CN116821828A - 一种基于工业数据的多维时序预测方法 - Google Patents
一种基于工业数据的多维时序预测方法 Download PDFInfo
- Publication number
- CN116821828A CN116821828A CN202310703240.7A CN202310703240A CN116821828A CN 116821828 A CN116821828 A CN 116821828A CN 202310703240 A CN202310703240 A CN 202310703240A CN 116821828 A CN116821828 A CN 116821828A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- data
- industrial
- machine tool
- industrial processing
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012994 industrial processing Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 14
- 238000013527 convolutional neural network Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000003754 machining Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000013135 deep learning Methods 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims 2
- 230000004913 activation Effects 0.000 claims 1
- 238000013480 data collection Methods 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 239000013598 vector Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000288105 Grus Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003801 milling Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Abstract
本发明公开了一种基于工业数据的多维时序预测方法。该方法具有以下步骤:步骤1:深入研究工业加工过程中影响工业加工结果的因素,明确对工业加工产品优良率影响最显著的关键因素。步骤2:通过在工业加工机床上安装相应的检测传感器,实时采集多维时序数据,从而形成包含丰富信息的工业加工多维时序数据集。步骤3:基于步骤2的数据集构建高级工业加工多维时序预测模型,运用改进的深度循环神经网络和卷积网络,巧妙地提取多维时序数据的多层次特征,并借助这些特征训练出卓越的工业加工多维时序预测模型,使其能够准确预测未来多维时序信息。
Description
技术领域
本发明属于工业加工技术领域,具体涉及一种基于工业数据的多维时序预测方法。
背景技术
在工业领域,随着传感器技术和数据采集能力的不断提升,大量的多维时序数据得以生成和积累。这些数据蕴含着重要的信息,能够帮助工人理解和预测工业过程中的关键指标,从而实现精准预测和智能决策。
工业数据的特点决定了多维时序预测方法面临着一些挑战。首先,工业数据通常具有高维度和复杂关联性。在工业过程中,多个相关变量相互影响,彼此之间存在着非线性关系、时滞等复杂的相互作用。因此,仅仅依靠单一变量的历史数据是不足以进行准确预测的。其次,工业数据往往呈现出非平稳和噪声干扰较大的特点。传感器测量误差以及设备故障等因素都会引入噪声,导致数据的不稳定性。此外,工业数据还常常面临高频采样和大量缺失值等问题,这对预测算法的鲁棒性提出了更高的要求。
传统的多维时序预测方法在应对工业数据预测中存在一些局限性。例如,传统的回归模型,如线性回归和ARIMA等方法,往往假设数据之间的关系是线性的或具有固定的函数形式,这使得它们难以处理复杂的非线性关系。此外,这些方法通常无法很好地处理高维数据,在面对大规模的多维时序数据时,其计算复杂度较高且模型拟合困难。因此,需要探索更加高效的多维时序预测方法,以应对这些挑战并满足工业领域对精确预测的需求。
发明内容
针对上述问题,本发明提出了一种基于工业数据的多维时序预测方法,包括:
步骤1:工业数据分析
