CN116859717B - 智能自适应采样控制系统及其方法 - Google Patents
智能自适应采样控制系统及其方法 Download PDFInfo
- Publication number
- CN116859717B CN116859717B CN202310408044.7A CN202310408044A CN116859717B CN 116859717 B CN116859717 B CN 116859717B CN 202310408044 A CN202310408044 A CN 202310408044A CN 116859717 B CN116859717 B CN 116859717B
- Authority
- CN
- China
- Prior art keywords
- feature vectors
- eigenvectors
- gaussian
- vector
- eigenvector
- 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
- 238000005070 sampling Methods 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims abstract description 72
- 230000003044 adaptive effect Effects 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000000903 blocking effect Effects 0.000 claims abstract description 30
- 230000001419 dependent effect Effects 0.000 claims abstract description 23
- 238000003754 machining Methods 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 18
- 238000010892 electric spark Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 169
- 238000009826 distribution Methods 0.000 claims description 70
- 239000000203 mixture Substances 0.000 claims description 53
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 4
- NAXKFVIRJICPAO-LHNWDKRHSA-N [(1R,3S,4R,6R,7R,9S,10S,12R,13S,15S,16R,18S,19S,21S,22S,24S,25S,27S,28R,30R,31R,33S,34S,36R,37R,39R,40S,42R,44R,46S,48S,50R,52S,54S,56S)-46,48,50,52,54,56-hexakis(hydroxymethyl)-2,8,14,20,26,32,38,43,45,47,49,51,53,55-tetradecaoxa-5,11,17,23,29,35,41-heptathiapentadecacyclo[37.3.2.23,7.29,13.215,19.221,25.227,31.233,37.04,6.010,12.016,18.022,24.028,30.034,36.040,42]hexapentacontan-44-yl]methanol Chemical compound OC[C@H]1O[C@H]2O[C@H]3[C@H](CO)O[C@H](O[C@H]4[C@H](CO)O[C@H](O[C@@H]5[C@@H](CO)O[C@H](O[C@H]6[C@H](CO)O[C@H](O[C@H]7[C@H](CO)O[C@@H](O[C@H]8[C@H](CO)O[C@@H](O[C@@H]1[C@@H]1S[C@@H]21)[C@@H]1S[C@H]81)[C@H]1S[C@@H]71)[C@H]1S[C@H]61)[C@H]1S[C@@H]51)[C@H]1S[C@@H]41)[C@H]1S[C@H]31 NAXKFVIRJICPAO-LHNWDKRHSA-N 0.000 claims 2
- 241000820057 Ithone Species 0.000 claims 1
- 230000008569 process Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000007599 discharging Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000002427 irreversible effect Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Numerical Control (AREA)
Abstract
公开了一种智能自适应采样控制系统及其方法。其首先将电火花加工过程中的预定时间段的放电波形信号转化为格拉姆角和场图像,接着,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列,然后,对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量,接着,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量,最后,将所述解码特征向量通过解码器以得到用于表示当前时间点的电机进给速度的解码值。这样,可以减少放电过程中不稳定现象的发生。
Description
技术领域
本申请涉及智能控制领域,且更为具体地,涉及一种智能自适应采样控制系统及其方法。
背景技术
智能自适应采样分析技术能实时监测加工过程中的放电情况,模仿优秀操作人员的大脑。对放电状态做出预判并进行智能化调整,科学匹配放电状态和电机进给速度,从而实现稳定的高速加工,以达到生产效率的最优化。
常规的往复走丝电火花线切割机床的控制系统,其加工采样进给速度的调整是根据电压信号反馈来实现。若银丝和工件的间隙大、电压高,则进给速度快,反之则进给速度慢,该模式有个很大的缺点,即控制系统不知真实放电情况的趋向性,发生不稳定放电和短路的概率相对较高。故需一种更好的方法,可预先感知放电状态是否良好,使控制系统提前做出对应的处理并减少放电过程中不稳定现象的发生。
因此,期望一种优化的智能自适应采样控制系统。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种智能自适应采样控制系统及其方法。其首先将电火花加工过程中的预定时间段的放电波形信号转化为格拉姆角和场图像,接着,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列,然后,对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量,接着,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量,最后,将所述解码特征向量通过解码器以得到用于表示当前时间点的电机进给速度的解码值。这样,可以减少放电过程中不稳定现象的发生。
