CN116628617B - 一种基于纳米复合材料实现微型应变监测的方法 - Google Patents
一种基于纳米复合材料实现微型应变监测的方法 Download PDFInfo
- Publication number
- CN116628617B CN116628617B CN202310912508.8A CN202310912508A CN116628617B CN 116628617 B CN116628617 B CN 116628617B CN 202310912508 A CN202310912508 A CN 202310912508A CN 116628617 B CN116628617 B CN 116628617B
- Authority
- CN
- China
- Prior art keywords
- data
- resistance data
- cluster
- current
- clustering
- 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
- 239000002114 nanocomposite Substances 0.000 title claims abstract description 39
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 73
- 230000000694 effects Effects 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 230000005856 abnormality Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000000463 material Substances 0.000 claims description 12
- 230000002547 anomalous effect Effects 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 239000002131 composite material Substances 0.000 description 5
- 230000001934 delay Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 239000002041 carbon nanotube Substances 0.000 description 2
- 229910021393 carbon nanotube Inorganic materials 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000009466 transformation 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
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
- G01B7/18—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge using change in resistance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本申请涉及数据处理领域,提供一种基于纳米复合材料实现微型应变监测的方法,包括:利用ISODATA聚类算法基于初始种子点对电阻数据集合进行聚类,得到聚类结果,所述聚类结果包括多个聚类簇,所述电阻数据集合包括纳米复合材料的电阻数据;对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇;基于所述正常聚类簇确定聚类效果评价指标;如果所述聚类效果评价指标小于预设值,则调整所述初始种子点。本申请的方法根据聚类效果调整初始种子点,使得每次聚类都能够得到较好的聚类效果,进而提高应变力变化分析结果。
Description
技术领域
本申请涉及数据处理领域,特别是涉及一种基于纳米复合材料实现微型应变监测的方法。
背景技术
材料作为当今社会进步所必需的基础,已经成为世界每个国家科技发展进程过程中的一个非常重要的组成部分和指明方向的关键所在,并且新型复合材料的发展更是其根本所在。如今已有的材料体系包括复合材料、金属材料、无机非金属材料、高分子材料已经成形,而且新型纤维复合材料已经广泛应用于航空航天、汽车、船舶等领域,纤维复合材料是由增强纤维、基体树脂以及界面等组成的多相体系,热稳定性强、强度刚度高、多向异性是其具有的特点。其微观结构是一个具有各向异性的复杂的多相体系。
