CN116432988B - 一种阀门生产工艺数据智能管理方法、介质及设备 - Google Patents
一种阀门生产工艺数据智能管理方法、介质及设备 Download PDFInfo
- Publication number
- CN116432988B CN116432988B CN202310686560.6A CN202310686560A CN116432988B CN 116432988 B CN116432988 B CN 116432988B CN 202310686560 A CN202310686560 A CN 202310686560A CN 116432988 B CN116432988 B CN 116432988B
- Authority
- CN
- China
- Prior art keywords
- grid
- sampling points
- density
- distance
- grids
- 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 64
- 238000007726 management method Methods 0.000 title claims abstract description 39
- 238000005070 sampling Methods 0.000 claims abstract description 198
- 238000009826 distribution Methods 0.000 claims abstract description 94
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000004590 computer program Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 6
- 241001048891 Jatropha curcas Species 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 23
- 238000012545 processing Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 12
- 230000007547 defect Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000013523 data management Methods 0.000 description 5
- 239000000523 sample Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000009659 non-destructive testing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 241001632422 Radiola linoides Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003466 welding Methods 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明提出了一种阀门生产工艺数据智能管理方法、介质及设备,该方法通过对采样点的网格分类结果构建网格分布密度级的信息熵以及网格分布密度,网格分布密度考虑了分类空间中可能不存在采样点的情况,从而避免不存在采样点的网格对采样点局部密度的影响,提高后续网格分类的精度;其次,该方法基于种子网格中采样点的核心相对距离构建覆盖密度距离,覆盖密度距离考虑了种子网格中采样点局部密度的大小以及距离其余种子网格中局部密度较大采样点的差异,消除了种子网格中可能存在大量漏缝组装阀门对应的采样点时区域对比的误差,提高了后续正常核心点的筛选精度,从而提高了对阀门生产工艺数据的管理效率。
Description
技术领域
本发明涉及数据处理技术领域,具体为一种阀门生产工艺数据智能管理方法、介质及设备。
背景技术
阀门是一种广泛应用于工业管道、市政给水、灌溉、船舶建造、消防系统等领域,用来控制流体流量、压力和方向的装置。通常由阀体、阀瓣、阀杆等部件组成。
阀门的生产工艺包括选材、加工、组装和质检等多个环节。在加工环节中,机械设备对材料进行切削、焊接、冲压、磨削等操作,以制作出阀门的各个零部件。组装环节则包括阀体、阀瓣、阀杆、密封件等部件的安装和调整。加工和组装这两个环节直接影响阀门质量,因此绝大多数厂家在生产过程中设置了质检流程。质检员对阀门外观进行观察对比,以检测是否存在裂纹、毛刺等表面缺陷;通过卡尺、高度计等测量工具对阀门尺寸、直径、孔径等进行测量;利用声波在阀门零部件内部的发射进行声波检测,以检测阀门内部质量问题。现有的阀门工艺检测方法存在如下不足:
1.检测准确率依赖于质检员的经验和仪器精度,存在主观因素和误差;
2.需要较长的检测时间,影响了阀门生产的效率;
3.部分表面缺陷无法通过肉眼观察或传统测量工具检测出来,如微小裂纹或毛刺等;
4.内部质量问题只能通过声波检测等非破坏性测试手段进行检测,存在检测限性。