根据本申请的一个方面,提供了一种智能自适应采样控制系统,其包括:波形信号采集模块,用于获取电火花加工过程中的预定时间段的放电波形信号;域转换模块,用于将所述放电波形信号转化为格拉姆角和场图像;图像分块模块,用于对所述格拉姆角和场图像进行图像分块处理以得到图像块序列;矩阵分解模块,用于对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量;全局关联编码模块,用于将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量;以及电机给进速度结果生成模块,用于将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度。
在上述的智能自适应采样控制系统中,所述图像分块模块,用于:对所述格拉姆角和场图像进行均匀图像分块处理以得到图像块序列。
在上述的智能自适应采样控制系统中,所述全局关联编码模块,包括:上下文编码单元,用于将所述多个本征特征向量输入所述基于转换器的上下文编码器以得到多个上下文本征特征向量;联合高斯密度图构造单元,用于计算所述多个上下文本征特征向量的高斯混合模型,所述高斯混合模型的均值向量为所述多个上下文本征特征向量的按位置均值向量,所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差;加权因数计算单元,用于分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数;加权优化单元,用于以所述多个高斯概率密度分布距离指数作为权重,对所述多个上下文本征特征向量进行加权以得到多个优化上下文本征特征向量;以及级联单元,用于将所述多个优化上下文本征特征向量进行级联以得到所述解码特征向量。
在上述的智能自适应采样控制系统中,所述上下文编码单元,包括:查询向量构造子单元,用于将所述多个本征特征向量进行一维排列以得到第一全局本征特征向量;自注意子单元,用于计算所述第一全局本征特征向量与所述多个本征特征向量中各个本征特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;标准化子单元,用于分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;关注度计算子单元,用于将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及
注意力施加子单元,用于分别以所述多个第一概率值中各个第一概率值作为权重对所述多个本征特征向量中各个本征特征向量进行加权以得到所述多个上下文本征特征向量。
在上述的智能自适应采样控制系统中,所述联合高斯密度图构造单元,用于:以如下高斯密度公式计算所述多个上下文本征特征向量的高斯混合模型;其中,所述高斯密度公式为:,其中,/>表示所述多个上下文本征特征向量之间的按位置均值向量,且/>的每个位置的值表示所述多个上下文本征特征向量中各个位置的特征值之间的方差。
在上述的智能自适应采样控制系统中,所述加权因数计算单元,用于:以如下高斯概率密度分布距离指数公式分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到所述多个高斯概率密度分布距离指数;其中,所述高斯概率密度分布距离指数公式为:,其中,/>是所述多个上下文本征特征向量中的第 />个上下文本征特征向量,/>表示向量的转置向量,/>和/>是所述高斯混合模型的均值向量和协方差矩阵,所述多个上下文本征特征向量和所述高斯混合模型的均值向量均为列向量形式, />表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值,/>表示按位置减法,/>表示矩阵乘法,表示所述多个高斯概率密度分布距离指数中的第/>个高斯概率密度分布距离指数。
在上述的智能自适应采样控制系统中,所述电机给进速度结果生成模块,用于:使用所述解码器的多个全连接层以如下解码公式对所述解码特征向量进行解码回归以获得所述解码值,其中,所述解码公式为:,其中/>是所述解码特征向量,/>是所述解码值,/>是权重矩阵,/>表示矩阵乘。
根据本申请的另一个方面,提供了一种智能自适应采样控制方法,其包括:获取电火花加工过程中的预定时间段的放电波形信号;将所述放电波形信号转化为格拉姆角和场图像;对所述格拉姆角和场图像进行图像分块处理以得到图像块序列;对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量;将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量;以及将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度。
在上述的智能自适应采样控制方法中,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列,包括:对所述格拉姆角和场图像进行均匀图像分块处理以得到图像块序列。
在上述的智能自适应采样控制方法中,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量,包括:将所述多个本征特征向量输入所述基于转换器的上下文编码器以得到多个上下文本征特征向量;计算所述多个上下文本征特征向量的高斯混合模型,所述高斯混合模型的均值向量为所述多个上下文本征特征向量的按位置均值向量,所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差;分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数;以所述多个高斯概率密度分布距离指数作为权重,对所述多个上下文本征特征向量进行加权以得到多个优化上下文本征特征向量;以及
将所述多个优化上下文本征特征向量进行级联以得到所述解码特征向量。
与现有技术相比,本申请提供的智能自适应采样控制系统及其方法,其首先将电火花加工过程中的预定时间段的放电波形信号转化为格拉姆角和场图像,接着,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列,然后,对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量,接着,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量,最后,将所述解码特征向量通过解码器以得到用于表示当前时间点的电机进给速度的解码值。这样,可以减少放电过程中不稳定现象的发生。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在没有做出创造性劳动的前提下,还可以根据这些附图获得其他的附图。以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的智能自适应采样控制系统的应用场景图。
图2为根据本申请实施例的智能自适应采样控制系统的框图示意图。
图3为根据本申请实施例的智能自适应采样控制系统中的所述全局关联编码模块的框图示意图。
图4为根据本申请实施例的智能自适应采样控制系统中的所述上下文编码单元的框图示意图。
图5为根据本申请实施例的智能自适应采样控制方法的流程图。