纳米复合材料可以在微型应变监测方面发挥重要作用。当纳米复合材料中存在应变或变形时,其导电性能也会发生变化,这种变化可以通过电阻计或其他传感器来检测。因此,如果纳米复合材料被用作应变传感器,它们可以检测非常微小的应变或变形。
由于纳米复合材料传感器是通过捕获微小信息而进行应变检测的,故极其容易受到外界噪声等因素的干扰,进而使得获取的数据存在异常数据点,导致据此分析的应力变化得出错误结果。
现有技术中,使用ISODATA聚类算法筛选异常数据点,但是ISODATA聚类算法对初始种子点敏感,若采用单一初始种子点可能会导致获取到的聚类结果不理想,从而影响应力变化分析结果。
发明内容
本发明提供一种基于纳米复合材料实现微型应变监测的方法,该方法能够根据聚类效果调整初始种子点,使得每次聚类都能够得到较好的聚类效果,进而提高应变力变化分析结果。
第一方面,本申请提供一种基于纳米复合材料实现微型应变监测的方法,包括:
利用ISODATA聚类算法基于初始种子点对电阻数据集合进行聚类,得到聚类结果,所述聚类结果包括多个聚类簇,所述电阻数据集合包括纳米复合材料的电阻数据;
对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇;
基于所述正常聚类簇确定聚类效果评价指标;
如果所述聚类效果评价指标小于预设值,则调整所述初始种子点。
可选的,对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇,包括:
计算聚类簇中每一电阻数据为异常数据的可能性;
基于聚类簇中每一电阻数据为异常数据的可能性确定聚类簇内电阻数据的平均异常程度;
利用LOF异常检测算法根据各个聚类簇的数据量以及聚类簇内电阻数据的平均异常程度对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇。
可选的,计算聚类簇中每一电阻数据为异常数据的可能性,包括:
基于当前电阻数据与所述当前电阻数据相邻的参考电阻数据之间的差异确定所述当前电阻数据为异常数据的初始可能性;
基于当前电阻数据所在的当前数据段与历史数据段之间的相似度确定所述当前电阻数据所在的当前数据段的异常程度;所述当前数据段与所述历史数据段长度相同;
基于所述当前电阻数据为异常数据的初始可能性和当前电阻数据所在的当前数据段的异常程度计算当前电阻数据为异常数据的可能性;所述当前电阻数据为任一聚类簇中的任一电阻数据。
可选的,基于当前电阻数据与所述当前电阻数据相邻的参考电阻数据之间的差异确定所述当前电阻数据为异常数据的初始可能性,包括:
计算当前电阻数据与第i个参考电阻数据之间的差异,得到当前电阻数据的变化值,计算当前电阻数据的变化值与第i个参考电阻数据的变化值之间的差异/>;
计算当前电阻数据与第i个参考电阻数据之间的差异与当前电阻数据的变化值与第i个参考电阻数据的变化值之间的差异/>的乘积/>;
基于参考电阻数据的个数m和乘积计算当前电阻数据为异常数据的初始可能性;其中,当前电阻数据为异常数据的初始可能性Tx计算方式为:/>。
可选的,基于当前电阻数据所在的当前数据段与历史数据段之间的相似度确定所述当前电阻数据所在的当前数据段的异常程度,包括:
基于当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度、第z个历史数据段的可信度/>、第z个历史数据段的排列熵/>计算所述当前电阻数据所在的当前数据段的异常程度;
其中,所述当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度利用动态时间规整算法DTW计算确定,第z个历史数据段的排列熵利用排列熵算法计算确定。
可选的,所述当前电阻数据所在的当前数据段的异常程度计算方式为:
计算当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度、第z个历史数据段的可信度/>、第z个历史数据段的排列熵/>的乘积/>;
基于历史数据段的个数z和乘积计算所述当前电阻数据所在的当前数据段的异常程度/>,其中,/>。
可选的,基于所述正常聚类簇确定聚类效果评价指标,包括:
基于正常聚类簇的数量、第h个正常聚类簇中电阻数据的个数、第h个正常聚类簇中电阻数据为异常数据的可能性均值、第h个聚类簇内第o个电阻数据为异常数据的可能性确定聚类效果评级指标;
基于历史电阻数据集合的个数、电阻数据集合的聚类簇数量与第j个历史电阻数据集合对应的历史聚类簇的数量的差异、每一聚类簇的聚类中心与参考聚类簇的聚类中心的欧式距离,所述参考聚类簇为第j个历史电阻数据集合对应的历史聚类簇中最小的聚类簇计算聚类结果的有效性;
基于聚类效果评级指标和聚类结果的有效性确定聚类效果评价指标。