因此,上述检测方法的准确率依赖于质检员的经验和仪器精度,并且需要较长的检测时间,从而影响了阀门生产的效率。
发明内容
为了实现上述目的,本发明公开了一种阀门生产工艺数据智能管理方法,能够能够解决阀门生产中因加工、组装等环节出现的质量问题和检测时间长、效率低的问题,提高阀门生产的质量和效率。同时,通过对阀门生产过程中的数据进行采集、分析和挖掘,能够实现对阀门生产过程的全面监控和智能管理,帮助企业实现信息化、智能化生产管理,提高企业的竞争力和盈利能力。
根据本发明的一方面,提供一种阀门生产工艺数据智能管理方法,包括以下步骤:
利用信号采集仪器采集M个组装阀门的信号,并对信号进行去噪和离散化处理,获得信号采样点;
将信号采样点进行网格分类,基于网格分类结果构建网格分布密度;根据网格分布密度确定种子网格,基于种子网格中采样点的核心相对距离构建覆盖密度距离,基于覆盖密度距离筛选出所有采样点中的核心点;
根据核心点和覆盖密度距离获取核心点对应的键值对,并利用聚类算法获取数据的分类结果。
上述阀门生产工艺数据智能管理方法还包括:信号采集仪器包括振动信号传感器、超声波探测仪、压力传感器。
上述阀门生产工艺数据智能管理方法还包括:利用信号采集仪器采集M个组装阀门的信号,并对信号进行去噪和离散化处理,获得信号采样点包括:
信号包括超声波信号、振动信号、压力信号;使用超声波信号频率的2倍的采样频率对超声波信号、振动信号、压力信号进行离散化,得到的信号采样点;信号采样点包括:离散声波信号、离散振动信号、离散压力信号。
上述阀门生产工艺数据智能管理方法还包括:将信号采样点进行网格分类,基于网格分类结果构建网格分布密度包括:构建网格分布密度L,用于表征每个网格区域内采样点的局部密度的大小,计算第i个网格的网格分布密度:
其中,是第i个网格的分布密度,N是存在采样点的网格的总数量,/>是第i个网格中的采样点数量,/>是N个网格中采样点数量与/>相等的网格的集合,/>是第i个网格中采样点在每个属性的幅值的分布反差,/>是N个网格中采样点在每个属性幅值的分布方差与/>相等的网格的集合,/>是两个集合的交集,/>是两个集合交集中网格的数量;/>是N个网格分布密度级的信息熵,计算所有网格的网格分布密度,将网格分布密度大小相等的作为同一网格分布密度级,N个网格的网格分布密度最大值、最小值分别为/>、/>,则将/>对应的网格分布密度级记为第1级,将/>对应的网格分布密度级记为第R级,/>是第r级网格分布密度级的概率,其大小等于网格分布密度级为r的网格数量与网格总数量N的比值,/>是N个网格分布密度的均值。
上述阀门生产工艺数据智能管理方法还包括:构建覆盖密度距离包括:构建覆盖密度距离C,用于表征每个种子网格中每个数据点成为非核心点的距离远近,计算种子网格i中采样点x的覆盖密度距离:
其中,是基于信息增益和网格分布密度获取采样点x、y之间的网格距离,X(G,t)是维度t的信息增益,G是所有采样点所有维度幅值的集合,/>是维度的数量,/>是两个采样点在t维度幅值上的欧氏距离;/>的采样点x的网格局部密度,/>是第i个网格中采样点的数量,y是第i个网格中第y个采样点,/>是是第i个网格中网格距离的最大值,/>是调参因子,/>是采样点x的核心相对距离,N是存在采样点的网格数量,/>、分别是第i个网格中、第b个网格中网格局部密度最大值。
上述阀门生产工艺数据智能管理方法还包括:根据网格分布密度确定种子网格包括:获取每个网格的网格分布密度,利用Otsu算法获取分割阈值,将网格分布密度大于分割阈值的网格确定为种子网格。
上述阀门生产工艺数据智能管理方法还包括:基于覆盖密度距离筛选出所有采样点中的核心点包括:将覆盖密度距离最大值记为,获取每个网格中覆盖密度距离最大值对应的采样点,将小于筛选阈值值/>的采样点剔除,将剩余采样点作为核心点。
上述阀门生产工艺数据智能管理方法还包括:根据核心点和覆盖密度距离获取核心点对应的键值对,并利用聚类算法获取数据的分类结果包括:基于核心点分别获取每个核心点的覆盖密度距离,将每个核心点和其对应覆盖密度距离组成键值对,再将键值对用于OPTICS聚类算法获取数据的有序列表决策图,以实现对阀门生产工艺数据的智能管理。
根据本发明的另一方面,提供一种计算机可读存储介质,其上存储有计算机程序,其中,计算机程序被执行时实现如上所述的任一阀门生产工艺数据智能管理方法的步骤。
根据本发明的另一方面,提供一种计算机设备,包括处理器、存储器和存储于存储器上的计算机程序,其中,处理器执行计算机程序时实现如上所述的任一阀门生产工艺数据智能管理方法的步骤。
本发明提供了一种智能化的阀门生产工艺数据管理方法,它利用信号采集仪器采集阀门组装过程中的信号,经过去噪、离散化处理、网格分类和覆盖密度距离计算、核心点筛选和聚类算法等步骤,实现对阀门生产工艺数据的智能管理。相较于传统方法,本方法有以下优点:
高效性:本方法通过采用去噪、离散化处理等技术,有效减少数据噪声和冗余,提高了采样点的准确性和稳定性。同时,利用网格分类和覆盖密度距离计算,可以更准确地描述数据点之间的聚类关系,提高聚类结果的准确性和稳定性。因此,本方法可以更快速、更准确地获取数据分类结果,提高数据处理效率。
灵活性:本方法不仅可以应用于阀门生产工艺数据的管理,而且还可以扩展应用到其他领域的工艺数据管理。因为本方法采用了基于网格分类和覆盖密度距离计算的通用数据处理方法,可以根据不同领域的需求进行优化和改进,灵活适应不同的数据特征和生产需求。
