CN117195137B - 基于数据分析的转子压铸误差检测系统 - Google Patents

Abstract

本发明涉及数据处理技术领域，具体涉及一种基于数据分析的转子压铸误差检测系统。该系统包括：获取每个转子的压力数据序列；获取每个时刻的标准压力值；基于数据点的标准压力值筛选出疑似异常数据点；获取每个数据点的异常度；将压力数据序列与模拟压力数据序列中数据点进行匹配，并根据匹配情况对数据点的异常度进行调整，得到每个数据点的距离权值，利用距离权值对距离调整后的精确DTW距离对压铸过程中出现误差的转子进行检测。本发明根据模拟压力数据和实际采集压力数据的匹配特征对数据点的异常度进行校正，对序列中数据点的距离赋予适当的权值，提高了转子压铸过程中误差检测的准确性。

Description

基于数据分析的转子压铸误差检测系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种基于数据分析的转子压铸误差检测系统。

背景技术

转子是一种重要的机械零部件，在各种机械设备中都有广泛的应用。它主要通过旋转运动来实现能量的传递和转换，具有高效、稳定、可靠等特点，常用于发电机、飞机发动机、燃气轮机、压缩机、泵等设备中，故对转子的质量有较高的要求。因此转子压铸误差检测是一项非常关键的生产工序，可以有效保障机械转子零部件生产的质量和效率。

现有技术采集转子在压铸过程的时序数据，例如温度、压力和振动等参数，通过动态时间规整（Dynamic-Time-Warping，DTW）算法对压力数据序列进行匹配，DTW算法会忽视时间维度上的偏移或缩放影响，但会在异常数据处根据欧式距离强行匹配，导致获取的压力数据序列的DTW距离与实际的相似性之间存在误差，进而降低转子压铸误差检测的准确性。

发明内容

为了解决DTW算法在异常数据处根据欧式距离强行匹配，使序列的获取的DTW距离与实际DTW距离存在误差，导致转子压铸误差检测不准确的技术问题，本发明的目的在于提供一种基于数据分析的转子压铸误差检测系统，所采用的技术方案具体如下：

本发明提出了一种基于数据分析的转子压铸误差检测系统，所述系统包括：

数据获取模块，用于获取至少两个转子在压铸过程中每个时刻下压力数据的数据点；将每个转子在压铸过程中数据点按照时间顺序排列得到每个转子的压力数据序列；每个转子的所述压力数据序列的长度相等；

异常数据分析模块，用于根据相邻时刻下数据点的压力值之间的差异和每个时刻下各数据点的压力值分布，获取每个时刻的标准压力值；基于每个数据点的压力值与所述数据点对应时刻的所述标准压力值的差异，筛选出每个压力数据序列中的疑似异常数据点；

异常度分析模块，用于根据每个压力数据序列中疑似异常数据点出现的时长与每个疑似异常数据点的压力值，获取每个疑似异常数据点的异常度；

距离权值分析模块，将每个压力数据序列分别与预设的模拟压力数据序列进行匹配，依据每个压力数据序列中每个数据点的匹配情况对所述异常度进行调整，获取每个压力数据序列中每个数据点的距离权值；

转子误差检测模块，用于根据每个压力数据序列中每个数据点的所述距离权值，对压力数据序列与预设的模拟压力数据序列中数据点之间的距离进行调整获取压力数据序列的精确DTW距离，基于所述精确DTW距离对压铸过程中出现误差的转子进行检测。

进一步地，所述标准压力值的获取方法，包括：

根据相邻时刻下数据点之间压力值的差异和每个时刻下数据点的压力值的分布，获取每个时刻下每个数据点的权重；

将每个时刻下每个数据点的权重进行归一化，得到每个数据点的归一权重；将每个时刻下每个数据点的压力值与所述归一权重的乘积进行累加，得到每个时刻的标准压力值。

进一步地，所述每个时刻下每个数据点的权重的获取方法，包括：

统计每个时刻下各数据点对应压力值出现的次数，将每个时刻下每个数据点的压力值出现的次数作为每个数据点的压力重复次数；

将每个时刻的数据点与所述时刻的下一时刻的数据点之间的压力值的差值，作为每个时刻下数据点的压力差值；

选取每个时刻下任意一个数据点作为目标数据点，当每个时刻下所述目标数据点的所述压力重复次数小于或者等于预设常数时，将所述压力重复次数与预设常数的乘积作为每个时刻下目标数据点的权重；

当每个时刻下所述目标数据点的所述压力重复次数大于预设常数时，将每个时刻下与所述目标数据点的压力值相等的压力值对应的数据点，作为目标数据点的第一类别的分析数据点；将每个所述第一类别的分析数据点的前一时刻的数据点作为目标数据点的第二类别的分析数据点；将所有类别的所述分析数据点的所述压力差值的方差的均值，作为目标数据点的波动值；根据每个时刻下目标数据点的所述压力重复次数与所述波动值，获取目标数据点的权重；所述压力重复次数与所述权重为正相关的关系，所述波动值与所述权重为负相关的关系；

改变所述目标数据点，获取每个时刻下每个数据点的所述权重。

进一步地，所述疑似异常数据点的获取方法，包括：

将每个数据点的压力值与其对应时刻的所述标准压力值的差值绝对值，作为每个数据点的压力标准差异；

对每个数据点的所述压力标准差异使用最大类间方差法，获取分割阈值；将大于所述分割阈值的所述压力标准差异对应的数据点作为疑似异常数据点。

进一步地，所述异常度的获取方法，包括：

根据每个压力数据序列中疑似异常数据点的个数，以及每个数据点的所述压力标准差异，获取每个压力数据序列的异常特征值；

将压力数据序列中连续出现的疑似异常数据点构成异常段，获取每个压力数据序列中每个所述异常段的长度；将每个压力数据序列中每个疑似异常数据点所在的所述异常段的长度进行归一化，得到每个疑似异常数据点的异常长度值；

根据每个压力数据序列中每个疑似异常数据点的所述异常长度值、所述压力标准差异与所述异常特征值，获取每个疑似异常数据点的异常度；所述异常长度值、所述压力标准差异与所述异常特征值均与所述异常度为正相关的关系。

