CN113393143A - 基于信息融合的翅片机加工状态监测方法 - Google Patents

基于信息融合的翅片机加工状态监测方法 Download PDF

Info

Publication number
CN113393143A
CN113393143A CN202110705179.0A CN202110705179A CN113393143A CN 113393143 A CN113393143 A CN 113393143A CN 202110705179 A CN202110705179 A CN 202110705179A CN 113393143 A CN113393143 A CN 113393143A
Authority
CN
China
Prior art keywords
fin
index data
data set
information
information fusion
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
Application number
CN202110705179.0A
Other languages
English (en)
Other versions
CN113393143B (zh
Inventor
李孝斌
黎勇
江沛
尹超
李博
陈俊旭
廖喜年
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University
Original Assignee
Chongqing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University filed Critical Chongqing University
Priority to CN202110705179.0A priority Critical patent/CN113393143B/zh
Publication of CN113393143A publication Critical patent/CN113393143A/zh
Application granted granted Critical
Publication of CN113393143B publication Critical patent/CN113393143B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Factory Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)

Abstract

本发明涉及设备监测技术领域，具体涉及基于信息融合的翅片机加工状态监测方法，包括：获取待监测翅片机的性能指标数据集；将所述性能指标数据集输入经过预先训练的加工状态信息融合模型中；加工状态信息融合模型通过多Agent动态协作和神经网络模型对所述性能指标数据集中的指标数据进行信息融合处理，并生成对应的翅片机加工状态结果；输出待监测翅片机对应的翅片机加工状态结果。本发明中的翅片机加工状态监测方法能够有效对性能指标数据进行统一综合管理和融合决策分析，从而能够提升性能指标数据的信息融合效果和翅片机加工状态的监测准确性。

