CN117236084A - 一种木工机械加工生产智能管理方法及系统 - Google Patents
一种木工机械加工生产智能管理方法及系统 Download PDFInfo
- Publication number
- CN117236084A CN117236084A CN202311525413.7A CN202311525413A CN117236084A CN 117236084 A CN117236084 A CN 117236084A CN 202311525413 A CN202311525413 A CN 202311525413A CN 117236084 A CN117236084 A CN 117236084A
- Authority
- CN
- China
- Prior art keywords
- core
- matrix
- temperature
- sampling
- taking
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 41
- 238000007726 management method Methods 0.000 title claims abstract description 36
- 238000003754 machining Methods 0.000 title claims abstract description 30
- 239000008358 core component Substances 0.000 claims abstract description 186
- 239000011159 matrix material Substances 0.000 claims abstract description 186
- 238000005070 sampling Methods 0.000 claims abstract description 165
- 230000008859 change Effects 0.000 claims abstract description 56
- 239000000306 component Substances 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims description 40
- 239000013598 vector Substances 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012847 principal component analysis method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008569 process Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000002023 wood Substances 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000003860 storage Methods 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
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及数据质量增强技术领域,具体涉及一种木工机械加工生产智能管理方法及系统,本发明首先构建初始核心温度矩阵,根据每个采样时刻下各个核心部件的核心温度数据在局部时间范围内的波动变化差异情况,得到修正系数矩阵;根据各个核心部件的核心温度数据在时间顺序上的整体变化趋势差异情况,构建重要系数矩阵;结合修正系数矩阵和重要系数矩阵对初始核心温度矩阵进行修正,根据得到的修正核心温度矩阵结合主成分分析方法,得到更加准确的主成分数据,使得后续根据主成分数据进行木工机械加工生产管理的效果更好。
Description
技术领域
本发明涉及数据质量增强技术领域,具体涉及一种木工机械加工生产智能管理方法及系统。
背景技术
对于木工机械而言,其各个核心部件的实时温度信息能够实时反映机械的运行状态,因此为了顺利地进行木工机械加工生产管理,需要对木工机械的各个核心部件的温度数据进行监测并分析,以便对木工机械的运行状态进行评估。现有技术通常采用PCA主成分分析法,将多维的温度数据进行数据降维,得到少数的几个主成分数据,并根据主成分数据进行木工机械加工生产管理;从而降低计算复杂度并减少存储空间,并且便于检测木工机械的异常状态。
但是由于木工机械加工生产环境的影响,所采集到的温度数据中会不可避免的存在噪声,导致基于存在噪声的温度数据进行主成分分析时存在误差,从而导致根据现有技术直接对多维温度数据进行数据降维得到的主成分数据的误差较大,使得根据主成分数据进行木工机械加工生产管理的效果较差。
发明内容
为了解决现有技术直接对多维温度数据进行数据降维得到的主成分数据的误差较大,使得根据主成分数据进行木工机械加工生产管理的效果较差的技术问题,本发明的目的在于提供一种木工机械加工生产智能管理方法及系统,所采用的技术方案具体如下:
本发明提出了一种木工机械加工生产智能管理方法,所述方法包括:
获取木工机械每个核心部件在每个采样时刻的核心温度数据;
根据每个核心部件的核心温度数据在时间顺序上的分布情况,构建初始核心温度矩阵;根据每个采样时刻下各个核心部件的核心温度数据在局部时间范围内的波动变化差异情况,构建修正系数矩阵;根据各个核心部件的核心温度数据在时间顺序上的整体变化趋势差异情况,构建重要系数矩阵;
根据所述修正系数矩阵和所述重要系数矩阵对所述初始核心温度矩阵进行修正,得到修正核心温度矩阵;根据所述修正核心温度矩阵结合主成分分析方法得到主成分数据;根据所述主成分数据进行木工机械加工生产管理。
进一步地,所述初始核心温度矩阵的获取方法包括:
在时间顺序上,以木工机械的每个核心部件在所有采样时刻下的核心温度数据为一列、以每个采样时刻下的所有核心温度数据为一行,构建初始核心温度矩阵。