进一步地，所述异常特征值的获取方法，包括：

统计每个压力数据序列中疑似异常数据点的个数，将每个压力数据序列中疑似异常数据点的个数进行归一化，得到每个压力数据序列的时长异常度；将每个压力数据序列中每个数据点的所述压力标准差异进行累加，得到每个压力数据序列的综合压力标准差异；将每个压力数据序列的所述时长异常度与所述综合压力标准差异的乘积进行归一化，得到每个压力数据序列的异常特征值。

进一步地，所述距离权值的获取方法，包括：

将小于或者等于所述分割阈值的所述压力标准差异对应的数据点作为正常数据点；

每个压力数据序列中所述正常数据点的所述距离权值为常数1；

结合每个压力数据序列与预设的模拟压力数据序列中数据点的匹配情况，及预设的模拟压力数据序列中数据点的压力值，获取每个压力数据序列中每个疑似异常数据点的匹配对数量与标准匹配压力值；

将每个疑似异常数据点的压力值与其所述标准匹配压力值的差值绝对值，作为每个疑似异常数据点的异常压力差异；根据每个疑似异常数据点的所述异常度、所述匹配对数量与所述异常压力差异，获取每个疑似异常数据点的距离权值；所述异常度、所述匹配对数量与所述异常压力差异均与所述距离权值为正相关的关系。

进一步地，所述获取每个压力数据序列中每个疑似异常数据点的匹配对数量与标准匹配压力值的方法，包括：

利用DTW算法对每个压力数据序列分别与预设的模拟压力数据序列进行匹配，将预设的模拟压力数据序列中与每个压力数据序列中每个数据点相似的数据点，作为每个压力数据序列中每个数据点的匹配数据点；

若每个压力数据序列中每个疑似异常数据点仅存在一个所述匹配数据点，且所述匹配数据点没有其他对应的数据点，则每个所述疑似异常数据点的匹配对数量为1，将每个疑似异常数据点的所述匹配数据点的压力值作为每个疑似异常数据点的标准匹配压力值；

若所述压力数据序列中每个疑似异常数据点存在至少两个所述匹配数据点，则统计每个疑似异常数据点的所述匹配数据点的数量，作为每个疑似异常数据点的匹配对数量，将每个疑似异常数据点的所述匹配数据点的压力值的均值作为每个疑似异常数据点的标准匹配压力值；

若每个压力数据序列中存在至少两个数据点的所述匹配数据点为同一个匹配数据点，且所述数据点中至少存在一个疑似异常数据点，将同一匹配数据点在压力数据序列中对应的所有数据点构成同类数据集合；统计所述同类数据集合中数据点的数量，作为同类数据集合中每个疑似数据点的匹配对数量，将每个疑似异常数据点的匹配数据点的压力值作为每个疑似异常数据点的标准匹配压力值。

进一步地，所述精确DTW距离的获取方法，包括：

每个压力数据序列中每个数据点与其所述匹配数据点构成了每个压力数据序列中每个数据点的匹配对；计算每个压力数据序列中每个数据点的所述匹配对内两个数据点之间的欧式距离，将每个压力数据序列中每个数据点的所述欧式距离与所述距离权值的乘积，作为每个压力数据序列中每个匹配对的加权距离；将每个压力数据序列中数据点的每个匹配对的所述加权距离进行累加并归一化，得到每个压力数据序列的精确DTW距离。

进一步地，所述基于所述精确DTW距离对压铸过程中出现误差的转子进行检测的方法，为：

当压力数据序列的精确DTW距离大于预设的误差阈值时，压力数据序列对应的转子存在误差；当压力数据序列的精确DTW距离小于或者等于预设的误差阈值时，压力数据序列对应的转子不存在误差。

本发明具有如下有益效果：

本发明实施例中，正常情况下每个转子的压力数据序列中数据点的压力值大小和变化趋势相似，相邻时刻下数据点的压力值之间的差异反映数据点的压力值的变化趋势，结合每个时刻下数据点的压力值分析，使得到的标准压力值越接近对应时刻下的正常的压力值；由于异常的数据点在后续匹配过程中会产生较大的误差，为降低误差情况对可能存在异常的数据点进行分析，数据点的压力值与标准压力值的差异反映数据点的异常情况，使筛选出的疑似异常数据点更加准确；压力数据序列中疑似异常数据点出现的时长呈现转子在整个压铸过程中出现异常的时间，疑似异常数据点的压力值反映数据异常波动情况，结合两种因素获取的疑似异常数据点的异常度的准确性更高；现有技术利用DTW算法对压力数据序列与预设的模拟压力数据序列进行匹配在异常数据点处会根据欧式距离强行匹配，会出现“一对多”和“多对一”的情况，导致压力数据序列与模拟压力数据序列进行匹配时得到距离与实际数值之间存在误差；本发明根据压力数据序列与预设的模拟压力数据序列的匹配特征对数据点的异常度进行校正，获取数据点的距离权值，对压力数据序列与预设的模拟压力数据序列中数据点之间的距离赋予合适的距离权值得到精确DTW距离，进而对压铸过程中存在误差的转子进行检测，提高了导致转子压铸误差检测的准确率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些附图获得其它附图。

图1是本发明一个实施例所提供的一种基于数据分析的转子压铸误差检测系统的系统框图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于数据分析的转子压铸误差检测系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

本发明所针对的具体场景：基于数据分析的转子压铸误差检测系统主要通过采集转子压铸过程的数据，例如温度、压力、振动等参数。对采集数据进行分析和建模，以识别转子压铸过程中存在的误差和缺陷，并定位其位置和类型。由于转子压铸出现误差的次数往往较少，若对每个转子压铸过程的数据进行分析和建模，需要耗费大量计算资源和时间。

下面结合附图具体的说明本发明所提供的一种基于数据分析的转子压铸误差检测系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的一种基于数据分析的转子压铸误差检测系统的系统框图，该系统包括：数据获取模块101，异常数据分析模块102，异常度分析模块103，距离权值分析模块104，转子误差检测模块105。

数据获取模块101，用于获取至少两个转子在压铸过程中每个时刻下压力数据的数据点；将每个转子在压铸过程中数据点按照时间顺序排列得到每个转子的压力数据序列；每个转子的压力数据序列的长度相等。

