1t为a1t的趋势值,tr2t为a2t的趋势值,得到趋势数据集T1′={tr11,tr12,…,tr1t,…,tr1 250000}、 T2′={tr21,tr22,…,tr2t,…,tr2 250000},所述
步骤3,以时间间隔长度2000将测试数据集T1、T2划分为若干段,计算T1、T2中各 段测试数据的变异系数cvk及偏度fsk,
步骤4,以时间为横坐标、以耐久性能指标测试数据的趋势值为纵坐标绘制坐标点, 连接各坐标点形成折线图,即为各耐久性能指标测试数据的总体变化趋势;在偏度为正 的分段上,以趋势变化线为起点绘制向上的分割线,在偏度为负的分段上,以趋势变化线为起点绘制向下的分割线,将偏度的绝对值大小表示为分割线的粗细,将变异系数的 大小表示为各分割线的高度,连接各分割线的末端形成波动线,在波动线与趋势变化线 形成的区域内填充颜色,得到图2和图3。
图2是根据耐久性能指标Ps-MAX测试数据绘制的趋势波动图,该指标是起动机在一 次启动试验中的最大输出功率,由图2可知随着起动机启动次数的增多,起动机的输出功率呈缓慢下降趋势,这是由于起动机每次启动时都会产生微小的磨损,所以在整个测 试期间起动机的工作能力在小范围缓慢下降,而起动机的输出功率在试验过程中的波动 逐渐减小趋于平稳,说明起动机的输出功率经过早期的磨合期后趋于稳定,此外可以看 出图2中向上的分割线比向下的多,这表明起动机耐久性试验过程中有更多的正偏波动, 与整体下降趋势相对应。
图3是耐久性能指标Is-MAX-MSEC的变化趋势和波动图,该指标是起动机主电路达到的最大电流,可以反映起动机从休息状态到工作状态的反应时间,由Is-MAX-MSEC的 总体变化趋势可以观察到经过早期磨合期后,该指标呈缓慢上升趋势,这是由于电磁开 关老化导致的起动机反应时间延长;此外,从图3还可以观察到Is-MAX-MSEC指标的局 部波动明显少于Ps-MAX指标的明显波动,但是Is-MAX-MSEC指标的测试数据在60000次 测试到67000次测试间有一个明显的局部波动,说明该时间段内可能发生了非典型性启 动测试,由图3还可知本发明能够使用双坐标轴对比显示两种单位不同、大小差异的耐 久性能指标,以便测试人员查找异常测试数据,综合进行评判。
本说明书中的各个实施例均采用相关的方式描述,各个实施例之间相同相似的部分 互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法 实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。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,均包含在本发明的保护范围内。
Claims (1)
1.耐久性能指标长期趋势与局部波动的协同可视化方法,其特征在于,包括以下步骤:
步骤1,采集第i个耐久性能指标的测试数据,将测试数据按照时间序列进行排序,获得第i个耐久性能指标的测试数据集Ti,Ti={ai1,…,ait,…,ain},其中ait为第i个耐久性能指标在t时刻的测试值,n为测试过程持续时长;
步骤2,计算耐久性能指标在每个时刻的趋势值;
步骤3,按照时间间隔将耐久性能指标的测试数据集分段,计算每段测试数据的变异系数和偏度;
步骤4,以测试过程持续时长为横坐标,耐久性能指标测试数据的趋势值为纵坐标绘制曲线,根据各段测试数据偏度的正负和大小在曲线上绘制分割线,分割线的高度为变异系数的大小,对耐久性能指标测试数据进行可视化展示;
步骤2中使用公式(1)计算耐久性能指标测试数据在各时刻的趋势值:
trit为第i个耐久性能指标在t时刻的趋势值,分别为第i个耐久性能指标在/>时刻、/>时刻、/>时刻的测试数据;
步骤3中使用公式(2)计算各段测试数据的变异系数,使用公式(3)计算计算各段测试数据的偏度;
其中cvk为第k段耐久性能指标测试数据的变异系数,σk为第k段耐久性能测试数据的标准差,μk为第k分段耐久性能测试数据的平均值,fsk为第k段耐久性能指标测试数据的偏度,m为时间间隔的长度;
所述步骤4中绘制蜈蚣图的过程如下:
步骤41,在时间窗口内以测试过程持续时长为横坐标,以耐久性能指标测试数据的趋势值为纵坐标,绘制折线图;
步骤42,按照时间间隔将折线分段,根据各段测试数据的偏度正负绘制分割线,偏度为正时分割线朝上,偏度为负时分割线朝下,分割线的粗细为偏度的绝对值大小,分割线的高度为变异系数的大小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042089.8A CN112836940B (zh) | 2021-01-13 | 2021-01-13 | 耐久性能指标长期趋势与局部波动的协同可视化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110042089.8A CN112836940B (zh) | 2021-01-13 | 2021-01-13 | 耐久性能指标长期趋势与局部波动的协同可视化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836940A CN112836940A (zh) | 2021-05-25 |
CN112836940B true CN112836940B (zh) | 2023-11-24 |
Family
