CN116610931B - 一种飞机数控锪窝影响因素提取方法、装置、介质及设备 - Google Patents
一种飞机数控锪窝影响因素提取方法、装置、介质及设备 Download PDFInfo
- Publication number
- CN116610931B CN116610931B CN202310874238.6A CN202310874238A CN116610931B CN 116610931 B CN116610931 B CN 116610931B CN 202310874238 A CN202310874238 A CN 202310874238A CN 116610931 B CN116610931 B CN 116610931B
- Authority
- CN
- China
- Prior art keywords
- attribute
- attribute set
- target
- dependency
- decision
- 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
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 38
- 230000008859 change Effects 0.000 claims abstract description 28
- 230000015654 memory Effects 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000006073 displacement reaction Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000000717 retained effect 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种飞机数控锪窝影响因素提取方法、装置、介质及设备，涉及数控锪窝技术领域，包括：在第一属性依赖度与目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将目标属性从属性集调入目标属性集，并返回前述步骤，直至第一属性依赖度与目标属性依赖度的差值不大于属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。本申请通过计算决策数组中属性集中每一个属性和目标属性集并集的属性依赖度，并在属性依赖度变化阈值的卡控下，不断将属性依赖度最大的属性作为目标属性添加到目标属性集中，避免了漏检情况，提升影响因素提取的全面性，最终获得属性集实现对影响因素的有效提取。
Description
技术领域
本申请涉及数控锪窝技术领域，具体涉及一种飞机数控锪窝影响因素提取方法、装置、介质及设备。
背景技术
在数控制孔锪窝过程中，由于产品刚性、机床精度、刀具误差、机床震动、测量误差等因素影响，使得制孔锪窝的锪窝窝深难以精确控制，往往存在较大波动，因此需要对影响锪窝的因素进行提取，进而分析优化工艺。然后由于锪窝过程中的影响因素众多，传统的统计分析手段对影响因素的提取效果较差。
发明内容
本申请的主要目的在于提供一种飞机数控锪窝影响因素提取方法、装置、介质及设备，旨在解决现有技术中对影响数控锪窝的因素的提取效果较差的问题。
为实现上述目的，本申请的实施例采用的技术方案如下：
第一方面，本申请实施例提供一种飞机数控锪窝影响因素提取方法，包括以下步骤：
初始化目标属性集与目标属性依赖度；
根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性；其中，目标属性为第一属性依赖度对应的属性集中的属性，第一属性依赖度为属性依赖度中的最大值；
在第一属性依赖度与目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将目标属性从属性集调入目标属性集，并返回根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性的步骤，直至第一属性依赖度与目标属性依赖度的差值不大于属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。
在第一方面的一种可能实现方式中，根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性之前，飞机数控锪窝影响因素提取方法还包括：
根据飞机数控锪窝制程，获得数据样本；
根据数据样本，获得条件属性集与决策属性集；
根据条件属性集与决策属性集，获得属性集。
在第一方面的一种可能实现方式中，根据数据样本，获得条件属性集与决策属性集，包括：
根据数据样本，获得非时序属性与窝深偏差；
根据非时序属性，获得条件属性集；
根据窝深偏差，获得决策属性集。
在第一方面的一种可能实现方式中，根据数据样本，获得条件属性集与决策属性集之后，飞机数控锪窝影响因素提取方法还包括：
根据时序特征，获得时序属性集；
将时序属性集并入条件属性集，获得第一条件属性集；
根据条件属性集与决策属性集，获得属性集，包括：
根据第一条件属性集与决策属性集，获得属性集。
在第一方面的一种可能实现方式中，根据数据样本，获得条件属性集与决策属性集之后，飞机数控锪窝影响因素提取方法还包括：
根据统计特征，获得统计属性集；