具体的，转子压铸过程为：将熔体注入到模具中，然后通过高压力和高速度填充整个模腔，随后熔体冷却凝固成形，形成转子。为了满足大规模生产的需求，转子压铸一般批量进行，即使用多个模具同时生产多个转子。转子压铸误差检测需要分别采集每个转子压铸过程中的温度、压力、流速、振动等数据进行分析，以识别转子压铸过程中的误差和缺陷。

由于转子压铸模具为密闭环境，故每个模具内转子压铸过程产生的各类型数据之间必然相互关联、相互影响，具体表现为：当某一类型数据出现异常时，其它类型数据也必然出现异常。因此本发明以压力数据为主要参考数据，识别每个转子压铸过程中是否出现异常。

采集同批次、同类型的转子压铸过程中的压力数据，将每个转子在压铸过程中的每个时刻的数据点按照时间顺序排列，得到每个转子的压力数据序列。需要注意的是，压力数据为时序数据，压力数据序列为时间序列，压力数据序列的长度为采集时序数据的时长n，压力数据序列的数量为该同批次、同类型转子的数量m。

异常数据分析模块102，用于根据相邻时刻下数据点的压力值之间的差异和每个时刻下各数据点的压力值分布，获取每个时刻的标准压力值；基于每个数据点的压力值与数据点对应时刻的标准压力值的差异，筛选出每个压力数据序列中的疑似异常数据点。

具体的，同批次生产的转子中出现瑕疵品的数量往往较少，甚至没有。同批次、同类型的各转子在压铸过程中的压力时序数据值和变化趋势相似，每个压力数据序列中数据点的压力值的大小和变化趋势相似，即同一时刻下每个压力数据序列中数据点的压力值的大小相似。

优选地，标准压力值的获取方法为：根据相邻时刻下数据点之间压力值的差异和每个时刻下数据点的压力值的分布，获取每个时刻下每个数据点的权重；将每个时刻下每个数据点的权重进行归一化，得到每个数据点的归一权重；将每个时刻下每个数据点的压力值与归一权重的乘积进行累加，得到每个时刻的标准压力值。

需要说明的是，本发明实施例通过每个时刻下所有数据点的权重的累加和对每个数据点的权重进行归一化处理。在本发明其他实施例也可以选择其他对每个数据点的权值进行归一化的方法，例如函数转化和最大最小规范化等归一化方法，在此不做限定。

根据相邻时刻下数据点之间压力值的差异和每个时刻下数据点的压力值，获取每个时刻的标准压力值。标准压力值的计算公式如下：

式中，B为每个时刻的标准压力值，m为压力数据序列的数量，为每个时刻下第q个数据点的权重，/>为每个时刻下第q个数据点的压力值，/>为每个时刻下第q个数据点的归一权重；Norm为归一化函数。

需要说明的是，当数据点的权重越大，说明说明数据点的压力值为对应时刻下正常的压力值的概率越大，通过归一权重/>对数据点的压力值/>进行调整，使每个时刻的标准压力值B越接近对应时刻下的正常的压力值。

计算每个时刻的标准压力值，需要获取每个时刻下每个数据点的压力值所需的权重，每个数据点的权重的计算方法如下：

优选地，每个时刻下每个数据点的权重的获取方法为：将任意两个相邻时刻的前一时刻下数据点与后一时刻下数据点的压力值的差值，作为前一时刻下数据点的压力差值；统计每个时刻下各数据点对应压力值出现的次数，将每个时刻下每个数据点的压力值出现的次数作为每个数据点的压力重复次数；将每个时刻的数据点与所述时刻的下一时刻的数据点之间的压力值的差值，作为每个时刻下数据点的压力差值；当每个时刻下目标数据点的压力重复次数大于预设常数时，将每个时刻下与目标数据点的压力值相等的压力值对应的数据点，作为目标数据点的第一类别的分析数据点；将每个第一类别的分析数据点的前一时刻的数据点作为目标数据点的第二类别的分析数据点；将所有类别的分析数据点的压力差值的方差的均值，作为目标数据点的波动值；根据每个时刻下目标数据点的压力重复次数与波动值，获取目标数据点的权重；压力重复次数与权重为正相关的关系，波动值均与权重为负相关的关系；改变目标数据点，获取每个时刻下每个数据点的权重。

作为一个示例，以第一时刻为例分析，将每个压力数据序列中第1时刻的数据点的压力值与第2时刻的数据点的压力值的差值，作为第1时刻的数据点的压力差值。需要说明的是，最后时刻的数据点无压力差值，即每个压力数据序列中最后一个数据点没有对应的压力差值。

统计每个时刻下每个数据点对应压力值出现的次数，并将其作为每个数据点的压力重复次数D。对于第2时刻下第1个数据点的压力值，若第2时刻下第2个数据点与第3个数据点的压力值均与第1个数据点的压力值相等，则第1个数据点的压力值出现的次数为3，即第1个数据点的压力重复次数为3。需要注意的是，数据点的压力重复次数的最小值为1，即每个时刻下每个数据点的压力值与其他数据点的压力值均不相等。

对于每个时刻下数据点的压力重复次数小于或者等于预设常数a的数据点，将数据点的压力重复次数D与预设常数a的乘积作为数据点的权重w。对于每个时刻下数据点的压力重复次数大于预设常数a的数据点，以第2时刻下第1个数据点进行分析，在第2时刻下，将与第1个数据点的压力值相等的压力值对应的数据点，即第1个数据点、第2个数据点和第3个数据点，将这3个数据点作为第2时刻下第1个数据点的第一类别的分析数据点；将第1个数据点的每个第一类别的分析数据点的前一时刻的数据点，作为第2时刻下第1个数据点的第二类型的分析数据点，即第1时刻下第1个数据点、第2个数据点和第3个数据点这3个数据点均为第2时刻下第1个数据点的第二类型的分析数据点。需要说明的是，每个压力数据序列中第一个数据点仅有第一类型的分析数据点，不存在第二类型的分析数据点；每个压力数据序列中最后一个数据点不存在第一类型的分析数据点，仅有第二类型的分析数据点。分别计算第2时刻下第1个数据点的第一类别的分析数据点的压力差值的方差，以及第二类别的分析数据点的压力差值的方差/>，将第2时刻下第1个数据点所有类别的分析数据点的压力差值的方差的均值，作为第2时刻下第1个数据点的波动值。根据上述第2时刻下第1个数据点的波动值的获取方法，获取每个时刻下每个数据点的波动值。

