CN116383754B - 一种机车车辆配件生产在线监测系统及方法 - Google Patents
一种机车车辆配件生产在线监测系统及方法 Download PDFInfo
- Publication number
- CN116383754B CN116383754B CN202310652045.6A CN202310652045A CN116383754B CN 116383754 B CN116383754 B CN 116383754B CN 202310652045 A CN202310652045 A CN 202310652045A CN 116383754 B CN116383754 B CN 116383754B
- Authority
- CN
- China
- Prior art keywords
- data
- point
- sample
- principal component
- points
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 50
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 230000003137 locomotive effect Effects 0.000 title claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 67
- 230000002159 abnormal effect Effects 0.000 claims abstract description 58
- 239000013598 vector Substances 0.000 claims abstract description 30
- 238000000513 principal component analysis Methods 0.000 claims abstract description 29
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000000034 method Methods 0.000 claims description 21
- 238000005096 rolling process Methods 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 24
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000005856 abnormality Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000003754 machining Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000010223 real-time analysis Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及在线监测技术领域，尤其涉及一种机车车辆配件生产在线监测系统及方法，机车车辆配件生产在线监测方法包括以下步骤：接收机车车辆配件生产过程中的震动数据，并对所述震动数据进行预处理获得原始数据；基于原始数据选取数据点样本，对数据点样本集进行主成分分析，计算出主成分向量以及根据邻域数据点的变化获得对应的贡献值；基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理；根据去噪后的数据的数据区间的变化获得异常震动信号。本发明解决了现有技术的主成分分析算法中没有对数据集中的噪声和异常值进行剔除，导致算法可能无法准确地识别数据的主要变化，甚至会影响到算法的稳定性的问题。
Description
技术领域
本发明涉及在线监测技术领域，尤其涉及一种机车车辆配件生产在线监测系统及方法。
背景技术
机车车辆配件生产在线监测可以采用物联网技术进行实现。机车车辆配件在生产的过程中因为加工机器的高频震动，容易导致工件加工精度降低，表面质量下降，严重的甚至会导致零件疲劳损伤、毛刺等质量问题的出现，在严重的情况下，甚至可能导致产品的退化。通过采集震动信号，可以进行瞬时状态判定和故障诊断，优化机车车辆的性能和安全性能，保障行驶中的乘车安全和旅客的安全出行。可以通过传感器采集配件生产过程中的振动信号数据，并进行实时分析和处理。系统可以设置预警机制，当监测数据异常时，可以及时通知相关人员进行处理，从而保证生产过程的稳定性和产品质量的可控性。
在现有技术中，对震动信号数据进行分析时，主成分分析（PCA）算法能够很好的对数据之间的关系进行分析，获得数据之间的关系。但是主成分分析算法对于数据集中的噪声和异常值非常敏感，现有技术的主成分分析算法中没有对数据集中的噪声和异常值进行剔除，它们可能会导致算法无法准确地识别数据的主要变化，甚至会影响到算法的稳定性。因此，需要对数据集进行预处理，尽量去除噪声和异常值，来保证算法的准确性和稳定性。
发明内容
有鉴于此，本发明的目的是提供一种机车车辆配件生产在线监测系统及方法，以至少解决现有技术的主成分分析算法中没有对数据集中的噪声和异常值进行剔除，导致算法可能无法准确地识别数据的主要变化，甚至会影响到算法的稳定性的问题。
本发明通过以下技术手段解决上述技术问题：
第一方面，本发明提供了一种机车车辆配件生产在线监测方法，包括以下步骤：
