CN117473345B - 基于数据分析的法兰锻造缺陷检测方法 - Google Patents

Abstract

本发明涉及数据处理技术领域，尤其涉及一种基于数据分析的法兰锻造缺陷检测方法，该方法采集法兰在历史时间段内的锻造压力时序序列，对锻造压力时序序列进行划分，得到至少两个单位区间，获取单位区间的模式划分因子，根据单位区间的模式划分因子对聚类过程中的聚类距离进行优化，得到优化聚类距离；根据每个单位区间与簇类中心单位区间之间的优化聚类距离，将锻造压力时序序列划分为至少一个锻造压力子序列；获取实时锻造压力序列，根据实时锻造压力序列与每个锻造压力子序列之间的相似度，得到抽样检测率，根据抽样检测率进行法兰锻造缺陷检测，在保证法兰缺陷监测的准确率的基础上提高了法兰的生产与检测效率。

Description

基于数据分析的法兰锻造缺陷检测方法

技术领域

本发明涉及数据处理技术领域，尤其涉及一种基于数据分析的法兰锻造缺陷检测方法。

背景技术

在法兰生产的锻造过程中，需要通过超声波对生产的法兰进行缺陷检测，从而通过超声波检测揭示法兰的内部缺陷，如夹杂物、气孔或未完全融合的缺陷区域。但是在法兰的生产过程中，对于不同的锻造过程中的压力数据，所生产的法兰具有不同的次品率，而为了保证生产与检测的效率，需要对生产出的法兰进行抽样检测。

为了保证所生产的法兰的质量，需要根据法兰锻造过程中锻造压力机的压力数据进行法兰缺陷对应的压力模式分析，得到压力异常模式所对应的目标压力数据，从而通过实时压力数据与目标压力数据之间的相似性进行法兰缺陷检测的采样率的实时调整，从而在保证对法兰缺陷检测的基础上提高生产与检测的效率。

现有技术中，针对于根据法兰锻造过程中的压力数据进行压力模式分析，首先对历史压力时序数据序列进行划分，得到每个法兰所对应的时序数据子序列，然后，对所有时序数据子序列进行聚类，从而将时序数据子序列划分为不同的簇类，一个簇类对应一个压力模式，在对历史压力时序数据序列进行压力模式划分之后，将实时监测到的法兰锻造过程中的压力时序数据与每个压力模式对应的时序数据子序列进行时序相似度的评估，从而根据时序相似度进行法兰的超声无损检测的抽检率调整。但是，在压力模式划分的过程中，由于在对所有时序数据子序列进行聚类时未考虑到单位区间的时序连续性，从而将一段连续的压力时序数据划分为不同的压力模式，导致时序相似度的评估出现偏差，使得根据时序相似度进行抽检率调整的不准确。

因此，如何提高对历史压力时序数据序列的压力模式进行划分的准确性，以提高法兰的生产质量成为亟需解决的问题。

发明内容

有鉴于此，本发明实施例提供了一种基于数据分析的法兰锻造缺陷检测方法，以解决如何提高对历史压力时序数据序列的压力模式进行划分的准确性，以提高法兰的生产质量的问题。

本发明实施例中提供了一种基于数据分析的法兰锻造缺陷检测方法，该法兰锻造缺陷检测方法包括以下步骤：

采集法兰在锻造过程中的锻造压力，得到历史时间段内的锻造压力时序序列，对所述锻造压力时序序列进行划分，得到至少两个单位区间，根据数据差异获取每个所述单位区间的近邻单位区间，分别将每个所述单位区间及其对应的近邻单位区间组成一组单位区间对；

针对任一单位区间，根据所述单位区间两侧的单位区间对的数量，获取所述单位区间的模式划分因子，根据所述单位区间的模式划分因子对聚类过程中所述单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离；

根据每个所述单位区间与簇类中心单位区间之间的优化聚类距离，对所有单位区间进行聚类，得到聚类结果，根据所述聚类结果将所述锻造压力时序序列划分为至少一个锻造压力子序列，获取每个所述锻造压力子序列的抽样率调整基础因子；