结合每个数据点的波动值与压力重复次数，获取每个数据点的权值，权值的获取方法如下：

正常情况下每个时刻下数据点的压力值相同，当每个时刻下某一压力值出现的次数越多，说明该压力值为对应时刻下正常的压力值的概率越大。转子的压力时序数据在同时间点上的变化趋势应一致，即相同时刻下数据点的压力值相似，数据点的波动值呈现相邻数据点的压力值的变化趋势程度，当数据点的波动值越小时，说明数据点与同时刻下数据点的压力值的变化趋势越相似，则数据点的压力值出现的次数越可信，即该时刻下数据点为正常数据点的概率越大。因此，压力重复次数与权重为正相关的关系，波动值与权重为负相关的关系。

本发明实施例为了保证压力重复次数与权重为正相关的关系，波动值与权重为负相关的关系，将校正系数与数据点的波动值/>的乘积进行负相关映射且归一化处理的方法为/>，/>为以自然常数e为底数的指数函数，并将预设常数a与/>之和与压力重复次数/>的乘积作为数据点的权值。在本发明其他实施例中也可选择其他基础数学运算使压力重复次数与权重构成正相关的关系，波动值与权重构成负相关的关系，在此不做限定。本发明实施例中预设常数a取经验值1，实施者可根据具体情况自行设定。

当数据点的压力重复次数大于预设常数时，根据数据点的压力重复次数与压力值获取数据点的权重。权重的计算公式如下：

式中，为每个时刻下第q个数据点的权重，/>为每个时刻下第q个数据点的压力重复次数，a为预设常数，取经验值1，/>为每个时刻下第q个数据点的分析数据点的种类的数量，/>为每个时刻下第q个数据点的第p个种类的分析数据点的压力差值的方差，为每个时刻下第q个数据点的波动值，m为压力数据序列的数量，k取经验值0.1，实施者可根据具体情况自行设定，作用为防止指数函数构造趋于0；/>为以自然常数e为底数的指数函数。

需要说明的是，当数据点的越大时，说明同一时刻下数据点的压力值出现的次数越多，则数据点的压力值为正常的压力值的概率越大，为了使每个时刻的标准压力值/>更加准确，则数据点的权重/>越大；当每个数据点的每种类型的分析数据点的压力差值的方差/>越小时，说明每个数据点与其他压力时序数据在同时间上的变化趋势越相似，使得数据点的波动值/>越小，则同时刻下该数据点的压力值出现的次数越可信；并通过数据点的离散度/>对压力重复次数/>进行调整，提高数据点的压力值为正常的压力值的准确性，提高每个时刻的标准压力值/>的准确性。

至此，获取转子在压铸过程中每个时刻的标准压力值。

异常度分析模块103，用于根据每个压力数据序列中疑似异常数据点出现的时长与每个疑似异常数据点的压力值，获取每个疑似异常数据点的异常度。

每个时刻的标准压力值为对应时刻下最接近的正常压力值的压力值，每个数据点的压力值与其对应时刻的标准压力值的差异，呈现每个数据点的压力值与该数据点在正常情况下压力值之间波动情况，进而反映数据点的异常情况。

优选地，疑似异常数据的获取方法为：将每个数据点的压力值与其对应时刻的标准压力值的差值绝对值，作为每个数据点的压力标准差异；对每个数据点的压力标准差异使用最大类间方差法，获取分割阈值；将大于分割阈值的压力标准差异对应的数据点作为疑似异常数据点。

需要说明的是，每个时刻的标准压力值为转子压铸过程中每个时刻下最接近正常的压力值，将每个数据点的压力值与其对应时刻的标准压力值的差值绝对值，作为每个数据点的压力标准差异；当数据点的压力标准差异越大时，说明数据点的压力值与对应时刻的正常的压力值的差异越大，则数据点为异常数据点的概率越大；反之，则数据点为正常数据点的概率越大。对每个数据点的压力标准差异使用最大类间方差法，获取分割阈值，将大于分割阈值与压力标准差异对应的数据点作为疑似异常数据点。压力数据序列中的非疑似异常数据点为正常数据点。其中，最大类间方差法为本领域技术人员公知技术，在此不再赘述。

在本发明另一个实施例中可以使用聚类算法对每个数据点的压力标准差异进行聚类得到两个聚类簇，计算每个聚类簇中压力标准差异的均值，将均值较小的聚类簇内压力标准差异对应的数据点作为正常数据点，而将均值较大的聚类簇内压力标准差异对应的数据点作为疑似异常数据点。

至此，将每个压力数据序列中的数据点区分为正常数据点和疑似异常数据点。

距离权值分析模块104，将每个压力数据序列分别与预设的模拟压力数据序列进行匹配，依据每个压力数据序列中每个数据点的匹配情况对异常度进行调整，获取每个压力数据序列中每个数据点的距离权值。

压力数据序列中疑似异常数据点出现的时长呈现转子在整个压铸过程中出现异常的时间；疑似异常数据点的压力值可以反映数据异常波动情况，结合两种因素获取的疑似异常数据点的异常程度情况的准确性更高。

优选地，异常度的获取方法为：根据每个压力数据序列中疑似异常数据点的个数，以及每个数据点的所述压力标准差异，获取每个压力数据序列的异常特征值；将压力数据序列中连续出现的疑似异常数据点构成异常段，获取每个压力数据序列中每个异常段的长度；将每个压力数据序列中每个疑似异常数据点所在的异常段的长度进行归一化，得到每个疑似异常数据点的异常长度值；根据每个压力数据序列中每个疑似异常数据点的异常长度值、压力标准差异与异常特征值，获取每个疑似异常数据点的异常度；异常长度值、压力标准差异与异常特征值均与异常度为正相关的关系。

疑似异常数据点的异常度的具体获取过程如下：

优选地，异常特征值的获取方法为：统计每个压力数据序列中疑似异常数据点的个数，将每个压力数据序列中疑似异常数据点的个数进行归一化，得到每个压力数据序列的时长异常度；将每个压力数据序列中每个数据点的所述压力标准差异进行累加，得到每个压力数据序列的综合压力标准差异；将每个压力数据序列的所述时长异常度与所述综合压力标准差异的乘积进行归一化，得到每个压力数据序列的异常特征值。