Description

基于信息融合的翅片机加工状态监测方法
技术领域
本发明涉及设备监测技术领域，具体涉及基于信息融合的翅片机加工状态监测方法。
背景技术
翅片机是车用空调企业中生产散热器的关键设备，其加工运行状态直接影响翅片加工的进程，进而影响车用空调的生产进度和加工质量。因此，对于翅片机加工状态的监测十分重要。在当前个性化订单驱动的生产环境下，翅片机加工过程具有加工周期短、加工信息实时动态等特点。因此，如何对影响其加工运行状态的性能指标数据集进行统一综合管理、融合决策分析，从而实现翅片机加工状态的监测是实现车用空调企业生产智能化的关键之一。
随着信息融合技术的发展，能够对按时序获取的若干信息源的观测信息在一定准则下加以自动分析、优化综合以完成所需的决策和估计任务，为设备加工状态的监测供了一种解决思路。例如，公开号为CN101696906A的中国专利就公开了《一种基于多源信息融合的风力发电机状态监测系统及方法》，其监测系统包括若干传感器、采集单元、信息融合单元；通过传感器感应风力发电机不同类型的测量信息；采通过集单元采集各传感器的测量信息；通过信息融合单元接收所述各传感器的测量信息，并根据测量信息进行融合计算，得出最终的测量结果。
上述现有方案中的风力发电机状态监测方法同样可应用翅片机加工状态监测，其通过多源信息融合的方式生成风力发电机的状态监测结果。申请人发现，影响翅片机的加工状态受到加工需求能力、制片精度、生产运行效率、加工连续性和稳定性以及加工执行力等多方面的影响，因此，监测翅片机加工状态时需要获取多方面的性能指标数据。然而，现有加工状态监测方法难以对翅片机加工状态的性能指标数据进行统一综合管理和融合决策分析，使得进行性能指标数据信息融合求解的效果不好，导致翅片机加工状态的监测准确性不好。因此，如何提供一种能够对性能指标数据进行统一综合管理和融合决策分析的翅片机加工状态监测方法是急需解决的技术问题。
发明内容
针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够有效对性能指标数据进行统一综合管理和融合决策分析的翅片机加工状态监测方法，从而能够提升性能指标数据的信息融合效果和翅片机加工状态的监测准确性。
为了解决上述技术问题，本发明采用了如下的技术方案：
基于信息融合的翅片机加工状态监测方法，包括以下步骤：
S1：获取待监测翅片机的性能指标数据集；
S2：将所述性能指标数据集输入经过预先训练的加工状态信息融合模型中；
所述加工状态信息融合模型通过多Agent动态协作和神经网络模型对所述性能指标数据集中的指标数据进行信息融合处理，并生成对应的翅片机加工状态结果；
S3：输出待监测翅片机对应的翅片机加工状态结果。
优选的，步骤S1中，所述性能指标数据集包括翅片机加工质量、运行效能和生产进度中任意一方面或多方面的指标数据。
优选的，所述性能指标数据集包括成形速度、成形张力、空压值、翅片峰数、波距和切刀次数中任意一种或多种指标数据。
优选的，步骤S1中，通过信息采集Agent获取所述性能指标数据集；所述信息采集Agent包括设置于待监测翅片机上且用于采集对应指标数据的传感器。
优选的，步骤S2中，所述加工状态信息融合模型通过如下步骤生成翅片机加工状态结果：
S201：通过信息预处理Agent对所述性能指标数据集进行归一化处理；然后对归一化处理后的性能指标数据集进行预处理，去除所述性能指标数据集中的冗余数据，得到对应的性能特征数据集；
S202：通过特征级Agent提取所述性能特征数据集中的特征信息，得到对应的性能特征信息集；然后将所述性能特征信息集输入经过预先训练的神经网络模型中，输出对应的信息融合结果；
S203：通过决策级Agent将所述信息融合结果与预设的加工状态评价信息进行相似度匹配，将相似度最高的加工状态评价信息对应的加工状态作为翅片机加工状态结果。
优选的，性能指标数据集表示为
Figure BDA0003131853350000021
式中：SI表示性能指标数据集；SI1至SI6均表示性能指标数据集中的指标数据；
性能特征数据集表示为
Figure BDA0003131853350000022
式中：SPI表示性能特征数据集；SPI1至SPI6均表示性能特征数据集中的特征数据；
性能特征信息集表示为
Figure BDA0003131853350000023
式中：CI表示性能特征信息集；CI1至CI6均表示性能特征信息集中的特征信息；
信息融合结果表示为{Q,E,P}；式中：Q表示翅片机的加工质量；E表示翅片机的运行效能；P表示翅片机的生产能效。