稳定性:本方法采用了网格分类和覆盖密度距离计算等技术,可以减少数据噪声和冗余,提高数据处理的稳定性。同时,核心点筛选和聚类算法的应用,能够更快速地获取数据的分类结果,进一步提高数据处理的稳定性。
可靠性:本方法采用了多项技术手段,如去噪、离散化处理、网格分类和覆盖密度距离计算等,能够更准确地描述数据点之间的聚类关系,提高数据处理的可靠性。同时,聚类算法的运用,也能够更准确地分类数据,进一步提高数据处理的可靠性。
实用性:本方法具有广泛的应用前景和推广价值,可以应用于其他领域的数据智能管理,如工业制造、物流配送等领域。这为数据管理提供了一种新的思路和方法,对于提高生产效率、降低生产成本、提高产品质量等方面都有很好的应用效果。
具体而言,本发明所提出的一种阀门生产工艺数据智能管理方法,通过对采样点的网格分类结果构建网格分布密度级的信息熵以及网格分布密度,网格分布密度考虑了分类空间中可能不存在采样点的情况,从而避免不存在采样点的网格对采样点局部密度的影响,提高后续网格分类的精度;其次,该方法基于种子网格中采样点的核心相对距离构建覆盖密度距离,覆盖密度距离考虑了种子网格中采样点局部密度的大小以及距离其余种子网格中局部密度较大采样点的差异,消除了种子网格中可能存在大量漏缝组装阀门对应的采样点时区域对比的误差,提高了后续正常核心点的筛选精度,从而提高了对阀门生产工艺数据的管理效率。
附图说明
并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例,并且与相关的文字描述一起用于解释本发明的原理。在这些附图中,类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例,而不是全部实施例。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,可以根据这些附图获得其他的附图。
图1示出了本发明的一实施例提供的一种阀门生产工艺数据智能管理方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明的一部分实施例,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。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
现有的阀门工艺检测方法存在如下不足:
1.检测准确率依赖于质检员的经验和仪器精度,存在主观因素和误差;
2.需要较长的检测时间,影响了阀门生产的效率;
3.部分表面缺陷无法通过肉眼观察或传统测量工具检测出来,如微小裂纹或毛刺等;
4.内部质量问题只能通过声波检测等非破坏性测试手段检测,存在检测的局限性。
为了解决以上的问题,本发明的实施例提出了一种采用先进的信号采集和处理技术,结合网格分类和覆盖密度距离计算方法,实现对阀门生产工艺数据的智能管理。通过聚类算法对采集的数据进行分类,实现对阀门生产过程的实时监测和控制,提高生产效率和质量稳定性,降低生产成本和人力投入。此外,本发明还具有通用性和扩展性,可以应用于其他工艺过程的数据管理。
本发明的一实施例提供了一种阀门生产工艺数据智能管理方法,具体如图1所示,包括:
S1: 利用信号采集仪器采集M个组装阀门的信号,并对所述信号进行去噪和离散化处理,获得信号采样点;
组装阀门是整个阀门生产工艺中的关键环节,一旦组装阀门过程中零部件之间出现额外的漏缝,阀门各零部件之间的组装衔接的质量影响到后续生产工艺的进行。
在本发明实施例中,将组装后的阀门作为探测对象,分别利用振动信号传感器、超声波探测仪、压力传感器采集每个组装阀门的振动信号、超声波信号、压力信号。以上三种传感器采集到的阀门振动、超声波和压力信号,可以用于检测阀门的多种性能指标,从而提高阀门质量检测的效率和准确性。具体而言,可以利用振动信号传感器检测阀门的振动情况,包括振动频率、振动幅值、振动波形等,进而判断阀门的稳定性和可靠性。超声波探测仪可以用于检测阀门内部的质量问题,如裂纹、孔洞等,从而避免了仅通过外观检测无法发现的缺陷。压力传感器可以用于检测阀门的密封性能和流量控制性能,可以测量阀门开度对应的流量和压力变化,从而判断阀门的性能是否符合要求。这些信号采集仪器的引入,可以大大提高阀门质量检测的效率和准确性,降低人工检测的依赖,减少了检测时间和人力成本,从而促进阀门生产的高效和稳定。
例如,利用超声波探测仪采集每个组装阀门各部件衔接处的超声波信号。为了消除环境噪声的影响,需要对采集的超声波信号进行去噪,在本发明的一个实施例中,利用小波去噪技术完成对采集的超声波信号的预处理,这种预处理有多重有益效果。首先,它能够有效地降噪,去除超声波信号中的杂乱噪声,提高信噪比,使后续信号处理更加准确可靠。其次,采用小波去噪技术可以更好地保留信号的主要信息,避免了其他传统去噪方法中常见的信号失真问题。此外,小波去噪技术还能够根据不同的信号特征进行调整,因此对于复杂信号的去噪效果更好,提高了信号的分析、处理和识别能力。最后,采用小波去噪技术可以大大缩短信号处理时间,提高信号处理效率,使得超声波信号的预处理更加自动化、高效化。