作为一个示例，以任意一个压力数据序列为例进行分析，统计压力数据序列中疑似异常数据点的个数，通过压力数据序列中数据点的个数n对疑似异常数据点的个数G进行归一化处理，得到压力数据序列的时长异常度。将压力数据序列中每个数据点的压力标准差异进行累加得到综合压力标准差异。转子整个压铸过程中数据点的压力值出现异常的时间越长，且压力值的异常波动越大，说明该转子压铸过程异常程度越大，故将压力数据序列的时长异常度作为综合压力标准差异的调整值，将两者的乘积的归一化结果作为压力数据序列的异常特征值R。

在转子压铸过程中，压力数据序列中疑似异常数据点对应时刻的持续异常时间越长，说明该异常时间段越异常。压力数据序列中连续出现的疑似异常数据点构成异常段，获取压力数据序列中每个异常段的长度，异常段的长度等于异常段内疑似异常数据点的个数。若压力数据序列为（01110001），其中，0代表压力数据序列中的正常数据点，1代表压力数据序列中的疑似异常数据点，则该压力数据序列中存在两个异常段，第一个异常段的长度为3，第二个异常段的长度为1。同一个异常段内的每个疑似异常数据点所在异常段的长度相等，压力数据序列中第2个数据点、第3个数据点与第4个数据点所在异常段的长度均为3，第8个数据点所在异常段的长度为1。

在转子压铸过程中，压力数据序列中疑似异常数据点对应时刻的持续异常时间越长，说明疑似异常数据点越异常；疑似异常数据点的压力标准差越大，说明疑似异常数据点的异常波动越大，则疑似异常数据点越异常；本发明实施例对疑似异常数据点所在异常段的长度进行归一化处理的方法为/>，将归一化的结果作为疑似异常数据点的调整值，对/>加1是为防止调整值为0。将压力数据序列中每个疑似异常数据点的异常长度值、压力标准差异与异常特征值的乘积，作为每个疑似异常数据点的异常度，通过疑似异常数据点的异常特征值与异常长度值对压力标准差异进行调整。在本发明其他实施例中也可选择其他基础数学运算使异常长度值、压力标准差异与异常特征值均与异常度构成正相关的关系，在此不做限定。

在本发明实施例中也可选择其他对压力数据序列中疑似异常数据点的个数进行归一化的方法，例如函数转化、最大最小规范化等归一化方法，在此不做限定。

结合每个压力数据序列中疑似异常数据点的数量、压力标准差异和连续出现的疑似异常数据点的长度，获取每个疑似异常数据点的异常度。异常度的计算公式如下：

式中，为第i个压力数据序列中第j个疑似异常数据点的异常度，/>为第i个压力数据序列的异常特征值，n为每个压力数据序列的长度，/>为第i个压力数据序列中疑似异常数据点的个数，/>为第i个压力数据序列的时长异常度，/>为第i个压力数据序列的综合压力标准差异，/>为第i个压力数据序列中第j个疑似异常数据点所在的子段的长度，为第i个压力数据序列中第j个疑似异常数据点的异常长度值，/>为第i个压力数据序列中第j个疑似异常数据点的压力标准差异；Norm为归一化函数。

需要说明的是，当压力数据序列中疑似异常数据点的个数越大时，说明转子压铸过程中异常时间越长，压力数据序列中疑似异常数据点越异常，则压力数据序列的异常特征值/>越大；当压力数据序列的综合压力标准差异/>越大，说明压力数据序列的波动程度越大，则疑似异常数据点越异常，则压力数据序列的异常特征值/>越大；疑似异常数据点所在异常段的长度/>越大，说明疑似异常数据点对应时刻的持续异常时间越长，则疑似异常数据点的异常度/>越大；疑似异常数据点的压力标准差异/>越大，说明疑似异常数据点的波动程度越大，则似异常数据点的异常度/>越大。

至此，获取每个压力数据序列中每个疑似异常数据点的异常度。

转子误差检测模块105，用于根据每个压力数据序列中每个数据点的距离权值，对压力数据序列与预设的模拟压力数据序列中数据点之间的距离进行调整获取压力数据序列的精确DTW距离，基于精确DTW距离对压铸过程中出现误差的转子进行检测。

由于同批次、同类型的转子在压铸过程中，各压力传感器采集的时序数据在时间维度上会存在偏移或缩放等变化，且当同批次内压铸的转子瑕疵品较多时，会导致根据同一时刻下数据点的数据特征求取的异常度存在较大的误差，使得部分正常数据点被误分为异常数据点。因此，本方案通过分析转子压铸过程中的最优的模拟数据与各转子压铸过程中实际采集的时序数据之间的匹配特征，与异常度相互映证，准确区分异常数据点。

已知在转子压铸生产前，会使用数值模拟软件对转子压铸过程进行仿真，以预测该过程中可能出现的问题，并优化相关参数，获取最优的压铸过程数据，从而优化转子的产品性能和生产效率。因此，本发明获取选取与分析类型的相同的类型的转子在压铸过程中的模拟压力数据，将每个时刻下模拟压力数据的数据点顺序排列得到预设的模拟压力数据序列。需要说明的是，模拟压力数据为时序数据。

利用DTW算法对预设的模拟压力数据序列分别与每个压力数据序列进行匹配，当DTW距离越大，压力数据序列与预设的模拟压力数据序列的相似性越小。DTW算法会忽视时间维度上的偏移或缩放影响，在疑似异常数据点处根据欧式距离强行匹配，导致获取的疑似异常数据点的异常度偏小。因此，需要赋予真正的异常数据点的异常度较大的权重，校正DTW距离。其中，DTW算法为本领域技术人员公知技术，在此不再赘述。

结合每个压力数据序列与预设的模拟压力数据序列中数据点的匹配情况，及预设的模拟压力数据序列中数据点的压力值，获取每个压力数据序列中每个疑似异常数据点的匹配对数量与标准匹配压力值。