优选的，步骤S201中，所述信息预处理Agent首先对所述性能指标数据集进行归一化处理，使得指标数据对应的数据值被压缩至[0,1]区间；然后对归一化处理后的性能指标数据集进行多尺度二维小波变换，得到各个指标数据变换后的小波系数；再对各个指标数据的小波系数作阈值处理：当小波系数大于设置的阈值时，保留对应指标数据的原值；否则，对应指标数据的原值置零；最后对各个指标数据进行小波重构以去除冗余数据，得到对应的性能特征数据集。
优选的，步骤S201中，所述神经网络模型为具有三层神经网络结构的BP神经网络模型。
优选的，通过如下步骤训练所述BP神经网络模型：
获取若干个模型训练数据，所述模型训练数据包括待监测翅片机的指标训练数据集及其对应的状态评价训练信息；
对所述指标训练数据集进行归一化处理；然后对归一化处理后的指标训练数据集进行预处理，去除所述指标训练数据集中的冗余数据，得到对应的特征训练数据集；
将所述特征训练数据集作为模型输入、将对应状态评价训练信息的归一化量化值作为模型输出来对所述BP神经网络模型进行训练，直至所述BP神经网络模型达到设置的期望性能时，完成BP神经网络模型的训练。
优选的，步骤S203中，得到翅片机加工状态结果后，所述加工状态信息融合模型通过加工状态监控Agent对所述翅片机加工状态结果进行展示。
本发明中的翅片机加工状态监测方法与现有技术相比，具有如下有益效果：
在本发明中，加工状态信息融合模型通过多Agent动态协作和神经网络模型结合的方式实现性能指标数据的信息融合，而多Agent动态协作和神经网络模型的结合能够有效对性能指标数据进行统一综合管理和融合决策分析，从而能够提升性能指标数据的信息融合效果和翅片机加工状态的监测准确性。同时，加工质量能够直接体现翅片机的加工能力和制片精度，运行效能能够代表翅片机运行的效率，体现翅片机生产加工的连续性和稳定性，生产进度能够反映翅片机对加工任务的执行力，因此，通过加工质量、运行效能和生产进度等三方面的信息，能够有效反映翅片机的加工状态，从而能够进一步提升翅片机加工状态的监测准确性。最后，成形速度、成形张力、空压值、翅片峰数、波距和切刀次数等六种数据能够有效反映翅片机加工质量、运行效能和生产进度等三方面的状态信息，进而能够更好的、更准确的实现翅片机加工状态的监测。
附图说明
为了使发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述，其中：
图1为实施例中翅片机加工状态监测方法的逻辑框图；
图2为实施例中翅片机性能指标的树状示意图；
图3为实施例中加工状态信息融合模型的网络结构示意图；
图4为实施例中加工状态信息融合模型的计算过程示意图；
图5、图6和图7分别为试验中加工质量、运行效能和生产进度的对比结果示意图。
具体实施方式
下面通过具体实施方式进一步详细的说明：
实施例：
申请人发现，智能Agent拥有自主性和自适应性，其能够通过与其他Agent的交互和相互配合(多Agent动态协作)来实现对翅片机加工状态的性能指标数据进行统一综合管理和融合决策分析，同时其还能根据性能指标快速反映翅片机的加工状态，因此加入智能Agent能够实现对翅片机加工状态的有效监测。
同时，申请人发现BP神经网络算法能够有效解决翅片机加工状态信息融合的问题，因此，考虑到三层BP神经网络可以实现任意复杂非线性映射问题，申请人设计了一种结合小波去噪技术的三层BP神经网络算法来实现翅片机加工状态实时监控多源信息融合。
基于上述发现，申请人提出了如下翅片机加工状态监测方法。
如图1所示，基于信息融合的翅片机加工状态监测方法，包括以下步骤：
S1：获取待监测翅片机的性能指标数据集。具体的，结合图2所示，性能指标数据集包括翅片机加工质量、运行效能和生产进度等三方面的指标数据；具体包括成形速度、成形张力、空压值、翅片峰数、波距和切刀次数等六种数据。
S2：将性能指标数据集输入经过预先训练的加工状态信息融合模型中；加工状态信息融合模型通过多Agent动态协作和神经网络模型对性能指标数据集中的指标数据进行信息融合处理，并生成对应的翅片机加工状态结果。具体的，加工状态信息融合模型通过性能指标数据集输出对应的信息融合结果，信息融合结果包括翅片机加工质量、运行效能和生产进度的归一化值，通过将信息融合结果与预设加工状态评价信息(包括预设的加工质量、运行效能和生产进度的归一化值)进行相似度匹配，将相似度最高的加工状态评价信息对应的加工状态作为翅片机加工状态结果。
S3：输出待监测翅片机对应的翅片机加工状态结果。
