CN115169423B - 冲压信号处理方法、装置、设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种冲压信号处理方法、装置、设备及可读存储介质，该方法包括步骤：获取冲压设备在运行时产生的冲压信号；从所述冲压信号中提取得到多段特征信息；基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号；基于所述特征信号，构建所述冲压信号的目标分析模型。本申请实现了对冲压设备运行时的冲压信号进行检测，并从冲压信号中提取特征信息，并从重组后的特征信息重组处提取出有效信息，从而得到精准描述冲压状态的特征信号，进而使用该特征信号构建用于分析冲压信号的目标分析模型的效率高。

Description

冲压信号处理方法、装置、设备及可读存储介质

技术领域

本申请涉及信号处理领域，尤其涉及一种冲压信号处理方法、装置、设备及可读存储介质。

背景技术

目前的冲压异常检测系统建模是通过截取部分冲压信号作为训练样本，训练用于分析冲压信号的模型。

但该方法只是对原始冲压信号进行了粗加工，该训练样本并不能精准表现冲压信号的状态信息，从而只能使用大量的训练样本对分析模型进行大量训练，进而导致使用该方法建立分析模型的效率低。

发明内容

有鉴于此，本申请提供一种冲压信号处理方法、装置、设备及可读存储介质，旨在提高建立冲压信号的分析模型的效率。

为实现上述目的，本申请提供一种冲压信号处理方法，所述冲压信号处理方法包括以下步骤：

获取冲压设备在运行时产生的冲压信号；

从所述冲压信号中提取得到多段特征信息；

基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号；

基于所述特征信号，构建所述冲压信号的目标分析模型。

示例性的，所述基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号，包括：

基于信号时间序列的顺序，构建所述特征信息的时间嵌入矩阵；

对所述时间嵌入矩阵进行奇异值分解，得到包含有效信息的奇异值矩阵；

从所述奇异值矩阵中提取预设比例大小的内容，得到特征信号。

示例性的，所述基于信号时间序列的顺序，构建所述特征信息的时间嵌入矩阵，包括：

基于信号时间序列的顺序，排列全部所述特征信息，并以先后顺序标记所述特征信息，得到嵌入时间序列的信息段；

基于预设矩阵行列数，构建所述信息段的时间嵌入矩阵。

示例性的，所述对所述时间嵌入矩阵进行奇异值分解，得到包含有效信息的奇异值矩阵之后，包括：

统计所述奇异值矩阵对角线上的数据，得到统计结果；

基于预设排列顺序，排列所述统计结果中的数据，得到排列结果；

从所述排列结果中提取预设长度的内容，得到特征信号。

示例性的，所述获取冲压设备在运行时产生的冲压信号之后，包括：

若当前未构建冲压信号的分析模型，则筛选符合预设信号类型的冲压信号，得到筛选结果；

从所述筛选结果中提取特征信息，并重组得到特征信号。

示例性的，所述基于所述特征信号，构建所述冲压信号的目标分析模型，包括：

输出所述特征信号至样本列表，以供所述样本列表存储模型训练样本；

若所述样本列表中的所述特征信号的数量与预设数量相等，则构建所述冲压信号的初始分析模型，并输出所述训练样本至所述初始分析模型，得到目标分析模型；所述训练样本用于训练所述初始分析模型。

示例性的，所述基于所述特征信号，构建所述冲压信号的目标分析模型之后，包括：

获取所述冲压设备后续产生的待评估冲压信号；

基于所述分析模型，评定所述待评估冲压信号的变化状态，得到评定结果；所述评定结果用于评定当前冲压过程产生的信号的情况。

示例性的，为实现上述目的，本申请还提供一种冲压信号处理装置，上述装置包括：

获取模块：用于获取冲压设备在运行时产生的冲压信号；

提取模块：用于从所述冲压信号中提取得到多段特征信息；

重组模块：用于基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号；

构建模块：用于基于所述特征信号，构建所述冲压信号的目标分析模型。

示例性的，为实现上述目的，本申请还提供一种冲压信号处理设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的冲压信号处理程序，所述冲压信号处理程序配置为实现如上所述的冲压信号处理方法的步骤。