接收机车车辆配件生产过程中的震动数据，并对所述震动数据进行预处理获得原始数据；
基于原始数据选取数据点样本，对数据点样本集进行主成分分析，计算出主成分向量以及根据邻域数据点的变化获得对应的贡献值；
基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理；
根据去噪后的数据的数据区间的变化获得异常震动信号。
在通过主成分分析算法震动信号数据进行去噪时，因为数据量比较大，如果直接对所有数据进行分析会导致算法的计算量特别大，因此本申请通过选取信号数据中的样本数据点，对数据点样本集进行主成分分析，计算出主成分向量和根据邻域数据点的变化获得对应的贡献值，能够有效的避免因为局部数据变化程度较大引起的样本数据的异常，从而导致的该样本数据点在主成分空间中的异常程度较大，进而根据样本数据来获得噪声的影响程度时，能够达到不损失有用的数据信息，对噪声有很好的滤波效果的目的。然后再根据去噪后的数据变化获得异常数据点，进而能够获得在机车车辆配件加工中机器产生的异常震动信号，避免因为机器的震动导致生产出来的产品不合格。本申请的上述技术方案对数据集中的噪声和异常值进行剔除，能够较为准确地是被数据的主要变化，进而较为准确的识别出机车车辆配件加工中机器产生的异常震动信号。
结合第一方面，在一些可选的实施方式中，所述基于原始数据选取数据点样本的操作如下：
以每个信号波形的最低点作为数据的分割点对原始数据集进行分割获得若干数据点；
判断每个信号波形数据的变化幅值，将波动程度大的数据点作为样本数据点，从而构成数据点样本。
结合第一方面，在一些可选的实施方式中，所述判断每个信号波形数据的变化幅值，将波动程度大的数据点作为小样本数据点，从而构成数据点样本步骤，操作如下：
按照如下计算公式获取第个分割波形的数据异常值/>：
其中，表示第/>个分割波形的最大幅值，/>表示第/>个分割波形的最小幅值，表示第/>个分割波形的下一个波形的最大幅值， />表示第/>个分割波形的下一个波形的最小幅值， />表示第/>个分割波形中最大幅值与最小幅值的变化；
判断数据异常值是否满足第一经验阈值，由满足第一经验阈值的数据点构成数据点样本集/>。
结合第一方面，在一些可选的实施方式中，所述对数据点样本集进行主成分分析，计算出主成分向量以及对应的贡献度步骤，操作如下：
计算每个样本数据点相对于主成分的影响程度，计算公式如下：
其中，表示第/>个数据点在第/>个主成分上的影响程度，/>是原始数据矩阵中第行的向量，/>是第/>个主成分的特征向量，/>表示第/>个数据点的特征向量的方向，/>表示主成分方向，/>表示第/>个数据点在第/>个主成分上的投影值，/>表示第/>个数据的特征向量的方向相对于主成分方向的偏移程度；
获取样本数据点所在的邻域数据；
根据每个样本数据点所在的邻域数据点的变化获得对应样本数据点的对主成分的贡献值，计算公式如下：
其中，表示在第/>个样本数据的贡献值，/>表示第/>个样本数据在原始数据中的幅值，/>表示样本数据所处的邻域数据区间内第/>个极值点的幅值，/>表示连续两个极大值数据点的时宽，/>表示第/>个数据点在第/>个主成分上的影响程度，/>表示极大值点的数量，/>表示极小值的数量。
结合第一方面，在一些可选的实施方式中，所述样本数据点的邻域数据表示如下：
其中，表示第/>个样本数据点，也就是数据序列中的第/>个数据点，/>表示当前样本数据点/>的前一个样本数据点，也就是在当前数据序列中从第/>个数据点到第/>个数据点，/>表示当前样本数据点/>的下一个样本数据点，也就是在当前数据序列中从第/>个数据点到第/>个数据点。
结合第一方面，在一些可选的实施方式中，所述基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理步骤，操作如下：
将每个样本数据点的贡献值投影到主成分空间中，构成投影矩阵P；
计算投影矩阵P的转置和/>的逆，得到逆变换矩阵/>；
进行数据还原得到去噪后的数据，计算公式如下：
其中，表示还原后的数据矩阵，/> 是投影后的数据矩阵，即每个数据点主成分上的投影值组成的矩阵。
结合第一方面，在一些可选的实施方式中，所述根据去噪后的原始数据的数据区间的变化获得异常震动信号，操作如下：
对去噪后的数据集进行区间划分，从数据曲线的最左侧开始，去除第一个极值点，从第二个极值点开始，以两个极值点为一个数据区间进行数据划分，划分的数据点为两个极值点的中值点位置；
根据数据区间的变化获得异常数据点，计算公式如下：
其中，表示在震动信号数据序列中第/>点为异常数据点的可能程度，/>表示第点所在数据区间中的极大值点，/>表示下一个数据区间中的极大值点，/>表示第/>点所在数据区间中的极小值点，/>表示下一个数据区间中的极小值点，/>表示两个数据区间极大值点的差值，/>表示两个数据区间中极小值点的差值；
判断异常数据点是否满足第二经验阈值，满足则表示该点出现了异常。
第二方面，本发明提供了一种机机车车辆配件生产在线监测系统，包括：
数据获取模块，用于接收机车车辆配件生产过程中的震动数据，并对所述震动数据进行预处理获得原始数据集；
第一数据处理模块，用于基于原始数据选取数据点样本，对数据点样本集进行主成分分析，计算出主成分向量以及根据邻域数据点的变化获得对应的贡献值；
第二数据处理模块，用于基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理；
异常检测模块，用于根据去噪后的数据的数据区间的变化获得异常震动信号。