进一步地,所述修正系数矩阵的获取方法包括:
依次将每个采样时刻作为目标采样时刻;将以目标采样时刻为中心的预设时间邻域范围作为参考时间范围;
根据每个核心部件在所述参考时间范围内所有核心温度数据波动情况,得到每个核心部件在目标采样时刻的噪声波动程度;将所有核心部件在目标采样时刻的噪声波动程度均值,作为目标采样时刻的噪声影响程度;
将所述参考时间范围内每个采样时刻下所有核心部件的核心温度数据的累加值,作为参考时间范围内每个采样时刻下的参考判定温度值;将参考时间范围内所有采样时刻下的参考判定温度值的均值,作为目标采样时刻对应的参考正常温度值;
根据所述参考正常温度值与目标采样时刻的参考判定温度值之间的差异、以及所述噪声影响程度构建修正系数计算模型;根据所述修正系数计算模型得到每个采样时刻的修正系数;
在时间顺序上,根据各个采样时刻的修正系数分布情况构建修正系数矩阵。
进一步地,所述噪声波动程度的获取方法包括:
在时间顺序上,根据每个核心部件在所述参考时间范围内的所有核心温度数据进行曲线拟合,得到每个核心部件在目标采样时刻的核心温度波动曲线;
在时间顺序上,将每个核心部件在所述参考时间范围内每个采样时刻与下一个采样时刻的核心温度数据之间的差值,作为每个核心部件在所述参考时间范围内每个采样时刻的参考温度差值;将每个核心部件在所述参考时间范围内所有采样时刻的参考温度差值的方差,作为每个核心部件在目标采样时刻的参考温度方差;
将所述核心温度波动曲线的极值点数量与所述参考温度方差的乘积,作为每个核心部件在目标采样时刻的噪声波动程度。
进一步地,所述修正系数计算模型包括:
其中,为第/>个采样时刻的修正系数;/>为第/>个采样时刻的参考正常温度值;为第/>个采样时刻的参考判定温度值;/>为第/>个采样时刻的噪声影响程度;/>为预设第一调节参数,/>为预设第二调节参数,预设第一调节参数和预设第二调节参数均大于0。
进一步地,所述根据各个采样时刻的修正系数分布情况构建修正系数矩阵的方法包括:
将采样时刻的数量作为对角矩阵的行数和列数,构建对应的第一对角矩阵,所述第一对角矩阵中,每个采样时刻对应第一对角矩阵中的每个行向量;所述第一对角矩阵中,每个采样时刻的行向量的排列顺序与时间顺序相同;将所述第一对角矩阵中每个采样时刻对应的行向量中非零元素替换为对应的修正系数,得到修正系数矩阵。
进一步地,所述重要系数矩阵的获取方法包括:
在时间顺序上,对每个核心部件在所有采样时刻的核心温度数据进行曲线拟合,得到每个核心部件的时序温度变化曲线;
将任意两条不同核心部件的时序温度变化曲线进行组合,得到所有的时序温度变化曲线组合;将每个时序温度变化曲线组合对应的两条时序温度变化曲线之间的结构相似性系数,作为每个时序温度变化曲线组合的相似程度参数;将所有时序温度变化曲线组合的相似程度参数的均值,作为参考相似性系数;
依次将每个核心部件作为目标核心部件;将目标核心部件外的其他核心部件作为对比核心部件;将每个对比核心部件的时序温度变化曲线与目标核心部件的时序温度变化曲线之间的结构相似性系数,作为每个对比核心部件的参考对比相似性;将所有对比核心部件的参考对比相似性的均值,作为目标核心部件的整体相似程度;
将所述参考相似性系数与所述整体相似程度的差异的负相关映射值,作为目标核心部件的重要系数;
将所述初始核心温度矩阵中从左到右的列向量对应的核心部件的排列顺序,作为核心部件排列顺序;在所述核心部件排列顺序上,根据各个核心部件的重要系数分布情况构建重要系数矩阵。
进一步地,所述根据各个核心部件的重要系数分布情况构建重要系数矩阵的方法包括:
将核心部件的数量作为对角矩阵的行数和列数,构建对应的第二对角矩阵,所述第二对角矩阵中,所述第二对角矩阵中每个核心部件对应每个列向量;所述第二对角矩阵中每个核心部件的列向量的排列顺序与所述核心部件排列顺序相同;将所述第二对角矩阵中每个核心部件对应的列向量中非零元素替换为对应的重要系数,得到重要系数矩阵。
进一步地,所述修正核心温度矩阵的获取方法包括:
将所述初始核心温度矩阵左乘修正系数矩阵后,右乘重要系数矩阵,得到修正核心温度矩阵
本发明还提出了一种木工机械加工生产智能管理系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现任意一项一种木工机械加工生产智能管理方法的步骤。
本发明具有如下有益效果:
考虑到本发明采用主成分分析法进行分析时,各个核心部件的核心温度数据中的噪声会影响主成分分析构建的协方差矩阵的准确性,从而得到的主成分数据的误差较大,而主成分分析的对象通常是数据构成的矩阵,所以需要对各个核心部件的核心温度数据对应的矩阵进行去噪处理,因此本发明首先构建初始核心温度矩阵。考虑到不同采样时刻下核心部件受到噪声影响的可能性可能不同,因此本发明对每个采样时刻下的核心部件的核心温度数据的波动变化进行分析,通过每个采样时刻下各个核心部件的核心温度数据在局部时间范围内的波动变化差异情况,构建修正系数矩阵,通过修正系数矩阵表征不同时刻下核心部件受到噪声的影响程度;进一步地考虑到不同核心部件对应的空间位置不同,因此不同核心部件的核心温度数据受到噪声的影响也各不相同,对于受到噪声影响较大的核心部件的核心温度数据,其对应的重要性通常较小,因此本发明根据各个核心部件的核心温度数据在时间顺序上的整体变化趋势差异情况,构建重要系数矩阵。进一步地结合修正系数矩阵和重要系数矩阵对初始核心温度矩阵进行修正,使得得到的修正核心温度矩阵受到噪声的影响更小,进一步地根据修正核心温度矩阵结合主成分分析方法得到更加准确的主成分数据,使得根据主成分数据进行木工机械加工生产管理的效果更好。
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为本发明一个实施例所提供的一种木工机械加工生产智能管理方法流程图。
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工机械加工生产智能管理方法及系统,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。