ID=75928012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110042089.8A Active CN112836940B (zh) | 2021-01-13 | 2021-01-13 | 耐久性能指标长期趋势与局部波动的协同可视化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836940B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609304A (zh) * | 2017-09-29 | 2018-01-19 | 中国铁道科学研究院铁道建筑研究所 | 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法 |
CN108197647A (zh) * | 2017-12-28 | 2018-06-22 | 中南大学 | 一种汽车起动机耐久测试数据的快速聚类方法 |
CN111144021A (zh) * | 2019-12-30 | 2020-05-12 | 新源动力股份有限公司 | 一种燃料电池寿命预测方法及系统 |
-
2021
- 2021-01-13 CN CN202110042089.8A patent/CN112836940B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609304A (zh) * | 2017-09-29 | 2018-01-19 | 中国铁道科学研究院铁道建筑研究所 | 大跨度铁路桥梁的基于phm的故障诊断预测系统及方法 |
CN108197647A (zh) * | 2017-12-28 | 2018-06-22 | 中南大学 | 一种汽车起动机耐久测试数据的快速聚类方法 |
CN111144021A (zh) * | 2019-12-30 | 2020-05-12 | 新源动力股份有限公司 | 一种燃料电池寿命预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112836940A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111104981B (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN108022058B (zh) | 一种风力机状态可靠性评估方法 | |
CN110333962B (zh) | 一种基于数据分析预测的电子元器件故障诊断模型 | |
CN104360677A (zh) | 一种卷烟加工过程质量评价与诊断方法 | |
Goegebeur et al. | Goodness-of-fit testing for Weibull-type behavior | |
Guiraud et al. | A non-central version of the Birnbaum-Saunders distribution for reliability analysis | |
CN103644850A (zh) | 土质边坡表面位移监测及安全预警方法 | |
CN111191726B (zh) | 一种基于弱监督学习多层感知器的故障分类方法 | |
CN110502277A (zh) | 一种基于bp神经网络的代码坏味检测方法 | |
CN111832955B (zh) | 一种基于可靠度与多元统计的接触网状态评价方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN112836940B (zh) | 耐久性能指标长期趋势与局部波动的协同可视化方法 | |
CN107301285A (zh) | 基于剩余寿命预测的非电子产品序贯验证试验方法 | |
CN110516288A (zh) | 一种与使用相关的航空发动机载荷谱混合分布模型建立方法 | |
CN112329272A (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
CN101789091A (zh) | 视频清晰度自动识别系统及其方法 | |
CN116432088A (zh) | 一种复合光学薄膜层厚智能监测方法及系统 | |
CN116663904A (zh) | 一种基于数据分析的智能目标监管系统及方法 | |
CN104156312B (zh) | 一种评估软件可靠性的方法 | |
Zeng et al. | Robust Phase I monitoring of profile data with application in low-E glass manufacturing processes | |
SG190883A1 (en) | Representative-value calculating device and method | |
CN114398770A (zh) | 一种用于液体颗粒计数传感器的寿命预测方法 | |
Liu et al. | Machine learning approaches for estimating building energy consumption | |
CN108510778B (zh) | 一种基于记录仪管理平台的车辆聚合显示的实现方法 |
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 |