优选地，疑似异常数据点的匹配对数量和标准匹配压力值的具体计算方法为：利用DTW算法对每个压力数据序列分别与预设的模拟压力数据序列进行匹配，将预设的模拟压力数据序列中与每个压力数据序列中每个数据点相似的数据点，作为每个压力数据序列中每个数据点的匹配数据点；若每个压力数据序列中每个疑似异常数据点仅存在一个匹配数据点，则每个疑似异常数据点的匹配对数量为1，将每个疑似异常数据点的匹配数据点的压力值作为每个疑似异常数据点的标准匹配压力值；若压力数据序列中每个疑似异常数据点存在至少两个匹配数据点，则统计每个疑似异常数据点的匹配数据点的数量，作为每个疑似异常数据点的匹配对数量，将每个疑似异常数据点的匹配数据点的压力值的均值作为每个疑似异常数据点的标准匹配压力值；若每个压力数据序列中存在至少两个数据点的匹配数据点为同一个匹配数据点，且数据点中至少存在一个疑似异常数据点，将同一匹配数据点在压力数据序列中对应的所有数据点构成同类数据集合；统计同类数据集合中数据点的数量，作为同类数据集合中每个疑似数据点所在的同类数据点的数量作为每个疑似数据点的匹配对数量，将每个疑似异常数据点的匹配数据点的压力值作为每个疑似异常数据点的标准匹配压力值。

作为一个示例，利用DTW算法对每个压力数据序列分别与预设的模拟压力数据序列进行匹配，在匹配过程中会将压力数据序列与预设的模拟压力数据序列中相似的数据点进行匹配，将预设的模拟压力数据序列中与每个压力数据序列中每个数据点相似的数据点，作为每个压力数据序列中每个数据点的匹配数据点。已知两个序列的DTW匹配会存在三种状况，分别为“一对一”、“多对一”和“一对多”，三种状况反映的异常情况不同，因此，需要对三种情况的分别进行分析。

“一对一”情况分析：假设压力数据序列中第1个数据点的匹配数据点为预设的模拟压力数据序列中第1个数据点，且预设的模拟压力数据序列中第1个数据点在压力数据序列中除第1个数据点之外，没有其他对应的数据点，则压力数据序列中第1个数据点的匹配对数量为1，将预设的模拟压力数据序列中第1个数据点的压力值作为压力数据序列中第1个数据点的标准匹配压力值。

一对多”情况分析：假设压力数据序列中第5个疑似异常数据点的匹配数据点为预设的模拟压力数据序列中第3个数据点与第4个数据点，统计每个疑似异常数据点的匹配数据点的数量，压力数据序列中第5个疑似异常数据点的匹配对数量为2，将预设的模拟压力数据序列中第3个数据点与第4个数据点的压力值的均值，作为压力数据序列中第5个疑似异常数据点的标准匹配压力值。

“多对一”情况分析：假设压力数据序列中第2个数据点、第3个数据点和第4个数据点的匹配数据点均为预设的模拟压力数据序列中第2个数据点，且这三个数据点中至少存在一个疑似异常数据点，则将压力数据序列中第2个数据点、第3个数据点和第4个数据点构成同类数据集合，同类数据集合内数据点的数量为3。若压力数据序列中第2个数据点与第4个数据点均为疑似异常数据点，则第2个数据点与第4个数据点的匹配对数量为3，且将预设的模拟压力数据序列中第2个数据点的压力值分别作为压力数据序列中第2个数据点与第4个数据点的标准匹配压力值。

至此，得到每个压力数据序列中每个疑似异常数据点的匹配对数量与标准匹配压力值。

数据点的匹配对数量以及数据点的压力值与标准匹配压力值的差异两个参数均能反映数据点为正常数据点的可能性，根据数据点为正常数据点的可能性异常度进行调整，得到压力数据序列中每个数据点较为合适的距离权值。

优选地，距离权值的获取方法包括：将小于或者等于所述分割阈值的所述压力标准差异对应的数据点作为正常数据点；每个压力数据序列中正常数据点的距离权值为常数1；结合每个压力数据序列与预设的模拟压力数据序列中数据点的匹配情况，及预设的模拟压力数据序列中数据点的压力值，获取每个压力数据序列中每个疑似异常数据点的匹配对数量与标准匹配压力值；将每个疑似异常数据点的压力值与其标准匹配压力值的差值绝对值，作为每个疑似异常数据点的异常压力差异；根据每个疑似异常数据点的异常度、匹配对数量与异常压力差异，获取每个疑似异常数据点的距离权值；异常度、匹配对数量与异常压力差异均与距离权值为正相关的关系。

作为一个示例，本发明实施例中每个压力数据序列中正常数据点的距离权值设置为常数1。本发明实施例通过每个压力数据序列中疑似异常数据点的匹配对数量的最大值对每个疑似异常数据点的匹配对数量进行归一化处理，得到每个疑似异常数据点的归一化匹配对数量。将每个疑似异常数据点的压力值与其标准匹配压力值的差值绝对值，作为每个疑似异常数据点的异常压力差异。将每个疑似异常数据点的异常压力差异与常数1之和与归一化匹配对数量的乘积，得到每个疑似异常数据点初始校正系数。将每个压力数据序列中疑似异常数据点的异常压力差异的最大值对每个疑似异常数据点初始校正系数进行归一化处理，得到每个疑似异常数据点的校正系数。对异常压力差异加常数1是为了防止后续的校正系数为0。将每个疑似异常数据点的校正系数与异常度的乘积，实现校正系数对异常度的调整。当压力数据序列中疑似异常数据点的匹配状态接近“一对一”，即疑似异常数据点的匹配对数量越接近1，且疑似异常数据点的异常压力差异越小时，说明疑似异常数据点越可能为正常数据点，则该疑似异常数据点的异常度的可信程度越低，所以需要较小的校正系数，使疑似异常数据点的距离权值较小。对压力数据序列中异常压力差异的最大值加1为了防止异常压力差异的最大值/>为0，导致校正系数无意义。对疑似异常数据点的校正系数与异常度的乘积进行归一化处理的结果加常数1，得到疑似异常数据点的距离权值，加常数1时由于本发明实施例中设置压力数据序列中正常数据点的距离权值为1，在压力数据序列与预设的模拟压力数据序列进行DTW算法进行匹配时，设置异常数据点的较大的距离权值，使得校正的DTW距离更加准确，所以加常数1是为了保证疑似异常数据点的距离权值大于正常数据点的距离权值。