研究工业加工过程数据的特征和相关性,得到对工业加工结果影响最大的几个因素。所述影响最大的因素为机床主轴加工功率、机床主轴X方向震动、机床主轴Y方向震动、机床主轴Z方向震动、机床A轴加工功率、机床A轴X方向震动、机床A轴Y方向震动、机床A轴Z方向震动。
步骤2:构建数据集
定义了一种基于机床传感器的数据采集方式,并进行处理形成数据集。所述采集方式为:在特定机床上,安装对特定影响因素进行监测的传感器,针对这些因素采用10HZ的采样频率进行采样。
对所述工业加工过程数据处理方式包括:利用上下元素均值对时序信息进行填充,使得对应时间戳没有缺失信息;对于明显的异常点数据采用3σ检测方法对时序数据中的离群点进行排除,使用小波滤波技术对时序数据进行去噪;对降噪后的数据进行标准化和归一化;利用切片技术对处理好的数据进行切片,以20时间步为一个滑动窗口将时序数据切片生成训练集,将每个滑动窗口之后的第一个元素作为切片测试集。
步骤3:构建工业加工过程时序预测模型
基于步骤2的数据集构建工业加工过程时序预测模型,应用CBGAN(ConvolutionBidirectionalGRUAttentionNetwork)提取时序数据中不同维度之间的特征和上下文特征;并从这些特征中学习出多维时序预测模型,使得该模型能够对工业加工过程多维时序数据进行预测。
本发明的有益效果
(1)构建工业加工过程时序预测模型可以充分利用多维时序数据的信息,提取关键特征,并建模时序关系。
(2)对工业加工过程的各种变量和参数进行准确预测,有助于优化生产过程、提高生产效率和质量。
附图说明
图1为基于工业数据的多维时序预测方法流程图。
图2为工业多维时序数据示意图
图3为CBGAN网络结构图
图4为CNN(ConvolutionalNeuralNetworks)结构图
图5为GRU(GatedRecurrentUnit)结构图。
图6为基于工业数据的多维时序预测结果。
具体实施方式
下面结合附图,对本发明进一步详细说明。
一种基于基于工业数据的多维时序预测方法,包含以下步骤:
步骤1:研究工业加工过程中影响工业加工结果的因素,确定对工业加工产品优良率影响最大的过程因素;
步骤2:通过对工业加工机床上安装对应影响因素的检测传感器,实时采集多维时序数据,形成工业加工多维时序数据集;
步骤3:基于步骤2的数据集构建工业加工多维时序预测模型,通过应用改进的深度循环神经网络和卷积网络提取出多维时序不同层次的特征,并从这些特征中学习出工业加工多维时序预测模型,使得该模型能够针对输入数据对未来的多维时序信息进行预测;
如图1所示,本发明的方法具体包括以下步骤:
步骤1):在机床上各个部位安装温度传感器用于测量工业加工过程中的温度;安装压力传感器用于测量加工过程中的铣削液进给量;安装振动传感器用于监测设备或结构的振动情况,以判断其是否处于正常运行状态等。
步骤2-1):检查数据中是否存在异常值、噪声或缺失值,并进行相应的处理。异常值通过统计方法和领域知识进行识别和处理;噪声通过平滑和滤波技术进行降噪;对于缺失值,选择填充、删除和插值等方法进行处理。
步骤2-2):将数据进行标准化和归一化,以确保不同特征之间具有相似的尺度。通过统计计算提取时序数据的均值、方差、最大值、最小值等统计特征,选取有价值的特征以供后续模型使用。
步骤2-3):利用切片技术对处理好的数据进行切片,以20时间步为一个滑动窗口将时序数据切片生成训练集,将每个滑动窗口之后的第一个元素作为切片测试集,如图2所示。
步骤3):构建CBGAN网络,网络结构如图3所示,卷积神经网络做时间序列预测的原理是利用卷积核的能力,可以感受历史数据中一段时间的变化情况,根据这段历史数据的变化情况做出预测。池化操作可以保留关键信息,减少信息的冗余,卷积神经网络可以有效减少以往算法提取特征的人力资源消耗,同时避免了人为误差的产生。卷积神经网络所需的样本输入量巨大,多用于预测具备空间特性的数据集,其网络具体结构如图4所示。
然而,CNN(ConvolutionalNeuralNetworks)提取的特征通常是高维的,不适合直接输入到后续的BiGRU(BidirectionalGatedRecurrentUnit)网络中。为了使得CNN提取的特征能够与BiGRU网络兼容,需要对特征进行维度转换。这通常通过引入全连接层来实现。全连接层连接了CNN提取的特征与BiGRU网络,它的主要作用是将高维特征映射到BiGRU网络所需的维度。在全连接层中,每个神经元都与前一层中的所有神经元相连接,从而将输入特征映射到新的低维表示。这种映射通过权重矩阵和偏置向量实现,它们是通过训练过程中学习到的参数。全连接层可以对CNN提取的特征进行非线性变换和降维,以使其更适合输入到BiGRU网络中。经过全连接层的转换,特征的维度得到了调整,使其与BiGRU网络兼容。