第三方面，本发明提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器加载并执行以实现上述的机车车辆配件生产在线监测方法。
第四方面，本发明还提供了一种计算机可读存储介质，所述可读存储介质中包含有至少一段计算机程序，所述至少一段计算机程序被设置为运行时执行以实现上述的机车车辆配件生产在线监测方法
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面的相关描述，在此不在赘述。
附图说明
图1是本发明的机车车辆配件生产在线监测方法的流程图；
图2是本发明的机机车车辆配件生产在线监测系统的结构示意图；
图3是本发明的震动信号时域波形图；
其中，机机车车辆配件生产在线监测系统200、数据获取模块210、第一数据处理模块220、第二数据处理模块230、异常检测模块240。
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。基于本申请中的实施例，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，都属于本申请保护的范围。
除非上下文另有规定，否则术语“包含”，“具有”和“包括”是同义词。短语“A/B”表示“A或B”，短语“A和/或B”表示“（A和B）或者（A或B）”。
本文中的说明书和权利要求书中的术语“第一”和“第二”等是用于区别不同的对象，而不是用于描述对象的特定顺序。在本申请实施例的描述中，除非另有说明，“多个”的含义是指两个或两个以上，例如，多个处理单元是指两个或者两个以上的处理单元等，多个元件是指两个或者两个以上的元件等。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具有优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
如本文所使用的，术语“模块或单元”可以指或者包括专用集成电路（ASIC）、电子电路、执行一个或多个软件或固件程序的处理器（共享的、专用的或组）和/或存储器（共享的、专用的或组）、组合逻辑电路、和/或提供所描述的功能的其他合适的组件，或者可以是专用集成电路（ASIC）、电子电路、执行一个或多个软件或固定程序的处理器（共享的、专用的或组）、组合逻辑电路、和/或提供所描述的功能的其他合适的组件的一部分。
为便于理解本申请实施例，以下对本申请实施例的部分用于进行解释说明，以便于本领域技术人员理解。
本申请所针对的场景为：机车车辆配件在生产的过程中因为机器的高频震动，容易导致工件加工精度降低，表面质量下降，更严重的甚至会导致零件疲劳损伤、毛刺等质量问题的出现，在严重的情况下，甚至可能导致产品的退化。通过采集震动信号，可以进行瞬时状态判定和故障诊断，优化机车车辆的性能和安全性能，保障行驶中的乘车安全和旅客的安全出行。可以通过传感器采集配件生产过程中的振动信号数据，并进行实时分析和处理。系统可以设置预警机制，当监测数据异常时，可以及时通知相关人员进行处理，从而保证生产过程的稳定性和产品质量的可控性。本申请对机车车辆配件生产过程中产生的震动信号进行分析，获得震动信号中存在异常的数据，然后根据异常数据来判断配件生产过程中的异常情况。
请参照图1，本申请实施例提供了一种机车车辆配件生产在线监测方法，包括以下步骤：
步骤110，接收机车车辆配件生产过程中的震动数据，并对所述震动数据进行预处理获得原始数据。本申请的主要目的是为了对机车车辆配件生产过程中产生的震动信号进行分析，因此首先需要采集机车车辆配件生产过程中产生的震动信号。在采集信号时，使用震动信号采集器获得加工机器的震动信号。另外，因为在采集震动数据时，可能会因为机器的震动频率出现异常导致某个数据点缺失，因此需要对缺失的数据点进行补全预处理，本实施例采用常规的数据插值算法对接收获得的震动数据进行处理。此处的数据插值算法为现有常规技术，在此不再进行赘述。
步骤120，基于原始数据选取数据点样本，对数据点样本集进行主成分分析，计算出主成分向量以及根据邻域数据点的变化获得对应的贡献值。在通过主成分分析算法进行数据分析时，因为采集的是实时数据，数据量比较大，如果直接对所有数据进行分析会导致算法的计算量特别大，因此为了减小计算量，通过分析数据点之间的变化来选取一定数据量的样本数据点，然后根据选取的样本数据点来对所有数据点间分析，获得可能的噪声数据点，将噪声数据点去除，进而检测异常的震动数据。
不同数据点的主成分向量即表示该点对整个主成分的影响程度，根据每个样本数据点的变化来反映当前数据点所在的邻域区间的数据特征，然后再根据邻域数据点的变化，来获得每个样本数据点对应的对主成分的贡献值。
通过样本数据点所在的邻域数据点来计算该样本数据点在主成分空间中的贡献值，能够有效的避免因为局部数据变化程度较大引起的样本数据的异常，从而导致的该样本数据点在主成分空间中的异常程度较大。因此通过比较样本数据点与其邻域数据点中的数据的变化来对主成分空间中的样本数据贡献值进行纠正，进而根据样本数据来获得噪声的影响程度时，能够达到不损失有用的数据信息，对噪声有很好的滤波效果的目的。
步骤130，基于样本数据点对主成分的贡献值构建主成分空间，并进行去噪处理。通过步骤2的计算得到的每个样本数据点在主成分空间中的贡献值，然后根据每个样本数据点的贡献值构将其投影到主成分空间中，构成投影矩阵，但是该投影矩阵不是正交矩阵，需要通过转置和逆等相关计算，再对数据进行还原，才能得到去噪后的数据。
步骤140，根据去噪后的数据的数据区间的变化获得异常震动信号。因为车辆配件加工时机器的异常震动会导致信号数据在某一区间上的振幅异常，因此根据信号数据的变化来判断震动信号数据是否存在异常。