下面结合附图具体的说明本发明所提供的一种木工机械加工生产智能管理方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种木工机械加工生产智能管理方法流程图,该方法包括:
步骤S1:获取木工机械每个核心部件在每个采样时刻的核心温度数据。
本发明旨在提供一种木工机械加工生产智能管理方法,用于对各个核心部件的核心温度数据进行分析,对核心温度数据构成的初始核心温度矩阵进行修正,根据得到的修正核心温度矩阵结合主成分分析方法得到主成分数据,使得根据得到主成分数据进行木工机械加工生产管理的效果更好。
因此首先需要获取木工机械每个核心部件在每个采样时刻的核心温度数据。在本发明实施例中,在木工机械不同的核心部件处安装温度传感器,并且保证不同的温度传感器能够在相同的时刻采集对应核心部件的核心温度数据;并且本发明实施例将采样频率设置为每分钟采样一次。此外,木工机械的核心部件种类多样,本发明实施例仅选择木工机械的发动机、轴承、电气控制盒、继电器、传动装置五个核心部件进行分析,实施者可根据具体实施环境自行调整核心部件的种类和数量,且不同的核心部件的种类和数量的分析方法与本发明实施例的方法相同,在此不做进一步赘述。
步骤S2:根据每个核心部件的核心温度数据在时间顺序上的分布情况,构建初始核心温度矩阵;根据每个采样时刻下各个核心部件的核心温度数据在局部时间范围内的波动变化差异情况,构建修正系数矩阵;根据各个核心部件的核心温度数据在时间顺序上的整体变化趋势差异情况,构建重要系数矩阵。
考虑到后续需要通过主成分分析方法得到的主成分数据进行木工机械加工生产管理,而主成分分析方法所处理的对象是矩阵,因此本发明实施例需要根据核心部件的核心温度数据进行矩阵的构建。本发明实施例根据每个核心部件的核心温度数据在时间顺序上的分布情况,构建初始核心温度矩阵。
优选地,初始核心温度矩阵的获取方法包括:
在时间顺序上,以木工机械的每个核心部件在所有采样时刻下的核心温度数据为一列、以每个采样时刻下的所有核心温度数据为一行,构建初始核心温度矩阵。在本发明实施例中,考虑到矩阵的行数与采样时刻的数量有关,本发明实施例以50个采样时刻的核心温度数据作为一组,也即本发明实施例中的初始核心温度矩阵为50行,结合本发明实施例所分析的核心部件数量,即可得到50行5列的初始核心温度矩阵,其中每个元素为核心温度数据,实施者可根据具体实施环境自行调整每个初始核心温度矩阵采样时刻的数量。此外需要说明的是,本发明实施例以该形式构建初始核心温度矩阵的目的是使得后续修正过程中能够满足矩阵相乘的条件,实施者也可根据具体实施环境,将木工机械的每个核心部件在所有采样时刻下的核心温度数据为一行,以每个采样时刻下的所有核心温度数据为一列,但是需要根据矩阵相乘的原理自行调整初始核心温度矩阵进行修正过程,后续不做进一步赘述。
由于采集环境的影响,核心温度数据会不可避免的存在噪声,因此初始核心温度矩阵会受到噪声影响,本发明实施例需要通过构建修正系数矩阵和重要系数矩阵对初始核心温度矩阵进行修正,从而最大限度的减少修正后的修正核心温度矩阵受到噪声的影响程度。考虑到不同采样时刻下核心部件受到噪声影响的可能性不同,而同一采样时刻下所有核心部件受到噪声影响的可能性通常相同,而本发明实施例中每个采样时刻对应初始核心温度矩阵的每一行,因此通过构建修正系数矩阵对每个采样时刻的核心温度数据进行不同程度的修正。而噪声会导致核心温度数据出现时序上的波动,对应的波动变化与整体波动变化差异越大,对应受到噪声影响可能性就越大,因此本发明实施例根据每个采样时刻下各个核心部件的核心温度数据在局部时间范围内的波动变化差异情况,构建修正系数矩阵。
优选地,修正系数矩阵的获取方法包括:
依次将每个采样时刻作为目标采样时刻;将以目标采样时刻为中心的预设时间邻域范围作为参考时间范围。在本发明实施例中,预设时间邻域范围设置为10min,也即正常情况下参考时间范围包含目标采样时刻之前存在5个采样时刻,之后也存在5个采样时刻。需要说明的是,当目标采样时刻之前或之后的采样时刻不满足5个时,以实际存在的采样时刻数量为准,例如对于初始核心温度矩阵中第一个采样时刻的数据,其之前不存在采样时刻,则只以第一个采样时刻后5min对应的时间范围为参考时间范围,也即对应的参考时间范围中仅存在5个采样时刻。进一步地根据噪声的存在会影响局部时间范围内不同采样时刻的核心温度数据的波动情况,本发明实施例根据每个核心部件在参考时间范围内所有核心温度数据波动情况,得到每个核心部件在目标采样时刻的噪声波动程度;
优选地,噪声波动程度的获取方法包括:
在时间顺序上,根据每个核心部件在参考时间范围内的所有核心温度数据进行曲线拟合,得到每个核心部件在目标采样时刻的核心温度波动曲线;在时间顺序上,将每个核心部件在参考时间范围内每个采样时刻与下一个采样时刻的核心温度数据之间的差值,作为每个核心部件在参考时间范围内每个采样时刻的参考温度差值;将每个核心部件在参考时间范围内所有采样时刻的参考温度差值的方差,作为每个核心部件在目标采样时刻的参考温度方差;将核心温度波动曲线的极值点数量与参考温度方差的乘积,作为每个核心部件在目标采样时刻的噪声波动程度。
由于噪声的影响通常是不规则的,因此当目标采样时刻受到噪声影响时,其相邻的数据点的温度变化程度通常表现为不稳定的特征,对应的参考温度差值之间的差异通常较大,因此通过计算参考温度差值的方差得到的参考温度方差,来进一步地反映与噪声相关的变化不稳定特征,并且参考温度方差越大,说明目标时刻的参考时间范围内的核心温度数据的稳定程度越小,也即目标采样时刻对应的噪声波动程度越大。而极值点数量也能够在一定程度反映目标时刻的参考时间范围内的核心温度数据的不稳定特征,对应的极值点数量越大,说明核心温度数据在参考时间范围内的变化越剧烈,对应的稳定程度越小,也即目标采用时刻对应的噪声波动程度越大。
进一步地结合各个核心部件在目标时刻的噪声波动程度,从而从整体表征目标采样时刻的噪声影响程度。本发明实施例将所有核心部件在目标采样时刻的噪声波动程度均值,作为目标采样时刻的噪声影响程度,其中均值更能够反映整体的特征,且在数值上符合局部数值特征。
在本发明实施例中,目标采样时刻的噪声影响程度的获取方法在公式上表现为:
其中,为目标采样时刻/>的噪声影响程度,/>为目标采样时刻/>的参考时间范围内采样时刻的数量,/>为第/>个核心部件在目标采样时刻/>的参考时间范围内对应的核心温度波动曲线的极值点数量,/>为第/>个核心部件在目标采样时刻/>的参考时间范围内对应的参考温度差值的方差,/>为第/>个核心部件在目标采样时刻/>的参考时间范围内对应的噪声波动程度。
将参考时间范围内每个采样时刻下所有核心部件的核心温度数据的累加值,作为参考时间范围内每个采样时刻下的参考判定温度值;将参考时间范围内所有采样时刻下的参考判定温度值的均值,作为目标采样时刻对应的参考正常温度值。对于参考正常温度值而言,其所代表的特征为参考时间范围内核心温度数据整体的数值特征,以参考正常温度值的数值为表征能够清楚的得到目标采样时刻的参考判定温度值的偏离方向和偏离程度,从而使得后续对目标采样时刻受到噪声影响的表征更加准确,也即使得后续得到的修正系数矩阵更加准确。
在本发明实施例中,目标采样时刻的参考正常温度值的获取方法在公式上表现为:
其中,为目标采样时刻/>的参考正常温度值,/>为目标采样时刻/>的参考时间范围内采样时刻的数量,/>为核心部件的数量,/>为目标采样时刻/>的参考时间范围内第/>个采样时刻下第/>个核心部件的核心温度数据;/>为目标采样时刻/>的参考时间范围内第/>个采样时刻下的参考判定温度值。
进一步地根据参考正常温度值和参考判定温度值之间的差异、以及噪声影响程度构建修正系数计算模型;根据修正系数计算模型得到每个采样时刻的修正系数;
优选地,依次将每个采样时刻作为第个采样时刻,则对应的修正系数计算模型包括:
其中,为第/>个采样时刻的修正系数;/>为第/>个采样时刻的参考正常温度值;为第/>个采样时刻的参考判定温度值;/>为第/>个采样时刻的噪声影响程度;/>为预设第一调节参数,/>为预设第二调节参数,预设第一调节参数和预设第二调节参数均大于0。在本发明实施例中,预设第一调节参数和预设第二调节参数均设置为0.1,用于防止分母为0,实施者可根据具体实施环境自行调整。
其中,表征第/>个采样时刻的参考判定温度值相比于整体的参考正常温度值的偏离程度,进一步地通过噪声影响程度对偏离程度进行影响,使得偏离程度越大、且噪声影响程度越大时,对应的修正系数越偏离1,也即噪声影响程度加权后的越大。而设置不同的调节获取修正系数的原因是,虽然噪声会使得正常的核心温度数据发生偏移,但是不清楚偏移的方向,即向上偏移或向下偏移,由于/>表示第/>个采样时刻的参考正常温度值,也即其局部范围内的可以参考的正常温度,因此可以通过参考正常温度值/>与第/>个采样时刻的参考判定温度值/>进行比较,来获取其偏移方向。当/>时,说明参考判定温度值相对于参考正常温度值较大,因此对应的第/>个采样时刻受到噪声后的核心温度数据是偏大,因此在分子参考正常温度值/>的基础上减去,并将参考判定温度值/>作为分母,使得在结合第/>个采样时刻的参考判定温度值与参考正常温度值偏差的基础上,引入噪声影响程度,使得得到的修正系数更加准确。当/>时,说明参考判定温度值相对于参考正常温度值较小,因此对应的第/>个采样时刻受到噪声后的核心温度数据是偏小的,因此在分子参考正常温度值/>的基础上加上/>。
进一步地在时间顺序上,根据各个采样时刻的修正系数分布情况构建修正系数矩阵。
优选地,根据各个采样时刻的修正系数分布情况构建修正系数矩阵的方法包括:
将采样时刻的数量作为对角矩阵的行数和列数,构建对应的第一对角矩阵,第一对角矩阵中,每个采样时刻对应第一对角矩阵中的每个行向量;第一对角矩阵中,每个采样时刻的行向量的排列顺序与时间顺序相同;将第一对角矩阵中每个采样时刻对应的行向量中非零元素替换为对应的修正系数,得到修正系数矩阵。根据本发明实施例中修正系数矩阵的构建方法,能够使得得到的修正系数矩阵在后续对初始核心温度矩阵进行左乘时,使得每个修正系数都能对对应的采样时刻的核心温度数据进行对应调整。
进一步地考虑到不同核心部件对应的空间位置不同,因此不同核心部件的核心温度数据受到噪声的影响也各不相同,对于受到噪声影响较大的核心部件的核心温度数据,其对应的重要性通常较小,并且噪声会导致每个核心部件的核心温度数据出现时序上的波动,因此本发明实施例在不同种类核心部件的维度上,根据各个核心部件的核心温度数据在时间顺序上的整体变化趋势差异情况,构建重要系数矩阵。使得本发明实施例得到的重要系数矩阵对初始核心温度矩阵中每个核心部件在不同采样时刻下的核心温度数据进行调整,而修正系数矩阵则是对每个采样时刻下所有核心部件的核心温度数据进行调整。
优选地,重要系数矩阵的获取方法包括:
在时间顺序上,对每个核心部件在所有采样时刻的核心温度数据进行曲线拟合,得到每个核心部件的时序温度变化曲线。时序温度变化曲线能够反映每个核心部件在时序上的波动变化情况,对于所有核心部件而言,不同核心部件其本身受到噪声影响的强度可能是不同的,导致不同核心部件的时序温度变化曲线的变化趋势不同,并且受到噪声影响越大的核心部件,其对应的时序温度变化曲线与其他时序温度变化曲线的差异会越大,进一步地根据该特点进行修正系数矩阵的构建。需要说明的是,曲线拟合为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
将任意两条不同核心部件的时序温度变化曲线进行组合,得到所有的时序温度变化曲线组合;将每个时序温度变化曲线组合对应的两条时序温度变化曲线之间的结构相似性系数,作为每个时序温度变化曲线组合的相似程度参数;将所有时序温度变化曲线组合的相似程度参数的均值,作为参考相似性系数。参考相似性系数即所有时序温度变化曲线两两之间整体的相似性,进一步地能够以此为基准,分析每条时序温度变化曲线与整体所有时序温度变化曲线之间变化趋势差异,从而得到每条时序温度变化曲线对应核心部件受到噪声的影响程度。需要说明的是,曲线之间结构相似性系数的计算是本领域技术人员所熟知的现有技术,用于衡量两条时序温度变化曲线之间的相似性,在此不做进一步限定和赘述。