BiGRU网络是一种循环神经网络的变体,具有双向门控循环单元结构。它在处理时序数据时表现出色,能够捕捉到时序关系和序列依赖性。GRU是一种循环神经网络单元结构如图5所示,具有门控机制,用于控制信息的流动和遗忘。它通过更新门和重置门来控制上一时刻的隐藏状态与当前输入之间的交互,以及决定在当前时刻要保留多少历史信息。这使得GRU能够在处理长时依赖问题时更加有效。BiGRU网络在传统的GRU结构基础上进行了扩展,引入了正向和反向两个独立的GRU单元。这样,BiGRU可以同时考虑过去和未来的信息,从而更好地捕捉到时序数据中的双向依赖关系。在BiGRU网络中,正向GRU单元负责处理从过去到未来的数据流,而反向GRU单元则负责处理从未来到过去的数据流。通过这种双向处理,BiGRU能够更全面地理解时序数据中的上下文信息,并将其编码为隐藏状态序列。在每个时刻,BiGRU网络将正向GRU和反向GRU的隐藏状态连接起来,形成一个更丰富的时序特征表示。这种双向编码可以提供更全局和准确的上下文信息,使得网络在时序数据的建模和预测中更具优势。
Attention机制是一种在深度学习中常用的技术,用于在处理序列数据时对关键信息进行加权处理。它通过学习到的权重分配,将注意力集中在输入序列的不同位置上,从而提高模型对重要信息的关注度。首先,通过将BiGRU作为编码器对输入序列进行编码,生成隐藏状态序列。对于目标序列中的每个位置,注意力机制通过计算目标序列位置与输入序列位置之间的相似度,使用softmax函数将其归一化得到输入序列中各个位置之间的相关性,得到一个注意力权重向量。利用注意力权重,对输入序列的隐藏状态序列进行加权求和,得到一个上下文向量。这个上下文向量是对输入序列的关键部分进行加权处理后的表示。将上下文向量与目标序列中当前位置的BiGRU的隐藏状态进行结合,作为下一步预测的输入或与其他网络层进行连接。
通过引入Attention机制,BiGRU结合的模型能够在生成上下文向量时,自动学习输入序列中的关键信息和重要关系。Attention机制使模型能够自动关注输入序列中对当前预测任务最有价值的部分,对于处理长序列和具有重要局部特征的数据非常有用,可以提高模型的预测准确性。同时,在处理长序列时,BiGRU结合Attention机制能够捕捉到不同位置之间的长距离依赖关系。通过动态地调整注意力权重,模型可以有效地处理长期的序列依赖性。
Claims (7)
1.一种基于工业数据的多维时序预测方法,其特征在于,所述方法包括以下步骤:
步骤1:研究工业加工过程中影响工业加工结果的因素,确定对工业加工产品优良率影响最大的过程因素;
步骤2:通过对工业加工机床上安装对应影响因素的检测传感器,实时采集多维时序数据,形成工业加工多维时序数据集;
步骤3:基于步骤2的数据集构建工业加工多维时序预测模型,通过应用改进的深度循环神经网络和卷积网络提取出多维时序不同层次的特征,并从这些特征中学习出工业加工多维时序预测模型,使得该模型能够针对输入数据对未来的多维时序信息进行预测。
2.根据权利要求1所述方法,其特征在于,步骤1所述的影响工业加工结果的因素为:机床主轴加工功率、机床主轴X方向震动、机床主轴Y方向震动、机床主轴Z方向震动、机床A轴加工功率、机床A轴X方向震动、机床A轴Y方向震动、机床A轴Z方向震动。
3.根据权利要求1所述方法,其特征在于,步骤2所述的工业加工过程时序数据采集方式为:为加工机床主轴和A轴分别安装一个功率检测传感器和一组X、Y、Z轴震动检测传感器,传感器的时序数据采集频率为10HZ。
4.根据权利要求1所述方法,其特征在于,步骤2所述的工业加工过程时序数据处理方式包括:通过使用3σ检测方法对时序数据中的离群点进行排除,然后使用小波滤波方法对时序数据进行滤波操作,使得时序数据集更平滑,之后对数据集进行切片划分,以每20个时间步作为一个滑动窗口对多维时序数据集进行切片,生成训练集;将每个滑动窗口之后的第一个元素作为当前切片的预测目标形成测试集。
5.根据权利要求1所述方法,其特征在于,步骤3所述深度卷积网络为CBGAN(Convolution Bidirectional GRUAttentionNetwork),该网络是一个多阶段的模型,每个阶段包含一个前馈神经网络以及一个转换层,阶段一的输入为一个时间步长*特征数量的二维矩阵,通过使用卷积神经网络对二维矩阵进行卷积操作,使用修正线性单元(ReLU)作为激活函数,其输出是不同特征在同一时间切片内的特征。阶段二的输入为经过卷积神经网络处理后的特征表示,将输入数据同时输入正向和反向的门控循环单元中,分别计算正向和反向的隐藏状态,捕捉时序数据的时序依赖关系,提取序列的上下文信息,使用attention机制捕获长期时序特征。
6.根据权利要求5所述方法,其特征在于,所述构建工业数据的多维时序预测模型包括以下步骤:
1.1工业加工过程数据采集和预处理,采用传感器在特定机床采集不同影响因素的时序数据;
1.2运用深度学习方法构建时序预测模型。