在本发明中，加工状态信息融合模型通过多Agent动态协作和神经网络模型结合的方式实现性能指标数据的信息融合，而多Agent动态协作和神经网络模型的结合能够有效对性能指标数据进行统一综合管理和融合决策分析，从而能够提升性能指标数据的信息融合效果和翅片机加工状态的监测准确性。同时，加工质量能够直接体现翅片机的加工能力和制片精度，运行效能能够代表翅片机运行的效率，体现翅片机生产加工的连续性和稳定性，生产进度能够反映翅片机对加工任务的执行力，因此，通过加工质量、运行效能和生产进度等三方面的信息，能够有效反映翅片机的加工状态，从而能够进一步提升翅片机加工状态的监测准确性。最后，成形速度、成形张力、空压值、翅片峰数、波距和切刀次数等六种数据能够有效反映翅片机加工质量、运行效能和生产进度等三方面的状态信息，进而能够更好的、更准确的实现翅片机加工状态的监测。
具体实施过程中，通过信息采集Agent获取性能指标数据集；信息采集Agent包括设置于待监测翅片机上且用于采集对应指标数据的传感器。具体的，信息采集Agent包括分别用于采集待监测翅片机成形速度、成形张力、空压值、翅片峰数、波距和切刀次数的现有传感器。
结合图3所示，本实施例中信息采集Agent集成于加工状态信息融合模型中。加工状态信息融合模型包括信息采集Agent、信息预处理Agent、信息融合Agent(包括特征级Agent和决策级Agent)和加工状态监控Agent。
具体实施过程中，加工状态信息融合模型通过如下步骤生成翅片机加工状态结果：
S201：通过信息预处理Agent对性能指标数据集进行归一化处理；然后对归一化处理后的性能指标数据集进行预处理，去除性能指标数据集中的冗余数据，得到对应的性能特征数据集。具体的，首先对性能指标数据集进行归一化处理，使得指标数据对应的数据值被压缩至[0,1]区间；然后对归一化处理后的性能指标数据集进行多尺度二维小波变换，得到各个指标数据变换后的小波系数；再对各个指标数据的小波系数作阈值处理：当小波系数大于设置的阈值(阈值根据具体的去噪需求进行设置)时，保留对应指标数据的原值；否则，对应指标数据的原值置零；最后对各个指标数据进行小波重构以去除冗余数据，得到对应的性能特征数据集。
S202：通过特征级Agent提取性能特征数据集中的特征信息，得到对应的性能特征信息集；然后将性能特征信息集输入经过预先训练的神经网络模型中，输出对应的信息融合结果。具体的，神经网络模型为具有三层神经网络结构的BP神经网络模型。
S203：通过决策级Agent将信息融合结果与预设的加工状态评价信息(预先存储于专业知识库和数据库中)进行相似度匹配，将相似度最高的加工状态评价信息对应的加工状态作为翅片机加工状态结果。具体的，得到翅片机加工状态结果后，通过加工状态监控Agent对翅片机加工状态结果进行展示。
在本发明中，信息采集Agent、信息预处理Agent、信息融合Agent(包括特征级Agent和决策级Agent)和加工状态监控Agent之间通过上述步骤实现多Agent动态协作，结合BP神经网络模型能够有效对性能指标数据进行统一综合管理和融合决策分析，从而能够提升性能指标数据的信息融合效果和翅片机加工状态的监测准确性。同时，本发明通过结合小波去噪法的三层BP神经网络算法能够建立一套良好的神经网络层次模型来对翅片机加工状态信息进行有效融合，能够根据采集的翅片机性能指标有效监测翅片机的加工状态。其次，本发明对性能指标进行了归一化处理和预处理，能够有效去除冗余数据，进而能够减小多Agent动态协作和BP神经网络模型的计算量，从而能够提升翅片机加工状态的监测效率。最后，本发明通过相似度匹配的方式得到翅片机加工状态结果，并能够对加工状态结果进行展示，能够有效保证翅片机加工状态的监测效果。
具体的，结合图4所示，性能指标数据集表示为
Figure BDA0003131853350000061
式中：SI表示性能指标数据集；SI1至SI6均表示性能指标数据集中的指标数据；
性能特征数据集表示为
Figure BDA0003131853350000062
式中：SPI表示性能特征数据集；SPI1至SPI6均表示性能特征数据集中的特征数据；
性能特征信息集表示为
Figure BDA0003131853350000063
式中：CI表示性能特征信息集；CI1至CI6均表示性能特征信息集中的特征信息；
信息融合结果表示为{Q,E,P}；式中：Q表示翅片机的加工质量；E表示翅片机的运行效能；P表示翅片机的生产能效。
具体实施过程中，通过如下步骤训练BP神经网络模型：
获取若干个模型训练数据，模型训练数据包括待监测翅片机的指标训练数据集及其对应的状态评价训练信息；