在上述的实施例方式中，在通过主成分分析算法震动信号数据进行去噪时，因为数据量比较大，如果直接对所有数据进行分析会导致算法的计算量特别大，因此本申请通过选取信号数据中的样本数据点，对数据点样本集进行主成分分析，计算出主成分向量和根据邻域数据点的变化获得对应的贡献值，能够有效的避免因为局部数据变化程度较大引起的样本数据的异常，从而导致的该样本数据点在主成分空间中的异常程度较大，进而根据样本数据来获得噪声的影响程度时，能够达到不损失有用的数据信息，对噪声有很好的滤波效果的目的。然后再根据去噪后的数据变化获得异常数据点，进而能够获得在机车车辆配件加工中机器产生的异常震动信号，避免因为机器的震动导致生产出来的产品不合格。本申请的上述技术方案对数据集中的噪声和异常值进行剔除，能够较为准确地是被数据的主要变化，进而较为准确的识别出机车车辆配件加工中机器产生的异常震动信号。
下面将对机车车辆配件生产在线监测方法的各步骤进行详细阐述，如下：
在步骤110中，本申请的主要目的是为了对机车车辆配件生产过程中产生的震动信号进行分析，因此首先需要采集机车车辆配件生产过程中产生的震动信号。在采集信号时，使用震动信号采集器获得车辆配件加工机器的震动信号，并进行预处理得到原始数据。本实施例使用KS76C10震动信号采集器，该采集器质量可靠，性能优越。图3为采集获得的震动信号时域波形图。因为在采集震动数据时，可能会因为机器的震动频率出现异常导致某个数据点缺失，因此需要对震动信号缺失的数据点进行补全预处理，本实施例采用常规的数据插值算法对接收获得的震动数据进行处理。此处的数据插值算法为现有常规技术，在此不再进行赘述。
后续步骤中，选取数据点样本，对数据点样本进行主成分分析，计算出主成分向量以及对应的贡献值。使用这些主成分向量来计算原始数据集的得分，得到一个“小样本”主成分空间，对于在小样本上的异常点，将其投影到原始主成分空间中，并进行异常检测，获得异常震动信号。具体如下：
在步骤120中，应先选取数据点样本。在通过主成分分析算法进行数据分析时，因为采集的是实时数据，数据量比较大，如果直接对所有数据进行分析会导致算法的计算量特别大，因此为了减小计算量，通过分析数据点之间的变化来选取一定数据量的样本数据点，然后根据选取的样本数据点来对所有数据点间分析，获得可能的噪声数据点，将噪声数据点去除，进而检测异常的震动数据。
因为在采集配件加工机器的震动信号时，信号数据中所包含的噪声为高频噪声，而异常的震动信号相对于高频噪声其频率的变化较小，因此在选取样本数据点时，根据数据点幅值的变化来选取合适的样本数据点。因此首先对数据整个数据区间进行分割，因为信号波形的变化是往复时的波动，那么在对数据分割时，以每个波的最低点作为数据的分割点，然后判断每一个波形数据的变化幅值，将波动程度大的数据点作为样本数据点，其计算公式如下：
式中，表示第/>个分割波形的数据异常值，/>表示第/>个分割波形的最大幅值，表示第/>个分割波形的最小幅值，/>表示第/>个分割波形的下一个波形的最大幅值, />表示第/>个分割波形的下一个波形的最小幅值, />表示第/>个分割波形中最大幅值与最小幅值的变化，其差值越大，说明该处的数据异常程度越大，表示其受到噪声影响的可能程度越大，/>表示与第/>个分割波形相邻的下一个波形的幅值变化。用第/>个分割波形幅值的变化减去下一个波形变化表示当前波形的异常，若是因为加工机器震动产生的震动信号其在时域上时连续的，而噪声点是随机的，因此根据连续波形的变化来进行判断是为了避免将震动信号当作噪声去除，其差值较大说明该点可能是噪声数据点，若差值较小，则说明其可能为正常数据点或震动数据点。
根据上述获得的每个波段内的数据异常值，当时，说明该波段的数据异常程度较大，那么将该波段中的最大幅值点作为该波段的特征点，然后对所有的波段进行判断，由满足第一经验阈值的数据点构成样本数据点集合/>。上述阈值为经验阈值，是根据本申请的实时环境设定的，实施者可根据不同的情况自行设定。
然后，对数据点样本集进行主成分分析，计算出主成分向量以及对应的贡献值。根据上述获得的数据点样本集合对其进行主成分分析，因为所获得的数据点样本是震动信号中幅值波动程度较大的点，其数据点之间在时序上是不连续的，而震动信号进行去噪时，根据单个数据点是无法反映数据点之间的相关性的，因为震动信号也会导致局部数据点出现异常，那么对其进行主成分分析时，还需要根据每个样本数据点的邻域数据之间的变化，来计算每个样本数据点的贡献度，从而来确定哪些是噪声引起的数据点的异常，哪些是因为震动信号异常引起的数据点的异常。
首先对获得的样本数据点进行主成分分析，获得每个样本数据点的主成分向量，以及样本数据点的主成分方向，对于每个数据点，将它投影到主成分上，计算它们在每个主成分上的投影值。因为不同数据点的主成分向量即表示该点对整个主成分的影响程度，并且根据每个样本数据点的变化来反映当前数据点所在的邻域区间的数据特征，然后再根据邻域数据点的变化，来获得每个样本数据点的贡献度。因此首先计算每个样本数据点相对于主成分的影响程度，其计算公式如下：
式中，表示第/>个数据点在第/>个主成分上的影响程度，/>是原始数据矩阵中第行的向量，/>是第/>个主成分的特征向量，/>表示第/>个数据点的特征向量的方向，/>表示主成分方向。/>表示第/>个数据点在第/>个主成分上的投影值，在这里用用原始数据矩阵和特征向量的点积来计算；/>表示第/>个数据的特征向量的方向相对于主成分方向的偏移程度，其偏移程度越大，说明该数据点在原始数据矩阵中的异常程度越大。