图6为根据本申请实施例的智能自适应采样控制方法的系统架构的示意图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的系统中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述系统和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的系统所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
如上所述,常规的往复走丝电火花线切割机床的控制系统,其加工采样进给速度的调整是根据电压信号反馈来实现。若银丝和工件的间隙大、电压高,则进给速度快,反之则进给速度慢,该模式有个很大的缺点,即控制系统不知真实放电情况的趋向性,发生不稳定放电和短路的概率相对较高。故需一种更好的方法,可预先感知放电状态是否良好,使控制系统提前做出对应的处理并减少放电过程中不稳定现象的发生。因此,期望一种优化的智能自适应采样控制系统。
相应地,考虑到由于电火花加工过程中的放电有三种波形:空载波形、正常放电波形和短路波形。在实践中发现同一材料、不同高度的工件在正常稳定放电情况下,其空载波、有效放电波和短路波的波形比例不同且非常有序。根据该现象,提出了用放电波形来辅助采样的智能化自适应技术模型。特别地,在该模型中,关键在于对于放电波形进行分析来判断放电趋势的走向,以此来对于驱动电机做出相应地控制,进而控制电机的给进速度。具体地,当放电状态趋向良好,控制驱动电机进给速度加速,以提高工作台的移动速度;当放电状态趋向恶劣,则协调驱动电机降速,放慢工作台的移动速度,同时,通知高频电源增加放电停息时间(脉间),以达动态平衡实现自适应控制进给速度和高效加工工况的科学匹配。
基于此,在本申请的技术方案中,采用人工智能的控制技术,以通过对于放电波形信号中关于放电状态的隐含特征进行提取,以此基于放电趋势来对于电机的给进速度进行自适应控制,减少放电过程中的不稳定现象,提高加工工况的效率和质量。但是,由于所述放电波形信号中关于放电状态的隐含特征在波形图像中为小尺度的隐含特征信息,难以对其进行有效地捕捉获取,进而降低了对于电机给进速度的实时控制精度。因此,在此过程中,难点在于如何充分且准确地挖掘出所述放电波形信号中关于放电状态的隐含特征分布信息,以基于放电趋势来对于电机的给进速度进行实时准确地自适应控制,减少放电过程中的不稳定现象,提高加工工况的效率和质量。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述放电波形信号中关于放电状态的隐含特征分布信息提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先,获取电火花加工过程中的预定时间段的放电波形信号。应可以理解,由于格拉姆角场 ( Gramian angular field,GAF) 基于Gram原理,它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。GAF可很好地保留原始声发射时序信号的依赖性和相关性,具有和原始放电波形信号相似的时序特质。GAF按照编码所用三角函数的不同可以得到格拉姆角和场( Gramian angular sum field,GASF ) 和格拉姆角差场 ( Gramian angular difference field,GADF),由于GADF 转换之后不可逆,因此,在本申请的技术方案中,选择可进行逆转换的 GASF 转换方式来进行放电波形信号的编码。也就是,对所述放电波形信号进行格拉姆角和场转化以将所述放电波形信号转化为格拉姆角和场图像。在一个具体示例中,所述声发射回波信号到 GASF 图像的编码步骤如下所示:对于一个有C维度的时间序列= { Q1,Q2,…, QC },其中每个维度都包含 n 个采样点 Qi = { qi1,qi2,…,qin } ,首先对每个维度的数据进行归一化操作。之后,将数据中的所有值整合到[-1,1]内,整合之后就用三角函数值Cos值代替归一化后的数值,用极坐标来代替笛卡尔坐标,从而保留序列的绝对时间关系。
然后,考虑到由于所述格拉姆角和场图像中的信息量较多,所述放电波形信号中关于放电状态的隐含特征在图像中为小尺度的隐含特征信息,难以对其进行捕捉提取。因此,在本申请的技术方案中,为了能够充分且准确地提取出所述放电状态的隐含特征,进一步对所述格拉姆角和场图像进行图像分块处理以得到图像块序列。相应地,在本申请的一个具体示例中,可以对所述格拉姆角和场图像进行均匀图像分块处理,以便于后续更精准地检测出图像中关于放电状态的小尺寸隐含特征信息,从而得到所述图像块序列,这里,所述图像块序列中各个图像块具有相同的尺寸。应可以理解,在通过图像分块处理后,所述图像块序列中的各个图像块的尺度相较于原图像被缩减,因此,所述格拉姆角和场图像中关于小尺寸的放电状态隐含特征在所述图像块中不再是小尺寸对象,有利于对于放电趋势的检测判断。
进一步地,考虑到在所述图像块序列的各个图像块中,所述各个图像块是由多个像素值组成的,并且各个像素值中都对于放电的状态隐含特征有所呈现,因此,为了能够进一步充分地提取出所述放电波形信号中关于放电状态小尺度隐含特征信息,在本申请的技术方案中,对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量。
接着,对于所述多个本征值组成的本征特征向量来说,其是由多个像素值组成的,并且各个像素中关于放电状态的隐含特征间具有着关联性的关系,为了能够利用这些像素中关于放电状态特征间的关联性特征来充分地对于放电趋势进行检测,在本申请的技术方案中,进一步将所述多个本征特征向量通过基于转换器的上下文关联编码器中进行编码,以提取出所述多个本征特征向量中关于放电状态的基于全局的隐含关联特征分布信息,并以此作为解码特征向量。
然后,将所述解码特征向量通过解码器中进行解码回归,以得到用于表示当前时间点的电机进给速度的解码值。这样,能够以所述放电状态的隐性关联特征分布信息来对于放电的趋势进行准确检测,进而以基于放电趋势来对于电机的给进速度进行实时准确地自适应控制,减少放电过程中的不稳定现象,提高加工工况的效率和质量。
特别地,在本申请的技术方案中,这里,在将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量时,是将所述多个本征特征向量通过基于转换器的上下文关联编码器得到的多个上下文本征特征向量直接级联以得到所述解码特征向量,这样,会使得所述解码特征向量在作为目标解码回归维度的所述多个上下文本征特征向量的融合特征维度上具有较差的一致性和相关性,从而影响所述解码特征向量的解码结果的准确性。
因此,期望收敛所述多个上下文本征特征向量之间在高斯概率密度层面的差异,具体地,首先计算所述多个上下文本征特征向量的高斯混合模型,再进一步计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数,表示为:,其中,/>是第/>个上下文本征特征向量,/>和/>是高斯混合模型的均值向量和协方差矩阵,即表示所述多个上下文本征特征向量的加权均值向量,且/>表示所述多个上下文本征特征向量自身的方差矩阵的加权和均值方差矩阵,其中向量为列向量。
这里,通过计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数,可以表示目标特征向量的特征分布相对于所述高斯混合模型表示的联合高斯概率密度分布的特征分布距离,通过以其分别对所述多个上下文本征特征向量中的每个上下文本征特征向量进行加权,就可以提高级联得到的所述解码特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性,从而提升其高斯概率密度分布在作为目标解码回归维度的所述多个上下文本征特征向量的融合特征维度上的一致性和相关性,以提升所述解码特征向量的解码结果的准确性。这样,能够实时准确地基于放电趋势来对于电机的给进速度进行自适应控制,以减少放电过程中的不稳定现象,提高加工工况的效率和质量。