可选的,聚类效果评级指标的计算方式为:
;其中,K表示正常聚类簇的数量,/>表示第h个正常聚类簇中电阻数据为异常数据的可能性均值,/>表示第h个正常聚类簇中电阻数据的个数,/>表示第h个聚类簇内第o个电阻数据为异常数据的可能性;
聚类结果的有效性的计算方式为:
;其中,N表示历史电阻数据集合的个数,/>表示电阻数据集合的聚类簇数量与第j个历史电阻数据集合对应的历史聚类簇的数量的差异,/>表示电阻数据集合的聚类簇的第s个聚类中心与参考聚类簇的第s个聚类中心的欧式距离,其中,电阻数据集合的聚类簇的第s个聚类中心与参考聚类簇的第s个聚类中心的欧式距离最近;/>表示电阻数据集合的聚类簇中K值最小的聚类簇的数量。
可选的,所述方法还包括:
如果所述聚类效果评价指标大于或等于预设值,则基于所述正常聚类簇中的电阻数据对纳米复合材料进行应变监测。
可选的,基于所述正常聚类簇中的电阻数据对纳米复合材料进行应变监测,包括:
利用施加应力前电阻数据与施加应力后电阻数据的差值,除以纳米复合材料对应力变化的敏感度与施加应力前电阻数据的乘积,进而确定纳米复合材料当前的应力;
其中,施加应力前电阻数据与施加应力后电阻数据均为正常聚类簇中的电阻数据。
本申请的有益效果:区别于现有技术,本申请的方法包括:利用ISODATA聚类算法基于初始种子点对电阻数据集合进行聚类,得到聚类结果,所述聚类结果包括多个聚类簇,所述电阻数据集合包括纳米复合材料的电阻数据;对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇;基于所述正常聚类簇确定聚类效果评价指标;如果所述聚类效果评价指标小于预设值,则调整所述初始种子点。本申请的方法根据聚类效果调整初始种子点,使得每次聚类都能够得到较好的聚类效果,进而提高应变力变化分析结果。
附图说明
图1为本发明一种基于纳米复合材料实现微型应变监测的方法的一实施例的流程示意图;
图2为图1的步骤S12的一实施例的流程示意图;
图3为图2的步骤S21的一实施例的流程示意图。
具体实施方式
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,所描述的实施例仅是本申请的一部分实施例,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。
本申请的方法,使用碳纳米管复合材料传感器获取电阻数据,根据电阻数据的变化分析监测应力变化。通过对采集的电阻数据进行分析,进而根据对应的电阻数据进行检测。但是获取的电阻数据可能因为外界干扰等因素,使得采集的电阻数据为异常噪声数据,故需要对实时采集的电阻数据进行异常分析,进而避免异常数据对微型应变监测准确性的影响。将获取数据进行分析,本发明使用ISODATA算法对采集电阻数据及对应采集时间进行聚类,进而根据聚类结果进行异常分析。现有技术中,一般会使用ISODATA聚类算法进行异常分析,但是ISODATA聚类算法对初始种子点敏感,若采用单一初始种子点可能会导致获取不到理想聚类结果,故本发明根据聚类效果评价指标,调整初始种子点,使得最终的聚类结果为优选聚类结果,据此结果分析可以提高应变力变化分析结果。下面结合附图和实施例对本申请进行详细的说明。
请参见图1,图1为本发明基于纳米复合材料实现微型应变监测的方法的一实施例的流程示意图,具体包括:
步骤S11:利用ISODATA聚类算法基于初始种子点对电阻数据集合进行聚类,得到聚类结果,所述聚类结果包括多个聚类簇,所述电阻数据集合包括纳米复合材料的电阻数据。
使用碳纳米管复合材料传感器获取多个电阻数据,进而得到电阻数据集合。利用ISODATA聚类算法基于初始种子点对电阻数据集合进行聚类,得到聚类结果。
步骤S12:对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇。
对采集的电阻数据组成的电阻数据集合进行聚类,对应的聚类结果中,每个聚类簇内电阻数据为异常数据可能性均为相近,可以根据对应聚类簇内各个元素为异常数据可能性差异判断聚类效果。本发明假定监测过程中异常数据为出现较少的数据,在聚类结果中,根据各个聚类簇的簇内电阻数据的数量以及簇内电阻数据的平均异常程度使用异常检测LOF算法进行监测,则可以得到异常聚类簇和正常聚类簇。具体的,聚类簇的簇内电阻数据的数量较少且对应簇内电阻数据的平均异常程度较大的簇应为异常聚类簇。
在本申请的一实施例中,请结合图2,步骤S12包括:
步骤S21:计算聚类簇中每一电阻数据为异常数据的可能性。
具体的,聚类簇内电阻数据的平均异常程度基于聚类簇中每一电阻数据为异常数据的可能性确定。根据各个聚类簇的簇内电阻数据的数量以及簇内电阻数据的平均异常程度使用异常检测LOF算法进行监测,进而得到异常聚类簇和正常聚类簇之前,需要先计算聚类簇中每一电阻数据为异常数据的可能性。在一实施例中,请结合图3,步骤S21包括:
步骤S31:基于当前电阻数据与所述当前电阻数据相邻的参考电阻数据之间的差异确定所述当前电阻数据为异常数据的初始可能性。
具体的,计算当前电阻数据与第i个参考电阻数据之间的差异,得到当前电阻数据的变化值,计算当前电阻数据的变化值与第i个参考电阻数据的变化值之间的差异;计算当前电阻数据与第i个参考电阻数据之间的差异/>与当前电阻数据的变化值与第i个参考电阻数据的变化值之间的差异/>的乘积/>;基于参考电阻数据的个数m和乘积/>计算当前电阻数据为异常数据的初始可能性;其中,当前电阻数据为异常数据的初始可能性Tx计算方式为:/>。在一实施例中,参考电阻数据的个数m取值为60。
需要说明的是,当当前电阻数据的变化值越大,且当前电阻数据与第i个参考电阻数据之间的差异/>与当前电阻数据的变化值与第i个参考电阻数据的变化值之间的差异/>也越大,则说明当前电阻数据为异常数据的初始可能性/>越大。
步骤S32:基于当前电阻数据所在的当前数据段与历史数据段之间的相似度确定所述当前电阻数据所在的当前数据段的异常程度;所述当前数据段与所述历史数据段长度相同。
在一实施例中,通过对当前数据段与当前数据段之前的历史数据段进行分析,进而获取当前数据所在的当前数据段的异常程度。
在一实施例中,利用动态时间规整算法DTW计算确定所述当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度。具体的,确定当前数据段对应的时间电阻曲线,确定第z个历史数据段对应的时间电阻曲线,利用DTW算法计算这两个时间电阻曲线之间的相似度/>。
利用排列熵算法计算确定第z个历史数据段的排列熵。基于当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度、第z个历史数据段的可信度/>、第z个历史数据段的排列熵/>计算所述当前电阻数据所在的当前数据段的异常程度。
在一具体实施例中,计算当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度、第z个历史数据段的可信度/>、第z个历史数据段的排列熵/>的乘积;基于历史数据段的个数z和乘积/>计算所述当前电阻数据所在的当前数据段的异常程度/>,其中,/>。可以理解的,当当前数据段与第z个历史数据段之间的相似度/>越大,即越相似,且第z个历史数据段的可信度越高,并且第z个历史数据段的排列熵/>越小,则说明当前电阻数据所在的当前数据段异常程度越小。
在本申请的一实施例中,需要进一步计算第z个历史数据段的可信度。在一实施例中,第z个历史数据段的可信度/>的计算方式为:
其中,表示第z个历史数据段中电阻数据的个数,/>表示第z个历史数据段上第d个电阻数据为异常数据点的可能性,/>表示使用不同时间延迟获取的最小排列熵对应的时间延迟,l表示历史数据段的总数,/>表示l个历史数据段对应最小排列熵对应的时间延迟的平均值,/>表示为一避免分母为0的极小参数,本发明中/>。当第z个历史数据段上第d个电阻数据为异常数据点可能性/>越小,对应获取最小排列熵对应时间延迟与其他数据段获取的最小排列熵对应时间延迟的平均值的差异/>越小,则第z个历史数据段的可信度/>越高。
根据所求的排列熵进行分析,可知电阻数据所在排列熵越大,表示数据越混乱,故当电阻数据排列熵越小,则说明其数据段异常程度越小。将排列熵计算方法中的嵌入维度设置为3,时间延迟设置为t∈{1,2,3,…,n },本发明中n=10。则数据段的排列熵YC:
表示使用第t个时间延迟获取的电阻数据的排列熵,由于不知道较为适合的优选时间延迟,避免因为不同时间延迟导致对应获取排列熵出现较大差异,故本发明选择使用不同历史数据段中对应最小的排列熵描述数据段的混乱程度,即当所求数据段对应排列熵越小,则说明对应数据段的异常程度也越小,/>表示取最小值。
步骤S33:基于所述当前电阻数据为异常数据的初始可能性和当前电阻数据所在的当前数据段的异常程度计算当前电阻数据为异常数据的可能性;所述当前电阻数据为任一聚类簇中的任一电阻数据。
具体的,计算所述当前电阻数据为异常数据的初始可能性和当前电阻数据所在的当前数据段的异常程度/>之间的乘积,将计算得到的乘积确定为当前电阻数据为异常数据的可能性Im,具体的,/>。即当当前电阻数据为异常数据的初始可能性/>越大,且当前电阻数据所在的当前数据段的异常程度/>越大,则当前数据为异常数据的可能性越大。
步骤S22:基于聚类簇中每一电阻数据为异常数据的可能性确定聚类簇内电阻数据的平均异常程度。
具体的,通过上述步骤计算得到聚类簇中每一电阻数据为异常数据的可能性后,进一步基于聚类簇中每一电阻数据为异常数据的可能性确定聚类簇内电阻数据的平均异常程度。 具体的,计算聚类簇中所有电阻数据为异常数据的可能性之和除以聚类簇中电阻数据的数量,进而得到聚类簇内电阻数据的平均异常程度。
步骤S23:利用LOF异常检测算法根据各个聚类簇的数据量以及聚类簇内电阻数据的平均异常程度对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇。
利用LOF异常检测算法分析当前电阻数据所在聚类簇的异常值LOF,即当当前电阻数据所在聚类簇的异常值越大,则说明当前电阻数据越可能为异常数据点,根据LOF算法,将所得LOF值大于1的聚类簇认定为异常数据对应聚类簇,即异常聚类簇,将异常聚类簇剔除。可以理解的,LOF值小于或等于1的聚类簇认定为正常数据对应聚类簇,即正常聚类簇。
步骤S13:基于所述正常聚类簇确定聚类效果评价指标。
具体的,基于正常聚类簇的数量、第h个正常聚类簇中电阻数据的个数、第h个正常聚类簇中电阻数据为异常数据的可能性均值、第h个聚类簇内第o个电阻数据为异常数据的可能性确定聚类效果评级指标。
聚类效果评级指标的计算方式为:
;其中,K表示正常聚类簇的数量,/>表示第h个正常聚类簇中电阻数据为异常数据的可能性均值,/>表示第h个正常聚类簇中电阻数据的个数,/>表示第h个聚类簇内第o个电阻数据为异常数据的可能性,exp为以自然常数e为底的指数函数。
可以理解的,当所求聚类簇内电阻数据为异常数据可能性均值越低,且对应聚类簇内电阻数据为异常数据可能性的差异/>越小,则所求聚类效果评级指标Xv越大,说明聚类效果越好。
基于历史电阻数据集合的个数、电阻数据集合的聚类簇数量与第j个历史电阻数据集合对应的历史聚类簇的数量的差异、每一聚类簇的聚类中心与参考聚类簇的聚类中心的欧式距离,所述参考聚类簇为第j个历史电阻数据集合对应的历史聚类簇中最小的聚类簇计算聚类结果的有效性。
聚类结果的有效性的计算方式为:
;其中,N表示历史电阻数据集合的个数,/>表示电阻数据集合的聚类簇数量与第j个历史电阻数据集合对应的历史聚类簇的数量的差异,/>表示电阻数据集合的聚类簇的第s个聚类中心与参考聚类簇的第s个聚类中心的欧式距离,其中,电阻数据集合的聚类簇的第s个聚类中心与参考聚类簇的第s个聚类中心的欧式距离最近;/>表示电阻数据集合的聚类簇中K值最小的聚类簇的数量。电阻数据集合的聚类簇的第s个聚类中心与参考聚类簇的第s个聚类中心可以通过匈牙利算法进行匹配。
可以理解的,当所求当前聚类结果(该聚类结果包括正常聚类簇和异常聚类簇)与其相邻的聚类结果中对应聚类簇数差异越小,且对应聚类中心也越相近,即所求聚类结果的有效性Bx越小,则说明当前聚类效果越好。需要说明的是,当前聚类结果为步骤S11中对电阻数据集合进行聚类后得到的聚类结果,相邻的聚类结果为对历史电阻数据集合进行聚类后得到的聚类结果。历史电阻数据集合为电阻数据集合时间相邻的电阻数据组成的。
基于聚类效果评级指标和聚类结果的有效性确定聚类效果评价指标。在一实施例中,聚类效果评价指标Zb的计算方式为:。当所求聚类结果中,聚类效果评级指标Xv越大,聚类结果的有效性Bx越小,则说明聚类效果评价指标Zb越大越好,/>表示归一化函数。
步骤S14:如果所述聚类效果评价指标小于预设值,则调整所述初始种子点。
具体的,设置预设值η=0.7,即当所求聚类效果评价指标Zb大于或等于预设值时,便可认为此时聚类结果比较好,可以停止变换初始种子点,使用当前聚类结果进行分析。当所求聚类效果评价指标Zb小于预设值时,则认为此时聚类效果不够好,可以变换初始种子点,基于变换后的初始种子点继续执行步骤S11-步骤S13。直至计算得到的聚类效果评价指标Zb大于或等于预设值。
可以理解的,如果聚类效果评价指标大于或等于预设值,则基于所述正常聚类簇中的电阻数据对纳米复合材料进行应变监测。利用施加应力前电阻数据与施加应力后电阻数据的差值,除以纳米复合材料对应力变化的敏感度与施加应力前电阻数据的乘积,进而确定纳米复合材料当前的应力。纳米复合材料当前的应力的计算方式为:
其中,表示施加应力后电阻数据,/>表示施加应力前电阻数据,施加应力前电阻数据与施加应力后电阻数据均为正常聚类簇中的电阻数据,/>表示纳米复合材料对应力变化的敏感度。
本申请相对于现有技术的好处在于:本发明对现有ISODATA聚类算法进行改进,使得其可以根据当前场景下不同数据获取优选初始种子点,进而增加该聚类算法聚类结果准确性,大大提高据此结果对应的异常检测可信度,极大程度将采集的数据中异常数据进行剔除,大大增加了使用纳米复合材料传感器对微型应变检测的敏感性以及准确性。
以上仅为本申请的实施方式,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)
1.一种基于纳米复合材料实现微型应变监测的方法,其特征在于,包括:
利用ISODATA聚类算法基于初始种子点对电阻数据集合进行聚类,得到聚类结果,所述聚类结果包括多个聚类簇,所述电阻数据集合包括纳米复合材料的电阻数据;
对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇;
基于所述正常聚类簇确定聚类效果评价指标;
如果所述聚类效果评价指标小于预设值,则调整所述初始种子点;
基于所述正常聚类簇确定聚类效果评价指标,包括:
基于正常聚类簇的数量、第h个正常聚类簇中电阻数据的个数、第h个正常聚类簇中电阻数据为异常数据的可能性均值、第h个聚类簇内第o个电阻数据为异常数据的可能性确定聚类效果评级指标;
基于历史电阻数据集合的个数、电阻数据集合的聚类簇数量与第j个历史电阻数据集合对应的历史聚类簇的数量的差异、每一聚类簇的聚类中心与参考聚类簇的聚类中心的欧式距离,所述参考聚类簇为第j个历史电阻数据集合对应的历史聚类簇中最小的聚类簇计算聚类结果的有效性;
基于聚类效果评级指标和聚类结果的有效性确定聚类效果评价指标;
聚类效果评级指标的计算方式为:
;其中,K表示正常聚类簇的数量,/>表示第h个正常聚类簇中电阻数据为异常数据的可能性均值,/>表示第h个正常聚类簇中电阻数据的个数,/>表示第h个聚类簇内第o个电阻数据为异常数据的可能性;
聚类结果的有效性的计算方式为:
;其中,N表示历史电阻数据集合的个数,/>表示电阻数据集合的聚类簇数量与第j个历史电阻数据集合对应的历史聚类簇的数量的差异, />表示电阻数据集合的聚类簇的第s个聚类中心与参考聚类簇的第s个聚类中心的欧式距离,其中,电阻数据集合的聚类簇的第s个聚类中心与参考聚类簇的第s个聚类中心的欧式距离最近;/>表示电阻数据集合的聚类簇中K值最小的聚类簇的数量。
2.根据权利要求1所述的一种基于纳米复合材料实现微型应变监测的方法,其特征在于,对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇,包括:
计算聚类簇中每一电阻数据为异常数据的可能性;
基于聚类簇中每一电阻数据为异常数据的可能性确定聚类簇内电阻数据的平均异常程度;
利用LOF异常检测算法根据各个聚类簇的数据量以及聚类簇内电阻数据的平均异常程度对所述聚类簇进行异常检测,得到异常聚类簇和正常聚类簇。
3.根据权利要求2所述的一种基于纳米复合材料实现微型应变监测的方法,其特征在于,计算聚类簇中每一电阻数据为异常数据的可能性,包括:
基于当前电阻数据与所述当前电阻数据相邻的参考电阻数据之间的差异确定所述当前电阻数据为异常数据的初始可能性;
基于当前电阻数据所在的当前数据段与历史数据段之间的相似度确定所述当前电阻数据所在的当前数据段的异常程度;所述当前数据段与所述历史数据段长度相同;
基于所述当前电阻数据为异常数据的初始可能性和当前电阻数据所在的当前数据段的异常程度计算当前电阻数据为异常数据的可能性;所述当前电阻数据为任一聚类簇中的任一电阻数据。
4.根据权利要求3所述的一种基于纳米复合材料实现微型应变监测的方法,其特征在于,基于当前电阻数据与所述当前电阻数据相邻的参考电阻数据之间的差异确定所述当前电阻数据为异常数据的初始可能性,包括:
计算当前电阻数据与第i个参考电阻数据之间的差异,得到当前电阻数据的变化值,计算当前电阻数据的变化值与第i个参考电阻数据的变化值之间的差异/>;
计算当前电阻数据与第i个参考电阻数据之间的差异与当前电阻数据的变化值与第i个参考电阻数据的变化值之间的差异/>的乘积/>;
基于参考电阻数据的个数m和乘积计算当前电阻数据为异常数据的初始可能性;其中,当前电阻数据为异常数据的初始可能性Tx计算方式为:。
5.根据权利要求3所述的一种基于纳米复合材料实现微型应变监测的方法,其特征在于,基于当前电阻数据所在的当前数据段与历史数据段之间的相似度确定所述当前电阻数据所在的当前数据段的异常程度,包括:
基于当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度、第z个历史数据段的可信度/>、第z个历史数据段的排列熵/>计算所述当前电阻数据所在的当前数据段的异常程度;
其中,所述当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度利用动态时间规整算法DTW计算确定,第z个历史数据段的排列熵利用排列熵算法计算确定。
6.根据权利要求5所述的一种基于纳米复合材料实现微型应变监测的方法,其特征在于,所述当前电阻数据所在的当前数据段的异常程度计算方式为:
计算当前电阻数据所在的当前数据段与第z个历史数据段之间的相似度、第z个历史数据段的可信度/>、第z个历史数据段的排列熵/>的乘积/>;
基于历史数据段的个数z和乘积计算所述当前电阻数据所在的当前数据段的异常程度/>,其中,/>。