根据上述计算得到的每个样本数据点在主成分中的影响程度，然后再根据每个样本数据点所在的邻域数据点的变化来获得该样本数据的对主成分的贡献值。在获得样本数据点的邻域数据时，从当前数据点的前一个样本数据点开始到下一个样本数据点结束，其表示式为：
式中，表示第/>个样本数据点，也就是数据序列中的第/>个数据点，/>表示当前样本数据点/>的前一个样本数据点，也就是在当前数据序列中从第/>个数据点到第/>个数据点，/>表示当前样本数据点/>的下一个样本数据点，也就是在当前数据序列中从第/>个数据点到第/>个数据点，然后分析该数据段内的数据变化，获得当前数据点在主成分空间中的贡献值。在计算第/>个样本数据的贡献值时，需要获得该数据区间内的波形变化的极大值与极小值，然后根据极值点的变化与数据区间的变化会的当前数据点的贡献值，其计算公式如下：
式中，表示在第/>个样本数据的贡献值，/>表示第/>个样本数据在原始数据中的幅值，/>表示样本数据所处的邻域数据区间内第/>个极值点的幅值，/>表示连续两个极大值数据点的时宽，/>第/>个数据点在第/>个主成分上的影响程度，/>表示极大值点的数量，/>表示极小值的数量。
表示第/>个样本数据点与其所在的邻域数据内的第/>个极大值的差值，表示第/>个样本数据点与第/>个极大值的差值在整个数据邻域区间的占比，表示第/>个样本数据点与其所在的邻域数据内的第/>个极小值的差值，表示第/>个样本数据点与第/>个极小值的差值在整个数据邻域区间的占比，其表示整个邻域数据区间内数据变化幅度，因为在对数据进行去噪时，数据幅值的变化程度越大，说明其受到噪声的影响程度越大，那么根据邻域数据区间内的幅值变化来判断当前数据区间的异常，若数据的波动程度越大，说明第/>个样本数据点在进行主成分分析时其贡献权重越大，那么在进行数据去噪时，该样本数据点的所在的邻域区间其所占的权重越大。乘以数据的时宽/>其目的是为了表示数据点在时域上的变化程度，因为在数据变化中不同的时宽表示数据的变化规律不同，若某一点的数据其幅值变化程度较大，并且其频率越大，则说明在该数据区间内的数据变化程度越大，则其受到噪声的影响可能程度越大。乘以/>是因为在进行主成分分析时，当前样本数据点在主成分空间中的贡献值的大小取决于当前样本数据点的值，但是在通过主成分分析进行去噪时，样本数据点的异常值较大，并不表示其就是噪声的影响较大，因此根据每个样本数据点所在的邻域数据变化来对样本数据点在主成分空间中的贡献值进行纠正，使得每个样本数据点能够准确的反映信号数据变化情况。
在步骤130中，通过上述计算得到的每个样本数据点在主成分空间中的贡献值，然后根据每个样本数据点的贡献值构将其投影到主成分空间中，构成投影矩阵，根据先验知识，由于投影矩阵 P 不是正交矩阵，不能直接使用 P 的逆来实现还原操作。可以通过计算投影矩阵的转置和/>的逆，得到逆变换矩阵/>，然后对数据进行还原，其计算公式如下：
式中，表示还原后的数据矩阵，/> 是投影后的数据矩阵，即每个数据点主成分上的投影值组成的矩阵，还原后的数据即是去噪后的数据。
在步骤140中，通过上述获得去噪后的震动信号数据，然后根据去噪后的震动信号来获取异常数据区间，因为车辆配件加工时机器的异常震动会导致信号数据在某一区间上的振幅异常，因此根据信号数据的变化来判断震动信号数据是否存在异常。首先需要对原始信号数据进行区间划分，获取信号数据的极大值与极小值点，因为每一个幅值变化区间内包含一个极大值点和一个极小值点，因此从数据曲线的最左侧开始，去除第一个极值点，从第二个极值点来说，以两个极值点为一个数据区间进行数据划分，划分的数据点为两个极值点的中值点位置。例如：第一个数据区间为第二个极值点和第三个极值点，其起始分割点为第一个极值点和第二个极值点的中值点，结束分割点为第二个极值点和第三个极值点的中值点。然后根据数据区间的变化获得异常数据点，其计算公式如下：
式中，表示在震动信号数据序列中第/>点为异常数据点的可能程度，/>表示第点所在数据区间中的极大值点，/>表示下一个数据区间中的极大值点，/>表示第/>点所在数据区间中的极小值点，/>表示下一个数据区间中的极小值点。/>表示两个数据区间极大值点的差值，/>表示两个数据区间中极小值点的差值。因为存在异常数据时，数据的幅值会发生变化，因此根据连续两个数据区间的幅值变化来判断在那个数据点发生了信号的异常，判断异常数据点/>是否满足第二经验阈值，若/>则表示该点数据出现了异常，第二经验阈值实施者可根据不同的实时情况自行设定。
请参照图2，本申请还提供一种机机车车辆配件生产在线监测系统200，机机车车辆配件生产在线监测系统200包括至少一个可以软件或固件(Firmware)的形式存储于存储模块中或固化在电子设备中的操作系统(Operating System，OS)中的软件功能模块。
机机车车辆配件生产在线监测系统200，包括：
数据获取模块210，用于接收机车车辆配件生产过程中的震动数据，并对所述震动数据进行预处理获得原始数据集；
第一数据处理模块220，用于基于原始数据选取数据点样本，对数据点样本集进行主成分分析，计算出主成分向量以及根据邻域数据点的变化获得对应的贡献值；
第二数据处理模块230，用于基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理；
异常检测模块240，用于根据去噪后的数据的数据区间的变化获得异常震动信号。
