CN114722816A - 一种模拟信号隔离器智能装配方法及系统 - Google Patents

一种模拟信号隔离器智能装配方法及系统 Download PDF

Info

Publication number
CN114722816A
CN114722816A CN202210644274.9A CN202210644274A CN114722816A CN 114722816 A CN114722816 A CN 114722816A CN 202210644274 A CN202210644274 A CN 202210644274A CN 114722816 A CN114722816 A CN 114722816A
Authority
CN
China
Prior art keywords
text information
assembly
ferrite element
isolator
target
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
CN202210644274.9A
Other languages
English (en)
Other versions
CN114722816B (zh
Inventor
于广沅
蒋道宾
韦求达
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.)
Shenzhen Sunyuan Technology Co ltd
Original Assignee
Shenzhen Sunyuan Technology Co ltd
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 Shenzhen Sunyuan Technology Co ltd filed Critical Shenzhen Sunyuan Technology Co ltd
Priority to CN202210644274.9A priority Critical patent/CN114722816B/zh
Publication of CN114722816A publication Critical patent/CN114722816A/zh
Application granted granted Critical
Publication of CN114722816B publication Critical patent/CN114722816B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/205—Parsing
    • G06F40/216—Parsing using statistical methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • Emergency Management (AREA)
  • Probability & Statistics with Applications (AREA)
  • Machine Translation (AREA)

Abstract

本发明涉及数据处理技术领域，具体涉及一种模拟信号隔离器智能装配方法及系统，该方法基于隔离器的磁体特征和装配特征，对比目标装配检验小组中的目标历史铁氧体元件文本信息与其他装配检验小组中其他历史铁氧体元件文本信息之间的差异，得到获取目标装配检验小组的装配质检因子，利用装配质检因子对目标装配检验小组中的实时铁氧体元件文本信息进行特征分析，进而确认是否存在装配异常，一方面能够及时有效的发现异常装配行为，另一方面能够基于异常装配行为的监测，降低隔离器的装配异常，保证了隔离器的品质。