图1为根据本申请实施例的智能自适应采样控制系统的应用场景图。如图1所示,在该应用场景中,首先,获取电火花加工过程中的预定时间段的放电波形信号(例如,图1中所示意的D),其中,图1中所示意的11为银丝,图1中所示意的12为工件,然后,将所述放电波形信号输入至部署有智能自适应采样控制算法的服务器中(例如,图1中所示意的S),其中,所述服务器能够使用所述智能自适应采样控制算法对所述放电波形信号进行处理以得到用于表示当前时间点的电机进给速度的解码值。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
图2为根据本申请实施例的智能自适应采样控制系统的框图示意图。如图2所示,根据本申请实施例的智能自适应采样控制系统100,包括:波形信号采集模块110,用于获取电火花加工过程中的预定时间段的放电波形信号;域转换模块120,用于将所述放电波形信号转化为格拉姆角和场图像;图像分块模块130,用于对所述格拉姆角和场图像进行图像分块处理以得到图像块序列;矩阵分解模块140,用于对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量;全局关联编码模块150,用于将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量;以及,电机给进速度结果生成模块160,用于将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度。
更具体地,在本申请实施例中,所述波形信号采集模块110,用于获取电火花加工过程中的预定时间段的放电波形信号。在本申请的技术方案中,采用人工智能的控制技术,以通过对于放电波形信号中关于放电状态的隐含特征进行提取,以此基于放电趋势来对于电机的给进速度进行自适应控制,减少放电过程中的不稳定现象,提高加工工况的效率和质量。但是,由于所述放电波形信号中关于放电状态的隐含特征在波形图像中为小尺度的隐含特征信息,因此,通过挖掘所述放电波形信号中关于放电状态的隐含特征分布信息,以基于放电趋势来对于电机的给进速度进行实时准确地自适应控制,减少放电过程中的不稳定现象,提高加工工况的效率和质量。
更具体地,在本申请实施例中,所述域转换模块120,用于将所述放电波形信号转化为格拉姆角和场图像。应可以理解,由于格拉姆角场 ( Gramian angular field,GAF)基于Gram原理,它可将经典笛卡尔坐标系下的时间序列迁移到极坐标系上进行表示。GAF可很好地保留原始声发射时序信号的依赖性和相关性,具有和原始放电波形信号相似的时序特质。GAF 按照编码所用三角函数的不同可以得到格拉姆角和场( Gramian angular sumfield,GASF ) 和格拉姆角差场 ( Gramian angular difference field,GADF),由于GADF转换之后不可逆,因此,在本申请的技术方案中,选择可进行逆转换的 GASF 转换方式来进行放电波形信号的编码。也就是,对所述放电波形信号进行格拉姆角和场转化以将所述放电波形信号转化为格拉姆角和场图像。在一个具体示例中,所述声发射回波信号到 GASF图像的编码步骤如下所示:对于一个有C维度的时间序列= { Q1,Q2,…, QC },其中每个维度都包含 n 个采样点 Qi = { qi1,qi2,…,qin } ,首先对每个维度的数据进行归一化操作。之后,将数据中的所有值整合到[-1,1]内,整合之后就用三角函数值Cos值代替归一化后的数值,用极坐标来代替笛卡尔坐标,从而保留序列的绝对时间关系。
更具体地,在本申请实施例中,所述图像分块模块130,用于对所述格拉姆角和场图像进行图像分块处理以得到图像块序列。到由于所述格拉姆角和场图像中的信息量较多,所述放电波形信号中关于放电状态的隐含特征在图像中为小尺度的隐含特征信息,难以对其进行捕捉提取。因此,在本申请的技术方案中,为了能够充分且准确地提取出所述放电状态的隐含特征,进一步对所述格拉姆角和场图像进行图像分块处理以得到图像块序列。相应地,在本申请的一个具体示例中,可以对所述格拉姆角和场图像进行均匀图像分块处理,以便于后续更精准地检测出图像中关于放电状态的小尺寸隐含特征信息,从而得到所述图像块序列,这里,所述图像块序列中各个图像块具有相同的尺寸。应可以理解,在通过图像分块处理后,所述图像块序列中的各个图像块的尺度相较于原图像被缩减,因此,所述格拉姆角和场图像中关于小尺寸的放电状态隐含特征在所述图像块中不再是小尺寸对象,有利于对于放电趋势的检测判断。
相应地,在一个具体示例中,所述图像分块模块130,用于:对所述格拉姆角和场图像进行均匀图像分块处理以得到图像块序列。
更具体地,在本申请实施例中,所述矩阵分解模块140,用于对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量。在所述图像块序列的各个图像块中,所述各个图像块是由多个像素值组成的,并且各个像素值中都对于放电的状态隐含特征有所呈现,因此,为了能够进一步充分地提取出所述放电波形信号中关于放电状态小尺度隐含特征信息,在本申请的技术方案中,对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量。
更具体地,在本申请实施例中,所述全局关联编码模块150,用于将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量。对于所述多个本征值组成的本征特征向量来说,其是由多个像素值组成的,并且各个像素中关于放电状态的隐含特征间具有着关联性的关系,为了能够利用这些像素中关于放电状态特征间的关联性特征来充分地对于放电趋势进行检测,在本申请的技术方案中,进一步将所述多个本征特征向量通过基于转换器的上下文关联编码器中进行编码,以提取出所述多个本征特征向量中关于放电状态的基于全局的隐含关联特征分布信息,并以此作为解码特征向量。
相应地,在一个具体示例中,如图3所示,所述全局关联编码模块150,包括:上下文编码单元151,用于将所述多个本征特征向量输入所述基于转换器的上下文编码器以得到多个上下文本征特征向量;联合高斯密度图构造单元152,用于计算所述多个上下文本征特征向量的高斯混合模型,所述高斯混合模型的均值向量为所述多个上下文本征特征向量的按位置均值向量,所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差;加权因数计算单元153,用于分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数;加权优化单元154,用于以所述多个高斯概率密度分布距离指数作为权重,对所述多个上下文本征特征向量进行加权以得到多个优化上下文本征特征向量;以及,级联单元155,用于将所述多个优化上下文本征特征向量进行级联以得到所述解码特征向量。