需要说明的是，数据获取模块210、第一数据处理模块220、第二数据处理模块230、异常检测模块240对应于上述机车车辆配件生产在线监测方法实施例中的步骤110至步骤140，三个模块与对应的步骤所实现的示例和应用场景相同，但不限于上述机车车辆配件生产在线监测方法实施例所公开的内容，并且机机车车辆配件生产在线监测系统200中的上述各模块和其它操作和/或功能分别为了实现方法的相应流程，为了简洁，在此不再赘述。
本申请还公开了一种电子设备，所述电子设备包括处理器和存储器，所述存储器存储有至少一段程序，所述至少一段程序由所述处理器加载并执行以实现上述的机车车辆配件生产在线监测方法。上述电子设备还可以设置预警装置，该预警装置可以是蜂鸣器等类似于可以提醒生产加工异常的装置，用于警报提醒车辆配件生产异常。
可以理解的是，电子设备为了实现上述功能，其包含了执行各个功能相应的硬件和/或软件模块。结合本申请中所公开的实施例描述的各示例的算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以结合实施例对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
本申请还公开了一种计算机可读存储介质，所述可读存储介质中包含有至少一段计算机程序，所述至少一段计算机程序被设置为运行时执行以实现上述的机车车辆配件生产在线监测方法。
以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (5)
1.一种机车车辆配件生产在线监测方法，其特征在于，包括以下步骤：
接收机车车辆配件生产过程中的震动数据，并对所述震动数据进行预处理获得原始数据；
基于原始数据选取数据点样本，对数据点样本集进行主成分分析，计算出主成分向量以及根据邻域数据点的变化获得对应的贡献值；
基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理；
根据去噪后的数据的数据区间的变化获得异常震动信号；
所述对数据点样本集进行主成分分析，计算出主成分向量以及对应的贡献度步骤，操作如下：
计算每个样本数据点相对于主成分的影响程度，计算公式如下：
其中，表示第/>个数据点在第/>个主成分上的影响程度，/>是原始数据矩阵中第/>行的向量，/>是第/>个主成分的特征向量，/>表示第/>个数据点的特征向量的方向，/>表示主成分方向，/>表示第/>个数据点在第/>个主成分上的投影值，/>表示第/>个数据的特征向量的方向相对于主成分方向的偏移程度；
获取样本数据点所在的邻域数据；
根据每个样本数据点所在的邻域数据点的变化获得对应样本数据点的对主成分的贡献值，计算公式如下：
其中，表示在第/>个样本数据的贡献值，/>表示第/>个样本数据在原始数据中的幅值，表示样本数据所处的邻域数据区间内第/>个极值点的幅值，/>表示连续两个极大值数据点的时宽，/>表示第/>个数据点在第/>个主成分上的影响程度，/>表示极大值点的数量，/>表示极小值的数量；
所述样本数据点的邻域数据表示如下：
其中，表示第/>个样本数据点，也就是数据序列中的第/>个数据点，/>表示当前样本数据点/>的前一个样本数据点，也就是在当前数据序列中从第/>个数据点到第/>个数据点，/>表示当前样本数据点/>的下一个样本数据点，也就是在当前数据序列中从第/>个数据点到第/>个数据点；
所述基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理步骤，操作如下：
将每个样本数据点的贡献值投影到主成分空间中，构成投影矩阵P；
计算投影矩阵P的转置和/>的逆，得到逆变换矩阵/>；
进行数据还原得到去噪后的数据，计算公式如下：
其中，表示还原后的数据矩阵，/> 是投影后的数据矩阵，即每个数据点主成分上的投影值组成的矩阵。
2.根据权利要求1所述的一种机车车辆配件生产在线监测方法，其特征在于，所述基于原始数据选取数据点样本的操作如下：
以每个信号波形的最低点作为数据的分割点对原始数据集进行分割获得若干数据点；
判断每个信号波形数据的变化幅值，将波动程度大的数据点作为样本数据点，从而构成数据点样本。
3.根据权利要求2所述的一种机车车辆配件生产在线监测方法，其特征在于，所述判断每个信号波形数据的变化幅值，将波动程度大的数据点作为小样本数据点，从而构成数据点样本步骤，操作如下：
按照如下计算公式获取第个分割波形的数据异常值/>：
其中，表示第/>个分割波形的最大幅值，/>表示第/>个分割波形的最小幅值，表示第/>个分割波形的下一个波形的最大幅值， />表示第/>个分割波形的下一个波形的最小幅值， />表示第/>个分割波形中最大幅值与最小幅值的变化；
判断数据异常值是否满足第一经验阈值，由满足第一经验阈值的数据点构成数据点样本集/>。
4.根据权利要求1所述的一种机车车辆配件生产在线监测方法，其特征在于，所述根据去噪后的数据的数据区间的变化获得异常震动信号，操作如下：
对去噪后的原始数据集进行区间划分，从数据曲线的最左侧开始，去除第一个极值点，从第二个极值点开始，以两个极值点为一个数据区间进行数据划分，划分的数据点为两个极值点的中值点位置；
根据数据区间的变化获得异常数据点，计算公式如下：
其中，表示在震动信号数据序列中第/>点为异常数据点的可能程度，/>表示第/>点所在数据区间中的极大值点，/>表示下一个数据区间中的极大值点，/>表示第/>点所在数据区间中的极小值点，/>表示下一个数据区间中的极小值点，/>表示两个数据区间极大值点的差值，/>表示两个数据区间中极小值点的差值；
判断异常数据点是否满足第二经验阈值，满足则表示该点出现了异常。
5.一种机车车辆配件生产在线监测系统，其特征在于，包括：