示例性的，为实现上述目的，本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有冲压信号处理程序，所述冲压信号处理程序被处理器执行时实现如上所述的冲压信号处理方法的步骤。

与现有技术中，从整个冲压信号中提取出部分内容作为特征信号，但不能准确提取出冲压信号中的有效信息，导致需要使用大量训练样本建立分析模型，进而导致建立分析模型的效率低相比，本申请获取冲压设备在运行时产生的冲压信号，并从冲压信号中提取相应的特征信息，将特征信息按照信号时间序列的顺序重组，并从重组后的特征信息中提取出有效信息，该有效信息为特征信号，从而使得特征信号包含的信息内容的准确性高，进而在将提取得到的特征信号作为训练样本进行构建冲压信号分析模型时的效率有明显提高，不再需要大量的不精准训练样本。即通过对冲压信号提取特征信息处理和将特征信息按照信号时间序列的顺序进行重组，以便于从重组后的特征信息中提取出由有效信息组成的特征信号，该特征信号为对原始冲压信号进过两次处理得到的能精准表现冲压特征的信号，从而使用该特征信号构建冲压信号的分析模型的效率高，不需使用大量的训练样本即可达到构建分析模型的效果。

附图说明

图1是本申请冲压信号处理方法第一实施例的流程示意图；

图2为本申请冲压信号处理方法第二实施例的流程示意图；

图3为从多组冲压信号中提取出的多条特征信号的示意图；

图4为本申请实施例方案涉及的硬件运行环境的结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供一种冲压信号处理方法，参照图1，图1为本申请冲压信号处理方法第一实施例的流程示意图。

本申请实施例提供了冲压信号处理方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。为了便于描述，以下省略执行主体描述冲压信号处理方法的各个步骤，冲压信号处理方法包括：

步骤S110：获取冲压设备在运行时产生的冲压信号；

为了建立冲压信号分析模型，则需要收集训练样本，将训练样本进行对模型训练，从而建立针对冲压信号检测的模型。

训练样本的生成，需要对冲压设备正常运行时产生的冲压信号进行采集，且需要对冲压信号进行识别和检测，确定冲压信号为适用于模型训练的冲压设备的良好冲压状态的信号。

冲压设备的正常生产过程为周期性地连续冲压动作，在冲压设备产生冲压信号时，冲压信号根据不同的工件情况和冲压模具的情况，而产生相应的变化，例如，在冲压模具产生开裂、崩角等故障时，冲压信号会产生异常波动，又例如在生产不同材质、不同强度的工件时，产生的冲压信号也存在不同情况。

即在获取冲压设备在运行时产生的冲压信号，存在异常冲压信号和正常运行时的不同冲压信号，通过建立出的模型对冲压信号进行检测，从而确定当前冲压设备的生产内容和健康状态，其中健康状态即为冲压设备在生产时的状态是否存在异常问题。

冲压信号的本质为冲压设备对工件进行冲压加工时，工件本身产生的震动进行检测，即检测工件被冲压设备进行冲压加工时产生形变的震动情况。

通常采集冲压信号的检测仪器为加速度传感器或超声波传感器等对冲压设备的进行冲压时的加速度或超声波信号进行检测，其本质均为检测工件被冲压时的震动信号。

其中，检测仪器通常放置在冲压模具上，冲压设备在对工件执行冲压动作时，冲压设备中的冲压模具会贴紧工件，无论是检测冲压模具的加测度还是通过固体传声的原理，检测超声波信号，均能够达到检测工件的冲压信号的效果。

步骤S120：从所述冲压信号中提取得到多段特征信息；

特征信息包括冲压信号的时间特性和频率特性。

其中，时间特性就是在时间域对信号进行分析，即冲压信号是时间t的函数，它具有一定的周期性的交流波形。

对冲压信号的分析主要是对冲压信号波形出现时间的先后，冲压信号波形的延续时间长度，波形的周期、频率，以及对冲压信号波形进行的分解和合成。根据冲压信号的波形相关分析和波形相似程度，研究波形的互相关以求取道间时差进行剩余时差静校正等。