结合每个疑似异常数据点的匹配对数量、压力值与标准匹配压力值，获取疑似异常数据点的距离权值。距离权值的计算公式如下：

式中，为第i个压力数据序列中第j个疑似异常数据点的距离权值，/>为第i个压力数据序列中第j个疑似异常数据点的异常度，/>为第i个压力数据序列中第j个疑似异常数据点的匹配对数量，/>为第i个压力数据序列中第j个疑似异常数据点的压力值，为第i个压力数据序列中第j个疑似异常数据点的标准匹配压力值，/>为第i个压力数据序列中第j个疑似异常数据点的异常压力差异，/>为第i个压力数据序列中异常压力差异的最大值；Norm为归一化函数。

需要说明的是，当每个疑似异常数据点的异常度越大时，说明疑似异常数据点为异常的数据点的可能性越大，为了保证后续压力数据序列中DTW的准确性，疑似异常数据点的距离权值/>越大；当压力数据序列中疑似异常数据点的匹配状态接近“一对一”，即疑似异常数据点的匹配对数量/>越接近1，且疑似异常数据点的异常压力差异越小时，说明疑似异常数据点越可能为正常数据点，则该疑似异常数据点的异常度/>的可信程度越低，所以需要较小的校正系数/>，使疑似异常数据点的距离权值/>较小。

数据点的距离权值呈现数据点的匹配对内数据点之间的距离的可信程度，通过距离权值对匹配对内数据点的距离进行调整，提高压力数据序列的精确DTW距离的准确性。

优选地，精确DTW距离的获取方法为：每个压力数据序列中每个数据点与其匹配数据点构成了每个压力数据序列中每个数据点的匹配对；计算每个压力数据序列中每个数据点的匹配对内两个数据点之间的欧式距离，将每个压力数据序列中每个数据点的欧式距离与距离权值的乘积，作为每个压力数据序列中每个匹配对的加权距离；将每个压力数据序列中数据点的每个匹配对的加权距离进行累加并归一化，得到每个压力数据序列的精确DTW距离。

需要说明的是，压力数据序列中正常数据点的距离权值较小，疑似异常数据点的距离权值较大，通过距离权值与数据点的匹配对内两个数据点之间的欧式距离的乘积，实现通过距离权值对数据点的匹配对内两个数据点之间的欧式距离进行校正，使得压力数据序列中DTW距离更加准确。

根据压力数据序列中每个数据点的匹配对内两个数据点之间的欧式距离与距离权值，获取压力数据序列的精确DTW距离。精确DTW距离的计算公式如下：

式中，为第i个压力数据序列精确DTW距离，/>为第i个压力数据序列中数据点的匹配对的数量，/>为第i个压力数据序列中数据点的第x个匹配对的距离权值，/>为第i个压力数据序列中数据点的第x个匹配对内两个数据点之间欧式距离，/>为第i个压力数据序列中数据点的第x个匹配对的加权距离，Norm为归一化函数。

需要说明的是，压力数据序列中正常数据点的距离权值较小，疑似异常数据点的距离权值/>较大，通过距离权值/>对数据点的匹配对内两个数据点之间的欧式距离/>进行调整，实现压力数据序列的DTW距离进行校正，使压力数据序列的精确DTW距离的准确性更高。

根据上述压力数据序列中精确DTW距离的计算方法，获取每个压力数据序列的精确DTW距离。

设置误差阈值；当压力数据序列的精确DTW距离大于预设的误差阈值时，压力数据序列对应的转子存在误差；当压力数据序列的精确DTW距离小于或者等于预设的误差阈值时，压力数据序列对应的转子不存在误差。需要说明的是，本发明实施例中误差阈值取经验值0.3，实施者可根据实际情况自行设定。

对存在误差的转子在压铸过程中采集的温度、压力、振动等数据传输至检测平台。对这些数据分析和建模，以识别这些转子压铸过程中存在的误差和缺陷，定位其位置和类型，由此实现转子压铸误差检测。

至此，本发明完成。

综上所述，在本发明实施例中，获取每个转子的压力数据序列；根据相邻时刻下数据点的压力值之间的差异，获取每个时刻的标准压力值；基于数据点的标准压力值筛选出疑似异常数据点；获取每个数据点的异常度；将压力数据序列与预设的模拟压力数据序列中数据点进行匹配，并根据匹配情况对数据点的异常度进行调整，得到每个数据点的距离权值，利用距离权值对距离进行调整后的精确DTW距离对压铸过程中出现误差的转子进行检测。本发明根据模拟压力数据和实际采集压力数据的匹配特征对数据点的异常度进行校正，对序列中数据点的距离赋予适当的权值，提高了转子压铸过程中误差检测的准确性。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

Claims (10)

1.一种基于数据分析的转子压铸误差检测系统，其特征在于，该系统包括：

数据获取模块，用于获取至少两个转子在压铸过程中每个时刻下压力数据的数据点；将每个转子在压铸过程中数据点按照时间顺序排列得到每个转子的压力数据序列；每个转子的所述压力数据序列的长度相等；

异常数据分析模块，用于根据相邻时刻下数据点的压力值之间的差异和每个时刻下各数据点的压力值分布，获取每个时刻的标准压力值；基于每个数据点的压力值与所述数据点对应时刻的所述标准压力值的差异，筛选出每个压力数据序列中的疑似异常数据点；

异常度分析模块，用于根据每个压力数据序列中疑似异常数据点出现的时长与每个疑似异常数据点的压力值，获取每个疑似异常数据点的异常度；

距离权值分析模块，将每个压力数据序列分别与预设的模拟压力数据序列进行匹配，依据每个压力数据序列中每个数据点的匹配情况对所述异常度进行调整，获取每个压力数据序列中每个数据点的距离权值；

转子误差检测模块，用于根据每个压力数据序列中每个数据点的所述距离权值，对压力数据序列与预设的模拟压力数据序列中数据点之间的距离进行调整获取压力数据序列的精确DTW距离，基于所述精确DTW距离对压铸过程中出现误差的转子进行检测。

2.根据权利要求1所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述标准压力值的获取方法，包括：

根据相邻时刻下数据点之间压力值的差异和每个时刻下数据点的压力值的分布，获取每个时刻下每个数据点的权重；

将每个时刻下每个数据点的权重进行归一化，得到每个数据点的归一权重；将每个时刻下每个数据点的压力值与所述归一权重的乘积进行累加，得到每个时刻的标准压力值。

3.根据权利要求2所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述每个时刻下每个数据点的权重的获取方法，包括：