对指标训练数据集进行归一化处理；然后对归一化处理后的指标训练数据集进行预处理，去除指标训练数据集中的冗余数据，得到对应的特征训练数据集；
将特征训练数据集作为模型输入、将对应状态评价训练信息的归一化量化值作为模型输出来对BP神经网络模型进行训练，直至BP神经网络模型达到设置的期望性能时，完成BP神经网络模型的训练。具体的，本实施例中达到期望性能是指输出的结果与状态评价训练信息的归一化量化值之间的误差在2％以内。
在本发明中，通过上述步骤能够有效训练BP神经网络模型，能够提升BP神经网络模型的输出结果精度，进而能够提升翅片机加工状态的监测准确性。
为了进一步说明本发明中翅片机加工状态监测方法的优势，本实施例还进行了如下试验。
以重庆市一车用空调生产企业——南方XX有限公司生产车间某一翅片(成形)机为验证对象。所选翅片机生产厂商为上海和科设备制造有限公司，型号A1S137022，翅片成形能力15000山/分钟，切断能力100次/分钟，加工翅片材质为铝，材料宽幅14mm，材料板厚0.07mm。
采用三菱Q02 PLC获取翅片机内部传感器所采集的指标数据，观测该翅片机三个工作日中的生产加工状态，对每小时所获取的指标数据集取平均值，最后精选10组性能指标数据集作为指标训练数据集。将精选的指标训练数据集进行归一化和小波去噪处理，得到去除冗余信息后的特征训练数据集，为加工状态信息融合模型的输入提供标准的数据格式。将归一化和去噪处理后的特征训练数据集和已知的翅片机加工质量、运行效能、生产进度(统计测量)作为BP神经网络模型的模型训练数据，反复训练模型，直至模型达到期望的性能。归一化和小波去噪处理后的特征训练数据集如表1所示。
表1归一化和小波去噪后的特征训练数据
Figure BDA0003131853350000071
通过以上特征训练数据集对BP神经网络进行训练，将训练好的神经网络作用于加工状态信息融合模型中，经过BP神经网络信息融合算法计算，获得翅片机当前加工过程中的信息融合结果(加工质量、运行效能和生产进度)。另取一工作日采集获取的待融合性能指标数据集，对其进行归一化和小波去噪处理，输入神经网络模型。待融合的预处理后的性能特征数据集及其信息融合结果如表2所示。
表2待融合性能指标特征数据及其融合结果
Figure BDA0003131853350000081
将以上通过信息融合获取的翅片机加工质量、运行效能和生产进度的数据结果与根据实际生产情况统计结果所得到的加工质量、运行效能和生产进度数据的归一化值进行对比，结果分别如图5、图6及图7所示。从图5、图6及图7中可以看出，通过本发明的方法得到的信息融合结果与实际生产情况的统计结果基本保持一致，表明本发明的翅片机加工状态监测方法是合理且有效的。
综上所述，本发明中基于信息融合的翅片机加工状态监测方法，通过对影响翅片机加工状态的能指标数据进行分析，建立了包括翅片机加工质量、运行效能和生产进度在内的翅片机加工状态性能指标体系；在此基础上，结合多Agent动态协作技术，提出了一种基于多Agent的加工状态信息融合模型，对翅片机加工性能指标数据集进行了信息融合处理与分析，并采用BP神经网络算法对模型进行了求解，实现了对车间内翅片机的加工状态的实时监控。
因此，本发明基于信息融合的翅片机加工状态监测方法，有效解决了目前翅片机加工运行状态性能指标数据集缺乏统一综合管理、融合决策分析等问题，为翅片机加工状态的监测提供了一种切实可行的解决方案。
需要说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管通过参照本发明的优选实施例已经对本发明进行了描述，但本领域的普通技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离所附权利要求书所限定的本发明的精神和范围。同时，实施例中公知的具体结构及特性等常识在此未作过多描述。最后，本发明要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.基于信息融合的翅片机加工状态监测方法，其特征在于，包括以下步骤：
S1：获取待监测翅片机的性能指标数据集；
S2：将所述性能指标数据集输入经过预先训练的加工状态信息融合模型中；
所述加工状态信息融合模型通过多Agent动态协作和神经网络模型对所述性能指标数据集中的指标数据进行信息融合处理，并生成对应的翅片机加工状态结果；
S3：输出待监测翅片机对应的翅片机加工状态结果。