依次将每个核心部件作为目标核心部件;将目标核心部件外的其他核心部件作为对比核心部件;将每个对比核心部件的时序温度变化曲线与目标核心部件的时序温度变化曲线之间的结构相似性系数,作为每个对比核心部件的参考对比相似性;将所有对比核心部件的参考对比相似性的均值,作为目标核心部件的整体相似程度。进一步地在目标核心部件与其余每个核心部分之间进行对应的时序温度变化曲线的结构相似性系数的计算,并结合均值得到目标核心部件的时序温度变化曲线的与其余核心部件的时序温度变化曲线之间的整体相似程度。
由于参考相似性系数为所有时序温度变化曲线两两之间整体的相似性,因此以参考相似性系数为参考,对应的目标核心部件的整体相似程度与参考相似性系数偏离越远,说明目标核心部件的时序温度变化曲线与整体所有时序温度变化曲线之间变化趋势差异越大,也即对应的目标核心部件受到噪声的影响程度的影响越大。而受到噪声影响程度越大的核心器件,其对应核心温度数据的重要性就越低。进一步地本发明实施例将参考相似性系数与整体相似程度的差异的负相关映射值,作为目标核心部件的重要系数。
在本发明实施例中,目标核心部件的重要系数的获取方法在公式上表现为:
其中,为目标核心部件/>的重要系数,/>为时序温度变化曲线组合的数量,/>为第个时序温度变化曲线组合的相似程度参数,也即第/>个时序温度变化曲线组合中两条时序温度变化曲线之间的结构相似性系数;/>为目标核心部件对应的对比核心部件,也即本发明实施例中所有核心部件的数量减1,在本发明实施例中取值为4。/>为目标核心部件/>对应的第/>个对比核心部件的参考对比相似性;/>为参考相似性系数,为目标核心部件/>的整体相似程度。/>为以自然常数为底的指数函数。需要说明的是,实施者也可通过其他负相关映射函数进行负相关映射,例如/>,在此不做进一步赘述。
将初始核心温度矩阵中从左到右的列向量对应的核心部件的排列顺序,作为核心部件排列顺序;进一步地在核心部件排列顺序上,根据各个核心部件的重要系数分布情况构建重要系数矩阵。获取核心部件排列顺序的目的是使得每个核心部件的重要系数都能对初始核心温度矩阵中对应的核心部件的核心温度数据进行修正。
优选地,根据各个核心部件的重要系数分布情况构建重要系数矩阵的方法包括:
将核心部件的数量作为对角矩阵的行数和列数,构建对应的第二对角矩阵,第二对角矩阵中,第二对角矩阵中每个核心部件对应每个列向量;第二对角矩阵中每个核心部件的列向量的排列顺序与核心部件排列顺序相同;将第二对角矩阵中每个核心部件对应的列向量中非零元素替换为对应的重要系数,得到重要系数矩阵。根据本发明实施例中重要系数矩阵的构建方法,能够使得得到的重要系数矩阵在后续对初始核心温度矩阵进行右乘时,使得每个重要系数都能对对应的核心部件的核心温度数据进行对应调整。
步骤S3:根据修正系数矩阵和重要系数矩阵对初始核心温度矩阵进行修正,得到修正核心温度矩阵;根据修正核心温度矩阵结合主成分分析方法得到主成分数据;根据主成分数据进行木工机械加工生产管理。
进一步地根据修正系数矩阵和重要系数矩阵对初始核心温度矩阵进行修正,得到修正核心温度矩阵。
优选地,修正核心温度矩阵的获取方法包括:
由于修正系数矩阵中的每个修正系数是对每个采样时刻的核心温度数据进行分析得到的,而重要系数矩阵是对每个核心部件的核心温度数据进行分析得到的,而初始核心温度矩阵的每一行表示每个采样时刻,每一列表示每个核心部件,因此集合矩阵相乘的原理,左乘修正行,右乘修正列,将初始核心温度矩阵左乘修正系数矩阵后,右乘重要系数矩阵,得到修正核心温度矩阵。
在本发明实施例中,修正核心温度矩阵的获取方法在公式上表现为:
其中,为修正核心温度矩阵,/>为修正系数矩阵,/>为初始核心温度矩阵,/>为重要系数矩阵。在本发明实施例中,修正系数矩阵/>为50行50列,重要系数矩阵/>为5行5列,初始核心温度矩阵/>为50行5列,因此得到的修正核心温度矩阵也为50行5列;此处的乘号/>含义为矩阵相乘,根据矩阵相乘的计算法则,也可直接写为/>,在此不做进一步赘述。
至此,得到尽可能的减少噪声数据影响的修正核心温度矩阵,进一步地根据修正核心温度矩阵结合主成分分析方法得到主成分数据。需要说明的是,主成分分析方法为本领域技术人员所熟知的现有技术,在此不做进一步限定和赘述。
最后根据主成分数据进行木工机械加工生产管理。由于修正核心温度矩阵中去除了噪声的影响,因此得到的主成分数据更加准确,也即根据主成分数据进行木工机械加工生产管理的效果更好。在本发明实施例中,在得到主成分数据后,根据各个主成分数据进行孤立树的建立,从而得到每个数据点的异常得分值,实现异常数据检测,从而进行木工机械加工生产管理;也即对应孤立森林算法的异常检测过程,孤立森林算法为本领域技术人员所熟知的现有技术,此外实施者也可采用孤立森林算法外的其他异常检测算法根据主成分数据进行异常检测,在此不做进一步限定和赘述。
综上所述,本发明首先构建初始核心温度矩阵,根据每个采样时刻下各个核心部件的核心温度数据在局部时间范围内的波动变化差异情况,得到修正系数矩阵;根据各个核心部件的核心温度数据在时间顺序上的整体变化趋势差异情况,构建重要系数矩阵;结合修正系数矩阵和重要系数矩阵对初始核心温度矩阵进行修正,根据得到的修正核心温度矩阵结合主成分分析方法,得到更加准确的主成分数据,使得后续根据主成分数据进行木工机械加工生产管理的效果更好。
本发明还提出了一种木工机械加工生产智能管理系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,处理器执行所述计算机程序时实现任意一项一种木工机械加工生产智能管理方法的步骤。
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)
1.一种木工机械加工生产智能管理方法,其特征在于,所述方法包括:
获取木工机械每个核心部件在每个采样时刻的核心温度数据;
根据每个核心部件的核心温度数据在时间顺序上的分布情况,构建初始核心温度矩阵;根据每个采样时刻下各个核心部件的核心温度数据在局部时间范围内的波动变化差异情况,构建修正系数矩阵;根据各个核心部件的核心温度数据在时间顺序上的整体变化趋势差异情况,构建重要系数矩阵;
根据所述修正系数矩阵和所述重要系数矩阵对所述初始核心温度矩阵进行修正,得到修正核心温度矩阵;根据所述修正核心温度矩阵结合主成分分析方法得到主成分数据;根据所述主成分数据进行木工机械加工生产管理。
2.根据权利要求1所述的一种木工机械加工生产智能管理方法,其特征在于,所述初始核心温度矩阵的获取方法包括:
在时间顺序上,以木工机械的每个核心部件在所有采样时刻下的核心温度数据为一列、以每个采样时刻下的所有核心温度数据为一行,构建初始核心温度矩阵。
3.根据权利要求1所述的一种木工机械加工生产智能管理方法,其特征在于,所述修正系数矩阵的获取方法包括:
依次将每个采样时刻作为目标采样时刻;将以目标采样时刻为中心的预设时间邻域范围作为参考时间范围;
根据每个核心部件在所述参考时间范围内所有核心温度数据波动情况,得到每个核心部件在目标采样时刻的噪声波动程度;将所有核心部件在目标采样时刻的噪声波动程度均值,作为目标采样时刻的噪声影响程度;
将所述参考时间范围内每个采样时刻下所有核心部件的核心温度数据的累加值,作为参考时间范围内每个采样时刻下的参考判定温度值;将参考时间范围内所有采样时刻下的参考判定温度值的均值,作为目标采样时刻对应的参考正常温度值;
根据所述参考正常温度值与目标采样时刻的参考判定温度值之间的差异、以及所述噪声影响程度构建修正系数计算模型;根据所述修正系数计算模型得到每个采样时刻的修正系数;
在时间顺序上,根据各个采样时刻的修正系数分布情况构建修正系数矩阵。
4.根据权利要求3所述的一种木工机械加工生产智能管理方法,其特征在于,所述噪声波动程度的获取方法包括:
在时间顺序上,根据每个核心部件在所述参考时间范围内的所有核心温度数据进行曲线拟合,得到每个核心部件在目标采样时刻的核心温度波动曲线;
在时间顺序上,将每个核心部件在所述参考时间范围内每个采样时刻与下一个采样时刻的核心温度数据之间的差值,作为每个核心部件在所述参考时间范围内每个采样时刻的参考温度差值;将每个核心部件在所述参考时间范围内所有采样时刻的参考温度差值的方差,作为每个核心部件在目标采样时刻的参考温度方差;
将所述核心温度波动曲线的极值点数量与所述参考温度方差的乘积,作为每个核心部件在目标采样时刻的噪声波动程度。
5.根据权利要求3所述的一种木工机械加工生产智能管理方法,其特征在于,所述修正系数计算模型包括:
其中,为第/>个采样时刻的修正系数;/>为第/>个采样时刻的参考正常温度值;/>为第/>个采样时刻的参考判定温度值;/>为第/>个采样时刻的噪声影响程度;/>为预设第一调节参数,/>为预设第二调节参数,预设第一调节参数和预设第二调节参数均大于0。
6.根据权利要求3所述的一种木工机械加工生产智能管理方法,其特征在于,所述根据各个采样时刻的修正系数分布情况构建修正系数矩阵的方法包括:
将采样时刻的数量作为对角矩阵的行数和列数,构建对应的第一对角矩阵,所述第一对角矩阵中,每个采样时刻对应第一对角矩阵中的每个行向量;所述第一对角矩阵中,每个采样时刻的行向量的排列顺序与时间顺序相同;将所述第一对角矩阵中每个采样时刻对应的行向量中非零元素替换为对应的修正系数,得到修正系数矩阵。
7.根据权利要求2所述的一种木工机械加工生产智能管理方法,其特征在于,所述重要系数矩阵的获取方法包括:
在时间顺序上,对每个核心部件在所有采样时刻的核心温度数据进行曲线拟合,得到每个核心部件的时序温度变化曲线;
将任意两条不同核心部件的时序温度变化曲线进行组合,得到所有的时序温度变化曲线组合;将每个时序温度变化曲线组合对应的两条时序温度变化曲线之间的结构相似性系数,作为每个时序温度变化曲线组合的相似程度参数;将所有时序温度变化曲线组合的相似程度参数的均值,作为参考相似性系数;
依次将每个核心部件作为目标核心部件;将目标核心部件外的其他核心部件作为对比核心部件;将每个对比核心部件的时序温度变化曲线与目标核心部件的时序温度变化曲线之间的结构相似性系数,作为每个对比核心部件的参考对比相似性;将所有对比核心部件的参考对比相似性的均值,作为目标核心部件的整体相似程度;
将所述参考相似性系数与所述整体相似程度的差异的负相关映射值,作为目标核心部件的重要系数;
将所述初始核心温度矩阵中从左到右的列向量对应的核心部件的排列顺序,作为核心部件排列顺序;在所述核心部件排列顺序上,根据各个核心部件的重要系数分布情况构建重要系数矩阵。
8.根据权利要求7所述的一种木工机械加工生产智能管理方法,其特征在于,所述根据各个核心部件的重要系数分布情况构建重要系数矩阵的方法包括:
将核心部件的数量作为对角矩阵的行数和列数,构建对应的第二对角矩阵,所述第二对角矩阵中,所述第二对角矩阵中每个核心部件对应每个列向量;所述第二对角矩阵中每个核心部件的列向量的排列顺序与所述核心部件排列顺序相同;将所述第二对角矩阵中每个核心部件对应的列向量中非零元素替换为对应的重要系数,得到重要系数矩阵。
9.根据权利要求1所述的一种木工机械加工生产智能管理方法,其特征在于,所述修正核心温度矩阵的获取方法包括:
将所述初始核心温度矩阵左乘修正系数矩阵后,右乘重要系数矩阵,得到修正核心温度矩阵。
10.一种木工机械加工生产智能管理系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~9任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311525413.7A CN117236084B (zh) | 2023-11-16 | 2023-11-16 | 一种木工机械加工生产智能管理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311525413.7A CN117236084B (zh) | 2023-11-16 | 2023-11-16 | 一种木工机械加工生产智能管理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117236084A true CN117236084A (zh) | 2023-12-15 |
CN117236084B CN117236084B (zh) | 2024-02-06 |
Family
ID=89097124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311525413.7A Active CN117236084B (zh) | 2023-11-16 | 2023-11-16 | 一种木工机械加工生产智能管理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117236084B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117760593A (zh) * | 2024-02-22 | 2024-03-26 | 张家港江海粮油港务有限公司 | 一种粮食作物仓储温度异常监测方法 |
CN117798744A (zh) * | 2024-02-29 | 2024-04-02 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
CN118018035A (zh) * | 2024-04-09 | 2024-05-10 | 毛茸茸(南通)智能科技有限公司 | 一种装修进度智能监管系统的信息传输方法 |
CN118466627A (zh) * | 2024-07-01 | 2024-08-09 | 深圳市鑫赛科科技发展有限公司 | 一种面向电脑主机的温度自适应调控方法、装置及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110262A (ja) * | 2007-10-30 | 2009-05-21 | Mitsubishi Electric Corp | フィルタ装置、フィルタ装置のフィルタリング方法およびフィルタリングプログラム |
JP2016055304A (ja) * | 2014-09-08 | 2016-04-21 | 新日鐵住金株式会社 | 連続鋳造機で鋳造されている鋳片の状態推定方法および推定装置 |
WO2017099987A1 (en) * | 2015-12-09 | 2017-06-15 | Qualcomm Incorporated | Accurate hotspot detection through temperature sensors |
WO2018220690A1 (ja) * | 2017-05-29 | 2018-12-06 | 理化工業株式会社 | 制御系設計装置及び制御システム |
CN109581870A (zh) * | 2018-11-27 | 2019-04-05 | 中国工程物理研究院化工材料研究所 | 含能材料反应釜的釜内温度动态矩阵控制方法 |
CN111308283A (zh) * | 2020-01-16 | 2020-06-19 | 成都工百利自动化设备有限公司 | 一种多功能开关柜工作状态传感器及预警方法 |
CN113722860A (zh) * | 2021-09-07 | 2021-11-30 | 上海交通大学 | 基于降阶模型的瞬态热力状态在线评估方法、设备及介质 |
CN115809553A (zh) * | 2022-12-01 | 2023-03-17 | 国网福建省电力有限公司 | 一种变电站保护小室内的温湿度计算方法及终端 |
CN116185306A (zh) * | 2023-04-24 | 2023-05-30 | 山东爱福地生物股份有限公司 | 一种利用菹草的污水处理系统数据存储方法 |
CN116186634A (zh) * | 2023-04-26 | 2023-05-30 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理系统 |
CN116753562A (zh) * | 2023-08-18 | 2023-09-15 | 浙江中骏石墨烯科技有限公司 | 基于数据分析的石墨烯电暖智能温控系统 |
-
2023
- 2023-11-16 CN CN202311525413.7A patent/CN117236084B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110262A (ja) * | 2007-10-30 | 2009-05-21 | Mitsubishi Electric Corp | フィルタ装置、フィルタ装置のフィルタリング方法およびフィルタリングプログラム |
JP2016055304A (ja) * | 2014-09-08 | 2016-04-21 | 新日鐵住金株式会社 | 連続鋳造機で鋳造されている鋳片の状態推定方法および推定装置 |
WO2017099987A1 (en) * | 2015-12-09 | 2017-06-15 | Qualcomm Incorporated | Accurate hotspot detection through temperature sensors |
WO2018220690A1 (ja) * | 2017-05-29 | 2018-12-06 | 理化工業株式会社 | 制御系設計装置及び制御システム |
CN109581870A (zh) * | 2018-11-27 | 2019-04-05 | 中国工程物理研究院化工材料研究所 | 含能材料反应釜的釜内温度动态矩阵控制方法 |
CN111308283A (zh) * | 2020-01-16 | 2020-06-19 | 成都工百利自动化设备有限公司 | 一种多功能开关柜工作状态传感器及预警方法 |
CN113722860A (zh) * | 2021-09-07 | 2021-11-30 | 上海交通大学 | 基于降阶模型的瞬态热力状态在线评估方法、设备及介质 |
CN115809553A (zh) * | 2022-12-01 | 2023-03-17 | 国网福建省电力有限公司 | 一种变电站保护小室内的温湿度计算方法及终端 |
CN116185306A (zh) * | 2023-04-24 | 2023-05-30 | 山东爱福地生物股份有限公司 | 一种利用菹草的污水处理系统数据存储方法 |