将统计属性集并入条件属性集，获得第二条件属性集；
根据条件属性集与决策属性集，获得属性集，包括：
根据第二条件属性集与决策属性集，获得属性集。
在第一方面的一种可能实现方式中，根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性之前，飞机数控锪窝影响因素提取方法还包括：
根据论域、属性集、值域以及信息函数，获得决策数组。
在第一方面的一种可能实现方式中，根据论域、属性集、值域以及信息函数，获得决策数组之后，飞机数控锪窝影响因素提取方法还包括：
根据决策距离系数与决策数组，获得第一决策数组；
根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性，包括：
根据第一决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性。
第二方面，本申请实施例提供一种飞机数控锪窝影响因素提取装置，包括：
初始化模块，初始化模块用于初始化目标属性集与目标属性依赖度；
获取模块，获取模块用于根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性；其中，目标属性为第一属性依赖度对应的属性集中的属性，第一属性依赖度为属性依赖度中的最大值；
提取模块，提取模块用于在第一属性依赖度与目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将目标属性从属性集调入目标属性集，并返回根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性的步骤，直至第一属性依赖度与目标属性依赖度的差值不大于属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。
第三方面，本申请实施例提供一种计算机可读存储介质，储存有计算机程序，计算机程序被处理器加载执行时，实现如上述第一方面中任一项提供的飞机数控锪窝影响因素提取方法。
第四方面，本申请实施例提供一种电子设备，包括处理器及存储器，其中，
存储器用于存储计算机程序；
处理器用于加载执行计算机程序，以使电子设备执行如上述第一方面中任一项提供的飞机数控锪窝影响因素提取方法。
与现有技术相比，本申请的有益效果是：
本申请实施例提出的一种飞机数控锪窝影响因素提取方法、装置、介质及设备，该方法包括：初始化目标属性集与目标属性依赖度；根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性；其中，目标属性为第一属性依赖度对应的属性集中的属性，第一属性依赖度为属性依赖度中的最大值；在第一属性依赖度与目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将目标属性从属性集调入目标属性集，并返回根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性的步骤，直至第一属性依赖度与目标属性依赖度的差值不大于属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。本申请设定目标属性集来作为存放影响因素对应属性的集合，在初始化之后，通过计算决策数组中属性集中每一个属性和目标属性集并集的属性依赖度，并在属性依赖度变化阈值的卡控下，将提取注意力放在影响程度较大的特征上，不断将属性依赖度最大的属性作为目标属性添加到初始化后的目标属性集中，避免了漏检情况，提升影响因素提取的全面性，最终获得属性集实现对影响因素的有效提取。
附图说明
图1为本申请实施例涉及的硬件运行环境的电子设备结构示意图；
图2为本申请实施例提供的飞机数控锪窝影响因素提取方法的流程示意图；
图3为本申请实施例提供的飞机数控锪窝影响因素提取装置的模块示意图；
图中标记：101-处理器，102-通信总线，103-网络接口，104-用户接口，105-存储器。
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。
本申请实施例的主要解决方案是：初始化目标属性集与目标属性依赖度；根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性；其中，目标属性为第一属性依赖度对应的属性集中的属性，第一属性依赖度为属性依赖度中的最大值；在第一属性依赖度与目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将目标属性从属性集调入目标属性集，并返回根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性的步骤，直至第一属性依赖度与目标属性依赖度的差值不大于属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。
在飞机部件装配过程中，需要对飞机蒙皮、骨架等结构进行制孔锪窝，常用的制孔锪窝方法包括人工制孔锪窝、数控制孔锪窝。在数控制孔锪窝过程中，由于产品刚性、机床精度、刀具误差、机床震动、测量误差等因素影响，使得制孔锪窝的锪窝窝深难以精确控制，往往存在较大波动。因此需要对锪窝误差所产生的原因进行分析，找到主要的影响因素才能对症下药，进行设备、参数、方法等内容的优化，从而提升锪窝加工精度。然后由于锪窝过程中的影响因素众多，传统的统计分析手段对影响因素的提取效果较差，并且无法对潜在的影响因素进行识别，导致其后处理优化也并不全面。