2.如权利要求1所述的基于信息融合的翅片机加工状态监测方法，其特征在于：步骤S1中，所述性能指标数据集包括翅片机加工质量、运行效能和生产进度中任意一方面或多方面的指标数据。
3.如权利要求2所述的基于信息融合的翅片机加工状态监测方法，其特征在于：所述性能指标数据集包括成形速度、成形张力、空压值、翅片峰数、波距和切刀次数中任意一种或多种指标数据。
4.如权利要求1所述的基于信息融合的翅片机加工状态监测方法，其特征在于：步骤S1中，通过信息采集Agent获取所述性能指标数据集；所述信息采集Agent包括设置于待监测翅片机上且用于采集对应指标数据的传感器。
5.如权利要求1所述的基于信息融合的翅片机加工状态监测方法，其特征在于，步骤S2中，所述加工状态信息融合模型通过如下步骤生成翅片机加工状态结果：
S201：通过信息预处理Agent对所述性能指标数据集进行归一化处理；然后对归一化处理后的性能指标数据集进行预处理，去除所述性能指标数据集中的冗余数据，得到对应的性能特征数据集；
S202：通过特征级Agent提取所述性能特征数据集中的特征信息，得到对应的性能特征信息集；然后将所述性能特征信息集输入经过预先训练的神经网络模型中，输出对应的信息融合结果；
S203：通过决策级Agent将所述信息融合结果与预设的加工状态评价信息进行相似度匹配，将相似度最高的加工状态评价信息对应的加工状态作为翅片机加工状态结果。
6.如权利要求5所述的基于信息融合的翅片机加工状态监测方法，其特征在于：
性能指标数据集表示为
Figure FDA0003131853340000011
式中：SI表示性能指标数据集；SI1至SI6均表示性能指标数据集中的指标数据；
性能特征数据集表示为
Figure FDA0003131853340000021
式中：SPI表示性能特征数据集；SPI1至SPI6均表示性能特征数据集中的特征数据；
性能特征信息集表示为
Figure FDA0003131853340000022
式中：CI表示性能特征信息集；CI1至CI6均表示性能特征信息集中的特征信息；
信息融合结果表示为{Q,E,P}；式中：Q表示翅片机的加工质量；E表示翅片机的运行效能；P表示翅片机的生产能效。
7.如权利要求5所述的基于信息融合的翅片机加工状态监测方法，其特征在于：步骤S201中，所述信息预处理Agent首先对所述性能指标数据集进行归一化处理，使得指标数据对应的数据值被压缩至[0,1]区间；然后对归一化处理后的性能指标数据集进行多尺度二维小波变换，得到各个指标数据变换后的小波系数；再对各个指标数据的小波系数作阈值处理：当小波系数大于设置的阈值时，保留对应指标数据的原值；否则，对应指标数据的原值置零；最后对各个指标数据进行小波重构以去除冗余数据，得到对应的性能特征数据集。
8.如权利要求5所述的基于信息融合的翅片机加工状态监测方法，其特征在于：步骤S201中，所述神经网络模型为具有三层神经网络结构的BP神经网络模型。
9.如权利要求8所述的基于信息融合的翅片机加工状态监测方法，其特征在于，通过如下步骤训练所述BP神经网络模型：
获取若干个模型训练数据，所述模型训练数据包括待监测翅片机的指标训练数据集及其对应的状态评价训练信息；
对所述指标训练数据集进行归一化处理；然后对归一化处理后的指标训练数据集进行预处理，去除所述指标训练数据集中的冗余数据，得到对应的特征训练数据集；
将所述特征训练数据集作为模型输入、将对应状态评价训练信息的归一化量化值作为模型输出来对所述BP神经网络模型进行训练，直至所述BP神经网络模型达到设置的期望性能时，完成BP神经网络模型的训练。
10.如权利要求5所述的基于信息融合的翅片机加工状态监测方法，其特征在于：步骤S203中，得到翅片机加工状态结果后，所述加工状态信息融合模型通过加工状态监控Agent对所述翅片机加工状态结果进行展示。
CN202110705179.0A 2021-06-24 2021-06-24 基于信息融合的翅片机加工状态监测方法 Active CN113393143B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110705179.0A CN113393143B (zh) 2021-06-24 2021-06-24 基于信息融合的翅片机加工状态监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110705179.0A CN113393143B (zh) 2021-06-24 2021-06-24 基于信息融合的翅片机加工状态监测方法