7.根据权利要求6所述方法,其特征在于,步骤1.2包括以下步骤:将多维工业加工时序数据作为输入,运用卷积神经网络提取出多维时序数据之间的特征关联;然后,通过双向GRU提取时序特征并利用attention机制帮助模型集中注意力于序列中重要的部分,从而提高对关键信息的处理能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703240.7A CN116821828A (zh) | 2023-06-14 | 2023-06-14 | 一种基于工业数据的多维时序预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310703240.7A CN116821828A (zh) | 2023-06-14 | 2023-06-14 | 一种基于工业数据的多维时序预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116821828A true CN116821828A (zh) | 2023-09-29 |
Family
ID=88112043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310703240.7A Pending CN116821828A (zh) | 2023-06-14 | 2023-06-14 | 一种基于工业数据的多维时序预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116821828A (zh) |
-
2023
- 2023-06-14 CN CN202310703240.7A patent/CN116821828A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Azamfar et al. | Deep learning-based domain adaptation method for fault diagnosis in semiconductor manufacturing | |
CN110441065B (zh) | 基于lstm的燃气轮机在线检测方法与装置 | |
CN111460728B (zh) | 一种工业设备剩余寿命预测方法、装置、存储介质及设备 | |
CN108344564A (zh) | 一种基于深度学习的主轴特性试验台状态识别及预测方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN111275288A (zh) | 基于XGBoost的多维数据异常检测方法与装置 | |
CN106980761A (zh) | 一种滚动轴承运行状态退化趋势预测方法 | |
CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
CN114676742A (zh) | 一种基于注意力机制和残差网络的电网异常用电检测方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测系统 | |
CN113984389A (zh) | 一种基于多感受野与改进胶囊图神经网络的滚动轴承故障诊断方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
Zhao et al. | A two-stage machine-learning-based prognostic approach for bearing remaining useful prediction problem | |
CN116821828A (zh) | 一种基于工业数据的多维时序预测方法 | |
CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
Wenqiang et al. | Remaining useful life prediction for mechanical equipment based on temporal convolutional network | |
CN113971489A (zh) | 一种基于混合神经网络的剩余使用寿命预测方法及系统 | |
CN113312587A (zh) | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 | |
CN113591384B (zh) | 一种基于门控卷积网络的水泥成品比表面积预测方法 | |
CN117544021B (zh) | 无刷直流电机的转速控制方法及系统 | |
Zheng et al. | Research on Predicting Remaining Useful Life of Equipment Based on Health Index | |
Wang | A new variable selection method for soft sensor based on deep learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |