CN117235678B - 一种木材切割过程中刀片磨损程度的检测方法 - Google Patents
一种木材切割过程中刀片磨损程度的检测方法 Download PDFInfo
- Publication number
- CN117235678B CN117235678B CN202311506960.0A CN202311506960A CN117235678B CN 117235678 B CN117235678 B CN 117235678B CN 202311506960 A CN202311506960 A CN 202311506960A CN 117235678 B CN117235678 B CN 117235678B
- Authority
- CN
- China
- Prior art keywords
- data
- local window
- fitting
- window
- current
- 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
- 238000005520 cutting process Methods 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000002023 wood Substances 0.000 title claims abstract description 35
- 238000005299 abrasion Methods 0.000 title claims abstract description 25
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000009499 grossing Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims 2
- 230000000737 periodic effect Effects 0.000 abstract description 24
- 230000008859 change Effects 0.000 abstract description 10
- 230000008569 process Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008030 elimination Effects 0.000 description 3
- 238000003379 elimination reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种木材切割过程中刀片磨损程度的检测方法,该方法获取刀片的切割力时序数据,对切割力时序数据进行周期分量消除,得到目标时序数据;取目标时序数据中的任一数据作为当前数据,构建当前数据的局部窗口,获取对局部窗口中的所有数据进行数据拟合时数据的拟合权重;根据当前数据的局部窗口中每个数据的拟合权重,获取当前数据的局部窗口中每个数据的拟合值;取目标时序数据中任一数据作为目标数据,获取目标数据的所有拟合值,得到目标数据的趋势特征值,根据趋势特征值获取对应采样时刻下刀片的磨损程度,提高了获取刀片切割力变化的趋势信息的准确性,使得基于趋势信息得到的刀片磨损程度也更加严谨。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种木材切割过程中刀片磨损程度的检测方法。
背景技术
为了保证工业木材切割过程中的木材切割质量与木材切割效率,需要对切割过程中所使用的刀片进行磨损程度的检测,进而根据磨损程度对刀片的使用寿命进行判断,在刀片磨损程度到达一定阈值之后,进行刀片的更换。
目前针对于木材切割过程中刀片磨损程度的检测方法为:通过刀片的切割力传感器对刀片切割木材过程的刀片切割力进行数据采集,由于每次切割的时长会随着刀片的磨损程度越来越大,使得采集的刀片切割力时序数据存在周期性的数值变化,因此,对采集到的刀片切割力时序数据进行周期分量的去除,然后通过逐点进行的加权回归平滑算法(LOESS)对周期分量去除后的刀片切割力时序数据进行刀片切割力变化的趋势信息提取,进而根据提取的趋势信息获取刀片磨损程度。
其中,现有技术通过逐点进行的加权回归平滑算法(LOESS)对周期分量去除后的刀片切割力时序数据进行刀片切割力变化的趋势信息提取包括:通过加权最小二乘法对周期分量去除后的刀片切割力时序数据中的每个数据进行局部线性拟合,根据拟合结果获取任一数据的局部窗口中每个数据的平滑值,进而根据周期分量去除后的刀片切割力时序数据中的每个数据的平滑值,获取刀片切割力变化的趋势信息。但是,加权最小二乘法中的权重分配仅是通过局部窗口中的每个数据与中心数据之间的距离来衡量的,而在木材切割过程中,随着刀片的磨损,单次切割木材的时长也会变化,进而导致刀片切割力变化的趋势信息的提取过程中会存在一些残留周期噪声,这些残留周期噪声会使得加权最小二乘法的拟合结果出现偏差,从而导致提取的刀片切割力变化的趋势信息不准确,基于趋势信息得到的刀片磨损程度也不准确。
因此,如何提高加权最小二乘法的拟合结果的准确性,以提高刀片磨损程度的评估结果成为亟待解决的问题。
发明内容
有鉴于此,本发明实施例提供了一种木材切割过程中刀片磨损程度的检测方法,以解决如何提高加权最小二乘法的拟合结果的准确性,以提高刀片磨损程度的评估结果的问题。
本发明实施例中提供了一种木材切割过程中刀片磨损程度的检测方法,所述检测方法包括:
获取连续至少切割两次的木材切割过程中刀片的切割力时序数据,获取所述切割力时序数据的平均切割周期,利用所述平均切割周期对所述切割力时序数据进行周期分量消除,得到目标时序数据;
取所述目标时序数据中的任一数据作为当前数据,构建所述当前数据的局部窗口,根据所述局部窗口中任一数据与所述当前数据之间的局部差异,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重;
根据所述当前数据的局部窗口中每个数据的拟合权重,对所述当前数据的局部窗口中的所有数据进行加权回归平滑算法,获取所述当前数据的局部窗口中每个数据的拟合值;
获取所述目标时序数据中每个数据的局部窗口中的每个数据的拟合值,取所述目标时序数据中任一数据作为目标数据,获取所述目标数据的所有拟合值,根据所述所有拟合值得到所述目标数据的趋势特征值,根据所述趋势特征值获取所述目标数据对应的采样时刻下所述刀片的磨损程度。
进一步的,所述获取所述切割力时序数据的平均切割周期,包括:
在所述切割力时序数据所对应的木材切割过程中,获取每次的切割时长,根据所有的切割时长计算切割时长均值作为所述切割力时序数据的平均切割周期。
进一步的,所述利用所述平均切割周期对所述切割力时序数据进行周期分量消除,得到目标时序数据,包括:
对所述平均切割周期进行取整操作,得到对应的取整结果;
将所述取整结果作为待构建时间窗口的长度,得到时间窗口,利用所述时间窗口将所述切割力时序数据划分为至少两个子数据序列;
针对任一两个相邻的子数据序列,计算所述两个相邻的子数据序列之间的每个相同位置处的数据差值,得到所述两个相邻的子数据序列中的后一个子数据序列的数据差值序列;
按照所述切割力时序数据中的数据位置顺序,将所有数据差值序列组成目标时序数据,其中,所述切割力时序数据的第一个子数据序列的数据差值序列中的每个数据均为零。
进一步的,所述根据所述局部窗口中任一数据与所述当前数据之间的局部差异,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重,包括:
针对所述局部窗口中的任一数据,获取所述数据与所述局部窗口的中心数据之间的采样时刻差值;
将所述局部窗口中的所有数据组成第一子序列,将所述数据的局部窗口中的所有数据组成第二子序列,利用DTW算法对所述第一子序列和所述第二子序列之间进行动态时间规整,得到所述第一子序列和所述第二子序列之间的动态时间规整结果,获取所述动态时间规整结果中出现的相位差数量;
获取所述数据与其前相邻数据之间的数据差值,根据所述局部窗口中所有相邻数据之间的数据差值,计算数据差值均值,获取所述数据差值与所述数据差值均值之间的差值;
根据所述采样时刻差值、所述相位差数量和所述差值,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重。
进一步的,所述根据所述采样时刻差值、所述相位差数量和所述差值,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重,包括:
其中,表示对当前数据i的局部窗口中的所有数据进行数据拟合时,当前数据i的局部窗口中第j个数据的拟合权重,/>表示当前数据i的局部窗口中第j个数据与当前数据i的局部窗口的中心数据之间的采样时刻差值,/>表示归一化指数函数,表示当前数据i的局部窗口中第j个数据与当前数据i之间的动态时间规整结果中出现的相位差数量,/>表示当前数据i的局部窗口中第j个数据的局部窗口的所有数据与当前数据i的局部窗口的所有数据之间的动态时间规整结果,/>表示当前数据i的局部窗口对应的子序列,/>表示当前数据i的局部窗口中第j个数据的局部窗口对应的子序列,/>表示当前数据i的局部窗口,/>表示当前数据i的局部窗口中第o个数据的局部窗口对应的子序列,/>表示归一化函数,/>表示当前数据i的局部窗口中第j个数据与第j-1个数据之间的数据差值,/>表示当前数据i的局部窗口中所有相邻数据的数据差值的均值。
进一步的,所述根据所述当前数据的局部窗口中每个数据的拟合权重,对所述当前数据的局部窗口中的所有数据进行加权回归平滑算法,获取所述当前数据的局部窗口中每个数据的拟合值,包括:
将所述当前数据的局部窗口中每个数据的拟合权重,输入所述加权回归平滑算法中的目标函数中,得到所述当前数据的局部窗口中每个数据的拟合值,其中,所述加权回归平滑算法中的目标函数为:
其中,表示所述当前数据i对应的目标函数结果,/>表示所述当前数据i的局部窗口的第j个数据,/>表示所述当前数据i的局部窗口的第j个数据的拟合值,N表示所述当前数据i的局部窗口中所包含的数据数量。
进一步的,所述根据所述所有拟合值得到所述目标数据的趋势特征值,包括:
计算所述所有拟合值的均值,并将所述均值作为所述目标数据的趋势特征值。
进一步的,所述根据所述趋势特征值获取所述目标数据对应的采样时刻下所述刀片的磨损程度,包括:
获取刀片切割力变化的趋势特征阈值,计算所述趋势特征值与所述趋势特征阈值之间的比值,将所述比值作为所述目标数据对应的采样时刻下所述刀片的磨损程度。
本发明实施例至少具有如下有益效果:
本发明首先对木材切割过程中刀片的切割力时序数据进行周期分量影响去除,得到目标时序数据,消除了切割周期时长的影响,进而考虑到切割过程中刀片磨损,会在去除周期分量之后,在目标时序数据中存在周期分量的残留噪声,因此,通过对目标时序数据中每个数据的局部窗口信息进行分析,获取对局部窗口中的所有数据进行数据拟合时每个数据的拟合权重,通过该拟合权重对目标时序数据中每个数据进行加权回归平滑算法,从而消除周期分量的残留噪声的影响,进而提高了利用加权回归平滑算法获取刀片切割力变化的趋势信息(趋势特征值)的准确性,使得基于趋势信息得到的刀片磨损程度也更加严谨。
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为本发明实施例提供的一种木材切割过程中刀片磨损程度的检测方法的步骤流程图。
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木材切割过程中刀片磨损程度的检测方法,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。
下面结合附图具体的说明本发明所提供的一种木材切割过程中刀片磨损程度的检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种木材切割过程中刀片磨损程度的检测方法的步骤流程图,该方法包括以下步骤:
步骤S101,获取连续至少切割两次的木材切割过程中刀片的切割力时序数据,获取切割力时序数据的平均切割周期,利用平均切割周期对切割力时序数据进行周期分量消除,得到目标时序数据。
具体的,在木材的切割过程中,为了对刀片的切割力数据进行采集,将压电式力传感器安装在刀片与刀轴的连接处。通过固定的采样频率对压电式力传感器进行数据采集,以得到每个采样时刻的切割力,切割力的单位为(牛)。因此,本发明实施例采集连续至少切割两次的木材切割过程中每个采样时刻的切割力,并将采集到的切割力整理为时序数据,记为切割力时序数据。其中,本发明实施例对采样频率不作限制,可以为1秒或0.5秒。
在得到切割力时序数据之后即可对切割力时序数据进行分析,以得到切割力变化趋势信息,而现有技术中利用LOESS算法对切割力时序数据进行趋势信息提取的过程为:
a.通过已知的木材切割过程确定平均单次切割的所用时间作为时间周期;b.通过获取到的时间周期对切割力时序数据进行周期分量的消除,获取目标时序数据;确定目标时序数据中数据的局部窗口;c.通过局部窗口中的数据与中心数据的距离进行权重分配;d.对于局部窗口中的数据进行加权最小二乘法的线性拟合;e.通过拟合的线性模型进行每个时间戳对应的时间点的平滑拟合;f.通过多次迭代使LOESS算法的平滑过程收敛,获取表征趋势信息的趋势分量。
但是,在上述现有技术中,木材的切割随着使用时长,刀片也会发生磨损,使得切割力时序数据中的周期分量消除不准确,得到的目标时序数据中存在残留的周期信息,而这部分周期信息在趋势信息提取时会变成残留周期噪声,进而在利用目标时序数据对去除周期分量的目标时序数据进行趋势信息提取时,会使得趋势信息提取出现误差,因此,本发明实施例对利用LOESS算法对切割力时序数据进行趋势信息提取进行优化,具体参见下文。
在得到切割力时序数据之后,获取切割力时序数据的平均切割周期,具体获取方法为:在所述切割力时序数据所对应的木材切割过程中,获取每次的切割时长,根据所有的切割时长计算切割时长均值作为所述切割力时序数据的平均切割周期。
举例说明,若切割力时序数据是在对木材进行了两次切割获取的数据,则可以统计每次切割的时长,假设两次的时长分别为3秒和5秒,则切割力时序数据的平均切割周期为4秒。
利用平均切割周期对切割力时序数据进行周期分量消除,得到目标时序数据,则目标时长数据的获取方法,包括:
对所述平均切割周期进行取整操作,得到对应的取整结果;
将所述取整结果作为待构建时间窗口的长度,得到时间窗口,利用所述时间窗口将所述切割力时序数据划分为至少两个子数据序列;
针对任一两个相邻的子数据序列,计算所述两个相邻的子数据序列之间的每个相同位置处的数据差值,得到所述两个相邻的子数据序列中的后一个子数据序列的数据差值序列;
按照所述切割力时序数据中的数据位置顺序,将所有数据差值序列组成目标时序数据,其中,所述切割力时序数据的第一个子数据序列的数据差值序列中的每个数据均为零。
举例说明,如果平均切割周期不为整数值,首先对平均切割周期进行四舍五入操作,得到平均切割周期的取整结果,假设取整结果为5秒,则构建一个时间长度为5秒的时间窗口,切割力时序数据为每秒采集一次得到的,假设为:{10、12、13、13、14、11、12、13、13、15},利用时间窗口将切割力时序数据划分为第一子数据序列{10、12、13、13、14}和第二子数据序列{11、12、13、13、15},则利用第二子数据序列中的第一个数据11减去第一子数据序列中的第一个数据10,得到数据差值1作为第二子数据序列中的第一数据11的数据差值,进而能够获取第二子数据序列中每个数据的数据差值组成数据差值序列{1、0、0、0、1},由于第一子数据序列没有对比的对象,可默认第一子数据序列为基准数据,进而对应的数据差值序列为{0、0、0、0、0},进而第一子数据序列的数据差值序列和第二子数据序列的数据差值序列组成目标时序数据{0、0、0、0、0、1、0、0、0、1}。
至此,得到对切割力时序数据进行周期分量消除后的目标时序数据。
步骤S102,取目标时序数据中的任一数据作为当前数据,构建当前数据的局部窗口,根据局部窗口中任一数据与当前数据之间的局部差异,获取对局部窗口中的所有数据进行数据拟合时数据的拟合权重。
具体的,针对目标时序数据中的任一数据,需要通过对其局部窗口中的每一个数据进行周期噪声优化因子的评估,也即是每一个数据包含周期剩余信息的可能性,从而在后续的最小二乘拟合过程中,对数据的拟合影响进行调整,所述拟合影响调整即为对每个数据在最小二乘法的线性拟合过程中实际值与拟合值之间的距离进行调整,以降低存在周期剩余信息的数据在拟合过程中的距离值,从而消除影响。
本发明实施例中,设定数据的局部窗口的长度L=21,此处不对局部窗口的长度进行限制,进而取目标时序数据中的任一数据作为当前数据i,获取当前数据i在目标时序数据中的局部窗口,则根据局部窗口/>中任一数据与当前数据i之间的局部差异,获取对局部窗口/>中的所有数据进行数据拟合时数据的拟合权重,拟合权重的获取方法如下:
针对所述局部窗口中的任一数据,获取所述数据与所述局部窗口的中心数据之间的采样时刻差值;
将所述局部窗口中的所有数据组成第一子序列,将所述数据的局部窗口中的所有数据组成第二子序列,利用DTW算法对所述第一子序列和所述第二子序列之间进行动态时间规整,得到所述第一子序列和所述第二子序列之间的动态时间规整结果,获取所述动态时间规整结果中出现的相位差数量;
获取所述数据与其前相邻数据之间的数据差值,根据所述局部窗口中所有相邻数据之间的数据差值,计算数据差值均值,获取所述数据差值与所述数据差值均值之间的差值;
根据所述采样时刻差值、所述相位差数量和所述差值,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重。
需要说明的是,利用DTW算法对所述第一子序列和所述第二子序列之间进行动态时间规整,得到所述第一子序列和所述第二子序列之间的动态时间规整结果属于现有技术,此处不再赘述。
在一实施方式中,局部窗口中任一数据的拟合权重的计算公式为:
其中,表示对当前数据i的局部窗口中的所有数据进行数据拟合时,当前数据i的局部窗口中第j个数据的拟合权重,/>表示当前数据i的局部窗口中第j个数据与当前数据i的局部窗口的中心数据之间的采样时刻差值,/>表示归一化指数函数,表示当前数据i的局部窗口中第j个数据与当前数据i之间的动态时间规整结果中出现的相位差数量,/>表示当前数据i的局部窗口中第j个数据的局部窗口的所有数据与当前数据i的局部窗口的所有数据之间的动态时间规整结果,/>表示当前数据i的局部窗口对应的子序列,/>表示当前数据i的局部窗口中第j个数据的局部窗口对应的子序列,/>表示当前数据i的局部窗口,/>表示当前数据i的局部窗口中第o个数据的局部窗口对应的子序列,/>表示归一化函数,/>表示当前数据i的局部窗口中第j个数据与第j-1个数据之间的数据差值,/>表示当前数据i的局部窗口中所有相邻数据的数据差值的均值。
需要说明的是,在当前数据i的局部窗口中,对于每个数据包含的周期剩余噪声会让数据出现更高幅度的波动,也就是包含噪声的数据的波动情况会与波动幅度均值发生更大的偏差,所以上式中通过/>进行当前数据i的局部窗口中的第j个数据的波动大小的衡量;但是在局部窗口内数值的波动中还存在着噪声导致连续数据的偏差,连续的偏差会导致单个局部窗口中的数值波动出现了均值偏移,那么在这个情况下单独通过数值波动与均值的差异大小进行周期噪声评估就不准确,因此,为了解决这个问题,需要通过局部窗口之外的信息来进行评估,即通过上式中当前数据i的局部窗口/>对应的子序列/>与局部窗口中第j个数据的局部窗口对应的子序列进行动态时间规整,通过子序列之间的动态时间规整结果/>(也即是两个子序列之间各个数据的对应关系)来进行偏差的评估;对于当前数据i的局部窗口/>中第j个数据的相位差数量在局部窗口/>中所有数据的相位差总数量的占比/>来进行第j个数据对应的连续数据偏差评估,从而优化上述问题;最后通过当前数据i的局部窗口/>中的第j个数据与中心数据之间的时间戳距离来进行最后的距离加权,从而获取当前数据i的局部窗口/>中的第j个数据的拟合权重,该拟合权重也可称为周期噪声优化因子,用以替代现有技术中仅通过距离加权进行后续的最小二乘线性拟合。
至此,能够获取当前数据i的局部窗口中每个数据的拟合权重。
步骤S103,根据当前数据的局部窗口中每个数据的拟合权重,对当前数据的局部窗口中的所有数据进行加权回归平滑算法,获取当前数据的局部窗口中每个数据的拟合值。
具体的,在得到当前数据i的局部窗口中每个数据的拟合权重之后,即可利用LOESS算法对当前数据i的局部窗口中的所有数据进行加权最小二乘法的拟合过程,其中,加权最小二乘法为对于残差平方和通过拟合权重进行加权,则加权回归平滑算法中的目标函数,也即是加权最小二乘法的目标函数为:
其中,表示所述当前数据i对应的目标函数结果,/>表示所述当前数据i的局部窗口的第j个数据,/>表示所述当前数据i的局部窗口的第j个数据的拟合值,N表示所述当前数据i的局部窗口中所包含的数据数量。
本发明实施例获取当前数据的局部窗口中每个数据的拟合值的方法包括:将所述当前数据的局部窗口中每个数据的拟合权重,输入所述加权回归平滑算法中的目标函数中,得到所述当前数据的局部窗口中每个数据的拟合值。
需要说明的是,加权最小二乘法的线性拟合过程为公知技术,此处不再赘述。
至此,利用加权最小二乘法的目标函数,能够获取当前数据i的局部窗口中每个数据的拟合值。
步骤S104,获取目标时序数据中每个数据的局部窗口中的每个数据的拟合值,取目标时序数据中任一数据作为目标数据,获取目标数据的所有拟合值,根据所有拟合值得到目标数据的趋势特征值,根据趋势特征值获取目标数据对应的采样时刻下刀片的磨损程度。
具体的,利用上述步骤S102和步骤S103的方法,分别获取目标时序数据中每个数据的局部窗口中的每个数据的拟合值,由此可知,目标时序数据中的每个数据在不同的局部窗口中都对应不同的拟合值,则目标时序数据中的每个数据都对应多个拟合值。
在得到目标时序数据中每个数据的局部窗口中的每个数据的拟合值之后,根据拟合值分目标时序数据中的每个数据所对应采样时刻下刀片的磨损程度,因此,取目标时序数据中任一数据作为目标数据,根据该目标数据在不同数据的局部窗口中所计算的拟合值,得到该目标数据的所有拟合值,根据所有拟合值得到目标数据的趋势特征值,趋势特征值用于表征刀片切割木材时的切割力变化趋势,趋势特征值越大,说明刀片的切割力变化越明显,越表征刀片磨损严重。
优选的,根据所有拟合值得到目标数据的趋势特征值,包括:计算所述所有拟合值的均值,并将所述均值作为所述目标数据的趋势特征值。
在得到目标数据的趋势特征值之后,根据趋势特征值获取目标数据对应的采样时刻下刀片的磨损程度,具体方法为:获取刀片切割力变化的趋势特征阈值,计算所述趋势特征值与所述趋势特征阈值之间的比值,将所述比值作为所述目标数据对应的采样时刻下所述刀片的磨损程度。
在一实施方式中,设置刀片的切割力变化的趋势特征阈值为,趋势特征阈值/>是指满足更换刀片时所对应的最大切割力变化,则根据趋势特征阈值和趋势特征值计算刀片的磨损程度的计算公式为:
其中,表示目标数据对应的采样时刻t下刀片的磨损程度,/>表示目标数据的趋势特征值。
至此,能够目标时序数据中每个数据对应的采样时刻下刀片的磨损程度,在获取到每个采样时刻下刀片的磨损程度之后,将获取的磨损程度在木材切割设备的显示界面进行实时显示,从而能够对刀片的磨损情况进行及时监测,以及时更换刀片,提高木材的切割效率。
综上所述,本发明实施例获取连续至少切割两次的木材切割过程中刀片的切割力时序数据,获取切割力时序数据的平均切割周期,利用平均切割周期对切割力时序数据进行周期分量消除,得到目标时序数据;取目标时序数据中的任一数据作为当前数据,构建当前数据的局部窗口,根据局部窗口中任一数据与当前数据之间的局部差异,获取对局部窗口中的所有数据进行数据拟合时数据的拟合权重;根据当前数据的局部窗口中每个数据的拟合权重,对当前数据的局部窗口中的所有数据进行加权回归平滑算法,获取当前数据的局部窗口中每个数据的拟合值;获取目标时序数据中每个数据的局部窗口中的每个数据的拟合值,取目标时序数据中任一数据作为目标数据,获取目标数据的所有拟合值,根据所有拟合值得到目标数据的趋势特征值,根据趋势特征值获取目标数据对应的采样时刻下刀片的磨损程度。其中,对木材切割过程中刀片的切割力时序数据进行周期分量影响去除,得到目标时序数据,消除了切割周期时长的影响,进而考虑到切割过程中刀片磨损,会在去除周期分量之后,在目标时序数据中存在周期分量的残留噪声,因此,通过对目标时序数据中每个数据的局部窗口信息进行分析,获取对局部窗口中的所有数据进行数据拟合时每个数据的拟合权重,通过该拟合权重对目标时序数据中每个数据进行加权回归平滑算法,从而消除周期分量的残留噪声的影响,进而提高了利用加权回归平滑算法获取刀片切割力变化的趋势信息(趋势特征值)的准确性,使得基于趋势信息得到的刀片磨损程度也更加严谨。
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。且上述对本说明书特定实施例进行了描述。另外,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。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种木材切割过程中刀片磨损程度的检测方法,其特征在于,所述检测方法包括:
获取连续至少切割两次的木材切割过程中刀片的切割力时序数据,获取所述切割力时序数据的平均切割周期,利用所述平均切割周期对所述切割力时序数据进行周期分量消除,得到目标时序数据;
取所述目标时序数据中的任一数据作为当前数据,构建所述当前数据的局部窗口,根据所述局部窗口中任一数据与所述当前数据之间的局部差异,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重;
根据所述当前数据的局部窗口中每个数据的拟合权重,对所述当前数据的局部窗口中的所有数据进行加权回归平滑算法,获取所述当前数据的局部窗口中每个数据的拟合值;
获取所述目标时序数据中每个数据的局部窗口中的每个数据的拟合值,取所述目标时序数据中任一数据作为目标数据,获取所述目标数据的所有拟合值,根据所述所有拟合值得到所述目标数据的趋势特征值,根据所述趋势特征值获取所述目标数据对应的采样时刻下所述刀片的磨损程度;
所述根据所述局部窗口中任一数据与所述当前数据之间的局部差异,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重,包括:
针对所述局部窗口中的任一数据,获取所述数据与所述局部窗口的中心数据之间的采样时刻差值;
将所述局部窗口中的所有数据组成第一子序列,将所述数据的局部窗口中的所有数据组成第二子序列,利用DTW算法对所述第一子序列和所述第二子序列之间进行动态时间规整,得到所述第一子序列和所述第二子序列之间的动态时间规整结果,获取所述动态时间规整结果中出现的相位差数量;
获取所述数据与其前相邻数据之间的数据差值,根据所述局部窗口中所有相邻数据之间的数据差值,计算数据差值均值,获取所述数据差值与所述数据差值均值之间的差值;
根据所述采样时刻差值、所述相位差数量和所述数据差值与所述数据差值均值之间的差值,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重;
所述根据所述采样时刻差值、所述相位差数量和所述数据差值与所述数据差值均值之间的差值,获取对所述局部窗口中的所有数据进行数据拟合时所述数据的拟合权重,包括:
其中,表示对当前数据i的局部窗口中的所有数据进行数据拟合时,当前数据i的局部窗口中第j个数据的拟合权重,/>表示当前数据i的局部窗口中第j个数据与当前数据i的局部窗口的中心数据之间的采样时刻差值,/>表示归一化指数函数,表示当前数据i的局部窗口中第j个数据与当前数据i之间的动态时间规整结果中出现的相位差数量,/>表示当前数据i的局部窗口中第j个数据的局部窗口的所有数据与当前数据i的局部窗口的所有数据之间的动态时间规整结果,/>表示当前数据i的局部窗口对应的子序列,/>表示当前数据i的局部窗口中第j个数据的局部窗口对应的子序列,/>表示当前数据i的局部窗口,/>表示当前数据i的局部窗口中第o个数据的局部窗口对应的子序列,/>表示归一化函数,/>表示当前数据i的局部窗口中第j个数据与第j-1个数据之间的数据差值,/>表示当前数据i的局部窗口中所有相邻数据的数据差值的均值。
2.如权利要求1所述的检测方法,其特征在于,所述获取所述切割力时序数据的平均切割周期,包括:
在所述切割力时序数据所对应的木材切割过程中,获取每次的切割时长,根据所有的切割时长计算切割时长均值作为所述切割力时序数据的平均切割周期。
3.如权利要求1所述的检测方法,其特征在于,所述利用所述平均切割周期对所述切割力时序数据进行周期分量消除,得到目标时序数据,包括:
对所述平均切割周期进行取整操作,得到对应的取整结果;
将所述取整结果作为待构建时间窗口的长度,得到时间窗口,利用所述时间窗口将所述切割力时序数据划分为至少两个子数据序列;
针对任一两个相邻的子数据序列,计算所述两个相邻的子数据序列之间的每个相同位置处的数据差值,得到所述两个相邻的子数据序列中的后一个子数据序列的数据差值序列;
按照所述切割力时序数据中的数据位置顺序,将所有数据差值序列组成目标时序数据,其中,所述切割力时序数据的第一个子数据序列的数据差值序列中的每个数据均为零。
4.如权利要求1所述的检测方法,其特征在于,所述根据所述当前数据的局部窗口中每个数据的拟合权重,对所述当前数据的局部窗口中的所有数据进行加权回归平滑算法,获取所述当前数据的局部窗口中每个数据的拟合值,包括:
将所述当前数据的局部窗口中每个数据的拟合权重,输入所述加权回归平滑算法中的目标函数中,得到所述当前数据的局部窗口中每个数据的拟合值,其中,所述加权回归平滑算法中的目标函数为:
其中,表示所述当前数据i对应的目标函数结果,/>表示所述当前数据i的局部窗口的第j个数据,/>表示所述当前数据i的局部窗口的第j个数据的拟合值,N表示所述当前数据i的局部窗口中所包含的数据数量。
5.如权利要求1所述的检测方法,其特征在于,所述根据所述所有拟合值得到所述目标数据的趋势特征值,包括:
计算所述所有拟合值的均值,并将所述均值作为所述目标数据的趋势特征值。
6.如权利要求1所述的检测方法,其特征在于,所述根据所述趋势特征值获取所述目标数据对应的采样时刻下所述刀片的磨损程度,包括:
获取刀片切割力变化的趋势特征阈值,计算所述趋势特征值与所述趋势特征阈值之间的比值,将所述比值作为所述目标数据对应的采样时刻下所述刀片的磨损程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506960.0A CN117235678B (zh) | 2023-11-14 | 2023-11-14 | 一种木材切割过程中刀片磨损程度的检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311506960.0A CN117235678B (zh) | 2023-11-14 | 2023-11-14 | 一种木材切割过程中刀片磨损程度的检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117235678A CN117235678A (zh) | 2023-12-15 |
CN117235678B true CN117235678B (zh) | 2024-01-26 |
Family
ID=89093306
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311506960.0A Active CN117235678B (zh) | 2023-11-14 | 2023-11-14 | 一种木材切割过程中刀片磨损程度的检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117235678B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3715873A (en) * | 1970-11-23 | 1973-02-13 | P Zweegers | Harvesting and ensilage cutting apparatus |
AU2013222027A1 (en) * | 2006-07-13 | 2013-09-19 | The Government Of The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | Micro-RNA-based methods and compositions for the diagnosis and treatment of colon cancer-related diseases |
CN109048492A (zh) * | 2018-07-30 | 2018-12-21 | 北京航空航天大学 | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 |
CN112966016A (zh) * | 2021-03-01 | 2021-06-15 | 北京青萌数海科技有限公司 | 一种异常检测方法 |
CN113569903A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 数控机床刀具磨损预测方法、系统、设备、介质、终端 |
CN114178905A (zh) * | 2021-12-01 | 2022-03-15 | 广州先进技术研究所 | 一种铣刀磨损量预测方法和系统 |
CN114749996A (zh) * | 2022-05-25 | 2022-07-15 | 哈尔滨工业大学 | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 |
KR20220123845A (ko) * | 2021-03-02 | 2022-09-13 | 주식회사 케이티 | 시계열 데이터 간의 유사도 측정 방법 및 장치 |
CN116025369A (zh) * | 2022-12-21 | 2023-04-28 | 中国铁建重工集团股份有限公司 | 一种刀盘结泥饼的检测方法、装置、电子设备及存储介质 |
CN116072265A (zh) * | 2023-04-06 | 2023-05-05 | 北京理工大学 | 基于时间自注意力与动态图卷积的睡眠分期分析系统及方法 |
CN116172522A (zh) * | 2023-05-04 | 2023-05-30 | 江南大学附属医院 | 一种基于神经网络的麻醉深度监测方法 |
CN116226691A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市魔样科技有限公司 | 用于手势姿态感知的智能戒指数据处理方法 |
CN116392085A (zh) * | 2023-06-06 | 2023-07-07 | 安徽星辰智跃科技有限责任公司 | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 |
CN116402483A (zh) * | 2023-06-09 | 2023-07-07 | 国网山东省电力公司兰陵县供电公司 | 一种园区碳排放量在线监测方法及系统 |
CN116545954A (zh) * | 2023-07-06 | 2023-08-04 | 浙江赫斯电气有限公司 | 基于物联网的通信网关数据传输方法及系统 |
CN116756529A (zh) * | 2023-08-21 | 2023-09-15 | 莒南凯佳化工有限公司 | 一种吊白块生产设备运行状态检测系统 |
CN116991199A (zh) * | 2023-09-25 | 2023-11-03 | 深圳扬兴科技有限公司 | 用于时钟芯片的时钟信号智能降噪方法 |
-
2023
- 2023-11-14 CN CN202311506960.0A patent/CN117235678B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3715873A (en) * | 1970-11-23 | 1973-02-13 | P Zweegers | Harvesting and ensilage cutting apparatus |
AU2013222027A1 (en) * | 2006-07-13 | 2013-09-19 | The Government Of The United States Of America As Represented By The Secretary Of The Department Of Health And Human Services | Micro-RNA-based methods and compositions for the diagnosis and treatment of colon cancer-related diseases |
CN109048492A (zh) * | 2018-07-30 | 2018-12-21 | 北京航空航天大学 | 基于卷积神经网络的刀具磨损状态检测方法、装置及设备 |
CN112966016A (zh) * | 2021-03-01 | 2021-06-15 | 北京青萌数海科技有限公司 | 一种异常检测方法 |
KR20220123845A (ko) * | 2021-03-02 | 2022-09-13 | 주식회사 케이티 | 시계열 데이터 간의 유사도 측정 방법 및 장치 |
CN113569903A (zh) * | 2021-06-09 | 2021-10-29 | 西安电子科技大学 | 数控机床刀具磨损预测方法、系统、设备、介质、终端 |
CN114178905A (zh) * | 2021-12-01 | 2022-03-15 | 广州先进技术研究所 | 一种铣刀磨损量预测方法和系统 |
CN114749996A (zh) * | 2022-05-25 | 2022-07-15 | 哈尔滨工业大学 | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 |