Publications (2)

Publication Number Publication Date
CN113393143A true CN113393143A (zh) 2021-09-14
CN113393143B CN113393143B (zh) 2022-06-17

Family

ID=77623768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110705179.0A Active CN113393143B (zh) 2021-06-24 2021-06-24 基于信息融合的翅片机加工状态监测方法

Country Status (1)

Country Link
CN (1) CN113393143B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354775A (zh) * 2007-07-26 2009-01-28 深圳职业技术学院 一种用于风光联合发电的多代理控制系统
CN101696906A (zh) * 2009-10-28 2010-04-21 上海电机学院 基于多源信息融合的风力发电机状态监测系统及方法
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN109242147A (zh) * 2018-08-07 2019-01-18 重庆大学 基于Bp神经网络的信号融合风机状态预测方法
CN111401686A (zh) * 2020-02-14 2020-07-10 东南大学 空冷散热翅片灰污状况监测方法及装置
CN111461555A (zh) * 2020-04-02 2020-07-28 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 一种生产线质量监测方法、装置及系统
CN111623830A (zh) * 2020-06-11 2020-09-04 深圳技术大学 一种机电设备运行状态的监测方法、装置及系统
CN111798095A (zh) * 2020-05-29 2020-10-20 广州供电局有限公司黄埔供电局 一种基于神经网络电力电缆状态评价方法
CN111947928A (zh) * 2020-08-10 2020-11-17 山东大学 一种多源信息融合的轴承故障预测系统及方法
CN112162519A (zh) * 2020-10-21 2021-01-01 桂林电子科技大学 一种复合型机床数字孪生监控系统
CN112306808A (zh) * 2020-11-03 2021-02-02 平安科技（深圳）有限公司 性能监测评价方法、装置、计算机设备及可读存储介质
CN112884241A (zh) * 2021-03-12 2021-06-01 重庆大学 基于智能Agent的云边协作制造任务调度方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101354775A (zh) * 2007-07-26 2009-01-28 深圳职业技术学院 一种用于风光联合发电的多代理控制系统
CN101696906A (zh) * 2009-10-28 2010-04-21 上海电机学院 基于多源信息融合的风力发电机状态监测系统及方法
WO2015158198A1 (zh) * 2014-04-17 2015-10-22 北京泰乐德信息技术有限公司 一种基于神经网络自学习的故障识别方法及系统
CN109242147A (zh) * 2018-08-07 2019-01-18 重庆大学 基于Bp神经网络的信号融合风机状态预测方法
CN111401686A (zh) * 2020-02-14 2020-07-10 东南大学 空冷散热翅片灰污状况监测方法及装置
CN111461555A (zh) * 2020-04-02 2020-07-28 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 一种生产线质量监测方法、装置及系统
CN111798095A (zh) * 2020-05-29 2020-10-20 广州供电局有限公司黄埔供电局 一种基于神经网络电力电缆状态评价方法
CN111623830A (zh) * 2020-06-11 2020-09-04 深圳技术大学 一种机电设备运行状态的监测方法、装置及系统
CN111947928A (zh) * 2020-08-10 2020-11-17 山东大学 一种多源信息融合的轴承故障预测系统及方法
CN112162519A (zh) * 2020-10-21 2021-01-01 桂林电子科技大学 一种复合型机床数字孪生监控系统
CN112306808A (zh) * 2020-11-03 2021-02-02 平安科技（深圳）有限公司 性能监测评价方法、装置、计算机设备及可读存储介质
CN112884241A (zh) * 2021-03-12 2021-06-01 重庆大学 基于智能Agent的云边协作制造任务调度方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
XIAORONG GONG；CHAO YIN; XIAOBIN LI: "Dynamic Construction and Evolution Analysis of Manufacturing Service Network Supported by Machine Tools in Cloud Manufacturing Environment", 《2018 IEEE INTERNATIONAL CONFERENCE ON INTERNET OF THINGS (ITHINGS) AND IEEE GREEN COMPUTING AND COMMUNICATIONS (GREENCOM) AND IEEE CYBER, PHYSICAL AND SOCIAL COMPUTING (CPSCOM) AND IEEE SMART DATA (SMARTDATA)》, 3 August 2018 (2018-08-03), pages 772 - 779 *
尹超; 罗鹏; 李孝斌; 李靓: "基于Multi-Agent的机床装备资源优化选择方法", 《计算机集成制造系统》, vol. 22, no. 6, 22 April 2016 (2016-04-22), pages 1474 - 1484 *
杨云: "基于Multi-Agent的数控机床加工过程信息智能采集与监控方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》, 15 June 2018 (2018-06-15), pages 022 - 513 *
王军: "基于复杂自适应Petri网的棉纺生产预报模型及其优化", 《工程科技Ⅰ辑》, no. 3, 15 March 2017 (2017-03-15), pages 024 - 14 *
蔡跃坤; 王俊佳; 朱智鹏: "基于多Agent的智能工厂生产调度优化", 《西南科技大学学报》, vol. 35, no. 1, 31 March 2020 (2020-03-31), pages 90 - 94 *
韩丽; 史丽萍; 徐治皋: "基于多Agent系统设计原理的神经网络结构设计", 《测控技术》, vol. 27, no. 8, 18 August 2008 (2008-08-18), pages 63 - 66 *