7.根据权利要求1所述的一种基于纳米复合材料实现微型应变监测的方法,其特征在于,所述方法还包括:
如果所述聚类效果评价指标大于或等于预设值,则基于所述正常聚类簇中的电阻数据对纳米复合材料进行应变监测。
8.根据权利要求7所述的一种基于纳米复合材料实现微型应变监测的方法,其特征在于,基于所述正常聚类簇中的电阻数据对纳米复合材料进行应变监测,包括:
利用施加应力前电阻数据与施加应力后电阻数据的差值,除以纳米复合材料对应力变化的敏感度与施加应力前电阻数据的乘积,进而确定纳米复合材料当前的应力;
其中,施加应力前电阻数据与施加应力后电阻数据均为正常聚类簇中的电阻数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912508.8A CN116628617B (zh) | 2023-07-25 | 2023-07-25 | 一种基于纳米复合材料实现微型应变监测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310912508.8A CN116628617B (zh) | 2023-07-25 | 2023-07-25 | 一种基于纳米复合材料实现微型应变监测的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628617A CN116628617A (zh) | 2023-08-22 |
CN116628617B true CN116628617B (zh) | 2023-09-22 |
Family
ID=87603109
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310912508.8A Active CN116628617B (zh) | 2023-07-25 | 2023-07-25 | 一种基于纳米复合材料实现微型应变监测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628617B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756595B (zh) * | 2023-08-23 | 2023-12-01 | 深圳市森瑞普电子有限公司 | 一种导电滑环故障数据采集监测方法 |
CN116821833B (zh) * | 2023-08-29 | 2023-11-14 | 好林(威海)新材料有限公司 | 一种机器滤布粘连的数据异常检测方法 |
CN117056913B (zh) * | 2023-10-10 | 2023-12-22 | 北京点聚信息技术有限公司 | 一种电子印章授权智能管理方法 |
CN117873838B (zh) * | 2024-03-12 | 2024-05-24 | 武汉众诚华鑫科技有限公司 | 一种电信设备环境温度监控方法及系统 |
CN117877736B (zh) * | 2024-03-12 | 2024-05-24 | 深圳市魔样科技股份有限公司 | 基于机器学习的智能戒指异常健康数据预警方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016170123A (ja) * | 2015-03-13 | 2016-09-23 | セイコーインスツル株式会社 | ひずみセンサ |
CN106643464A (zh) * | 2016-12-27 | 2017-05-10 | 北京航空航天大学 | 一种基于碳纳米管膜的复合材料各向应变监测方法 |
CN109341512A (zh) * | 2018-10-30 | 2019-02-15 | 中国运载火箭技术研究院 | 一种应变传感器、结构监测系统及制造方法 |
CN109359421A (zh) * | 2018-11-14 | 2019-02-19 | 中华人民共和国苏州海关 | 一种实时监测系统及基于实时监测系统的起重设备 |
CN110704801A (zh) * | 2019-09-19 | 2020-01-17 | 济南城建集团有限公司 | 桥梁集群结构运营安全智能监测与快速检测成套技术 |
-
2023
- 2023-07-25 CN CN202310912508.8A patent/CN116628617B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016170123A (ja) * | 2015-03-13 | 2016-09-23 | セイコーインスツル株式会社 | ひずみセンサ |
CN106643464A (zh) * | 2016-12-27 | 2017-05-10 | 北京航空航天大学 | 一种基于碳纳米管膜的复合材料各向应变监测方法 |