获取预设数量个法兰的实时锻造压力序列，根据所述实时锻造压力序列与每个所述锻造压力子序列之间的相似度，以及每个所述锻造压力子序列的抽样率调整基础因子，得到所述预设数量个法兰的抽样检测率，根据所述抽样检测率进行法兰锻造缺陷检测。

进一步的，所述根据数据差异获取每个所述单位区间的近邻单位区间，包括：

针对任一单位区间，取所述单位区间之外的任一单位区间作为其他单位区间，分别计算所述单位区间与所述其他单位区间之间的每个相同位置处的两个数据之间的差值绝对值，得到差值绝对值之和；

根据所述单位区间与每个所述其他单位区间之间的差值绝对值之和，将差值绝对值之和最小所对应的其他单位区间作为所述单位区间的近邻单位区间。

进一步的，所述根据所述单位区间两侧的单位区间对的数量，获取所述单位区间的模式划分因子，包括：

统计所述单位区间两侧的其他单位区间所组成的单位区间对的数量，对所述数量进行归一化后的结果作为所述单位区间的模式划分因子。

进一步的，所述根据所述单位区间的模式划分因子对聚类过程中所述单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离，包括：

针对任一簇类中心单位区间，根据所述单位区间和所述簇类中心单位区间之间的每个相同位置处的两个数据之间的差异，获取所述单位区间和所述簇类中心单位区间之间的第一聚类距离；

获取所述单位区间的预设范围内的邻域单位区间，针对任一邻域单位区间，获取所述邻域单位区间和所述簇类中心单位区间之间的第二聚类距离，获取所述单位区间与所述邻域单位区间之间间隔的单位区间数量，获取所述单位区间数量的倒数、所述第二聚类距离和所述邻域单位区间的模式划分因子之间的相乘结果；

根据每个所述邻域单位区间对应的相乘结果，获取相乘结果的均值，根据所述单位区间的模式划分因子，对所述第一聚类距离和所述相乘结果的均值进行加权求和，得到的结果作为所述单位区间与所述簇类中心单位区间之间的优化聚类距离。

进一步的，所述获取每个所述锻造压力子序列的抽样率调整基础因子，包括：

针对任一锻造压力子序列，统计所述锻造压力子序列中所包含的单位区间的第一数量，统计所述锻造压力子序列中对应缺陷法兰的第二数量，将所述第一数量和所述第二数量之间的比值作为所述锻造压力子序列的抽样率调整基础因子。

进一步的，所述根据所述实时锻造压力序列与每个所述锻造压力子序列之间的相似度，以及每个所述锻造压力子序列的抽样率调整基础因子，得到所述预设数量个法兰的抽样检测率，包括：

针对任一锻造压力子序列，利用DTW算法获取所述锻造压力子序列和所述实时锻造压力序列之间的相似度，对所述锻造压力子序列的抽样率调整基础因子进行归一化处理，得到对应的归一化值，对所述相似度和所述归一化值之间的乘积进行归一化处理，得到对应的归一化结果；

根据每个所述锻造压力子序列与所述实时锻造压力序列之间的归一化结果，计算归一化结果的均值，将常数1与所述均值之间的相加结果作为抽样率调整因子；

获取实时抽样率，将所述实时抽样率和所述抽样率调整因子之间的乘积作为所述预设数量个法兰的抽样检测率。

进一步的，所述对所述锻造压力时序序列进行划分，得到至少两个单位区间，包括：

根据每个法兰的生产时间对所述锻造压力时序序列进行划分，得到至少两个单位区间，一个法兰的锻造过程对应一个单位区间。

本发明实施例与现有技术相比存在的有益效果是：

本发明采集法兰在锻造过程中的锻造压力，得到历史时间段内的锻造压力时序序列，对所述锻造压力时序序列进行划分，得到至少两个单位区间，根据数据差异获取每个所述单位区间的近邻单位区间，分别将每个所述单位区间及其对应的近邻单位区间组成一组单位区间对；针对任一单位区间，根据所述单位区间两侧的单位区间对的数量，获取所述单位区间的模式划分因子，根据所述单位区间的模式划分因子对聚类过程中所述单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离；根据每个所述单位区间与簇类中心单位区间之间的优化聚类距离，对所有单位区间进行聚类，得到聚类结果，根据所述聚类结果将所述锻造压力时序序列划分为至少一个锻造压力子序列，获取每个所述锻造压力子序列的抽样率调整基础因子；获取预设数量个法兰的实时锻造压力序列，根据所述实时锻造压力序列与每个所述锻造压力子序列之间的相似度，以及每个所述锻造压力子序列的抽样率调整基础因子，得到所述预设数量个法兰的抽样检测率，根据所述抽样检测率进行法兰锻造缺陷检测。其中，通过历史时间段内的锻造压力时序序列中各个单位区间之间的近邻关系，对聚类过程中的聚类距离进行优化，使得锻造压力时序序列的压力模式划分过程中可以保证每个压力模式中的压力时序数据的连续性，从而避免划分的压力模式中的单位区间之间的不连续导致的实时锻造压力序列的相似度评估不准确，进而根据实时锻造压力序列的相似度进行后续抽样检测率的获取，从而在保证法兰缺陷监测的准确率的基础上提高了法兰的生产与检测效率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种基于数据分析的法兰锻造缺陷检测方法的方法流程图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

需要说明的是，本公开的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。为了说明本发明的技术方案，下面通过具体实施例来进行说明。

本发明所针对的具体场景为：通过对法兰锻造过程中的历史压力时序数据进行压力模式划分，以根据划分结果对法兰锻造生产后的超声无损抽检率进行优化调整。

参见图1，是本发明实施例一提供的一种基于数据分析的法兰锻造缺陷检测方法的方法流程图，如图1所示，该法兰缺陷锻造检测方法可以包括：

步骤S101，采集法兰在锻造过程中的锻造压力，得到历史时间段内的锻造压力时序序列，对锻造压力时序序列进行划分，得到至少两个单位区间，根据数据差异获取每个单位区间的近邻单位区间，分别将每个单位区间及其对应的近邻单位区间组成一组单位区间对。

在法兰生产的锻造过程（最终成形）中，需要通过锻造设备对材料施加压力，从而保证金属完全填充模具并形成精确的最终形状，而这阶段的压力数据对于所生产的法兰的微观结构是十分重要的。在法兰生产过程中，通过固定的采样频率对锻造设备所施加的压力进行采集，其中，对锻造设备所施加的压力可以通过锻造设备上的应变片传感器或是其他压力测量设备进行数据采集，并将采集到的压力数据按照采样顺序整理为锻造压力时序序列。

因此，本发明实施例中，采集法兰在锻造过程中的锻造压力，从而得到历史的锻造压力时序数据，也即是历史时间段内的锻造压力时序序列。进一步的，在得到锻造压力时序序列之后，根据每个法兰的生产时间对所述锻造压力时序序列进行划分，得到至少两个单位区间，一个法兰的锻造过程对应一个单位区间。值得说明的是，单位区间是等长的，当法兰生产过程中出现时间差异时，需将时间差异消除后再进行单位区间的确定。

在对锻造压力时序序列划分得到若干个单位区间之后，即可根据每个单位区间之间的近邻关系进行模式划分因子的获取，获取模式划分因子的目的是在聚类过程中通过连续的时序数据中的单位区间的近邻状态进行聚类过程中的距离优化，从而保证在对锻造压力时序序列的压力模式划分过程中可以获取到在时序上连续的压力模式（也即是锻造压力时序序列中连续的锻造压力子序列），一个压力模式对应一个锻造压力子序列，而不是存在较多间断的压力模式。因此，在对聚类过程中的聚类优化之前，根据数据差异获取每个单位区间的近邻单位区间。

所述根据数据差异获取每个所述单位区间的近邻单位区间，包括：

针对任一单位区间，取所述单位区间之外的任一单位区间作为其他单位区间，分别计算所述单位区间与所述其他单位区间之间的每个相同位置处的两个数据之间的差值绝对值，得到差值绝对值之和；

根据所述单位区间与每个所述其他单位区间之间的差值绝对值之和，将差值绝对值之和最小所对应的其他单位区间作为所述单位区间的近邻单位区间。

在一实施方式中，以第i个单位区间为例，第i个单位区间之外的单位区间成为其他单位区间，近邻单位区间是指与第i个单位区间的压力数据差异最小的其他单位区间，其中，第i个单位区间与第j个其他单位区间之间的压力数据差异的计算表达式为：