Description

一种模拟信号隔离器智能装配方法及系统
技术领域
本发明涉及数据处理技术领域，具体涉及一种模拟信号隔离器智能装配方法及系统。
背景技术
现有的隔离器是采用电磁元件作为隔离元件的电磁型隔离器，它主要由磁耦合对称推挽式多谐振荡器、整流滤波器、变流放大器、电流互感器和隔离变压器等一系列电磁元件组成，然后通过电磁感应和调制-解调的方法，对模拟量进行隔离传输。由于隔离器的原理复杂、线路复杂、所用元件多和其由铁磁材料制成的原因，故导致隔离器的体积大、重量大、材料消耗多、装配方法难保证品质一致性。
由于隔离器的核心元件含有铁氧体，且霍尔元件能够对铁氧体内部磁性含量进行检测，因此中国计量大学公开了一种CN210322892U 铁磁性平板探伤机器人：由霍尔元件阵列、磁屏蔽器等结构组成，能够通过霍尔元件阵列感应局部磁真空泄露环境，是对传统基于漏磁检测原理的革新。该技术如同CT技术一样都是通过移动对象对目标进行扫描，区别在于该技术只对元件的磁泄漏量进行柱面扫描，因此基于该技术进行隔离器的内部特征分析，能够有效分析封装后的隔离器装配是否出现异常。
然而，由于信号隔离器的配置、灵敏度、工作频率不同，元件磁体的参数、几何关系和磁泄露强度会出现一定程度上的不同，因此简单通过上述方法分析是无法有效针对多元化、定制化的隔离器得知其装配情况。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种模拟信号隔离器智能装配方法及系统，所采用的技术方案具体如下：
第一方面，本发明实施例提供了一种模拟信号隔离器智能装配方法，该方法包括以下步骤：
获取目标隔离器类型中当前隔离器的铁氧体元件文本信息，对所述铁氧体元件文本信息进行分词操作得到多个词特征，构成铁氧体元件的装配语义特征向量；利用霍尔元件得到铁氧体元件中的磁泄露矩阵，对所述磁泄露矩阵进行逐行展开得到高维特征向量，对所述高维特征向量进行降维得到当前隔离器的装配关系特征向量；根据所述装配语义特征向量的相似度和所述装配关系特征向量的相似度，得到特征相似度，根据所述特征相似度将多个隔离器的所述铁氧体元件文本信息分为多个铁氧体元件文本类别；
分别获取每个装配检验小组中目标隔离器类型对应的历史铁氧体元件文本信息，以目标装配检验小组中的任意一个所述历史铁氧体元件文本信息为目标文本信息，获得所述目标文本信息在其他装配检验小组中的历史铁氧体元件文本信息集合的所述铁氧体元件文本类别；计算所述目标文本信息与所属的所述铁氧体元件文本类别中每个所述历史铁氧体元件文本信息之间的所述特征相似度，得到所述目标文本信息的经验性指标；获取所述装配检验小组中每个所述历史铁氧体元件文本信息的所述经验性指标，根据所述经验性指标的差异对所述经验性指标进行分类，并根据目标装配检验小组中每个所述经验性指标与其所属类别中其他所述经验性指标之间的差异得到对应所述历史铁氧体元件文本信息的近邻可达密度，构成近邻可达密度集合；根据所述近邻可达密度集合中的元素均值、元素标准差和元素数量获得目标装配检验小组的装配质检因子；
获得目标装配检验小组的实时铁氧体元件文本信息，基于历史数据库获得所述实时铁氧体元件文本信息的实时近邻可达密度；将目标装配检验小组的所述装配质检因子与所述实时近邻可达密度之间的比值作为检测指标，根据所述检测指标发出预警信号。
进一步地，所述词特征的获取方法，包括：
基于词袋模型对所述铁氧体元件文本信息进行文本词频统计，根据统计结果获得所述铁氧体元件文本信息中目标词条及其词频，使用TfidfVectorizer函数对所述目标词条和对应的所述词频整合得到所述词特征。
进一步地，所述对所述高维特征向量进行降维得到当前隔离器的装配关系特征向量的方法，包括：
利用基于RBF核函数的核主成分分析法处理将所述高维特征向量降维至预设维度，将降维后的所述高维特征向量作为装配关系特征向量。
进一步地，所述特征相似度的计算公式为：
Figure 919688DEST_PATH_IMAGE001
其中，
Figure 290584DEST_PATH_IMAGE002
为隔离器A和隔离器B之间的特征相似度；
Figure 770106DEST_PATH_IMAGE003
为隔离器A对应的装配语义特征向量；
Figure 206904DEST_PATH_IMAGE004
为隔离器A对应的装配关系特征向量；
Figure 506298DEST_PATH_IMAGE005
为隔离器B对应的装配语义特征向量；
Figure 686744DEST_PATH_IMAGE006
为隔离器B对应的装配关系特征向量。
进一步地，所述计算所述目标文本信息与所属的所述铁氧体元件文本类别中每个所述历史铁氧体元件文本信息之间的所述特征相似度，得到所述目标文本信息的经验性指标的方法，包括：
分别计算所述目标文本信息与其所属的所述铁氧体元件文本类别中每个所述历史铁氧体元件文本信息之间的所述特征相似度；