CN109341512A (zh) * | 2018-10-30 | 2019-02-15 | 中国运载火箭技术研究院 | 一种应变传感器、结构监测系统及制造方法 |
CN109359421A (zh) * | 2018-11-14 | 2019-02-19 | 中华人民共和国苏州海关 | 一种实时监测系统及基于实时监测系统的起重设备 |
CN110704801A (zh) * | 2019-09-19 | 2020-01-17 | 济南城建集团有限公司 | 桥梁集群结构运营安全智能监测与快速检测成套技术 |
Non-Patent Citations (1)
Title |
---|
高压金属氧化物避雷器微正压仿真及其监测数据处理技术;唐邦义等;电工技术(第13期);第146-149页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116628617A (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116628617B (zh) | 一种基于纳米复合材料实现微型应变监测的方法 | |
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
CN111353482A (zh) | 一种基于lstm的疲劳因子隐性异常检测及故障诊断方法 | |
CN110717540B (zh) | 一种对雷达新辐射源个体的识别方法及装置 | |
CN106326915B (zh) | 一种基于改进核Fisher的化工过程故障诊断方法 | |
CN117290802B (zh) | 一种基于数据处理的主机电源运行监测方法 | |
CN106199267B (zh) | 一种电力设备故障特征分析方法 | |
CN116881745A (zh) | 基于大数据的压力变送器异常监测方法 | |
Ahmadi Yazdi et al. | Phase II monitoring of multivariate simple linear profiles with estimated parameters | |
CN114004331A (zh) | 一种基于关键指标和深度学习的故障分析方法 | |
CN106563645B (zh) | 一种基于张量分解的压电薄膜传感器智能分拣方法 | |
CN117421616B (zh) | 一种矿山竖井井筒检测系统及方法 | |
CN117435972A (zh) | 基于物联感知的电能计量箱异常监测方法 | |
CN117591986B (zh) | 基于人工智能的汽车数据实时处理方法 | |
CN117113008B (zh) | 基于x射线的板厚测量方法 | |
CN117313020B (zh) | 一种承载式张力传感器数据处理方法 | |
KR102045626B1 (ko) | 설비 상태 평가 장치 및 방법 | |
CN112880726A (zh) | 基于变分模态分解样本熵的传感器故障诊断方法和装置 | |
CN116821836A (zh) | 基于多传感器的轮轴瓦异常状态监测方法及系统 | |
CN114708712A (zh) | 一种化工过程反应器故障检测的信息融合方法 | |
CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
CN115754199A (zh) | 基于隶属度函数和主成分分析的水质检测方法 | |
CN114800036A (zh) | 一种设备健康状态评估方法 | |
WO2020183781A1 (ja) | 異常診断装置 | |
CN116992389B (zh) | 一种物联网虚假数据检测方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240220 Address after: 300000 No.8, dingzigu 1st Road, Hongqiao District, Tianjin Patentee after: Hu Ning Country or region after: China Address before: 1082, 1st floor, No. 64 Xinhua South Road, Tongzhou District, Beijing, 101199 Patentee before: Value Technology (Beijing) Co.,Ltd. Country or region before: China |
|
TR01 | Transfer of patent right |