示例性的，冲压设备的冲压生产过程为周期性的冲压进程，每隔一段时间对未冲压工件进行一次冲压动作，在执行该冲压动作过程中，冲压设备推动冲压模具与工件结果，并使工件产生形变，此时工件产生相应冲压信号。

其中，该冲压信号为在加工时间内产生频率为冲压频率值的一次脉冲信号，工件的震动情况为从零至冲压产生的震动值，随后又降低至零，在综合多次加工时产生的冲压信号后，得到一组周期性变化的冲压信号组。

其中，冲压信号的特征信息即为在这一组周期性变化的冲压信号组的时间特征、频率特征、幅值特征等信息。

步骤S130：基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号；

检测冲压信号时的主要检测特征为时间特征、频率特征和幅值特征，其中，时间特征和频率特征通常以综合检测的形式进行检测，但是通常检测方式以采集一定时间内的频率信息，从而判断在这一段时间内的冲压信号的变化特征，此方法采集到的特征信息占用的内存大，计算、分析以及检测的效率慢。信号时间序列即为产生一段冲压信号所需要的时间，以及该冲压信号的在该时间内的变化先后顺序。

对特征信息的重组的过程为将包含冲压信号的特征信息的数据将与信号时间序列进行整合，从而将特征信息的原本表现形式进行转变，以便于更加有效地从特征信息中得到由有效信息组成的特征信号。

在获取冲压设备运行时产生的冲压信号时，冲压设备会产生一些影响冲压信号的噪音干扰信号，因此，从冲压信号中提取特征信息，提取得到的特征信号包含一定的噪音干扰信号，需要对提取到的特征信息进行降噪、对冲压信号的波形图进行去毛刺处理或对冲压信号进行滤波处理等。

重组特征信息中的有效信息，即针对特征信息除去干扰的因素之后的信息内容进行重组，其中有效信息为特征信息中能够直接显示冲压信号的变化趋势以及变化情况的特征信息，例如冲压信号的信号波峰、信号变化转折点、信号波谷或信号异常点等特征信息。

示例性的，所述获取冲压设备在运行时产生的冲压信号之后，包括：

步骤a：若未构建冲压信号的分析模型，则筛选符合预设信号类型的冲压信号，得到筛选结果；

在构建判断冲压信号的分析模型之前，需要采集能够作为训练样本的冲压信号，其中，该类型的冲压信号需符合预设信号类型的判断。

示例性的，预设信号类型为评判冲压信号是否能够作为训练样本的标准，其中预设信号类型的要求标准为信号的清晰度、信号的稳定性，以及信号的完整性均是否满足要求。

其中，对冲压信号的清晰度进行评定时，考虑该冲压信号中是否存在过多的干扰信号，干扰信号过多会影响到对冲压信号本身的分析过程，导致分析结果产生过大偏差，即筛选出干扰信号少的冲压信号。

其中，对冲压信号的稳定性进行评定时，在获取冲压信号时，因为冲压设备自身也可能产生异常问题，例如设备故障、设备运行时某零部件碎裂等产生异常声音和震动，导致获取到的冲压信号产生失真效果，进而导致冲压信号的稳定性差，即筛选出稳定性高的冲压信号。

其中，对冲压信号的完整性进行评定时，在获取冲压信号时，存在漏掉部分冲压信号、未采集到的完整的冲压信号的情况，该不完整的冲压信号中包含的信息比完整的冲压信号要缺失部分特征，因此不能用作为训练样本，即筛选出完整性高的冲压信号。

获取到的冲压信号符合预设信号类型，该类型冲压信号组成筛选结果。

步骤b：从所述筛选结果中提取特征信息，并重组得到特征信号。

从筛选结果中提取特征信息，并使用特征信息重组得到特征信号的过程，与步骤S120和步骤S130中所阐述的方法相同，在此不再赘述。

步骤S140：基于所述特征信号，构建所述冲压信号的目标分析模型。

将一次冲压生产的冲压信号的有效信息均提取出来，综合得到由有效信息组成的特征信号，该特征信号包括冲压信号中的全部的有效信息的内容，因此，该特征信号可以作为训练模型的样本。