相应地,在一个具体示例中,如图4所示,所述上下文编码单元151,包括:查询向量构造子单元1511,用于将所述多个本征特征向量进行一维排列以得到第一全局本征特征向量;自注意子单元1512,用于计算所述第一全局本征特征向量与所述多个本征特征向量中各个本征特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;标准化子单元1513,用于分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;关注度计算子单元1514,用于将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,注意力施加子单元1515,用于分别以所述多个第一概率值中各个第一概率值作为权重对所述多个本征特征向量中各个本征特征向量进行加权以得到所述多个上下文本征特征向量。
应可以理解,通过上下文编码器,可以分析向量表示序列中的某个分词与其他分词之间的关系,以得到相应的特征信息。上下文编码器旨在挖掘得到词序列中上下文之间的隐藏模式,可选地,编码器包括:CNN(Convolutional Neural Network,卷积神经网络)、Recursive NN(RecursiveNeural Network,递归神经网络)、语言模型(Language Model)等。基于CNN的方法对于局部特征有比较好的提取效果,但其对于句子中的长程依赖(Long-term Dependency)问题效果欠佳,因此基于Bi-LSTM(Long Short- Term Memory,长短期记忆网络)的编码器被广泛使用。Recursive NN把句子当作树状结构而非序列进行处理,从理论上而言具有更强的表示能力,但其存在样本标注难度大、深层易梯度消失、难以并行计算等弱点,因此在实际应用中使用较少。Transformer是应用广泛的网络结构了,同时具有CNN和RNN的特性,对于全局特征有较好的提取效果,同时相较于RNN(循环神经网络)在并行计算上具有一定优势。
相应地,在一个具体示例中,所述联合高斯密度图构造单元152,用于:以如下高斯密度公式计算所述多个上下文本征特征向量的高斯混合模型;其中,所述高斯密度公式为:,其中,/>表示所述多个上下文本征特征向量之间的按位置均值向量,且/>的每个位置的值表示所述多个上下文本征特征向量中各个位置的特征值之间的方差。
特别地,在本申请的技术方案中,这里,在将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量时,是将所述多个本征特征向量通过基于转换器的上下文关联编码器得到的多个上下文本征特征向量直接级联以得到所述解码特征向量,这样,会使得所述解码特征向量在作为目标解码回归维度的所述多个上下文本征特征向量的融合特征维度上具有较差的一致性和相关性,从而影响所述解码特征向量的解码结果的准确性。因此,期望收敛所述多个上下文本征特征向量之间在高斯概率密度层面的差异,具体地,首先计算所述多个上下文本征特征向量的高斯混合模型,再进一步计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数。
相应地,在一个具体示例中,所述加权因数计算单元153,用于:以如下高斯概率密度分布距离指数公式分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到所述多个高斯概率密度分布距离指数;其中,所述高斯概率密度分布距离指数公式为:,其中,/>是所述多个上下文本征特征向量中的第 />个上下文本征特征向量,/>表示向量的转置向量,/>和/>是所述高斯混合模型的均值向量和协方差矩阵,所述多个上下文本征特征向量和所述高斯混合模型的均值向量均为列向量形式,/>表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值,/>表示按位置减法,/>表示矩阵乘法,表示所述多个高斯概率密度分布距离指数中的第/>个高斯概率密度分布距离指数。
这里,通过计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数,可以表示目标特征向量的特征分布相对于所述高斯混合模型表示的联合高斯概率密度分布的特征分布距离,通过以其分别对所述多个上下文本征特征向量中的每个上下文本征特征向量进行加权,就可以提高级联得到的所述解码特征向量到高斯概率密度在目标域上的概率密度联合分布相关迁移的兼容性,从而提升其高斯概率密度分布在作为目标解码回归维度的所述多个上下文本征特征向量的融合特征维度上的一致性和相关性,以提升所述解码特征向量的解码结果的准确性。这样,能够实时准确地基于放电趋势来对于电机的给进速度进行自适应控制,以减少放电过程中的不稳定现象,提高加工工况的效率和质量。
更具体地,在本申请实施例中,所述电机给进速度结果生成模块160,用于将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度。这样,能够以所述放电状态的隐性关联特征分布信息来对于放电的趋势进行准确检测,进而以基于放电趋势来对于电机的给进速度进行实时准确地自适应控制,减少放电过程中的不稳定现象,提高加工工况的效率和质量。
相应地,在一个具体示例中,所述电机给进速度结果生成模块160,用于:使用所述解码器的多个全连接层以如下解码公式对所述解码特征向量进行解码回归以获得所述解码值,其中,所述解码公式为:,其中/>是所述解码特征向量,/>是所述解码值,/>是权重矩阵,/>表示矩阵乘。
综上,基于本申请实施例的智能自适应采样控制系统100被阐明,其首先将电火花加工过程中的预定时间段的放电波形信号转化为格拉姆角和场图像,接着,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列,然后,对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量,接着,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量,最后,将所述解码特征向量通过解码器以得到用于表示当前时间点的电机进给速度的解码值。这样,可以减少放电过程中不稳定现象的发生。
如上所述,根据本申请实施例的所述基于本申请实施例的智能自适应采样控制系统100可以实现在各种终端设备中,例如具有基于本申请实施例的智能自适应采样控制算法的服务器等。在一个示例中,基于本申请实施例的智能自适应采样控制系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的智能自适应采样控制系统100可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的智能自适应采样控制系统100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的智能自适应采样控制系统100与该终端设备也可以是分立的设备,并且该基于本申请实施例的智能自适应采样控制系统100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
图5为根据本申请实施例的智能自适应采样控制方法的流程图。如图5所示,根据本申请实施例的智能自适应采样控制方法,其包括:S110,获取电火花加工过程中的预定时间段的放电波形信号;S120,将所述放电波形信号转化为格拉姆角和场图像;S130,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列;S140,对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量;S150,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量;以及,S160,将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度。