统计每个时刻下各数据点对应压力值出现的次数，将每个时刻下每个数据点的压力值出现的次数作为每个数据点的压力重复次数；

将每个时刻的数据点与所述时刻的下一时刻的数据点之间的压力值的差值，作为每个时刻下数据点的压力差值；

选取每个时刻下任意一个数据点作为目标数据点，当每个时刻下所述目标数据点的所述压力重复次数小于或者等于预设常数时，将所述压力重复次数与预设常数的乘积作为每个时刻下目标数据点的权重；

当每个时刻下所述目标数据点的所述压力重复次数大于预设常数时，将每个时刻下与所述目标数据点的压力值相等的压力值对应的数据点，作为目标数据点的第一类别的分析数据点；将每个所述第一类别的分析数据点的前一时刻的数据点作为目标数据点的第二类别的分析数据点；将所有类别的所述分析数据点的所述压力差值的方差的均值，作为目标数据点的波动值；根据每个时刻下目标数据点的所述压力重复次数与所述波动值，获取目标数据点的权重；所述压力重复次数与所述权重为正相关的关系，所述波动值与所述权重为负相关的关系；

改变所述目标数据点，获取每个时刻下每个数据点的所述权重。

4.根据权利要求1所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述疑似异常数据点的获取方法，包括：

将每个数据点的压力值与其对应时刻的所述标准压力值的差值绝对值，作为每个数据点的压力标准差异；

对每个数据点的所述压力标准差异使用最大类间方差法，获取分割阈值；将大于所述分割阈值的所述压力标准差异对应的数据点作为疑似异常数据点。

5.根据权利要求4所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述异常度的获取方法，包括：

根据每个压力数据序列中疑似异常数据点的个数，以及每个数据点的所述压力标准差异，获取每个压力数据序列的异常特征值；

将压力数据序列中连续出现的疑似异常数据点构成异常段，获取每个压力数据序列中每个所述异常段的长度；将每个压力数据序列中每个疑似异常数据点所在的所述异常段的长度进行归一化，得到每个疑似异常数据点的异常长度值；

根据每个压力数据序列中每个疑似异常数据点的所述异常长度值、所述压力标准差异与所述异常特征值，获取每个疑似异常数据点的异常度；所述异常长度值、所述压力标准差异与所述异常特征值均与所述异常度为正相关的关系。

6.根据权利要求5所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述异常特征值的获取方法，包括：

统计每个压力数据序列中疑似异常数据点的个数，将每个压力数据序列中疑似异常数据点的个数进行归一化，得到每个压力数据序列的时长异常度；将每个压力数据序列中每个数据点的所述压力标准差异进行累加，得到每个压力数据序列的综合压力标准差异；将每个压力数据序列的所述时长异常度与所述综合压力标准差异的乘积进行归一化，得到每个压力数据序列的异常特征值。

7.根据权利要求4所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述距离权值的获取方法，包括：

将小于或者等于所述分割阈值的所述压力标准差异对应的数据点作为正常数据点；

每个压力数据序列中所述正常数据点的所述距离权值为常数1；

结合每个压力数据序列与预设的模拟压力数据序列中数据点的匹配情况，及预设的模拟压力数据序列中数据点的压力值，获取每个压力数据序列中每个疑似异常数据点的匹配对数量与标准匹配压力值；

将每个疑似异常数据点的压力值与其所述标准匹配压力值的差值绝对值，作为每个疑似异常数据点的异常压力差异；根据每个疑似异常数据点的所述异常度、所述匹配对数量与所述异常压力差异，获取每个疑似异常数据点的距离权值；所述异常度、所述匹配对数量与所述异常压力差异均与所述距离权值为正相关的关系。

8.根据权利要求7所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述获取每个压力数据序列中每个疑似异常数据点的匹配对数量与标准匹配压力值的方法，包括：

利用DTW算法对每个压力数据序列分别与预设的模拟压力数据序列进行匹配，将预设的模拟压力数据序列中与每个压力数据序列中每个数据点相似的数据点，作为每个压力数据序列中每个数据点的匹配数据点；

若每个压力数据序列中每个疑似异常数据点仅存在一个所述匹配数据点，且所述匹配数据点没有其他对应的数据点，则每个所述疑似异常数据点的匹配对数量为1，将每个疑似异常数据点的所述匹配数据点的压力值作为每个疑似异常数据点的标准匹配压力值；

若所述压力数据序列中每个疑似异常数据点存在至少两个所述匹配数据点，则统计每个疑似异常数据点的所述匹配数据点的数量，作为每个疑似异常数据点的匹配对数量，将每个疑似异常数据点的所述匹配数据点的压力值的均值作为每个疑似异常数据点的标准匹配压力值；

若每个压力数据序列中存在至少两个数据点的所述匹配数据点为同一个匹配数据点，且所述数据点中至少存在一个疑似异常数据点，将同一匹配数据点在压力数据序列中对应的所有数据点构成同类数据集合；统计所述同类数据集合中数据点的数量，作为同类数据集合中每个疑似数据点的匹配对数量，将每个疑似异常数据点的匹配数据点的压力值作为每个疑似异常数据点的标准匹配压力值。

9.根据权利要求8所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述精确DTW距离的获取方法，包括：

每个压力数据序列中每个数据点与其所述匹配数据点构成了每个压力数据序列中每个数据点的匹配对；计算每个压力数据序列中每个数据点的所述匹配对内两个数据点之间的欧式距离，将每个压力数据序列中每个数据点的所述欧式距离与所述距离权值的乘积，作为每个压力数据序列中每个匹配对的加权距离；将每个压力数据序列中数据点的每个匹配对的所述加权距离进行累加并归一化，得到每个压力数据序列的精确DTW距离。

10.根据权利要求1所述的一种基于数据分析的转子压铸误差检测系统，其特征在于，所述基于所述精确DTW距离对压铸过程中出现误差的转子进行检测的方法，为：

当压力数据序列的精确DTW距离大于预设的误差阈值时，压力数据序列对应的转子存在误差；当压力数据序列的精确DTW距离小于或者等于预设的误差阈值时，压力数据序列对应的转子不存在误差。