Also Published As

Publication number Publication date
CN113393143B (zh) 2022-06-17

Similar Documents

Publication Publication Date Title
CN113378725B (zh) 一种基于多尺度-通道注意力网络的刀具故障诊断方法、设备及存储介质
WO2016004749A1 (zh) 一种大型数控铣床刀具磨损程度识别方法
CN110346130B (zh) 一种基于经验模态分解和时频多特征的镗削颤振检测方法
CN112098088A (zh) 一种基于kica-分形理论的滚动轴承故障诊断方法
CN112207631B (zh) 刀具检测模型的生成方法、检测方法、系统、设备及介质
CN116070527B (zh) 基于退化模型的铣削刀具剩余寿命预测方法
CN116483015B (zh) 一种车间设备监控方法、装置、设备及存储介质
CN114714145B (zh) 一种刀具磨损状态的格拉姆角场增强对比学习监测方法
CN115741235A (zh) 基于五轴加工中心刀具的磨损预测与健康管理方法
CN113393143B (zh) 基于信息融合的翅片机加工状态监测方法
CN117633696B (zh) 一种基于bim模型的水利工程施工监测方法及系统
Cheng et al. Research on multi-signal milling tool wear prediction method based on GAF-ResNext
CN116562599A (zh) 基于深度学习的高效智能工厂调度系统
CN111414354A (zh) 一种风电场数据的处理方法、装置及计算机可读存储介质
CN115859055A (zh) 一种飞机制造过程中多源异构大数据的特征提取方法
CN116012480A (zh) 数据驱动的切削加工表面形貌灰度图像生成方法
CN113408182B (zh) 一种基于多重小波最优特征和神经网络的刀具生命全周期磨损诊断方法、设备及存储介质
CN114510517A (zh) 一种面向大型旋转机组健康管理的数据处理方法及系统
Zhao et al. Tool wear monitoring based on an improved convolutional neural network
CN114964776A (zh) 基于mse和pso-svm的轮对轴承故障诊断方法
CN112257773A (zh) 基于无线传感器网络多测量向量的机械装备故障诊断方法
CN117591020B (zh) 一种基于区块链的碳排放核算方法和系统
Liu et al. Milling chatter detection of thin-walled parts based on GA-SE-SCK-VMD and RCMDE
CN115235760A (zh) 基于多信号融合图模型风电齿轮箱故障诊断方法
CN115127813B (zh) 基于张量特征与支持张量机的滚动轴承多通道融合诊断方法

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