将所有的所述特征相似度进行累加，得到特征相似度累加值，根据所述铁氧体元件文本类别中的样本数量，计算所述样本数量与所述特征相似度累加值之间的比值，将该比值作为所述目标文本信息的所述经验性指标。
进一步地，所述近邻可达密度的获取方法，包括：
分别计算所述目标装配检验小组中当前经验性指标与其所属类别中其他所述经验性指标之间的指标差值，对指标差值进行累加得到指标差值累加值，计算所属类别中的样本数量与指标差值累加值之间的比值，将该比值作为当前经验性指标对应的所述历史铁氧体元件文本信息的所述近邻可达密度。
进一步地，所述装配质检因子的计算公式为：
Figure 755194DEST_PATH_IMAGE007
其中，
Figure 362893DEST_PATH_IMAGE008
为装配质检因子，
Figure 415163DEST_PATH_IMAGE009
为近邻可达密度集合对应的元素均值，
Figure 133720DEST_PATH_IMAGE010
为近邻可达密度集合对应的元素标准差，
Figure 587835DEST_PATH_IMAGE011
为数据敏感系数，
Figure 100856DEST_PATH_IMAGE012
为近邻可达密度集合中的元素数量。
进一步地，本发明实施例还提供了一种模拟信号隔离器智能装配系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种模拟信号隔离器智能装配方法中任意一项所述方法的步骤。
本发明实施例至少具有如下有益效果：基于隔离器的磁体特征和装配特征，对比目标装配检验小组中的目标历史铁氧体元件文本信息与其他装配检验小组中其他历史铁氧体元件文本信息之间的差异，得到获取目标装配检验小组的装配质检因子，利用装配质检因子对目标装配检验小组中的实时铁氧体元件文本信息进行特征分析，进而确认是否存在装配异常，一方面能够及时有效的发现异常装配行为，另一方面能够基于异常装配行为的监测，降低隔离器的装配异常，保证了隔离器的品质。
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和优点，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的介绍，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它附图。
图1为本发明一个实施例提供的一种模拟信号隔离器智能装配方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种模拟信号隔离器智能装配方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种模拟信号隔离器智能装配方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种模拟信号隔离器智能装配方法的步骤流程图，该方法包括以下步骤：
步骤S001，获取目标隔离器类型中当前隔离器的铁氧体元件文本信息，对铁氧体元件文本信息进行分词操作得到多个词特征，构成铁氧体元件的装配语义特征向量；利用霍尔元件得到铁氧体元件中的磁泄露矩阵，对磁泄露矩阵进行逐行展开得到高维特征向量，对高维特征向量进行降维得到当前隔离器的装配关系特征向量；根据装配语义特征向量的相似度和装配关系特征向量的相似度，得到特征相似度，根据特征相似度将多个隔离器的铁氧体元件文本信息分为多个铁氧体元件文本类别。
具体的，由于隔离器所搭载的铁氧体元件的组合式多种多样的，且生命周期长、隔离器装配线产量大，本发明实施例以常见的电流隔离器类型为目标隔离器类型，其中电流隔离器类型包括：电流隔离器，将0-5A交流电流隔离变为4-20mA，二线制；电流隔离器，无源隔离器，标准4-20mA输入，信号经过2000V隔离，成比例输出4-20mA信号，二线制；电流隔离器，将0-5A交流电流隔离变为4-20mA，二线制；电流隔离器，直流电流信号经2000V三端隔离，输出4-20mA信号，可消除地回路，四线制；电流隔离器，将支流电流信号隔离变为4-20mA输出；电流隔离器，直流电流信号经2000V三端隔离，输出0-5V DC信号，可消除回路，四线制。
隔离器所搭载的铁氧体元件配置上，为了降低换经济负担、降低隔离器所搭载的铁氧体元件的定制难度可以由不同参数的普通型铁氧体磁珠、阻抗曲线急剧上升的铁氧体磁珠、通用铁氧体棒等组合成，因此对隔离器的铁氧体元件进行特征分析，得到每个隔离器的铁氧体元件的装配信息，其具体过程为：
（1）由于不同材料和不同指标搭配装配的铁氧体元件，对隔离器的性能影响也不相同，因此利用数字化出库管理手段，对隔离器装配线的出料进行记录，得到每个隔离器的铁氧体元件文本信息，铁氧体元件文本信息是由隔离器的铁氧体元件的装配方案对应的特性文案、使用方式和装配名称所构成的。