CN116025369A (zh) * | 2022-12-21 | 2023-04-28 | 中国铁建重工集团股份有限公司 | 一种刀盘结泥饼的检测方法、装置、电子设备及存储介质 |
CN116072265A (zh) * | 2023-04-06 | 2023-05-05 | 北京理工大学 | 基于时间自注意力与动态图卷积的睡眠分期分析系统及方法 |
CN116172522A (zh) * | 2023-05-04 | 2023-05-30 | 江南大学附属医院 | 一种基于神经网络的麻醉深度监测方法 |
CN116226691A (zh) * | 2023-05-08 | 2023-06-06 | 深圳市魔样科技有限公司 | 用于手势姿态感知的智能戒指数据处理方法 |
CN116392085A (zh) * | 2023-06-06 | 2023-07-07 | 安徽星辰智跃科技有限责任公司 | 基于趋势分析的睡眠趋稳性量化及调节方法、系统和装置 |
CN116402483A (zh) * | 2023-06-09 | 2023-07-07 | 国网山东省电力公司兰陵县供电公司 | 一种园区碳排放量在线监测方法及系统 |
CN116545954A (zh) * | 2023-07-06 | 2023-08-04 | 浙江赫斯电气有限公司 | 基于物联网的通信网关数据传输方法及系统 |
CN116756529A (zh) * | 2023-08-21 | 2023-09-15 | 莒南凯佳化工有限公司 | 一种吊白块生产设备运行状态检测系统 |
CN116991199A (zh) * | 2023-09-25 | 2023-11-03 | 深圳扬兴科技有限公司 | 用于时钟芯片的时钟信号智能降噪方法 |
Non-Patent Citations (2)
Title |
---|
Detection diamond breakouts of diamond impregnated tools for core drilling of concrete by force measurements;Christine H. Muller 等;《Artificial Intelligence, Big Data and Data Science in Statistics》;第1-15页 * |
基于深度学习和网络大数据的金融时间序列分析及预测;林勇;《CNKI学位》;第2023年卷(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117235678A (zh) | 2023-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109141465B (zh) | 一种计步方法、可穿戴设备及计算机可读存储介质 | |
US7584162B2 (en) | Manufacture data analysis method and manufacture data analyzer apparatus | |
CN110569566B (zh) | 一种板带力学性能预测方法 | |
CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
CN112380992B (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN117407661B (zh) | 一种用于设备状态检测的数据增强方法 | |
CN111913443A (zh) | 基于相似性的工业设备故障预警方法 | |
CN117235678B (zh) | 一种木材切割过程中刀片磨损程度的检测方法 | |
CN115186701A (zh) | 轴承寿命预测方法、装置、电子设备及存储介质 | |
CN115034137A (zh) | 基于rvm和退化模型的轴承剩余寿命两阶段混合预测方法 | |
CN114020598A (zh) | 一种时间序列数据的异常检测方法、装置及设备 | |
CN114200888A (zh) | 特征量筛选方法以及健康状态评价方法 | |
CN114354666B (zh) | 基于波长频次选择的土壤重金属光谱特征提取、优化方法 | |
CN113052256B (zh) | 一种风向聚类方法、装置及电子设备 | |
CN114021275A (zh) | 一种基于深度卷积模糊系统的滚动轴承故障诊断方法 | |
CN117473345B (zh) | 基于数据分析的法兰锻造缺陷检测方法 | |
CN112990524A (zh) | 基于残差修正的滚动轴承剩余寿命预测方法 | |
CN117273547B (zh) | 基于边缘计算的生产设备运行数据处理方法 | |
CN112905958B (zh) | 基于测控装置的短时数据窗遥测数据状态辨识方法及系统 | |
CN112100919B (zh) | 一种基于re-cf-ekf算法的滚动轴承剩余寿命预测方法 | |
CN115660224B (zh) | 一种滚柱直线导轨副的预紧拖动力预测方法 | |
CN113222266B (zh) | 一种基于水表日用量大数据的预测模型匹配方法 | |
CN117556108B (zh) | 一种基于数据分析的油渣分离效率异常检测方法 | |
CN117390591B (zh) | 基于电参量分析的输煤皮带采样机运行监测方法及系统 |
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 |