由于组装阀门过程中的环境噪声干扰较大,且漏缝所产生的超声波信号是相对微弱的,本发明利用功率放大器对去噪后的超声波信号进行放大。进一步地,将预处理后的超声波信号离散化,本发明的实施例采用大小为超声波信号频率的2倍的采样信号,将离散化的超声波信号记为离散声波信号,将每个组装阀门超声波信号离散后采样点的数量记为N。将组装阀门的振动信号和压力信号按照同样的采样频率处理,得到各自对应的离散振动信号、离散压力信号,即每个采样点对应三个信号幅值,将采集的组装阀门的数量记为M。至此,得到M个组装阀门对应的多个离散信号。
在得到M个组装阀门对应的多个离散信号之后,可以使用机器学习算法对这些信号进行训练和分析,以便更准确地检测阀门的质量问题。针对每个组装阀门的三个离散信号,可以将它们组合成一个三维向量,形成训练数据集。可以使用各种机器学习算法,如支持向量机、决策树、神经网络等,对这些向量进行训练和分类,以检测阀门是否存在质量问题,如裂纹、毛刺等表面缺陷,或阀门内部质量问题,如阀门漏气、压力不稳定等。
利用机器学习算法对离散信号进行分析,可以提高检测的准确性,并且能够自动化地进行检测,从而大大提高阀门生产的效率。与传统的质检方法相比,这种技术方案可以更快速、更准确地检测阀门的质量问题,并且能够有效降低人为误差,提高阀门生产的整体质量水平。
S2: 将所述信号采样点进行网格分类,基于所述网格分类结果构建网格分布密度;根据网格分布密度确定种子网格,基于所述种子网格中采样点的核心相对距离构建覆盖密度距离,基于所述覆盖密度距离筛选出所有采样点中的核心点;
漏缝是在阀门加工后的零部件组装过程中产生的,可能发生在组装阀门的不同位置,即内部漏缝的位置并不是固定的,因此超声波反射结果也是不同的,对应采样点的幅值会在一个范围内波动。除此之外,当漏缝距离一定时,离散信号的幅值会因为漏缝区域的大小不同而存在差异。例如,在两个组装阀门中的漏缝是相同零部件造成的,即两个漏缝在组装阀门中的位置相同,漏缝区域大的超声波信号幅值的峰值会小于漏缝区域较小的超声波信号幅值的峰值。如果漏缝区域的大小不变,那么随着漏缝深度的增大,对应采样点的幅值也会增大。
在本发明实施例中,利用CLIQUE网格聚类算法将M个组装阀门的采样点划分到不同的网格中,CLIQUE网格聚类算法是一种高效的数据聚类算法,能够将数据点划分到不同的网格中。在本发明实施例中,本发明实施例子利用CLIQUE网格聚类算法将M个组装阀门的离散信号采样点划分到不同的网格中。为了保证聚类的准确性和效率,本发明实施例设置每个维度中单元格数量为7,密度阈值为0.5。随着维度的增加,采样点逐渐会被划分到各个网格中,这是因为不同采样点在三个维度的幅值大小不同,因此如果一个网格中采样点的数量越多,说明这个网格中采样点每个属性的值都是非常接近的,这个网格中采样点的局部密度越大,将网格总数量记为N,其中第1个网格是指空间中位置坐标为(1,1,1)的网格。网格中的采样点的数量越小,说明这个网格中采样点的局部密度越低,越有可能对应组装阀门内漏缝区域,网格中的采样点的数量越多,说明这个网格中采样点的局部密度越大,越有可能对应组装阀门内正常区域。
基于上述分析,此处构建网格分布密度L,用于表征每个网格区域内采样点的局部密度的大小,计算第i个网格的网格分布密度:
式中,是第i个网格的分布密度,N是存在采样点的网格的总数量,/>是第i个网格中的采样点数量,/>是N个网格中采样点数量与/>相等的网格的集合,/>是第i个网格中采样点在第j个属性的幅值的分布反差,/>是N个网格中采样点在第j个属性幅值的分布方差与/>相等的网格的集合,/>是两个集合的交集,/>是两个集合交集中网格的数量,/>的值越大,第i个网格中采样点的分布密度越靠近正常采样点得到分布密度。
H是N个网格分布密度级的信息熵,计算所有网格的网格分布密度,将网格分布密度大小相等的作为同一网格分布密度级,例如,N个网格的网格分布密度最大值、最小值分别为、/>,则将/>对应的网格分布密度级记为第1级,将/>对应的网格分布密度级记为第R级,/>是第r级网格分布密度级的概率,其大小等于网格分布密度级为r的网格数量与网格总数量N的比值。
是N个网格分布密度的均值。
网格分布密度反映了每个网格区域内采样点的局部密度的大小。存在采样点的网格中与第i个网格中采样点数量相等的网格越多,与采样点的分布越相似,的值越大,即/>的值越大,第i个网格中采样点的分布密度越靠近正常采样点得到分布密度;第i个网格的网格分布密度相较于网格分布密度均值越大,即/>的值越大,第i个网格内的采样点越有可能是分类后分布密度较大的正常采样点,即/>的值越大,第i个网格内采样点的局部密度均值越大,越有可能是正常采样点聚集的网格。传统的网格分类方法通常只考虑网格内采样点的数量,而忽略了网格分布密度的变化情况。本发明实施例通过构建网格分布密度级的信息熵和网格分布密度来考虑网格分布密度的变化,能够更加准确地反映出分类结果的分布情况,从而更加准确地反映出分类结果的分布情况,提高了网格分类的精度。这种分类模型不仅考虑了分类空间中可能网格中不存在采样点的情况,避免了不存在采样点的网格对采样点局部密度的影响,还可以提高对阀门生产工艺数据的管理效率。
通过该算法的运算,可以得到每个网格内部的密度,并据此确定种子网格。通过获取每个网格的网格分布密度,再利用Otsu算法获取分割阈值,将网格分布密度大于分割阈值的网格记为种子网格,将网格分布密度小于分割阈值的网格记为边缘网格,在本发明实施例中,采用Otsu算法具有以下有益效果:首先,Otsu算法是一种基于直方图的自适应阈值分割方法,可以根据图像本身的特性来确定最佳的阈值,具有较高的分割精度;其次,Otsu算法通过将网格分布密度大于分割阈值的网格记为种子网格,可以将高密度的采样点集中在一起,从而提高数据的对比度,便于后续的分析和处理;最后,Otsu算法对噪声和图像亮度的变化具有一定的鲁棒性,可以处理一些复杂的图像分割问题,适用于实际工程应用。
至此,得到采集数据对应的边缘网格和种子网格。综上所述,通过使用CLIQUE网格聚类算法和Otsu算法,可以对M个组装阀门的采样点进行网格分类,并根据网格分布密度确定种子网格。这样可以有效地对大量的离散信号进行分类和分析,从而快速准确地识别故障或异常。同时,通过使用Otsu算法获取分割阈值,可以自动化地进行网格分类,提高了分类效率,减少了人为误差的可能性。
然后,本发明实施例中,基于种子网格中采样点的核心相对距离构建覆盖密度距离,并根据所得的覆盖密度距离筛选出所有采样点中的核心点。
每个采样点包含离散振动信号、离散压力信号、离散声波信号,如果采样点对应的是出现漏缝的组装阀门,那么采样点的三个离散信号的幅值都会与正常采样点出现一定差异,但是由于漏缝的深度、大小等不同,三种离散信号幅值的波动程度可能是不一样的,因此在计算两个采样点之间的距离时,应该考虑赋予每个离散信号不同的权重,使得两个采样点之间的距离更符合漏缝的实际情况。
分别利用信息增益算法获取每个维度对应的信息增益,信息增益越大,说明利用该维度分割采样点的准确性越高,该维度对于度量两个采样点的权重应该越大,信息增益算法为公知技术,具体过程不再赘述。因此基于信息增益和网格分布密度获取采样点x、y之间的网格距离:
式中,X(G,t)是维度t的信息增益,G是所有采样点所有维度幅值的集合,是维度的数量,本发明中,/>的大小取经验值3,/>是两个采样点在t维度幅值上的欧氏距离。
如果采样点是一个正常采样点,那么它与其余采样点在各个维度幅值之间的差异很小,即正常采样点之间的网格距离较小,在同一网格中具有较大的密度,这些网格往往是种子网格,而边缘网格中采样点的网格距离大小不一,因为边缘网格中可能存在漏缝组装阀门对应的采样点。因此,如果种子网格中某个采样点具有较大的局部密度,且距离其余种子网格中的局部密度极大值采样点的距离较大,那么这个采样点是核心点的概率就越大,这样只从种子网格中筛选核心点将会大幅度提升后续的检测效率。
基于上述分析,此处构建覆盖密度距离C,用于表征每个种子网格中每个数据点成为非核心点的距离远近,计算种子网格i中采样点x的覆盖密度距离:
式中,的采样点x的网格局部密度,/>是第i个网格中采样点的数量,y是第i个网格中第y个采样点,/>是采样点x、y之间的网格距离,/>是第i个网格中网格距离的最大值,/>是调参因子,/>的作用是防止分母为0,/>的大小取经验值0.01。/>的值越大,采样点x到其余采样点的距离越小,采样点x位于第i个网格中采样点聚类中心区域的可能越大。
是采样点x的核心相对距离,N是存在采样点的网格数量,/>、/>分别是第i个网格中、第b个网格中网格局部密度最大值,/>的值越大,采样点x距离其所在网格中的核心点的距离越远。
覆盖密度距离反映了种子网格中每个数据点成为非核心点的距离远近。采样点x作为第i个网格中核心点的可能性越大,采样点x到其余采样点的距离越小,的值越大,/>的值越大;采样点x到第i个网格中网格局部密度最大值的差异越小,/>的值越小,采样点x距离第i个网格中核心点的距离越小,采样点x到其余网格中网格局部密度最大值的差异越大,/>的值越大,即/>的值越大,采样点x在第i个网格区域中的分布密度越大,周围存在大量与采样点x同类的采样点。覆盖密度距离考虑了种子网格中采样点局部密度的大小以及距离其余种子网格中局部密度较大采样点的差异,消除种子网格中可能存在大量漏缝组装阀门对应的采样点时区域对比的误差,提高后续正常核心点的筛选精度。
也就是说,基于种子网格中采样点的核心相对距离构建覆盖密度距离,消除了漏缝组装阀门对应的采样点时区域对比的误差,提高了后续正常核心点的筛选精度。传统的方法常常存在漏缝组装阀门对应的采样点时区域对比的误差,这会导致后续的正常核心点筛选精度下降。而本发明实施例采用了基于种子网格中采样点的核心相对距离构建覆盖密度距离的方法,消除了漏缝组装阀门对应的采样点时区域对比的误差,提高了后续正常核心点的筛选精度。这种方法不仅可以提高对阀门生产工艺数据的管理效率,还可以避免漏缝组装对采样点局部密度的影响。
在本发明实施例中,分别计算所有种子网格中每个采样点的覆盖密度距离,将覆盖密度距离最大值记为,其次获取每个网格中覆盖密度距离最大值对应的采样点,如果一个网格中存在多个覆盖密度最大值的采样点,任意选择一个即可,将小于筛选阈值的采样点剔除,将剩余采样点作为的核心点。至此,得到所有采样点中的核心点。
本发明实施例中,基于种子网格中采样点的核心相对距离构建覆盖密度距离,消除了漏缝组装阀门对应的采样点时区域对比的误差,提高了后续正常核心点的筛选精度。传统的方法常常存在漏缝组装阀门对应的采样点时区域对比的误差,这会导致后续的正常核心点筛选精度下降。而本发明实施例采用了基于种子网格中采样点的核心相对距离构建覆盖密度距离的方法,消除了漏缝组装阀门对应的采样点时区域对比的误差,提高了后续正常核心点的筛选精度。这种方法不仅可以提高对阀门生产工艺数据的管理效率,还可以避免漏缝组装对采样点局部密度的影响。
S3: 根据所述核心点和覆盖密度距离获取所述核心点对应的键值对,并利用聚类算法获取数据的分类结果。
接着,利用聚类算法对数据进行分类。具体来说,本发明实施例利用核心点和覆盖密度距离获取核心点对应的键值对,然后将这些键值对输入到聚类算法中,以获取数据的分类结果。
在本发明实施例中,基于所述核心点分别获取每个核心点的覆盖密度距离,将每个核心点和其对应覆盖密度距离组成键值对,再将所述键值对用于OPTICS聚类算法获取数据的有序列表决策图,以实现对阀门生产工艺数据的智能管理。也即,根据上述S2步骤获取核心点后,分别获取每个核心点的覆盖密度距离,将每个核心点和其对应覆盖密度距离组成的键值对作为OPTICS聚类算法中核心点对应的键值对,并将每个核心点的覆盖密度距离从小到大的排序结果OPTICS聚类算法中的核心点的可达距离升序排序结果,其次利用的OPTICS聚类算法获取采集数据对应的有序列表决策图,OPTICS聚类算法是一种基于密度的聚类算法,它可以有效地处理不规则形状和大小不一的聚类,不需要事先指定聚类数目,可以自动识别数据中的聚类结构,更加灵活;而且,可以发现任意形状的聚类,并且可以识别噪声点,减少对聚类的干扰;并且,通过生成有序列表决策图,可以直观地观察聚类结果,并进行后续分析和处理,实现对阀门生产工艺数据的智能管理。
在本发明实施例中,通过S2步骤中利用覆盖密度距离对核心点进行筛选,可以得到高质量的核心点集合,这些核心点可以用于构建OPTICS聚类算法中的键值对,而在S3步骤中,将每个核心点和其对应的覆盖密度距离组成的键值对作为OPTICS聚类算法中核心点对应的键值对,可以利用OPTICS聚类算法实现对数据的聚类,进而实现对组装阀门的采样点进行分类和分析。而将每个核心点的覆盖密度距离从小到大的排序结果作为OPTICS聚类算法中的核心点的可达距离升序排序结果,可以更加有效地进行聚类分析。同时,通过生成有序列表决策图,可以直观地观察聚类结果,提高数据分析的精度和效率,使得数据分析结果更加可靠和实用。
本发明的一实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,其中,计算机程序被执行时实现如上所述的任一阀门生产工艺数据智能管理方法的步骤。
本发明的一实施例还提供了一种计算机设备,包括处理器、存储器和存储于存储器上的计算机程序,其中,处理器执行计算机程序时实现如上所述的任一阀门生产工艺数据智能管理方法的步骤。
本发明实施例所提出了阀门生产工艺数据智能管理方法,通过对采样点的网格分类结果构建网格分布密度级的信息熵以及网格分布密度,网格分布密度考虑了分类空间中可能不存在采样点的情况,从而避免不存在采样点的网格对采样点局部密度的影响,提高后续网格分类的精度;其次,该方法基于种子网格中采样点的核心相对距离构建覆盖密度距离,覆盖密度距离考虑了种子网格中采样点局部密度的大小以及距离其余种子网格中局部密度较大采样点的差异,消除了种子网格中可能存在大量漏缝组装阀门对应的采样点时区域对比的误差,提高了后续正常核心点的筛选精度,总体而言,本发明可以提高网格分类的精度、消除漏缝组装对采样点局部密度的影响,从而提高对阀门生产工艺数据的管理效率,具有较大的实用价值。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明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,均同理包括在本发明的专利保护范围。
Claims (6)
1.一种阀门生产工艺数据智能管理方法,其特征在于,包括以下步骤:
利用信号采集仪器采集M个组装阀门的信号,并对所述信号进行去噪和离散化处理,获得信号采样点;
将所述信号采样点进行网格分类,基于所述网格分类结果构建网格分布密度;根据网格分布密度确定种子网格,基于所述种子网格中采样点的核心相对距离构建覆盖密度距离,基于所述覆盖密度距离筛选出所有采样点中的核心点;
根据所述核心点和覆盖密度距离获取所述核心点对应的键值对,并利用聚类算法获取数据的分类结果;
所述根据网格分布密度确定种子网格包括:获取每个网格的网格分布密度,利用Otsu算法获取分割阈值,将网格分布密度大于分割阈值的网格确定为种子网格;
所述基于所述覆盖密度距离筛选出所有采样点中的核心点包括:将覆盖密度距离最大值记为,获取每个网格中覆盖密度距离最大值对应的采样点,将小于筛选阈值值的采样点剔除,将剩余采样点作为所述核心点;
所述将所述信号采样点进行网格分类,基于网格分类结果构建网格分布密度包括:构建网格分布密度L,用于表征每个网格区域内采样点的局部密度的大小,计算第i个网格的网格分布密度:
其中,是第i个网格的分布密度,N是存在采样点的网格的总数量,/>是第i个网格中的采样点数量,/>是N个网格中采样点数量与/>相等的网格的集合,/>是第i个网格中采样点在每个属性的幅值的分布反差,/>是N个网格中采样点在每个属性幅值的分布方差与相等的网格的集合,/>是两个集合的交集,/>是两个集合交集中网格的数量;/>是N个网格分布密度级的信息熵,计算所有网格的网格分布密度,将网格分布密度大小相等的作为同一网格分布密度级,N个网格的网格分布密度最大值、最小值分别为/>、/>,则将/>对应的网格分布密度级记为第1级,将/>对应的网格分布密度级记为第R级,/>是第r级网格分布密度级的概率,其大小等于网格分布密度级为r的网格数量与网格总数量N的比值,/>是N个网格分布密度的均值;