数据获取模块，用于接收机车车辆配件生产过程中的震动数据，并对所述震动数据进行预处理获得原始数据集；
第一数据处理模块，用于基于原始数据选取数据点样本，对数据点样本集进行主成分分析，计算出主成分向量以及根据邻域数据点的变化获得对应的贡献值；
所述对数据点样本集进行主成分分析，计算出主成分向量以及对应的贡献度步骤，操作如下：
计算每个样本数据点相对于主成分的影响程度，计算公式如下：
其中，表示第/>个数据点在第/>个主成分上的影响程度，/>是原始数据矩阵中第/>行的向量，/>是第/>个主成分的特征向量，/>表示第/>个数据点的特征向量的方向，/>表示主成分方向，/>表示第/>个数据点在第/>个主成分上的投影值，/>表示第/>个数据的特征向量的方向相对于主成分方向的偏移程度；
获取样本数据点所在的邻域数据；
根据每个样本数据点所在的邻域数据点的变化获得对应样本数据点的对主成分的贡献值，计算公式如下：
其中，表示在第/>个样本数据的贡献值，/>表示第/>个样本数据在原始数据中的幅值，表示样本数据所处的邻域数据区间内第/>个极值点的幅值，/>表示连续两个极大值数据点的时宽，/>表示第/>个数据点在第/>个主成分上的影响程度，/>表示极大值点的数量，/>表示极小值的数量；
所述样本数据点的邻域数据表示如下：
其中，表示第/>个样本数据点，也就是数据序列中的第/>个数据点，/>表示当前样本数据点/>的前一个样本数据点，也就是在当前数据序列中从第/>个数据点到第/>个数据点，/>表示当前样本数据点/>的下一个样本数据点，也就是在当前数据序列中从第/>个数据点到第/>个数据点；
第二数据处理模块，用于基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理；
所述基于样本数据点对主成分的贡献值构建主成分空间，进行去噪处理步骤，操作如下：
将每个样本数据点的贡献值投影到主成分空间中，构成投影矩阵P；
计算投影矩阵P的转置和/>的逆，得到逆变换矩阵/>；
进行数据还原得到去噪后的数据，计算公式如下：
其中，表示还原后的数据矩阵，/> 是投影后的数据矩阵，即每个数据点主成分上的投影值组成的矩阵；
异常检测模块，用于根据去噪后的数据的数据区间的变化获得异常震动信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310652045.6A CN116383754B (zh) | 2023-06-05 | 2023-06-05 | 一种机车车辆配件生产在线监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310652045.6A CN116383754B (zh) | 2023-06-05 | 2023-06-05 | 一种机车车辆配件生产在线监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116383754A CN116383754A (zh) | 2023-07-04 |
| CN116383754B true CN116383754B (zh) | 2023-08-18 |
Family
ID=86971546
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310652045.6A Active CN116383754B (zh) | 2023-06-05 | 2023-06-05 | 一种机车车辆配件生产在线监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116383754B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116773186B (zh) * | 2023-08-22 | 2023-11-07 | 浙江恒齿传动股份有限公司 | 基于多模态数据的减速机运行检测方法及系统 |
| CN117196353B (zh) * | 2023-11-07 | 2024-02-27 | 山东省济宁生态环境监测中心(山东省南四湖东平湖流域生态环境监测中心) | 基于大数据的环境污染评估与监测方法及系统 |
| CN117747040B (zh) * | 2024-02-20 | 2024-05-24 | 济南宝林信息技术有限公司 | 一种产妇产后护理状况远程监控方法及系统 |
| CN117814805B (zh) * | 2024-03-05 | 2024-06-11 | 自贡市第一人民医院 | 一种临床护理设备数据智能处理方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112463852A (zh) * | 2020-11-26 | 2021-03-09 | 华能通辽风力发电有限公司 | 一种基于机器学习的单个指标异常点自动判断系统 |
| CN113008583A (zh) * | 2020-11-10 | 2021-06-22 | 大连理工大学 | 一种旋转机械状态监测和异常自动报警的方法及装置 |
| CN114371677A (zh) * | 2022-01-05 | 2022-04-19 | 天津大学 | 基于谱半径-区间主成分分析的工业过程状态监测方法 |
| CN115587009A (zh) * | 2022-09-29 | 2023-01-10 | 济南浪潮数据技术有限公司 | 一种云平台时序数据异常检测方法、系统、设备和介质 |