其中，表示第i个单位区间与第j个其他单位区间之间的压力数据差异，也即是差值绝对值之和，/>表示第i个单位区间中的第m个压力数据，/>表示第j个其他单位区间中的第m个压力数据，/>表示单位区间中的压力数据的数量，| |表示绝对值符号。

同理，根据第i个单位区间与第j个其他单位区间之间的压力数据差异的计算表达式，能够获取第i个单位区间与每个其他单位区间之间的压力数据差异，进而选择最小的压力数据差异所对应的其他单位区间作为第i个单位区间的近邻单位区间。

根据第i个单位区间的近邻单位区间的获取方法，能够分别获取每个单位区间的近邻单位区间。由于一个单位区间对应一个近邻单位区间，因此，分别将每个单位区间及其对应的近邻单位区间组成一组单位区间对，从而得到多组单位区间对。

步骤S102，针对任一单位区间，根据单位区间两侧的单位区间对的数量，获取单位区间的模式划分因子，根据单位区间的模式划分因子对聚类过程中单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离。

在确定了所有单位区间之间的近邻关系之后，为了保证后续对锻造压力时序序列的压力模式划分连续性，即可根据所有单位区间之间的近邻关系进行每个单位区间的模式划分因子的获取。而对于任意一个单位区间，如果该单位区间两侧存在的近邻关系的数量越多，则说明该单位区间两侧的单位区间的关联性就越强，那么在后续的聚类过程中该单位区间就可以更多地通过局部单位区间与簇类中心单位区间之间的距离进行优化，从而将该单位区间向着两侧关联性强的单位区间与簇类中心单位区间的距离靠近，从而将这些单位区间划分到同一个簇类，因此，针对任一单位区间，根据单位区间两侧的单位区间对的数量，获取单位区间的模式划分因子。

所述根据所述单位区间两侧的单位区间对的数量，获取所述单位区间的模式划分因子，包括：

统计所述单位区间两侧的其他单位区间所组成的单位区间对的数量，对所述数量进行归一化后的结果作为所述单位区间的模式划分因子。

在一实施方式中，以第i个单位区间为例，统计第i个单位区间两侧的单位区间所构成的单位区间对的数量，根据数量/>获取第i个单位区间的模式划分因子，则第i个单位区间的模式划分因子的计算表达式为：

其中，表示第i个单位区间的模式划分因子，/>表示归一化函数，/>表示第i个单位区间两侧的其他单位区间所组成的单位区间对的数量。

需要说明的是，对于第i个单位区间，当其两侧具有近邻关系的单位区间对的数量越多，则说明该单位区间在后续聚类过程中可以更高程度地进行局部单位区间的信息参考，从而在聚类过程中将连续的单位区间划分为同一个簇类，以此能够获取到连续的相同模式的锻造压力子序列。

进一步的，常规的聚类过程中，是通过单位区间之间的压力数据差异进行簇类划分，所划分的簇类并没有考虑到压力模式划分的连续性，而在完整的锻造压力时序序列中，对于压力模式的划分应该是一段连续的压力模式，对于异常压力模式的评估应该根据该压力模式中出现的缺陷法兰的数量来进行判断，因此，在对锻造压力时序序列的压力模式划分的过程中，针对任一单位区间，根据单位区间的模式划分因子对单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离，从而将锻造压力时序序列基于连续性划分为不同的簇类，并根据簇类结果完成锻造压力时序序列的压力模式划分。

所述根据所述单位区间的模式划分因子对聚类过程中所述单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离，包括：

针对任一簇类中心单位区间，根据所述单位区间和所述簇类中心单位区间之间的每个相同位置处的两个数据之间的差异，获取所述单位区间和所述簇类中心单位区间之间的第一聚类距离；

获取所述单位区间的预设范围内的邻域单位区间，针对任一邻域单位区间，获取所述邻域单位区间和所述簇类中心单位区间之间的第二聚类距离，获取所述单位区间与所述邻域单位区间之间间隔的单位区间数量，获取所述单位区间数量的倒数、所述第二聚类距离和所述邻域单位区间的模式划分因子之间的相乘结果；