所述构建覆盖密度距离包括:构建覆盖密度距离C,用于表征每个种子网格中每个数据点成为非核心点的距离远近,计算种子网格i中采样点x的覆盖密度距离:
其中,是基于信息增益和网格分布密度获取采样点x、y之间的网格距离,X(G,t)是维度t的信息增益,G是所有采样点所有维度幅值的集合,/>是维度的数量,/>是两个采样点在t维度幅值上的欧氏距离;/>的采样点x的网格局部密度,/>是第i个网格中采样点的数量,y是第i个网格中第y个采样点,/>是第i个网格中网格距离的最大值,/>是调参因子,/>是采样点x的核心相对距离,N是存在采样点的网格数量,/>、/>分别是第i个网格中、第b个网格中网格局部密度最大值。
2.根据权利要求1所述的阀门生产工艺数据智能管理方法,其特征在于:
所述信号采集仪器包括:振动信号传感器、超声波探测仪、压力传感器。
3.根据权利要求1所述的阀门生产工艺数据智能管理方法,其特征在于,
所述利用信号采集仪器采集M个组装阀门的信号,并对所述信号进行去噪和离散化处理,获得信号采样点包括:
所述信号包括超声波信号、振动信号、压力信号;
使用所述超声波信号频率的2倍的采样频率对所述超声波信号、振动信号、压力信号进行离散化,得到的信号采样点;所述信号采样点包括:离散声波信号、离散振动信号、离散压力信号。
4.根据权利要求1所述的阀门生产工艺数据智能管理方法,其特征在于,根据所述核心点和覆盖密度距离获取核心点对应的键值对,并利用聚类算法获取数据的分类结果包括:基于所述核心点分别获取每个核心点的覆盖密度距离,将每个核心点和其对应覆盖密度距离组成键值对,再将所述键值对用于OPTICS聚类算法获取数据的有序列表决策图,以实现对阀门生产工艺数据的智能管理。
5.一种计算机可读存储介质,其上存储有计算机程序,其中,所述计算机程序被执行时实现如上所述权利要求1-4中任一所述阀门生产工艺数据智能管理方法的步骤。
6.一种计算机设备,包括处理器、存储器和存储于所述存储器上的计算机程序,其中,所述处理器执行所述计算机程序时实现如上所述权利要求1-4中任一所述阀门生产工艺数据智能管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686560.6A CN116432988B (zh) | 2023-06-12 | 2023-06-12 | 一种阀门生产工艺数据智能管理方法、介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310686560.6A CN116432988B (zh) | 2023-06-12 | 2023-06-12 | 一种阀门生产工艺数据智能管理方法、介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116432988A CN116432988A (zh) | 2023-07-14 |
CN116432988B true CN116432988B (zh) | 2023-09-05 |
Family
ID=87087561
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310686560.6A Active CN116432988B (zh) | 2023-06-12 | 2023-06-12 | 一种阀门生产工艺数据智能管理方法、介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116432988B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315454B (zh) * | 2023-11-29 | 2024-03-12 | 河北中瀚水务有限公司 | 一种用于絮凝反应过程的评价方法、装置及系统 |
CN117332376B (zh) * | 2023-12-01 | 2024-02-27 | 北京航空航天大学 | 基于手机信令数据的通勤人员和方式的辨识方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2783089A1 (en) * | 2012-07-11 | 2014-01-11 | Farid Taheri | Damage detection in pipes and joint systems |
CN110363767A (zh) * | 2019-08-09 | 2019-10-22 | 中国特种设备检测研究院 | 一种轴类工件缺陷的网格化超声层析成像检测方法 |
CN111275099A (zh) * | 2020-01-17 | 2020-06-12 | 湖北工业大学 | 一种基于网格粒度计算的聚类方法及聚类系统 |
CN111695482A (zh) * | 2020-06-04 | 2020-09-22 | 华油钢管有限公司 | 一种管道缺陷识别方法 |
CN113128617A (zh) * | 2021-05-08 | 2021-07-16 | 江西理工大学 | 基于Spark和ASPSO的并行化K-means的优化方法 |