图6为根据本申请实施例的智能自适应采样控制方法的系统架构的示意图。如图6所示,在所述智能自适应采样控制方法的系统架构中,首先,获取电火花加工过程中的预定时间段的放电波形信号;接着,将所述放电波形信号转化为格拉姆角和场图像;然后,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列;接着,对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量;然后,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量;最后,将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度。
在一个具体示例中,在上述智能自适应采样控制方法中,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列,包括:对所述格拉姆角和场图像进行均匀图像分块处理以得到图像块序列。
在一个具体示例中,在上述智能自适应采样控制方法中,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量,包括:将所述多个本征特征向量输入所述基于转换器的上下文编码器以得到多个上下文本征特征向量;计算所述多个上下文本征特征向量的高斯混合模型,所述高斯混合模型的均值向量为所述多个上下文本征特征向量的按位置均值向量,所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差;分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数;以所述多个高斯概率密度分布距离指数作为权重,对所述多个上下文本征特征向量进行加权以得到多个优化上下文本征特征向量;以及,将所述多个优化上下文本征特征向量进行级联以得到所述解码特征向量。
在一个具体示例中,在上述智能自适应采样控制方法中,将所述多个本征特征向量输入所述基于转换器的上下文编码器以得到多个上下文本征特征向量,包括:将所述多个本征特征向量进行一维排列以得到第一全局本征特征向量;计算所述第一全局本征特征向量与所述多个本征特征向量中各个本征特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及,分别以所述多个第一概率值中各个第一概率值作为权重对所述多个本征特征向量中各个本征特征向量进行加权以得到所述多个上下文本征特征向量。
在一个具体示例中,在上述智能自适应采样控制方法中,计算所述多个上下文本征特征向量的高斯混合模型,所述高斯混合模型的均值向量为所述多个上下文本征特征向量的按位置均值向量,所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差,包括:以如下高斯密度公式计算所述多个上下文本征特征向量的高斯混合模型;其中,所述高斯密度公式为:,其中,/>表示所述多个上下文本征特征向量之间的按位置均值向量,且/>的每个位置的值表示所述多个上下文本征特征向量中各个位置的特征值之间的方差。
在一个具体示例中,在上述智能自适应采样控制方法中,分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数,包括:以如下高斯概率密度分布距离指数公式分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到所述多个高斯概率密度分布距离指数;其中,所述高斯概率密度分布距离指数公式为:,其中,/>是所述多个上下文本征特征向量中的第 />个上下文本征特征向量,/>表示向量的转置向量,/>和/>是所述高斯混合模型的均值向量和协方差矩阵,所述多个上下文本征特征向量和所述高斯混合模型的均值向量均为列向量形式,/>表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值,/>表示按位置减法,/>表示矩阵乘法,表示所述多个高斯概率密度分布距离指数中的第/>个高斯概率密度分布距离指数。
在一个具体示例中,在上述智能自适应采样控制方法中,将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度,包括:使用所述解码器的多个全连接层以如下解码公式对所述解码特征向量进行解码回归以获得所述解码值,其中,所述解码公式为:,其中/>是所述解码特征向量,/>是所述解码值,/>是权重矩阵,/>表示矩阵乘。
这里,本领域技术人员可以理解,上述智能自适应采样控制方法中的各个步骤的具体操作已经在上面参考图1到图4的智能自适应采样控制系统的描述中得到了详细介绍,并因此,将省略其重复描述。
根据本申请的另一方面,还提供了一种非易失性的计算机可读存储介质,其上存储有计算机可读的指令,当利用计算机执行所述指令时可以执行如前所述的方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”,通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如,各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信,如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如:从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台,或其他实现系统的计算机环境,或与提供目标检测所需要的信息相关的类似功能的系统。因此,另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接,例如光波、电波、电磁波等,通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备,也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质,其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本发明所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本发明的说明,而不应被认为是对其的限制。尽管描述了本发明的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本发明的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本发明范围内。应当理解,上面是对本发明的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本发明由权利要求书及其等效物限定。
Claims (8)
1.一种智能自适应采样控制系统,其特征在于,包括:
波形信号采集模块,用于获取电火花加工过程中的预定时间段的放电波形信号;
域转换模块,用于将所述放电波形信号转化为格拉姆角和场图像;
图像分块模块,用于对所述格拉姆角和场图像进行图像分块处理以得到图像块序列;
矩阵分解模块,用于对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量;
全局关联编码模块,用于将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量;以及