该目标分析模型是由特征信号作为训练样本而生成的，该目标分析模型用于对后续冲压设备产生的冲压信号进行分析和判断，确定后续产生的冲压信号的状态是否良好。即通过分析模型对冲压信号的检测，判断冲压信号是否符合标准，则确定冲压生产过程为正常生产还是存在异常问题，进而达到对冲压设备的冲压生产过程监控的效果。

示例性的，所述基于所述特征信号，构建所述冲压信号的目标分析模型，包括：

步骤c：输出所述特征信号至样本列表，以供所述样本列表存储模型训练样本；

将采集、处理得到的特征信号输出至样本列表，样本列表接收并存储该特征信号，而使用该样本列表即可生成分析模型。

示例性的，以冲压设备生产出的工件为合格品为标准，样本列表存储的特征信号根据生产内容和检测要求划分。

其中，根据生产内容对特征信号进行分类，根据不同生产内容得到不同标准的特征信号，将此类特征信号按照不同生产内容进行归类、划分，从而得到对应不同生产内容的不同样本列表。

其中，根据检测要求对特征信号进行分类，根据特征信号代表着的冲压生产的含义，例如在冲压设备产生冲压信号时，该冲压信号存在两种情况，一种为正常冲压信号，另一种为异常冲压信号，以此将冲压信号划分为前述的两类信号，进而得到判断冲压设备正常运行的正常冲压信号的分析模型，以及得到判断冲压设备异常运行的异常冲压信号的分析模型。其中，异常冲压信号在上述提及过，在此不再赘述。

步骤d：若所述样本列表中的所述特征信号的数量与预设数量相等，则构建所述冲压信号的初始分析模型，并输出所述训练样本至所述初始分析模型，得到目标分析模型；所述训练样本用于训练所述初始分析模型。

当样本列表中的特征信号的数量与预设数量相等时，构建初始分析模型，初始分析模型为用于检测冲压信号的未经过训练的模型，使用样本列表中的特征信号进行分析模型的训练，从而达到能够实际运用至检测的目标分析模型。

其中，预设数量为整数，例如10、20或30等，以预设数量为20为例进行阐述，当样本列表中的特征信号的数量为20时，使用该样本列表进行分析模型的训练。当预设数量为10和预设数量为30时，执行本步骤的效果均与预设数量为20时相同，在此不再赘述。

将样本列表存储有的训练样本输出至初始分析模型，使用训练样本训练初始分析模型，在训练阶段结束后，得到目标分析模型。

示例性的，所述基于所述特征信号，构建所述冲压信号的目标分析模型之后，包括：

步骤e：获取所述冲压设备后续产生的待评估冲压信号；

此时已通过训练样本对分析模型进行训练，并得到了分析模型，在得到分析模型后，使用分析模型即可针对冲压设备后续产生的冲压信号进行检测、分析，该类冲压信号为待评估冲压信号。

步骤f：基于所述分析模型，评定所述待评估冲压信号的变化状态，得到评定结果；所述评定结果用于评定当前冲压过程产生的信号的情况。

分析模型使用稳定性高、清晰度高以及完整性高的冲压信号作为训练样本，因此，分析模型能够针对冲压信号的变化状态，以及冲压信号中的信号变化趋势等分析出该冲压信号为正常冲压信号或异常冲压信号，并对正常冲压信号和异常冲压信号分别进行检测。

其中，在检测正常冲压信号时，对冲压信号的变化状态，判断该冲压设备当前的冲压生产内容，并对冲压信号的内容进行分析，判断该冲压设备的冲压生产过程是否存在异常。

其中，在检测异常冲压信号时，对异常冲压信号进行检测，对其信号的变化状态进行分析，判断该异常冲压信号的整体状态，从而粗略判断冲压设备产生的故障问题。

与现有技术中，从整个冲压信号中提取出部分内容作为特征信号，但不能准确提取出冲压信号中的有效信息，导致需要使用大量训练样本建立分析模型，进而导致建立分析模型的效率低相比，本申请获取冲压设备在运行时产生的冲压信号，并从冲压信号中提取相应的特征信息，将特征信息按照信号时间序列的顺序重组，并从重组后的特征信息中提取出有效信息，该有效信息为特征信号，从而使得特征信号包含的信息内容的准确性高，进而在将提取得到的特征信号作为训练样本进行构建冲压信号分析模型时的效率有明显提高，不再需要大量的不精准训练样本。即通过对冲压信号提取特征信息处理和将特征信息按照信号时间序列的顺序进行重组，以便于从重组后的特征信息中提取出由有效信息组成的特征信号，该特征信号为对原始冲压信号进过两次处理得到的能精准表现冲压特征的信号，从而使用该特征信号构建冲压信号的分析模型的效率高，不需使用大量的训练样本即可达到构建分析模型的效果。