| CN116223627A (zh) * | 2023-04-03 | 2023-06-06 | 株洲时代电子技术有限公司 | 一种钢轨探伤数据降噪装置 |
-
2023
- 2023-06-05 CN CN202310652045.6A patent/CN116383754B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113008583A (zh) * | 2020-11-10 | 2021-06-22 | 大连理工大学 | 一种旋转机械状态监测和异常自动报警的方法及装置 |
| CN112463852A (zh) * | 2020-11-26 | 2021-03-09 | 华能通辽风力发电有限公司 | 一种基于机器学习的单个指标异常点自动判断系统 |
| CN114371677A (zh) * | 2022-01-05 | 2022-04-19 | 天津大学 | 基于谱半径-区间主成分分析的工业过程状态监测方法 |
| CN115587009A (zh) * | 2022-09-29 | 2023-01-10 | 济南浪潮数据技术有限公司 | 一种云平台时序数据异常检测方法、系统、设备和介质 |
| CN116223627A (zh) * | 2023-04-03 | 2023-06-06 | 株洲时代电子技术有限公司 | 一种钢轨探伤数据降噪装置 |
Non-Patent Citations (1)
| Title |
|---|
| 融合主成分分析和局部邻域的平面点云去噪;陈建华;测绘通报;第5卷;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116383754A (zh) | 2023-07-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116383754B (zh) | 一种机车车辆配件生产在线监测系统及方法 | |
| US8239170B2 (en) | Complex signal decomposition and modeling | |
| CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
| EP2857917A1 (en) | State diagnosing method and state diagnosing apparatus | |
| CN117272210A (zh) | 一种建筑施工异常隐患数据检测方法及系统 | |
| Singh et al. | A review of vibration analysis techniques for rotating machines | |
| KR102461702B1 (ko) | 심전도 신호 처리 방법 | |
| CN109708877B (zh) | 基于小波模糊识别和图像分析理论的机械故障分析方法 | |
| CN109596354B (zh) | 基于自适应共振频带识别的带通滤波方法 | |
| CN103017665A (zh) | 数字散斑干涉条纹快速滤波系统 | |
| Albezzawy et al. | Early rolling bearing fault detection using a gini index guided adaptive morlet wavelet filter | |
| CN114060228B (zh) | 风力发电机组扭矩异常跳变的检测方法、装置及控制器 | |
| JP2021111034A (ja) | 異常検知プログラム、異常検知方法、および情報処理装置 | |
| CN103020907A (zh) | 基于二维集合经验模态分解的dspi条纹滤波系统 | |
| JP6221346B2 (ja) | 物体変位検知装置、及び物体変位検知方法 | |
| JP7009961B2 (ja) | 異常診断装置および異常診断方法 | |
| CN115904791B (zh) | 一种动量轮转速带跳变过程误码识别及自适应修复方法 | |
| CN118294145B (zh) | 一种轴承故障预测方法及系统 | |
| CN118260556B (zh) | 基于光学分析的智慧物联风机油品质量智能化检测方法 | |
| CN115255405B (zh) | 一种增材制造设备的智能控制方法及系统 | |
| CN118310625B (zh) | 一种机器人伺服驱动故障监测方法及系统 | |
| CN111007281B (zh) | 基于小波函数相关性的转速传感器故障诊断方法及系统 | |
| Chandra et al. | Novel gear diagnosis technique based on spectral kurtosis | |
| WO2022190795A1 (ja) | 異常検出装置及び方法 | |
| Dimitrios | Robust detection of incipient faults in rotating machinery under varying operating speed using vibration measurements and advanced statistical time series methods |
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 |