电机给进速度结果生成模块,用于将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度;
其中,所述全局关联编码模块,包括:
上下文编码单元,用于将所述多个本征特征向量输入所述基于转换器的上下文编码器以得到多个上下文本征特征向量;
联合高斯密度图构造单元,用于计算所述多个上下文本征特征向量的高斯混合模型,所述高斯混合模型的均值向量为所述多个上下文本征特征向量的按位置均值向量,所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差;
加权因数计算单元,用于分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数;
加权优化单元,用于以所述多个高斯概率密度分布距离指数作为权重,对所述多个上下文本征特征向量进行加权以得到多个优化上下文本征特征向量;以及
级联单元,用于将所述多个优化上下文本征特征向量进行级联以得到所述解码特征向量。
2.根据权利要求1所述的智能自适应采样控制系统,其特征在于,所述图像分块模块,用于:
对所述格拉姆角和场图像进行均匀图像分块处理以得到图像块序列。
3.根据权利要求2所述的智能自适应采样控制系统,其特征在于,所述上下文编码单元,包括:
查询向量构造子单元,用于将所述多个本征特征向量进行一维排列以得到第一全局本征特征向量;
自注意子单元,用于计算所述第一全局本征特征向量与所述多个本征特征向量中各个本征特征向量的转置向量之间的乘积以得到多个第一自注意力关联矩阵;
标准化子单元,用于分别对所述多个第一自注意力关联矩阵中各个第一自注意力关联矩阵进行标准化处理以得到多个第一标准化后自注意力关联矩阵;
关注度计算子单元,用于将所述多个第一标准化后自注意力关联矩阵中各个第一标准化后自注意力关联矩阵通过Softmax分类函数以得到多个第一概率值;以及
注意力施加子单元,用于分别以所述多个第一概率值中各个第一概率值作为权重对所述多个本征特征向量中各个本征特征向量进行加权以得到所述多个上下文本征特征向量。
4.根据权利要求3所述的智能自适应采样控制系统,其特征在于,所述联合高斯密度图构造单元,用于:
以如下高斯密度公式计算所述多个上下文本征特征向量的高斯混合模型;
其中,所述高斯密度公式为:
其中,μ表示所述多个上下文本征特征向量之间的按位置均值向量,且σ的每个位置的值表示所述多个上下文本征特征向量中各个位置的特征值之间的方差。
5.根据权利要求4所述的智能自适应采样控制系统,其特征在于,所述加权因数计算单元,用于:
以如下高斯概率密度分布距离指数公式分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到所述多个高斯概率密度分布距离指数;
其中,所述高斯概率密度分布距离指数公式为:
其中,Vi是所述多个上下文本征特征向量中的第i个上下文本征特征向量,(·)T表示向量的转置向量,μu和∑u是所述高斯混合模型的均值向量和协方差矩阵,所述多个上下文本征特征向量和所述高斯混合模型的均值向量均为列向量形式,exp(·)表示矩阵的指数运算,所述矩阵的指数运算表示以矩阵中各个位置的特征值为幂的自然指数函数值,表示按位置减法,/>表示矩阵乘法,wi表示所述多个高斯概率密度分布距离指数中的第i个高斯概率密度分布距离指数。
6.根据权利要求5所述的智能自适应采样控制系统,其特征在于,所述电机给进速度结果生成模块,用于:
使用所述解码器的多个全连接层以如下解码公式对所述解码特征向量进行解码回归以获得所述解码值,其中,所述解码公式为:其中X是所述解码特征向量,Y是所述解码值,W是权重矩阵,/>表示矩阵乘。
7.一种智能自适应采样控制方法,其特征在于,包括:
获取电火花加工过程中的预定时间段的放电波形信号;
将所述放电波形信号转化为格拉姆角和场图像;
对所述格拉姆角和场图像进行图像分块处理以得到图像块序列;
对所述图像块序列中各个图像块的像素值矩阵进行矩阵分解以将所述各个图像块转化为由多个本征值组成的本征特征向量,以得到多个本征特征向量;
将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量;以及
将所述解码特征向量通过解码器以得到解码值,所述解码值用于表示当前时间点的电机进给速度;
其中,将所述多个本征特征向量通过基于转换器的上下文关联编码器以得到解码特征向量,包括:
将所述多个本征特征向量输入所述基于转换器的上下文编码器以得到多个上下文本征特征向量;
计算所述多个上下文本征特征向量的高斯混合模型,所述高斯混合模型的均值向量为所述多个上下文本征特征向量的按位置均值向量,所述高斯混合模型的协方差矩阵中各个位置的值为所述按位置均值向量中相应两个位置的特征值之间的方差;
分别计算所述多个上下文本征特征向量中的每个上下文本征特征向量与所述高斯混合模型的高斯概率密度分布距离指数以得到多个高斯概率密度分布距离指数;
以所述多个高斯概率密度分布距离指数作为权重,对所述多个上下文本征特征向量进行加权以得到多个优化上下文本征特征向量;以及
将所述多个优化上下文本征特征向量进行级联以得到所述解码特征向量。
8.根据权利要求7所述的智能自适应采样控制方法,其特征在于,对所述格拉姆角和场图像进行图像分块处理以得到图像块序列,包括:
对所述格拉姆角和场图像进行均匀图像分块处理以得到图像块序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408044.7A CN116859717B (zh) | 2023-04-17 | 2023-04-17 | 智能自适应采样控制系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310408044.7A CN116859717B (zh) | 2023-04-17 | 2023-04-17 | 智能自适应采样控制系统及其方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116859717A CN116859717A (zh) | 2023-10-10 |
CN116859717B true CN116859717B (zh) | 2024-03-08 |
Family
ID=88232829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310408044.7A Active CN116859717B (zh) | 2023-04-17 | 2023-04-17 | 智能自适应采样控制系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116859717B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4882733A (en) * | 1987-03-13 | 1989-11-21 | Ford Aerospace Corporation | Method and apparatus for combining encoding and modulation |
CN104985270A (zh) * | 2015-07-27 | 2015-10-21 | 武汉鸿麟电子有限公司 | 一种用于电火花线切割机床的智能一体化控制柜 |
CN111242036A (zh) * | 2020-01-14 | 2020-06-05 | 西安建筑科技大学 | 一种基于编码-解码结构多尺度卷积神经网络的人群计数方法 |