（2）为了分析铁氧体元件的装配方案特性信息，需要对常见技术词汇和领域中因措辞而重复出现的无意义词汇进行排除得到目标词条，如：高性能、超薄、微波等。
需要说明的是，由于装配方案特性都为技术参数，简明扼要，在对词条进行处理后使得铁氧体元件文本信息具有高稀疏性，难以混淆。
（3）考虑到当铁氧体磁珠用来提升噪声滤波效果时，需要考虑其电路特性以及要过滤噪声的频率范围。不同的铁氧体材料有不同的频率特性，需配合供应商的文件来找到特定频率范围下最适用的铁氧体材料。虽然铁氧体磁珠是一个电感器，但因为考量的是特定频段的阻抗特性，因此其规格也会和一般电感器不同，铁氧体会以特定频率下的阻抗（单位欧姆）为其规格，例如22R@100MHz是表示在100MHz的频段其阻抗为22欧姆，一般在规格书中也会列出磁珠在不同频段下的阻抗特性，因此基于词袋模型的文本词频获取铁氧体元件文本信息中的每个词特征，以构成该铁氧体元件文本信息对应铁氧体元件的装配语义特征向量。
需要说明的是，词袋模型构建方式为本领域技术人员熟知的现有技术，在此仅简述本发明实施例中词袋模型的处理过程：获取隔离器装配线上所有隔离器的铁氧体元件文本信息，以构建铁氧体元件文本信息资料库，并基于词袋模型对铁氧体元件文本信息进行文本词频统计，根据统计结果获得铁氧体元件文本信息中目标词条及其词频，以使用TfidfVectorizer函数整合词特征，构成铁氧体元件的装配语义特征向量F。
进一步地，利用铁磁性平板探伤机器人的扫描方式，将隔离器送入机器人，根据每次向内进给的霍尔元件读数，可以得到柱面展开的磁泄露矩阵，然后利用Flatten操作对磁泄露矩阵进行逐行展开得到一个高维特征向量。
优选的，本发明实施例中共有20次进给、10个霍尔元件，相对应磁泄露矩阵为20行10列，则高维特征向量为200维。
需要说明的是，铁磁性平板探伤机器人的扫描方式是一种现有技术，在此不作过多表述。
由于隔离器所搭载的铁氧体元件的装配类型较多，进给次数细分较多，因此构成的是一种维数极高的高维特征向量。而铁氧体元件的不同装配所对应的磁泄露关系可以初步构成由铁氧体元件的各装配间的作用效果所对应的假设空间，也即是高维特征向量能够初步表示铁氧体元件的各装配间的作用所对应的假设空间，但高维特征向量的维数过高难以体现规模关系。
又由于铁氧体元件的各装配之间的作用关系是彼此依存的，在计算时一般会有计算流水线或数据流，因此装配之间的规模关系也是相互依存的，一部分依存关系可以被线性表示，因此装配铁氧体效用之间的正交基能够表示装配规模搭配的组合关系，故降低高维特征向量的维数，更能够体现规模的不同、装配磁泄露关系方式不同而导致的差异。
优选地，利用基于RBF核函数的核主成分分析法处理高维特征向量，将高维特征向量降维至预设维度，获得隔离器的装配关系特征向量V。
优选的，在本发明实施例中，预设维度设置为16。
需要说明的是，基于RBF核函数的核主成分分析法为本领域技术人员熟知的现有技术，在此不做赘述，仅简述本发明实施例中的处理过程：
（1）对于高维特征向量
Figure 640422DEST_PATH_IMAGE013
，
Figure 162670DEST_PATH_IMAGE014
到
Figure 471291DEST_PATH_IMAGE015
为某一维度的进给下不同霍尔元件对应的铁氧体元件的磁泄露量，得到N维高维特征向量
Figure 420793DEST_PATH_IMAGE016
。
（2）计算RBF核矩阵
Figure 182076DEST_PATH_IMAGE017
，并中心化为
Figure 242435DEST_PATH_IMAGE018
；其中H和
Figure 405564DEST_PATH_IMAGE018
的具体计算方法为：计算RBF核矩阵
Figure 525966DEST_PATH_IMAGE017
，并中心化为
Figure 40124DEST_PATH_IMAGE018
。具体包括：
Figure 904175DEST_PATH_IMAGE019
Figure 656230DEST_PATH_IMAGE020
式中，
Figure 213114DEST_PATH_IMAGE021
是元素为1/i的i*i矩阵，为核参数；
（3）计算
Figure 948988DEST_PATH_IMAGE022
的特征值核特征向量，将的特征值
Figure 616730DEST_PATH_IMAGE023
进行降序排列，取特征值序列前E个特征值
Figure 488871DEST_PATH_IMAGE024
和对应的特征向量
Figure 216656DEST_PATH_IMAGE025
，其中E为16。
（4）利用核矩阵和上述过程选出的特征值和特征向量计算降维结果
Figure 439827DEST_PATH_IMAGE026
。
经过降维处理后，得到一个16维的高维特征向量，将16维的高维特征向量作为装配关系特征向量，则每个铁氧体元件文本信息对应一个16维的装配关系特征向量V，通过降维处理简化了后续的计算时间，且能够凸显铁氧体元件的各装配之间搭配特征，使得后续分析的特征对搭配关系更敏感。
将每个隔离器的铁氧体元件的装配语义特征向量F和装配关系特征向量V构成对应隔离器的装配特征数据
Figure 645680DEST_PATH_IMAGE027
。
进一步地，由于隔离器的不同装配特征数据对应的隔离器性能存在相似性，因此根据装配语义特征向量F的相似度和装配关系特征向量V的相似度，得到特征相似度，根据特征相似度将多个隔离器的铁氧体元件文本信息分为多个铁氧体元件文本类别，其具体方法为：
（1）根据任意两个隔离器的装配特征数据
Figure 637907DEST_PATH_IMAGE027
计算对应两个隔离器的特征相似度。
具体的，特征相似度的计算公式为：
Figure 265154DEST_PATH_IMAGE028
其中，
Figure 710042DEST_PATH_IMAGE029
为隔离器A和隔离器B之间的特征相似度；
Figure 454007DEST_PATH_IMAGE030
为隔离器A对应的装配语义特征向量；
Figure 566320DEST_PATH_IMAGE031
为隔离器A对应的装配关系特征向量；
Figure 370328DEST_PATH_IMAGE005
为隔离器B对应的装配语义特征向量；
Figure 568091DEST_PATH_IMAGE006
为隔离器B对应的装配关系特征向量。
需要说明的是，
Figure 115747DEST_PATH_IMAGE032
是装配语义特征向量的语义相似度，语义相似度越接近的，针对的用途越相似；
Figure 82566DEST_PATH_IMAGE033
是装配关系特征向量的相似度，装配磁泄露关系特征越接近的，铁氧体元件之间的相互作用越相似；结合装配语义特征向量F的相似度和装配关系特征向量V的相似度可以确定对应隔离器的隔离效果是否相似。
（2）利用步骤(1)方法，得到多个特征相似度，将特征相似度作为样本距离，基于样本距离，利用DBSCAN聚类算法将多个隔离器的铁氧体元件文本信息分为多个铁氧体元件文本类别，其中，铁氧体元件文本类别中每个铁氧体元件文本信息所体现的隔离效果非常相似。
步骤S002，分别获取每个装配检验小组中目标隔离器类型对应的历史铁氧体元件文本信息，以目标装配检验小组中的任意一个历史铁氧体元件文本信息为目标文本信息，获得目标文本信息在其他装配检验小组中的历史铁氧体元件文本信息集合的铁氧体元件文本类别；计算目标文本信息与所属的铁氧体元件文本类别中每个历史铁氧体元件文本信息之间的特征相似度，得到目标文本信息的经验性指标；获取装配检验小组中每个历史铁氧体元件文本信息的经验性指标，根据经验性指标的差异对经验性指标进行分类，并根据目标装配检验小组中每个经验性指标与其所属类别中其他经验性指标之间的差异得到对应历史铁氧体元件文本信息的近邻可达密度，构成近邻可达密度集合；根据近邻可达密度集合中的元素均值、元素标准差和元素数量获得目标装配检验小组的装配质检因子。
具体的，一般情况下，装配线装配好隔离器所搭载的铁氧体元件后，经由工厂的装配检验小组进行评判，为了防止装配检验小组的错误理解和错误评判、忽略了装配线上装配错误的隔离器所搭载的铁氧体元件，因此通过对各个装配检验小组的历史检验数据进行分析，以计算每个装配检验小组的装配质检因子，其装配质检因子的具体获取过程为：
（1）任意选取一个装配检验小组为目标装配检验小组，以目标装配检验小组中的任意一个历史铁氧体元件文本信息为目标文本信息。
（2）将其他装配检验小组的历史铁氧体元件文本信息构成一个历史铁氧体元件文本信息集合，将目标文本信息放入历史铁氧体元件文本信息集合中，利用步骤S001的聚类方法，得到多个铁氧体元件文本类别，并将目标文本信息所在的铁氧体元件文本类别作为目标文本类别。
优选的，本发明实施例中，铁氧体元件文本类别为50个。
（3）计算目标文本信息与所属的铁氧体元件文本类别中每个历史铁氧体元件文本信息之间的特征相似度，得到目标文本信息的经验性指标。
具体的，利用上述特征相似度的计算公式，分别计算目标文本信息与其所属的目标文本类别中每个历史铁氧体元件文本信息之间的特征相似度。将所有的特征相似度进行累加，得到特征相似度累加值，根据目标文本类别中的样本数量，计算样本数量与特征相似度累加值之间的比值，将该比值作为目标文本信息的经验性指标。
需要说明的是，经验性指标越大，说明目标文本信息在所属目标文本类别中越处于中心位置，该数据越符合经验，数据越准确，且所属目标文本类别的样本数量越大，历史铁氧体元件文本信息就更具有参考性。
（4）利用（1）至（3）的方法，得到每个装配检验小组中每个历史铁氧体元件文本信息的经验性指标，根据经验性指标的差异对经验性指标进行分类。
具体的，计算任意两个经验性指标之间的经验性指标差值，将经验性指标差值作为样本距离，同样利用DBSCAN聚类算法将所有的经验性指标分别为多个经验性指标类别。
（5）根据目标装配检验小组中每个经验性指标与其所属类别中其他经验性指标之间的差异得到对应历史铁氧体元件文本信息的近邻可达密度，构成近邻可达密度集合。
具体的，分别计算目标装配检验小组中当前历史铁氧体元件文本信息的经验性指标与其所属经验性指标类别中每个其他经验性指标之间的指标差值，对指标差值进行累加得到指标差值累加值，计算经验性指标类别中的样本数量与指标差值累加值之间的比值，将该比值作为当前历史铁氧体元件文本信息的近邻可达密度；分别计算目标装配检验小组中每个历史铁氧体元件文本信息的近邻可达密度，构成一个近邻可达密度集合。
需要说明的是，计算近邻可达密度的目的是关注目前装配检验小组中每个经验性指标对应的经验性指标类别的多样性，多样性越大，说明该目标装配检验小组评判时越容易出错。
（6）根据近邻可达密度集合中的元素均值、元素标准差和元素数量获得目标装配检验小组的装配质检因子。
具体的，装配质检因子的计算公式为：
Figure 57475DEST_PATH_IMAGE007
其中，
Figure 476955DEST_PATH_IMAGE008
为装配质检因子，
Figure 828302DEST_PATH_IMAGE009
为近邻可达密度集合对应的元素均值，
Figure 649627DEST_PATH_IMAGE010
为近邻可达密度集合对应的元素标准差，
Figure 61017DEST_PATH_IMAGE011
为数据敏感系数，
Figure 967793DEST_PATH_IMAGE012
为近邻可达密度集合中的元素数量。
需要说明的是，装配质检因子为一种下置信界限，可作为隔离器的装配过程中需要提醒的阈值。
步骤S003，获得目标装配检验小组的实时铁氧体元件文本信息，基于历史数据库获得实时铁氧体元件文本信息的实时近邻可达密度；将目标装配检验小组的装配质检因子与实时近邻可达密度之间的比值作为检测指标，根据检测指标发出预警信号。
具体的，获取目标装配小组的实时铁氧体元件文本信息，结合实时铁氧体元件文本信息和历史数据库，以利用步骤S002和步骤S001中的方法得到实时铁氧体元件文本信息的实时近邻可达密度，计算目标装配检验小组的装配质检因子与实时近邻可达密度之间的比值，将该比值作为检测指标，设置检测指标阈值，当检测指标大于检测指标阈值时，则发处预警信号，以提示装配检验小组进行额外质检。
需要说明的是，本发明实施例是以电流隔离器为例进行异常预警的，则实施者可通过替换不同的隔离器类型，以实现不同隔离器的质检异常判断。
综上所述，本发明实施例提供了一种模拟信号隔离器智能装配方法，该方法基于隔离器的磁体特征和装配特征，对比目标装配检验小组中的目标历史铁氧体元件文本信息与其他装配检验小组中其他历史铁氧体元件文本信息之间的差异，得到获取目标装配检验小组的装配质检因子，利用装配质检因子对目标装配检验小组中的实时铁氧体元件文本信息进行特征分析，进而确认是否存在装配异常，一方面能够及时有效的发现异常装配行为，另一方面能够基于异常装配行为的监测，降低隔离器的装配异常，保证了隔离器的品质。
基于与上述方法相同的发明构思，本发明实施例还提供了一种模拟信号隔离器智能装配系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种模拟信号隔离器智能装配方法中任意一项所述方法的步骤。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述，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。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种模拟信号隔离器智能装配方法，其特征在于，该方法包括以下步骤：
获取目标隔离器类型中当前隔离器的铁氧体元件文本信息，对所述铁氧体元件文本信息进行分词操作得到多个词特征，构成铁氧体元件的装配语义特征向量；利用霍尔元件得到铁氧体元件中的磁泄露矩阵，对所述磁泄露矩阵进行逐行展开得到高维特征向量，对所述高维特征向量进行降维得到当前隔离器的装配关系特征向量；根据所述装配语义特征向量的相似度和所述装配关系特征向量的相似度，得到特征相似度，根据所述特征相似度将多个隔离器的所述铁氧体元件文本信息分为多个铁氧体元件文本类别；
分别获取每个装配检验小组中目标隔离器类型对应的历史铁氧体元件文本信息，以目标装配检验小组中的任意一个所述历史铁氧体元件文本信息为目标文本信息，获得所述目标文本信息在其他装配检验小组中的历史铁氧体元件文本信息集合的所述铁氧体元件文本类别；计算所述目标文本信息与所属的所述铁氧体元件文本类别中每个所述历史铁氧体元件文本信息之间的所述特征相似度，得到所述目标文本信息的经验性指标；获取所述装配检验小组中每个所述历史铁氧体元件文本信息的所述经验性指标，根据所述经验性指标的差异对所述经验性指标进行分类，并根据目标装配检验小组中每个所述经验性指标与其所属类别中其他所述经验性指标之间的差异得到对应所述历史铁氧体元件文本信息的近邻可达密度，构成近邻可达密度集合；根据所述近邻可达密度集合中的元素均值、元素标准差和元素数量获得目标装配检验小组的装配质检因子；
获得目标装配检验小组的实时铁氧体元件文本信息，基于历史数据库获得所述实时铁氧体元件文本信息的实时近邻可达密度；将目标装配检验小组的所述装配质检因子与所述实时近邻可达密度之间的比值作为检测指标，根据所述检测指标发出预警信号。
2.如权利要求1所述的一种模拟信号隔离器智能装配方法，其特征在于，所述词特征的获取方法，包括：
基于词袋模型对所述铁氧体元件文本信息进行文本词频统计，根据统计结果获得所述铁氧体元件文本信息中目标词条及其词频，使用TfidfVectorizer函数对所述目标词条和对应的所述词频整合得到所述词特征。
3.如权利要求1所述的一种模拟信号隔离器智能装配方法，其特征在于，所述对所述高维特征向量进行降维得到当前隔离器的装配关系特征向量的方法，包括：
利用基于RBF核函数的核主成分分析法处理将所述高维特征向量降维至预设维度，将降维后的所述高维特征向量作为装配关系特征向量。
4.如权利要求1所述的一种模拟信号隔离器智能装配方法，其特征在于，所述特征相似度的计算公式为：
Figure DEST_PATH_IMAGE001
其中，
Figure 594357DEST_PATH_IMAGE002
为隔离器A和隔离器B之间的特征相似度；
Figure DEST_PATH_IMAGE003
为隔离器A对应的装配语义特征向量；
Figure 449180DEST_PATH_IMAGE004
为隔离器A对应的装配关系特征向量；
Figure DEST_PATH_IMAGE005
为隔离器B对应的装配语义特征向量；
Figure 494497DEST_PATH_IMAGE006
为隔离器B对应的装配关系特征向量。
5.如权利要求1所述的一种模拟信号隔离器智能装配方法，其特征在于，所述计算所述目标文本信息与所属的所述铁氧体元件文本类别中每个所述历史铁氧体元件文本信息之间的所述特征相似度，得到所述目标文本信息的经验性指标的方法，包括：
分别计算所述目标文本信息与其所属的所述铁氧体元件文本类别中每个所述历史铁氧体元件文本信息之间的所述特征相似度；
将所有的所述特征相似度进行累加，得到特征相似度累加值，根据所述铁氧体元件文本类别中的样本数量，计算所述样本数量与所述特征相似度累加值之间的比值，将该比值作为所述目标文本信息的所述经验性指标。
6.如权利要求1所述的一种模拟信号隔离器智能装配方法，其特征在于，所述近邻可达密度的获取方法，包括：
分别计算所述目标装配检验小组中当前经验性指标与其所属类别中其他所述经验性指标之间的指标差值，对指标差值进行累加得到指标差值累加值，计算所属类别中的样本数量与指标差值累加值之间的比值，将该比值作为当前经验性指标对应的所述历史铁氧体元件文本信息的所述近邻可达密度。
7.如权利要求1所述的一种模拟信号隔离器智能装配方法，其特征在于，所述装配质检因子的计算公式为：
Figure DEST_PATH_IMAGE007
其中，
Figure 92968DEST_PATH_IMAGE008
为装配质检因子，
Figure DEST_PATH_IMAGE009
为近邻可达密度集合对应的元素均值，
Figure 845024DEST_PATH_IMAGE010
为近邻可达密度集合对应的元素标准差，
Figure DEST_PATH_IMAGE011
为数据敏感系数，
Figure 808432DEST_PATH_IMAGE012
为近邻可达密度集合中的元素数量。
8.一种模拟信号隔离器智能装配系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任意一项所述方法的步骤。
CN202210644274.9A 2022-06-09 2022-06-09 一种模拟信号隔离器智能装配方法及系统 Active CN114722816B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210644274.9A CN114722816B (zh) 2022-06-09 2022-06-09 一种模拟信号隔离器智能装配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210644274.9A CN114722816B (zh) 2022-06-09 2022-06-09 一种模拟信号隔离器智能装配方法及系统