示例性的，参照图2，图2是本申请冲压信号处理方法第二实施例的流程示意图，基于上述本申请冲压信号处理方法第一实施例，提出第二实施例，所述方法还包括：

步骤S210：基于信号时间序列的顺序，构建所述特征信息的时间嵌入矩阵；

信号时间序列即在获取的冲压信号转化成波动信号时的信号发生的时间顺序，即在对冲压信号的特征信息进行提取有效信息时，需考虑冲压信号产生的时间顺序。

在对冲压信号进行粗加工，即从冲压信号中提取特征信息时，需将提取出来的特征信息所处的时间顺序或时间序列进行对应。冲压信号在不同的时间顺序中会产生不同的变化形式，因此从冲压信号中提取出特征信息需对特征信息所在的冲压信号的时间序列进行提取，即需综合考虑特征信息和特征信息的时间序列。

因此在对特征信息进行重组处理时，需要考虑信号时间序列的顺序，即每一次冲压设备进行冲压生产时的每一次完成冲压过程所需的时间。

构建特征信息的时间嵌入矩阵，以信号时间序列的顺序，将特征信息进行矩阵排列。

建立有效信息q的时间嵌入矩阵X，X为：

q1，q2，q3...qk-m

q2，q3，q4...qk-m+1

q3，q4，q5...qk-m+2

......

qm，qm+1，qm+2...qk

其中，m为事先指定好的嵌入规模，即限定该时间嵌入矩阵在矩阵中每行和每列中的数据的数量，m根据实际特征信息的大小和信号时间序列的大小进行调节，其中，k为特征信息q的长度。

示例性的，所述基于信号时间序列的顺序，构建所述特征信息的时间嵌入矩阵，包括：

步骤g：基于信号时间序列的顺序，排列全部所述特征信息，并以先后顺序标记所述特征信息，得到嵌入时间序列的信息段；

基于信号时间序列的顺序，从特征信息中按照其时间序列的顺序进行分段提取，例如冲压信号的长度为18000，从冲压信号中提取出特征信号的长度为1800，而在对特征信息进行重构时，需结合信号时间序列的顺序，并使用奇异值分解提取出信号中的有用成分，例如，1800长度的特征信号被重构成1400*400的特征矩阵随后求出1*400的奇异值，再截取前3%的成分，即只需要12长度的特征向量就可以描述整个信号。

冲压信号的横坐标轴为时间轴，即每一段信号均有对应的时间轴坐标参数，在对冲压信号分析时，需要考虑冲压信号对应的时间参数。

信号时间序列即为冲压信号的横坐标轴的时间序列，时间顺序即为时间从前至后变化的顺序。

以先后顺序标记特征信息，即按照特征信息以信号时间序列的顺序排列后，需按照此顺序将多段特征信号进行标记，例如1、2、3……N的顺序标记，其中，第N个特征信号为全部特征信号段的最后一段信号。

步骤h：基于预设矩阵行列数，构建所述信息段的时间嵌入矩阵；

排列特征信息之前，需对特征信息进行相应的处理，在特征信息的内容中包含其他干扰性信号，以及初始信息的平滑度、精准度有点进一步处理。

示例性的，除了将特征信息的中的干扰信号进行清除，还包括其他处理类型，对初始信息进行剪切、放缩、降噪、平滑等处理，进一步提升从特征信息中提取出来的初始信息的对冲压信号的特征表现的精准度。

其中，通过剪切、放缩、降噪和平滑处理，一方面使得初始信息的信号曲线更加趋近于冲压信号的特征的真实情况，一方面提高该信号描述冲压信号特征的精准度，以便于后续建立分析模型时提升效率。

根据预设矩阵行列数，构建有效信息的时间嵌入矩阵，构建时间嵌入矩阵的步骤在上述步骤已阐述，在此不再赘述。

其中，预设行列数为事先指定好的嵌入规模，即需要构建的矩阵的行数和列数的大小均根据所需处理的冲压信号进行相应调整设定，例如，冲压信号提取出的特征信号多，则将预设行列数相应调大，反之亦然。

步骤S220：对所述时间嵌入矩阵进行奇异值分解，得到包含有效信息的奇异值矩阵；

奇异值分解（Singular Value Decomposition）是线性代数中一种重要的矩阵分解，运用范围广泛，通过奇异值分解的方法，能够从矩阵中提取得到关于矩阵内数据的重要特征信息的内容，即为有效信息。

其中，有效信息为描述冲压状态的精准信息内容，多个有效信息数据的组合形成特征信号，例如冲压设备产生冲压信号时，冲压过程的工件的震动状态，参照图3，图3为从多组冲压信号中提取出的多条特征信号的示意图。

其中，图3的横坐标轴为时间，图3的纵坐标轴为幅值，根据图3中的特征信号的波动情况，清楚地表现出在冲压设备进行冲压生产过程中的产生的震动的变化情况，特征信号的每一次转折点，均为一段有效信息，由多段有效信息组成特征信号。

步骤S230：从所述奇异值矩阵中提取预设比例大小的内容，得到特征信号。

示例性的，所述从所述奇异值矩阵中提取预设比例大小的内容，得到特征信号，包括：

步骤j：统计所述奇异值矩阵对角线上的数据，得到统计结果；

在使用奇异值分解的方式，将时间嵌入矩阵进行分解，得到奇异值分解结果的奇异值矩阵，奇异值矩阵的对角线的数据为时间嵌入矩阵中有效信息的冲压信号的特征的最相关的数据。

经过奇异值分解得到的数据为冲压信号的精准的特征信号。

统计奇异值矩阵对角线中的数据的数量和内容，得到统计结果。

其中，有效信息为明显表现冲压特征状态的信息内容，特征信号由有效信息组成。

步骤k：基于预设排列顺序，排列所述统计结果中的数据，得到排列结果；

预设排列顺序为将统计结果进行排列的预设顺序，预设顺序即为将统计结果中的数据从大到小排列，其中，越大的数据，即为越为重要的数据，因此，以预设排列顺序的方式排列统计结果中的数据，得到排列结果的首段部分的数据即可作为特征信号。

步骤l：从所述排列结果中提取预设比例大小的内容，得到特征信号。

预设比例大小为从排列结果中提取数据的比例，预设比例大小一般设置为排列结果长度的3%或5%等的长度。

在本实施例中，从冲压信号中提取出的多段特征信息为粗加工的数据，根据信号时间序列的顺序将多段特征信息进行重组，得到时间嵌入矩阵，并对该时间嵌入矩阵进行奇异值分解，得到奇异值矩阵，从奇异值矩阵中提取出的信息内容，即为特征信号的有效信息内容，由有效信息组成的特征信号比从冲压信号中直接提取出的特征信息更为精准的描述出冲压状态。

此外，本申请还提供一种冲压信号处理装置，所述一种冲压信号处理装置包括：

获取模块：用于获取冲压设备在运行时产生的冲压信号；

提取模块：用于从所述冲压信号中提取得到多段特征信息；

重组模块：用于基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号；

构建模块：用于基于所述特征信号，构建所述冲压信号的目标分析模型；

示例性的，所述获取模块包括：

筛选子模块：用于若当前未构建冲压信号的分析模型，则筛选符合预设信号类型的冲压信号，得到筛选结果；

第一提取子模块：用于从所述筛选结果中提取特征信息，并重组得到特征信号。

示例性的，所述重组模块包括：

构建子模块：用于基于信号时间序列的顺序，构建所述特征信息的时间嵌入矩阵；

计算子模块：用于对所述时间嵌入矩阵进行奇异值分解，得到包含有效信息的奇异值矩阵；

第二提取子模块：用于从所述奇异值矩阵中提取预设比例大小的内容，得到特征信号。

示例性的，所述构建子模块包括：

排列单元：用于基于信号时间序列的顺序，排列全部所述特征信息，并以先后顺序标记所述特征信息，得到嵌入时间序列的信息段；

构建单元：用于基于预设矩阵行列数，构建所述信息段的时间嵌入矩阵。

示例性的，所述计算子模块包括：

统计单元：用于统计所述奇异值矩阵对角线上的数据，得到统计结果；

排列单元：用于基于预设排列顺序，排列所述统计结果中的数据，得到排列结果；

提取单元：用于从所述排列结果中提取预设长度的内容，得到特征信号。

示例性的，所述构建模块包括：

输出子模块：用于输出所述特征信号至样本列表，以供所述样本列表存储模型训练样本；

判断子模块：用于若所述样本列表中的所述特征信号的数量与预设数量相等，则构建所述冲压信号的初始分析模型，并输出所述训练样本至所述初始分析模型，得到目标分析模型；所述训练样本用于训练所述初始分析模型；

获取子模块：用于获取所述冲压设备后续产生的待评估冲压信号；

评定子模块：用于基于所述分析模型，评定所述待评估冲压信号的变化状态，得到评定结果；所述评定结果用于评定当前冲压过程产生的信号的情况。

本申请冲压信号处理装置具体实施方式与上述冲压信号处理方法各实施例基本相同，在此不再赘述。

此外，本申请还提供一种冲压信号处理设备。如图4所示，图4是本申请实施例方案涉及的硬件运行环境的结构示意图。

示例性的，图4即可为冲压信号处理设备的硬件运行环境的结构示意图。

如图4所示，该冲压信号处理设备可以包括处理器401、通信接口402、存储器403和通信总线404，其中，处理器401、通信接口402和存储器403通过通信总线404完成相互间的通信，存储器403，用于存放计算机程序；处理器401，用于执行存储器403上所存放的程序时，实现冲压信号处理方法的步骤。

上述冲压信号处理设备提到的通信总线404可以是外设部件互连标准（Peripheral Component Interconnect,PCI)总线或扩展工业标准结构（ExtendedIndustry Standard Architecture,EISA)总线等。该通信总线404可以分为地址总线、数据总线和控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

通信接口402用于上述冲压信号处理设备与其他设备之间的通信。

存储器403可以包括随机存取存储器(Random Access Memory,RMD),也可以包括非易失性存储器(Non- Volatile Memory,NM)，例如至少一个磁盘存储器。可选的，存储器403还可以是至少一个位于远离前述处理器401的存储装置。

上述的处理器401可以是通用处理器，包括中央处理器（Central ProcessingUnit,CPU)、网络处理器( Network Processor,NP)等；还可以是数字信号处理器（DigitalSignal Processor,DSP)、专用集成电路( Application Specific IntegratedCircuit,ASIC)、现场可编程门阵列(Field- Programmable Gate Array,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。

本申请冲压信号处理设备具体实施方式与上述冲压信号处理方法各实施例基本相同，在此不再赘述。

此外，本申请实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有冲压信号处理程序，所述冲压信号处理程序被处理器执行时实现如上所述的冲压信号处理方法的步骤。

本申请计算机可读存储介质具体实施方式与上述冲压信号处理方法各实施例基本相同，在此不再赘述。

需要说明的是，在本文中，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、物品或者系统不仅包括那些要素，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、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。

以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (8)

1.一种冲压信号处理方法，其特征在于，所述冲压信号处理方法包括以下步骤：

获取冲压设备在运行时产生的冲压信号；

从所述冲压信号中提取得到多段特征信息；

基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号；

基于所述特征信号，构建所述冲压信号的目标分析模型；

所述基于所述特征信号，构建所述冲压信号的目标分析模型，包括：

输出所述特征信号至样本列表，以供所述样本列表存储模型训练样本；

所述输出所述特征信号至样本列表，以供所述样本列表存储模型训练样本，包括：

确定所述特征信号对应的生产内容，以及获取所述生产内容对应的检测要求；其中，所述检测要求用于判断所述特征信号所代表的冲压信号为正常生产的信号或异常生产的信号；

基于所述生产内容和所述检测要求，对所述特征信号进行分类处理；

将分类后的特征信号输入至不同的样本列表中，得到不同生产内容和不同检测要求的多个样本列表，以供所述样本列表存储用于分析所述冲压设备的冲压生产内容，以及正常生产或异常生产的分析模型的模型训练样本；