CN113702777A (zh) * | 2021-07-27 | 2021-11-26 | 广西电网有限责任公司电力科学研究院 | 一种高压设备在线巡检监测系统 |
CN114417522A (zh) * | 2021-12-23 | 2022-04-29 | 鞍山浦项特种耐火材料有限公司 | 一种铝锆碳滑板的工艺参数优化方法、系统和电子设备 |
CN115392301A (zh) * | 2022-08-15 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司大理局 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测系统及其方法 |
CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2857527B1 (fr) * | 2003-07-11 | 2006-01-06 | Cit Alcatel | Compression contextuelle d'images numeriques |
US11615523B2 (en) * | 2021-08-18 | 2023-03-28 | Zhejiang Gongshang University | Methods for recognizing small targets based on deep learning networks |
-
2023
- 2023-04-17 CN CN202310408044.7A patent/CN116859717B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4882733A (en) * | 1987-03-13 | 1989-11-21 | Ford Aerospace Corporation | Method and apparatus for combining encoding and modulation |
CN104985270A (zh) * | 2015-07-27 | 2015-10-21 | 武汉鸿麟电子有限公司 | 一种用于电火花线切割机床的智能一体化控制柜 |
CN111242036A (zh) * | 2020-01-14 | 2020-06-05 | 西安建筑科技大学 | 一种基于编码-解码结构多尺度卷积神经网络的人群计数方法 |
CN113702777A (zh) * | 2021-07-27 | 2021-11-26 | 广西电网有限责任公司电力科学研究院 | 一种高压设备在线巡检监测系统 |
CN114417522A (zh) * | 2021-12-23 | 2022-04-29 | 鞍山浦项特种耐火材料有限公司 | 一种铝锆碳滑板的工艺参数优化方法、系统和电子设备 |
CN115392301A (zh) * | 2022-08-15 | 2022-11-25 | 中国南方电网有限责任公司超高压输电公司大理局 | 换流变压器状态识别方法、装置、设备、介质和程序产品 |
CN115456012A (zh) * | 2022-08-24 | 2022-12-09 | 华能新能源股份有限公司 | 风电场风机大部件状态监测系统及其方法 |
CN115951584A (zh) * | 2023-02-09 | 2023-04-11 | 浙江上洋机械股份有限公司 | 用于滚筒杀青机的温度控制系统及方法 |
Non-Patent Citations (2)
Title |
---|
基于时序二维化和卷积特征融合的表面肌电信号分类方法;骆俊锦;王万良;王铮;刘洪海;;模式识别与人工智能(第07期);17-28 * |
基于线切割机床的电机控制系统设计与实现;刘学文;;电机与控制应用(第01期);25-30 * |
Also Published As
Publication number | Publication date |
---|---|
CN116859717A (zh) | 2023-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kim et al. | Softflow: Probabilistic framework for normalizing flow on manifolds | |
Makkar et al. | Analogizing time complexity of KNN and CNN in recognizing handwritten digits | |
CN110427625B (zh) | 语句补全方法、装置、介质及对话处理系统 | |
CN111627419B (zh) | 一种基于水下目标及环境信息特征的声音生成方法 | |
CN113610232B (zh) | 网络模型量化方法、装置、计算机设备以及存储介质 | |
Boutros et al. | Quantface: Towards lightweight face recognition by synthetic data low-bit quantization | |
CN110363163B (zh) | 一种方位角可控的sar目标图像生成方法 | |
CN110726898A (zh) | 一种配电网故障类型识别方法 | |
CN110796120A (zh) | 基于时域特征的断路器机械故障XGBoost诊断方法 | |
CN110851594A (zh) | 一种基于多通道深度学习模型的文本分类方法及其装置 | |
CN112557826A (zh) | 一种船舶电力系统故障诊断方法 | |
CN115186774A (zh) | 智能电缆剥线设备及其方法 | |
Ganjun et al. | Partial discharge pattern recognition of high voltage cables based on the stacked denoising autoencoder method | |
CN113884844A (zh) | 一种变压器局部放电类型识别方法及系统 | |
CN114495977B (zh) | 语音翻译和模型训练方法、装置、电子设备以及存储介质 | |
CN111882057A (zh) | 一种面向时空序列数据建模的多阶段深度学习方法及应用 | |
CN116049650A (zh) | 基于rfsfd-t网络的射频信号指纹识别方法及系统 | |
CN116859717B (zh) | 智能自适应采样控制系统及其方法 | |
CN112884062B (zh) | 一种基于cnn分类模型和生成对抗网络的运动想象分类方法及系统 | |
CN117349657A (zh) | 一种用于水利工程环境监测的分布式数据采集模块及监测系统 | |
CN116794553B (zh) | 用于高频电源的智能故障诊断方法及其系统 | |
CN115328661B (zh) | 一种基于语音和图像特征的算力均衡执行方法及芯片 | |
CN111275109A (zh) | 基于自编码器的电力设备状态数据特征选优方法及系统 | |
CN115656958A (zh) | 实时航迹起始和航迹分类的检测方法及检测装置 | |
Huang et al. | A method for extracting fingerprint feature of communication satellite signal |
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 |