Publications (2)

Publication Number Publication Date
CN114722816A true CN114722816A (zh) 2022-07-08
CN114722816B CN114722816B (zh) 2022-08-19

Family

ID=82232665

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210644274.9A Active CN114722816B (zh) 2022-06-09 2022-06-09 一种模拟信号隔离器智能装配方法及系统

Country Status (1)

Country Link
CN (1) CN114722816B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115295118A (zh) * 2022-10-09 2022-11-04 江苏南通鼎顺网络科技有限责任公司 用于患者配药的配药数据处理系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204067537U (zh) * 2014-10-13 2014-12-31 世达普(苏州)通信设备有限公司 集成屏蔽盖波导隔离器
WO2018169069A1 (en) * 2017-03-16 2018-09-20 Ricoh Company, Ltd. Diagnosis device, diagnosis system, diagnosis method, and program
CN209400733U (zh) * 2018-12-28 2019-09-17 深圳市芯思杰智慧传感技术有限公司 光隔离器装配工装
CN213070136U (zh) * 2020-09-29 2021-04-27 苏交科集团股份有限公司 一种高速公路违法翻越隔离预警系统装配机构
WO2022001888A1 (zh) * 2020-06-29 2022-01-06 北京字节跳动网络技术有限公司 基于词向量生成模型的信息生成方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204067537U (zh) * 2014-10-13 2014-12-31 世达普(苏州)通信设备有限公司 集成屏蔽盖波导隔离器
WO2018169069A1 (en) * 2017-03-16 2018-09-20 Ricoh Company, Ltd. Diagnosis device, diagnosis system, diagnosis method, and program
CN209400733U (zh) * 2018-12-28 2019-09-17 深圳市芯思杰智慧传感技术有限公司 光隔离器装配工装
WO2022001888A1 (zh) * 2020-06-29 2022-01-06 北京字节跳动网络技术有限公司 基于词向量生成模型的信息生成方法和装置
CN213070136U (zh) * 2020-09-29 2021-04-27 苏交科集团股份有限公司 一种高速公路违法翻越隔离预警系统装配机构

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115295118A (zh) * 2022-10-09 2022-11-04 江苏南通鼎顺网络科技有限责任公司 用于患者配药的配药数据处理系统

Also Published As

Publication number Publication date
CN114722816B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
Wang et al. An improved K-Means clustering algorithm
CN114722816B (zh) 一种模拟信号隔离器智能装配方法及系统
CN110134919A (zh) 风电机组异常数据清洗方法
Xu et al. Hybrid feature selection for wafer acceptance test parameters in semiconductor manufacturing
CN108241925A (zh) 一种基于离群点检测的离散制造机械产品质量溯源方法
CN112327788B (zh) 一种瓦楞芯纸生产在线连续监控方法及系统
CN111858990B (zh) 一种基于卷积分类网络的晶圆图失效模式相似检索的方法
CN118091234A (zh) 一种用于故障诊断处理的电流互感器
Jiang et al. Fault diagnosis of analog circuit based on a second map SVDD
CN118014442B (zh) 共混型互穿网络热塑性弹性体的质量评估方法及系统
CN112306731B (zh) 基于Spacy词向量的两阶段判别缺陷报告严重程度预测方法
Fitrianah et al. ST-AGRID: A spatio temporal grid density based clustering and its application for determining the potential fishing zones
CN112084294B (zh) 一种基于人工智能的整车电磁兼容分级管理方法
Hu et al. A deep generative model with multiscale features enabled industrial internet of things for intelligent fault diagnosis of bearings
CN109684479A (zh) 一种基于人工智能来实现业务分析的方法
Chang et al. Fault diagnosis of lithium-ion batteries based on voltage dip behavior
CN115081514A (zh) 一种数据不平衡情况下的工业设备故障识别方法
CN113191740A (zh) 一种计量资产管理系统
Hou et al. What Has Been Enhanced in my Knowledge-Enhanced Language Model?
Liang et al. Spectral clustering based on high‐frequency texture components for face datasets
Puliyadi Kubendran et al. Detection and classification of power quality events using wavelet energy difference and support vector machine
CN117811226B (zh) 无线电能传输系统耦合机构特征辨识方法、装置及介质
Hu et al. Research on the feature selection approach based on IFDS and DPSO with variable thresholds in complex data environments
Cui et al. Feature Extraction Method of Converter Transformer Vibration Signal Based on Multi-feature Fusion
Ren et al. A method of removing redundant information from multidimensional data based on Bayesian algorithm

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