若所述样本列表中的所述特征信号的数量与预设数量相等，则构建所述冲压信号的初始分析模型，并输出所述训练样本至所述初始分析模型，得到目标分析模型；所述训练样本用于训练所述初始分析模型；

获取所述冲压设备后续产生的待评估冲压信号；

基于所述目标分析模型，评定所述待评估冲压信号的变化状态，得到评定结果；所述评定结果用于评定当前冲压过程产生的信号的情况，根据所述变化状态，确定所述冲压设备的当前生产内容，并确定所述冲压设备是否存在异常。

2.如权利要求1所述的冲压信号处理方法，其特征在于，所述基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号，包括：

基于信号时间序列的顺序，构建所述特征信息的时间嵌入矩阵；

对所述时间嵌入矩阵进行奇异值分解，得到包含有效信息的奇异值矩阵；

从所述奇异值矩阵中提取预设比例大小的内容，得到特征信号。

3.如权利要求2所述的冲压信号处理方法，其特征在于，所述基于信号时间序列的顺序，构建所述特征信息的时间嵌入矩阵，包括：

基于信号时间序列的顺序，排列全部所述特征信息，并以先后顺序标记所述特征信息，得到嵌入时间序列的信息段；

基于预设矩阵行列数，构建所述信息段的时间嵌入矩阵。

4.如权利要求2所述的冲压信号处理方法，其特征在于，所述从所述奇异值矩阵中提取预设比例大小的内容，得到特征信号，包括：

统计所述奇异值矩阵对角线上的数据，得到统计结果；

基于预设排列顺序，排列所述统计结果中的数据，得到排列结果；

从所述排列结果中提取预设比例大小的内容，得到特征信号。

5.如权利要求1所述的冲压信号处理方法，其特征在于，所述获取冲压设备在运行时产生的冲压信号之后，包括：

若当前未构建冲压信号的分析模型，则筛选符合预设信号类型的冲压信号，得到筛选结果；

从所述筛选结果中提取特征信息，并重组得到特征信号。

6.一种冲压信号处理装置，其特征在于，所述冲压信号处理装置包括：

获取模块，用于获取冲压设备在运行时产生的冲压信号；

提取模块，用于从所述冲压信号中提取得到多段特征信息；

重组模块，用于基于信号时间序列的顺序，重组所述特征信息，并提取重组后的特征信息中的有效信息，得到特征信号；

构建模块，用于基于所述特征信号，构建所述冲压信号的目标分析模型；输出所述特征信号至样本列表，以供所述样本列表存储模型训练样本；确定所述特征信号对应的生产内容，以及获取所述生产内容对应的检测要求；其中，所述检测要求用于判断所述特征信号所代表的冲压信号为正常生产的信号或异常生产的信号；基于所述生产内容和所述检测要求，对所述特征信号进行分类处理；将分类后的特征信号输入至不同的样本列表中，得到不同生产内容和不同检测要求的多个样本列表，以供所述样本列表存储用于分析所述冲压设备的冲压生产内容，以及正常生产或异常生产的分析模型的模型训练样本；若所述样本列表中的所述特征信号的数量与预设数量相等，则构建所述冲压信号的初始分析模型，并输出所述训练样本至所述初始分析模型，得到目标分析模型；所述训练样本用于训练所述初始分析模型；获取所述冲压设备后续产生的待评估冲压信号；基于所述目标分析模型，评定所述待评估冲压信号的变化状态，得到评定结果；所述评定结果用于评定当前冲压过程产生的信号的情况，根据所述变化状态，确定所述冲压设备的当前生产内容，并确定所述冲压设备是否存在异常。

7.一种冲压信号处理设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的冲压信号处理程序，所述冲压信号处理程序配置为实现如权利要求1至5中任一项所述的冲压信号处理方法的步骤。

8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有冲压信号处理程序，所述冲压信号处理程序被处理器执行时实现如权利要求1至5中任一项所述的冲压信号处理方法的步骤。

Images