CN114693670A (zh) * | 2022-04-24 | 2022-07-01 | 西京学院 | 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI385544B (zh) * | 2009-09-01 | 2013-02-11 | Univ Nat Pingtung Sci & Tech | 基於密度式之資料分群方法 |
-
2023
- 2023-06-12 CN CN202310686560.6A patent/CN116432988B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2783089A1 (en) * | 2012-07-11 | 2014-01-11 | Farid Taheri | Damage detection in pipes and joint systems |
CN110363767A (zh) * | 2019-08-09 | 2019-10-22 | 中国特种设备检测研究院 | 一种轴类工件缺陷的网格化超声层析成像检测方法 |
CN111275099A (zh) * | 2020-01-17 | 2020-06-12 | 湖北工业大学 | 一种基于网格粒度计算的聚类方法及聚类系统 |
CN111695482A (zh) * | 2020-06-04 | 2020-09-22 | 华油钢管有限公司 | 一种管道缺陷识别方法 |
CN113128617A (zh) * | 2021-05-08 | 2021-07-16 | 江西理工大学 | 基于Spark和ASPSO的并行化K-means的优化方法 |
CN114693670A (zh) * | 2022-04-24 | 2022-07-01 | 西京学院 | 基于多尺度U-Net的直缝埋弧焊管焊缝缺陷超声检测方法 |
Non-Patent Citations (1)
Title |
---|
基于信息熵的OTSU二次分割算法;易三莉;张桂芳;陈菊;;昆明理工大学学报(自然科学版)(02);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116432988A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116432988B (zh) | 一种阀门生产工艺数据智能管理方法、介质及设备 | |
Merazi-Meksen et al. | Mathematical morphology for TOFD image analysis and automatic crack detection | |
CN110440148B (zh) | 一种漏损声信号分类识别方法、装置及系统 | |
CN112215803B (zh) | 一种基于改进生成对抗网络的铝板电涡流检测图像缺陷分割方法 | |
CN104574417B (zh) | 一种图像边缘灰度起伏性度量与自适应检测方法 | |
KR102367818B1 (ko) | 저서생태 서식지 분류를 위한 딥러닝 기반 해저퇴적물 분석시스템 | |
CN111783616B (zh) | 一种基于数据驱动自学习的无损检测方法 | |
CN116242443A (zh) | 一种超声波计量仪表的动态计量方法 | |
CN116258175A (zh) | 一种基于主动学习的焊缝缺陷智能识别模型进化方法 | |
CN115294527A (zh) | 一种基于计算机视觉的地铁隧道破损检测方法 | |
CN102621221B (zh) | 一种基于相控超声波的缺陷分类方法 | |
CN116511998B (zh) | 一种圆形刀盘的缺陷检测方法及系统 | |
CN116626685B (zh) | 基于机器学习的河道底泥实时监测方法及系统 | |
CN115106615B (zh) | 一种基于工况智能识别的焊偏实时检测方法及系统 | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
CN115880189A (zh) | 一种海底地形多波束点云滤波方法 | |
CN115963171A (zh) | 一种基于磁异常信号的金属表面及内部缺陷分类方法 | |
CN114778689A (zh) | 高密度聚乙烯管道热熔对接接头的缺陷检测及识别系统与方法 | |
CN111257422B (zh) | 基于机器视觉的轮轴缺陷识别模型构建方法和缺陷识别方法 | |
CN114563771A (zh) | 基于聚类分析的双阈值激光雷达云层检测算法 | |
CN113919396A (zh) | 一种基于半监督学习的振动信号和图像特征机床刀具磨损状态监测方法 | |
CN111652384A (zh) | 一种数据量分布的平衡方法及数据处理方法 | |
CN117214284B (zh) | 一种基于电磁感应技术的油品检测方法 | |
CN114487129B (zh) | 基于声发射技术的柔性材料的损伤识别方法 | |
CN117541832B (zh) | 异常检测方法、系统、电子设备及存储介质 |
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 |