为此，本申请提供一种解决方案，设定目标属性集来作为存放影响因素对应属性的集合，在初始化之后，通过计算决策数组中属性集中每一个属性和目标属性集并集的属性依赖度，并在属性依赖度变化阈值的卡控下，将提取注意力放在影响程度较大的特征上，不断将属性依赖度最大的属性作为目标属性添加到初始化后的目标属性集中，避免了漏检情况，提升影响因素提取的全面性，最终获得属性集实现对影响因素的有效提取。
参照附图1，附图1为本申请实施例方案涉及的硬件运行环境的电子设备结构示意图，该电子设备可以包括：处理器101，例如中央处理器（Central Processing Unit，CPU），通信总线102、用户接口104，网络接口103，存储器105。其中，通信总线102用于实现这些组件之间的连接通信。用户接口104可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口104还可以包括标准的有线接口、无线接口。网络接口103可选的可以包括标准的有线接口、无线接口（如无线保真（WIreless-FIdelity，WI-FI）接口）。存储器105可选的可以是独立于前述处理器101的存储装置，存储器105可能是高速的随机存取存储器（Random Access Memory，RAM）存储器，也可能是稳定的非易失性存储器（Non-Volatile Memory，NVM），例如至少一个磁盘存储器；处理器101可以是通用处理器，包括中央处理器、网络处理器等，还可以是数字信号处理器、专用集成电路、现场可编程门阵列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。
本领域技术人员可以理解，附图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如附图1所示，作为一种存储介质的存储器105中可以包括操作系统、网络通信模块、用户接口模块以及飞机数控锪窝影响因素提取装置。
在附图1所示的电子设备中，网络接口103主要用于与网络服务器进行数据通信；用户接口104主要用于与用户进行数据交互；本申请中的处理器101、存储器105可以设置在电子设备中，电子设备通过处理器101调用存储器105中存储的飞机数控锪窝影响因素提取装置，并执行本申请实施例提供的飞机数控锪窝影响因素提取方法。
参照附图2，基于前述实施例的硬件设备，本申请的实施例提供一种飞机数控锪窝影响因素提取方法，包括以下步骤：
S10：初始化目标属性集与目标属性依赖度。
在具体实施过程中，目标属性集为设置的储存目标属性的集合，目标属性为查找出来的对飞机数控锪窝影响较大的因素对应的属性。目标属性依赖度为最优的属性依赖度，将二者均初始化，也即目标属性集初始化为空集，目标属性依赖度初始化为零。
S20：根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性；其中，目标属性为第一属性依赖度对应的属性集中的属性，第一属性依赖度为属性依赖度中的最大值。
在具体实施过程中，决策数组为提前建立的一种决策信息系统，其中包括了论域、属性集、值域以及信息函数，也即，根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性之前，飞机数控锪窝影响因素提取方法还包括：
根据论域、属性集、值域以及信息函数，获得决策数组。
决策数组可表示为四元组形式，其中/>为非空有限的对象集，称为论域，/>是非空有限的属性集，/>，/>是条件属性集，/>是决策属性集；是决策信息系统属性的值域，/>表示属性/>的值域；/>是信息函数，表示论域中对象和属性的笛卡尔积与值域之间的映射关系，也就是。其中，条件属性集与决策属性集的获取方式如下，即：根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性之前，飞机数控锪窝影响因素提取方法还包括：
根据飞机数控锪窝制程，获得数据样本；
根据数据样本，获得条件属性集与决策属性集；
根据条件属性集与决策属性集，获得属性集。
在具体实施过程中，首先针对飞机部件制孔锪窝过程中产生的数据样本集进行定义，确定哪些特征为条件属性，哪些特征为决策属性。
锪窝过程中产生的基本数据包含设定参数、测量参数两大类，其中设定参数为数控锪窝机床加工参数的实际设值，包含：设定窝深、预补偿窝深、孔位坐标、孔位曲率、所属站位、产品编号、蒙皮图号等设定参数。测量参数为通过机床在线测量和加工完成后人工测量所得出的参数，包含：实际窝深、产品位移、主轴扭矩、压脚位移、压脚压力、孔位法矢、试刀窝深、试刀补偿等测量参数。
在一种实施例中，根据数据样本，获得条件属性集与决策属性集，包括：
根据数据样本，获得非时序属性与窝深偏差；
根据非时序属性，获得条件属性集；
根据窝深偏差，获得决策属性集。
定义决策属性集：/>，其中窝深偏差E d=实际窝深-设定窝深，依据窝深精度要求，/>单位规定为mm，并四舍五入保留至小数点后两位，将其作为决策属性。
定义条件属性集：条件属性集/>作为待提取特征的集合，首先将非时序属性纳入条件属性集中，将设定窝深、预补偿窝深、孔位坐标X、孔位坐标Y、孔位坐标Z、所属站位、产品顺序编号、蒙皮图号、孔位曲率、压脚位移、压脚压力、孔位法矢、试刀窝深等设定和实测的属性纳入条件属性集记为/>。
在实际特征提取中，采集的基本实测数据往往还包含着影响加工的潜在因素，不能直接通过实测数据观察出来，因此需要人工进行特征构建，在已有的条件属性集上进行特征的扩充。一般包含时序特征构建与统计特征构建，时序特征构建即：
根据数据样本，获得条件属性集与决策属性集之后，飞机数控锪窝影响因素提取方法还包括：
根据时序特征，获得时序属性集；
将时序属性集并入条件属性集，获得第一条件属性集。
在具体实施过程中，有些数据是在整个制孔锪窝过程中进行连续采集的，如产品位移、主轴扭矩等时序参数，每一个孔对应一段时间范围内的产品位移和主轴扭矩的变化情况，因此需要将这一段时间范围内的变化情况进行提取，然后构建为新的条件属性。将时序特征集合记为，针对每个时序特征/>，在每一个孔制锪窝时间范围内，构建采集参数的最大值、最小值、峰-峰值、均值、方差、方根幅值、峰值、脉冲、裕度、峭度、偏度，构建后的每个时序属性所构建的时序特征集合为/>，/>为时序特征个数，最终所构建的所有时序特征即时序属性集记为/>，将其并入条件属性集：，作为新的条件属性集，即第一条件属性集。
基于前述步骤，根据条件属性集与决策属性集，获得属性集，包括：
根据第一条件属性集与决策属性集，获得属性集。
统计特征构建，即：根据数据样本，获得条件属性集与决策属性集之后，飞机数控锪窝影响因素提取方法还包括：
根据统计特征，获得统计属性集；
将统计属性集并入条件属性集，获得第二条件属性集。
在具体实施过程中，在加工过程中，由于在数控程序执行过程中需要更换刀具，而刀具状态的变更也会带来一定误差，并且由于每个孔所处产品结构部位不同，孔位的局部刚性也会发生变化，因此每个孔的基准锪窝深度也会出现差异，针对这些情况，就需要人为构建统计特征，将这些额外的影响因素纳入考虑范围。将这些特征记为，对每个特征/>，构建均值、方差、峰-峰值特征，记为/>，/>为构建的特征个数，最终构建的所有统计特征记为/>，即统计属性集，将其并入条件属性集：/>作为新的条件属性集，即第二条件属性集。这些统计特征对于在同一统计分组下的对象具有相同的数值，如针对锪窝深度建立以孔位为分组条件的统计特征：窝深均值、窝深方差、窝深峰-峰值等，这些值对于具有不同产品顺序编号的相同孔位来说是一样的。
基于前述步骤，根据条件属性集与决策属性集，获得属性集，包括：
根据第二条件属性集与决策属性集，获得属性集。
在定义了决策数组之后，可以利用基于模糊粗糙集进行特征提取，根据，根据高斯核模糊粗糙集定义，/>是论域/>上的高斯核模糊等价关系，计算表达式为：
，/>为论域/>上的一个模糊子集，那么可以得出/>关于/>在/>上的下近似集隶属函数：
其中：
其中为在模糊粗糙集下近似基础上增加的决策距离系数，因为窝深偏差值存在大小关系，距离越大的决策类，表明窝深偏差越远，相应的下近似系数应该越低。
也即：根据论域、属性集、值域以及信息函数，获得决策数组之后，飞机数控锪窝影响因素提取方法还包括：
根据决策距离系数与决策数组，获得第一决策数组。
基于前述步骤，根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性，包括：
根据第一决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性。
根据已经定义好的决策信息系统及模糊粗糙集下近似隶属函数，进行模糊粗糙集属性约简。
被决策属性/>划分为等价类集合/>，那么/>在/>下的模糊正域定义为：
那么对/>的属性依赖度定义为：
其中，，/>为论域对象个数。
利用高斯核模糊粗糙集属性约简算法进行特征提取：
S30：在第一属性依赖度与目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将目标属性从属性集调入目标属性集，并返回根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性的步骤，直至第一属性依赖度与目标属性依赖度的差值不大于属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。
在具体实施过程中，以决策信息系统和属性依赖度变化阈值/>为输入，初始化目标属性集与目标属性依赖度/>，/>。对/>，计算属性依赖度/>，找到/>所对应的属性/>，如果且/>，/>，然后再将目标属性从候选的属性集中减去并加入目标属性集中，再重复上述步骤，否则算法结束。通过逐个计算、并添加每个特征的属性里依赖度的方法，不断添加依赖度最高的属性，最后得到的/>即为目标属性集，就是提取到的特征，也就是飞机部件数控锪窝的影响因素。
本实施例中，设定目标属性集来作为存放影响因素对应属性的集合，在初始化之后，通过计算决策数组中属性集中每一个属性和目标属性集并集的属性依赖度，并在属性依赖度变化阈值的卡控下，将提取注意力放在影响程度较大的特征上，不断将属性依赖度最大的属性作为目标属性添加到初始化后的目标属性集中，避免了漏检情况，提升影响因素提取的全面性，最终获得属性集实现对影响因素的有效提取。
参照附图3，基于与前述实施例中同样的发明构思，本申请实施例还提供一种飞机数控锪窝影响因素提取装置，该装置包括：
初始化模块，初始化模块用于初始化目标属性集与目标属性依赖度；
获取模块，获取模块用于根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性；其中，目标属性为第一属性依赖度对应的属性集中的属性，第一属性依赖度为属性依赖度中的最大值；
提取模块，提取模块用于在第一属性依赖度与目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将目标属性从属性集调入目标属性集，并返回根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性的步骤，直至第一属性依赖度与目标属性依赖度的差值不大于属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。
本领域技术人员应当理解，实施例中的各个模块的划分仅仅是一种逻辑功能的划分，实际应用时可以全部或部分集成到一个或多个实际载体上，且这些模块可以全部以软件通过处理单元调用的形式实现，也可以全部以硬件的形式实现，或是以软件、硬件结合的形式实现，需要说明的是，本实施例中飞机数控锪窝影响因素提取装置中各模块是与前述实施例中的飞机数控锪窝影响因素提取方法中的各步骤一一对应，因此，本实施例的具体实施方式可参照前述飞机数控锪窝影响因素提取方法的实施方式，这里不再赘述。
基于与前述实施例中同样的发明构思，本申请的实施例还提供一种计算机可读存储介质，储存有计算机程序，计算机程序被处理器加载执行时，实现如本申请实施例提供的飞机数控锪窝影响因素提取方法。
基于与前述实施例中同样的发明构思，本申请的实施例还提供一种电子设备，包括处理器及存储器，其中，
存储器用于存储计算机程序；
处理器用于加载执行计算机程序，以使电子设备执行如本申请实施例提供的飞机数控锪窝影响因素提取方法。
在一些实施例中，计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘、或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
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一个存储介质（如只读存储器/随机存取存储器、磁碟、光 盘）中，包括若干指令用以使得一台多媒体终端设备(可以是手机，计算机，电视接收机，或者网络设备等)执行本申请各个实施例所述的方法。
综上，本申请提供的一种飞机数控锪窝影响因素提取方法、装置、介质及设备，该方法包括：初始化目标属性集与目标属性依赖度；根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性；其中，目标属性为第一属性依赖度对应的属性集中的属性，第一属性依赖度为属性依赖度中的最大值；在第一属性依赖度与目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将目标属性从属性集调入目标属性集，并返回根据决策数组的属性集中的属性和目标属性集并集的属性依赖度，获取目标属性的步骤，直至第一属性依赖度与目标属性依赖度的差值不大于属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。本申请设定目标属性集来作为存放影响因素对应属性的集合，在初始化之后，通过计算决策数组中属性集中每一个属性和目标属性集并集的属性依赖度，并在属性依赖度变化阈值的卡控下，将提取注意力放在影响程度较大的特征上，不断将属性依赖度最大的属性作为目标属性添加到初始化后的目标属性集中，避免了漏检情况，提升影响因素提取的全面性，最终获得属性集实现对影响因素的有效提取。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种飞机数控锪窝影响因素提取方法，其特征在于，包括以下步骤：
初始化目标属性集与目标属性依赖度；
根据决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性；其中，所述目标属性为第一属性依赖度对应的所述属性集中的属性，所述第一属性依赖度为所述属性依赖度中的最大值；
所述根据决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性之前，所述飞机数控锪窝影响因素提取方法还包括：
根据飞机数控锪窝制程，获得数据样本；
根据所述数据样本，获得条件属性集与决策属性集；其中，定义所述决策属性集为：，其中窝深偏差E d=实际窝深-设定窝深；所述条件属性集中包括非时序属性，所述非时序属性包括设定窝深、预补偿窝深、孔位坐标X、孔位坐标Y、孔位坐标Z、所属站位、产品顺序编号、蒙皮图号、孔位曲率、压脚位移、压脚压力、孔位法矢、试刀窝深设定和实测的属性；
根据所述条件属性集与所述决策属性集，获得所述属性集；
在所述第一属性依赖度与所述目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将所述目标属性从所述属性集调入所述目标属性集，并返回根据决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性的步骤，直至所述第一属性依赖度与所述目标属性依赖度的差值不大于所述属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。
2.根据权利要求1所述的飞机数控锪窝影响因素提取方法，其特征在于，所述根据所述数据样本，获得条件属性集与决策属性集，包括：
根据所述数据样本，获得非时序属性与窝深偏差；
根据所述非时序属性，获得所述条件属性集；
根据所述窝深偏差，获得所述决策属性集。
3.根据权利要求1所述的飞机数控锪窝影响因素提取方法，其特征在于，所述根据所述数据样本，获得条件属性集与决策属性集之后，所述飞机数控锪窝影响因素提取方法还包括：
根据时序特征，获得时序属性集；
将所述时序属性集并入所述条件属性集，获得第一条件属性集；
所述根据所述条件属性集与所述决策属性集，获得所述属性集，包括：
根据所述第一条件属性集与所述决策属性集，获得所述属性集。
4.根据权利要求1所述的飞机数控锪窝影响因素提取方法，其特征在于，所述根据所述数据样本，获得条件属性集与决策属性集之后，所述飞机数控锪窝影响因素提取方法还包括：
根据统计特征，获得统计属性集；
将所述统计属性集并入所述条件属性集，获得第二条件属性集；
所述根据所述条件属性集与所述决策属性集，获得所述属性集，包括：
根据所述第二条件属性集与所述决策属性集，获得所述属性集。
5.根据权利要求1所述的飞机数控锪窝影响因素提取方法，其特征在于，所述根据决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性之前，所述飞机数控锪窝影响因素提取方法还包括：
根据论域、所述属性集、值域以及信息函数，获得所述决策数组。
6.根据权利要求5所述的飞机数控锪窝影响因素提取方法，其特征在于，所述根据论域、所述属性集、值域以及信息函数，获得所述决策数组之后，所述飞机数控锪窝影响因素提取方法还包括：
根据决策距离系数与所述决策数组，获得第一决策数组；
所述根据决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性，包括：
根据所述第一决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性。
7.一种飞机数控锪窝影响因素提取装置，其特征在于，包括：
初始化模块，所述初始化模块用于初始化目标属性集与目标属性依赖度；
获取模块，所述获取模块用于根据决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性；其中，所述目标属性为第一属性依赖度对应的所述属性集中的属性，所述第一属性依赖度为所述属性依赖度中的最大值；
所述根据决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性之前，所述获取模块还用于：
根据飞机数控锪窝制程，获得数据样本；
根据所述数据样本，获得条件属性集与决策属性集；其中，定义所述决策属性集为：，其中窝深偏差E d=实际窝深-设定窝深；所述条件属性集中包括非时序属性，所述非时序属性包括设定窝深、预补偿窝深、孔位坐标X、孔位坐标Y、孔位坐标Z、所属站位、产品顺序编号、蒙皮图号、孔位曲率、压脚位移、压脚压力、孔位法矢、试刀窝深设定和实测的属性；
根据所述条件属性集与所述决策属性集，获得所述属性集；
提取模块，所述提取模块用于在所述第一属性依赖度与所述目标属性依赖度的差值大于属性依赖度变化阈值的情况下，将所述目标属性从所述属性集调入所述目标属性集，并返回根据决策数组的属性集中的属性和所述目标属性集并集的属性依赖度，获取目标属性的步骤，直至所述第一属性依赖度与所述目标属性依赖度的差值不大于所述属性依赖度变化阈值，获得目标属性集，以完成影响因素的提取。
8.一种计算机可读存储介质，储存有计算机程序，其特征在于，所述计算机程序被处理器加载执行时，实现如权利要求1-6中任一项所述的飞机数控锪窝影响因素提取方法。
9.一种电子设备，其特征在于，包括处理器及存储器，其中，
所述存储器用于存储计算机程序；
所述处理器用于加载执行所述计算机程序，以使所述电子设备执行如权利要求1-6中任一项所述的飞机数控锪窝影响因素提取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874238.6A CN116610931B (zh) | 2023-07-17 | 2023-07-17 | 一种飞机数控锪窝影响因素提取方法、装置、介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310874238.6A CN116610931B (zh) | 2023-07-17 | 2023-07-17 | 一种飞机数控锪窝影响因素提取方法、装置、介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116610931A CN116610931A (zh) | 2023-08-18 |
| CN116610931B true CN116610931B (zh) | 2023-11-10 |
Family
ID=87680382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310874238.6A Active CN116610931B (zh) | 2023-07-17 | 2023-07-17 | 一种飞机数控锪窝影响因素提取方法、装置、介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116610931B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118123087B (zh) * | 2024-04-30 | 2024-08-09 | 成都飞机工业（集团）有限责任公司 | 一种蒙皮分区锪窝方法、装置、设备及介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495919A (zh) * | 2011-11-18 | 2012-06-13 | 华南农业大学 | 一种生态系统碳交换影响因素提取方法及系统 |
| CN104615789A (zh) * | 2015-03-06 | 2015-05-13 | 苏州大学 | 一种数据分类方法及装置 |
| JP2017068799A (ja) * | 2015-10-02 | 2017-04-06 | 富士通株式会社 | 情報抽出装置、情報抽出方法、及び情報抽出プログラム |
| CN106815438A (zh) * | 2017-01-17 | 2017-06-09 | 成都飞机工业（集团）有限责任公司 | 一种飞机结构件数控铣削效率主要影响因子提取方法 |
| CN110245783A (zh) * | 2019-05-20 | 2019-09-17 | 广东工业大学 | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 |
| CN110378481A (zh) * | 2019-06-18 | 2019-10-25 | 广州供电局有限公司 | 基于粗糙集的决策处理方法、装置、计算机和存储介质 |
| WO2019223104A1 (zh) * | 2018-05-22 | 2019-11-28 | 平安科技（深圳）有限公司 | 确定事件影响因素的方法、装置、终端设备及可读存储介质 |
| CN112330225A (zh) * | 2020-12-02 | 2021-02-05 | 国网江苏省电力有限公司常州供电分公司 | 通过服务器获取线损影响因素影响度的方法、服务器和介质 |
| CN112765429A (zh) * | 2021-01-22 | 2021-05-07 | 北京工业大学 | 一种面向部分标记异质数据的粗糙集属性约简方法 |
| CN113011789A (zh) * | 2021-04-23 | 2021-06-22 | 集美大学 | 水上危化品事故应急辅助决策方法、终端设备及存储介质 |
| CN114239141A (zh) * | 2021-12-15 | 2022-03-25 | 成都飞机工业（集团）有限责任公司 | 锪窝加工方法、终端设备以及存储介质 |
| CN115204609A (zh) * | 2022-06-20 | 2022-10-18 | 成都飞机工业（集团）有限责任公司 | 数控加工工艺程编质量评价方法、装置、设备及介质 |
| CN115577927A (zh) * | 2022-09-29 | 2023-01-06 | 国网河北省电力有限公司营销服务中心 | 基于粗糙集的重要电力用户用电安全评估方法及装置 |
| CN115935160A (zh) * | 2022-11-25 | 2023-04-07 | 重庆邮电大学 | 一种基于邻域粗糙集属性约简的空气质量数据处理方法 |
| CN116372662A (zh) * | 2023-06-06 | 2023-07-04 | 成都飞机工业（集团）有限责任公司 | 数控锪窝尺寸预补偿修正方法 |
-
2023
- 2023-07-17 CN CN202310874238.6A patent/CN116610931B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102495919A (zh) * | 2011-11-18 | 2012-06-13 | 华南农业大学 | 一种生态系统碳交换影响因素提取方法及系统 |
| CN104615789A (zh) * | 2015-03-06 | 2015-05-13 | 苏州大学 | 一种数据分类方法及装置 |
| JP2017068799A (ja) * | 2015-10-02 | 2017-04-06 | 富士通株式会社 | 情報抽出装置、情報抽出方法、及び情報抽出プログラム |
| CN106815438A (zh) * | 2017-01-17 | 2017-06-09 | 成都飞机工业（集团）有限责任公司 | 一种飞机结构件数控铣削效率主要影响因子提取方法 |
| WO2019223104A1 (zh) * | 2018-05-22 | 2019-11-28 | 平安科技（深圳）有限公司 | 确定事件影响因素的方法、装置、终端设备及可读存储介质 |
| CN110245783A (zh) * | 2019-05-20 | 2019-09-17 | 广东工业大学 | 一种基于c-均值聚类模糊粗糙集的短期负荷预测方法 |
| CN110378481A (zh) * | 2019-06-18 | 2019-10-25 | 广州供电局有限公司 | 基于粗糙集的决策处理方法、装置、计算机和存储介质 |
| CN112330225A (zh) * | 2020-12-02 | 2021-02-05 | 国网江苏省电力有限公司常州供电分公司 | 通过服务器获取线损影响因素影响度的方法、服务器和介质 |
| CN112765429A (zh) * | 2021-01-22 | 2021-05-07 | 北京工业大学 | 一种面向部分标记异质数据的粗糙集属性约简方法 |
| CN113011789A (zh) * | 2021-04-23 | 2021-06-22 | 集美大学 | 水上危化品事故应急辅助决策方法、终端设备及存储介质 |
| CN114239141A (zh) * | 2021-12-15 | 2022-03-25 | 成都飞机工业（集团）有限责任公司 | 锪窝加工方法、终端设备以及存储介质 |
| CN115204609A (zh) * | 2022-06-20 | 2022-10-18 | 成都飞机工业（集团）有限责任公司 | 数控加工工艺程编质量评价方法、装置、设备及介质 |
| CN115577927A (zh) * | 2022-09-29 | 2023-01-06 | 国网河北省电力有限公司营销服务中心 | 基于粗糙集的重要电力用户用电安全评估方法及装置 |
| CN115935160A (zh) * | 2022-11-25 | 2023-04-07 | 重庆邮电大学 | 一种基于邻域粗糙集属性约简的空气质量数据处理方法 |
| CN116372662A (zh) * | 2023-06-06 | 2023-07-04 | 成都飞机工业（集团）有限责任公司 | 数控锪窝尺寸预补偿修正方法 |
Non-Patent Citations (4)
| Title |
|---|
| Fuzzy rough set based attribute reduction for information systems with fuzzy decisions;Qiang He 等;Knowledge-Based Systems;第24卷(第5期);689-696 * |
| 基于属性依赖度分析的粗糙集数据挖掘方法应用;韩忠华;刘春光;王长涛;国崇珲;廖廷悟;;沈阳建筑大学学报(自然科学版)(05);199-203 * |
| 基于粗糙集与支持向量机的加工质量预测;王新海等;机电产品开发与创新;第33卷(第06期);15-19 * |
| 智能制造技术在飞机部件数字化装配中的应用;符刚等;航空制造技术;第S1卷;5-8+15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116610931A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116610931B (zh) | 一种飞机数控锪窝影响因素提取方法、装置、介质及设备 | |
| CN110348412B (zh) | 一种关键点定位方法、装置、电子设备及存储介质 | |
| CN111708934A (zh) | 知识内容的评价方法、装置、电子设备和存储介质 | |
| CN104572474B (zh) | 一种基于动态切片的轻量级错误定位技术实现方法 | |
| CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN106294128B (zh) | 一种导出报表数据的自动化测试方法及装置 | |
| Ojansuu et al. | Including variation in branch and tree properties improves timber grade estimates in Scots pine stands | |
| CN111147441A (zh) | 网络购票的舞弊行为自动检测方法、设备及可读存储介质 | |
| CN115525660A (zh) | 一种数据表的校验方法、装置、设备及介质 | |
| CN115659347A (zh) | 一种安全测试方法、装置、电子设备和存储介质 | |
| CN111209214B (zh) | 代码测试处理方法、装置、电子设备及介质 | |
| CN108269004B (zh) | 产品寿命分析方法及终端设备 | |
| Edwards | Building Better Econometric Models Using Cross Section and Panel Data | |
| CN101571814B (zh) | 基于消息传递接口的设备的通信行为信息提取方法及系统 | |
| CN117215868B (zh) | 一种磁盘异常检测方法、装置、电子设备及存储介质 | |
| CN112364630B (zh) | 证照内容纠错方法、装置及系统 | |
| CN112765011B (zh) | 质控状态判定方法、装置及电子设备 | |
| TWI845355B (zh) | 表單資料輸入方式判斷系統 | |
| US20230359546A1 (en) | Reducing computing power for generating test scenario files for decision models | |
| CN115794608A (zh) | 一种基于功能基线的软件功能测试度量方法及系统 | |
| CN110750548B (zh) | 基于神经网络的问题评价方法、存储介质及应用服务器 | |
| CN118502814A (zh) | 一种基于字节码的软件改动评估方法、装置、设备及介质 | |
| CN118796267A (zh) | 软件评估模型调优方法、装置、设备、介质及程序产品 | |
| CN118225030A (zh) | 工程变形监测网中拟稳点自动搜索方法 | |
| CN114154284A (zh) | 转向节静强度试验数据处理方法、装置和存储介质 |
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 |