CN116186634A (zh) * | 2023-04-26 | 2023-05-30 | 青岛新航农高科产业发展有限公司 | 一种建筑工程施工数据智能管理系统 |
CN116753562A (zh) * | 2023-08-18 | 2023-09-15 | 浙江中骏石墨烯科技有限公司 | 基于数据分析的石墨烯电暖智能温控系统 |
Non-Patent Citations (4)
Title |
---|
JING DENG: "An improved algorithm based on Radial Basis Function for temperature fields reconstruction in furnaces", 2011 INTERNATIONAL CONFERENCE ON MACHINE LEARNING AND CYBERNETICS, pages 1186 - 1191 * |
付万超: "非平表面的红外热像测温修正方法研究", 非平表面的红外热像测温修正方法研究, pages 179 - 185 * |
李玲;代彩红;吴志峰;王彦飞;: "光谱辐射测量仪器温度修正方法的研究及验证", 光谱学与光谱分析, no. 06 * |
黎敏;阳建宏;徐金梧;杨德斌;: "基于高维空间流形变化的设备状态趋势分析方法", 机械工程学报, no. 02 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117760593A (zh) * | 2024-02-22 | 2024-03-26 | 张家港江海粮油港务有限公司 | 一种粮食作物仓储温度异常监测方法 |
CN117760593B (zh) * | 2024-02-22 | 2024-05-10 | 张家港江海粮油港务有限公司 | 一种粮食作物仓储温度异常监测方法 |
CN117798744A (zh) * | 2024-02-29 | 2024-04-02 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
CN117798744B (zh) * | 2024-02-29 | 2024-05-10 | 茌平县汇通机械制造有限公司 | 一种数控机床运行状态监测方法 |
CN118018035A (zh) * | 2024-04-09 | 2024-05-10 | 毛茸茸(南通)智能科技有限公司 | 一种装修进度智能监管系统的信息传输方法 |
CN118018035B (zh) * | 2024-04-09 | 2024-06-14 | 毛茸茸(南通)智能科技有限公司 | 一种装修进度智能监管系统的信息传输方法 |
CN118466627A (zh) * | 2024-07-01 | 2024-08-09 | 深圳市鑫赛科科技发展有限公司 | 一种面向电脑主机的温度自适应调控方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117236084B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117236084B (zh) | 一种木工机械加工生产智能管理方法及系统 | |
CN117556279B (zh) | 基于电参数分析的匀胶显影机运行状态监测方法及系统 | |
CN112154464B (zh) | 参数搜索方法、参数搜索装置以及参数搜索用程序 | |
CN117196353B (zh) | 基于大数据的环境污染评估与监测方法及系统 | |
CN111913803A (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN105846448B (zh) | 一种基于随机矩阵理论的配电网无功补偿容量确定方法 | |
CN116994416B (zh) | 基于人工智能的风机运行故障预警方法及系统 | |
CN117798744B (zh) | 一种数控机床运行状态监测方法 | |
CN111368428B (zh) | 一种基于监控二阶统计量的传感器精度下降故障检测方法 | |
CN117609929B (zh) | 基于大数据的工业生产线故障在线诊断方法及系统 | |
CN117786325B (zh) | 一种大口径物联网水表的环境温度智慧预警系统 | |
CN116991199A (zh) | 用于时钟芯片的时钟信号智能降噪方法 | |
CN114330850B (zh) | 一种用于气候预测的异常相对倾向生成方法与系统 | |
CN115167320A (zh) | 工业控制系统的模型识别方法、装置、设备及存储介质 | |
CN117786371A (zh) | 一种温度监测数据优化预测分析方法及系统 | |
CN118034069A (zh) | 一种智能控制器运行状态的自适应控制方法 | |
CN117349664B (zh) | 一种芽苗菜生长环境在线监测方法及系统 | |
CN117331360A (zh) | 基于功能需求的竹材生产工艺参数智能控制方法及系统 | |
CN111125625B (zh) | 一种基于嵌入式系统的光谱基线计算方法 | |
CN117587403A (zh) | 基于化学转化的铝合金模板表面处理方法及系统 | |
CN109655749B (zh) | 采集数据矩阵智能跟踪校准方法及装置 | |
CN111091243A (zh) | 基于pca-gm的电力负荷预测方法、系统、计算机可读存储介质和计算设备 | |
CN113435106B (zh) | 一种过渡模态操作故障检测方法和系统 | |
CN115048800A (zh) | 一种基于绝对角度停止准则的最小角回归稀疏辨识方法 | |
CN114741258A (zh) | 一种基于大数据的计算机性能控制分析系统及方法 |
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 |