根据每个所述邻域单位区间对应的相乘结果，获取相乘结果的均值，根据所述单位区间的模式划分因子，对所述第一聚类距离和所述相乘结果的均值进行加权求和，得到的结果作为所述单位区间与所述簇类中心单位区间之间的优化聚类距离。

在一实施方式中，以第i个单位区间和第c个簇类中心单位区间为例，针对于聚类过程中第i个单位区间和第c个簇类中心单位区间之间的聚类距离的优化，通过第i个单位区间的模式划分因子的限制进行局部单位区间的距离优化，其中，以第i个单位区间为中心，选择其前后相邻的各5个单位区间构成第i个单位区间的预设范围内的邻域单位区间，第i个单位区间对应10个邻域单位区间，则第i个单位区间和第c个簇类中心单位区间之间优化后的优化聚类距离的计算表达式为：

其中，表示第i个单位区间和第c个簇类中心单位区间之间的优化聚类距离，表示第i个单位区间的模式划分因子，/>表示第i个单位区间和第c个簇类中心单位区间之间的第一聚类距离，/>表示第i个单位区间的邻域单位区间的数量，/>表示第i个单位区间和第z个邻域单位区间之间间隔的单位区间数量的倒数，/>表示第z个邻域单位区间的模式划分因子，/>表示第z个邻域单位区间和第c个簇类中心单位区间之间的第二聚类距离，1表示常数。

其中，针对于第一聚类距离和第二聚类距离中的任一聚类距离，则聚类距离的计算表达式为：，/>表示第i个单位区间中的第m个压力数据，/>表示第c个簇类中心单位区间中的第m个压力数据，/>表示单位区间中的压力数据的数量，| |表示绝对值符号。

步骤S103，根据每个单位区间与簇类中心单位区间之间的优化聚类距离，对所有单位区间进行聚类，得到聚类结果，根据聚类结果将锻造压力时序序列划分为至少一个锻造压力子序列，获取每个锻造压力子序列的抽样率调整基础因子。

根据步骤S102能够对聚类过程中的每个单位区间与簇类中心单位区间之间的聚类距离优化，从而得到优化聚类距离，进而根据优化聚类距离对所有单位区间进行聚类，得到若干个簇类，一个簇类对应一个压力模式，进而将每个簇类内所包含的单位区间按照时序组成一个锻造压力子序列，从而将锻造压力时序序列划分为若干个锻造压力子序列，一个簇类对应一个锻造压力子序列，此时完成了对锻造压力时序序列的模式划分。值得说明的是，可以利用K-means聚类算法对所有单位区间进行聚类，K-means聚类算法属于现有技术，此处不再赘述。

在获取到锻造压力时序序列的模式划分结果之后，由于每个单位区间对应的法兰的缺陷结果是已知的，因此，针对任一锻造压力子序列，根据锻造压力子序列中所包含的缺陷法兰的数量，通过缺陷率作为抽样率调整因子的优化衡量基础，则获取每个锻造压力子序列的抽样率调整基础因子，其中，获取每个所述锻造压力子序列的抽样率调整基础因子，包括：

针对任一锻造压力子序列，统计所述锻造压力子序列中所包含的单位区间的第一数量，统计所述锻造压力子序列中对应缺陷法兰的第二数量，将所述第一数量和所述第二数量之间的比值作为所述锻造压力子序列的抽样率调整基础因子。

在一实施方式中，对于第x个锻造压力子序列的抽样率调整基础因子的计算表达式为：

其中，表示第x个锻造压力子序列的抽样率调整基础因子，M1表示第x个锻造压力子序列中所包含的单位区间的第一数量，M2表示第x个锻造压力子序列中对应缺陷法兰的第二数量。

至此，根据第x个锻造压力子序列的抽样率调整基础因子的获取方法，能够获取每个锻造压力子序列的抽样率调整基础因子。

步骤S104，获取预设数量个法兰的实时锻造压力序列，根据实时锻造压力序列与每个锻造压力子序列之间的相似度，以及每个锻造压力子序列的抽样率调整基础因子，得到预设数量个法兰的抽样检测率，根据抽样检测率进行法兰锻造缺陷检测。

本发明实施例中将对锻造压力时序序列划分得到的若干个锻造压力子序列作为压力模式评估模型，在获取到法兰锻造过程中的实时锻造压力数据之后，根据实时锻造压力数据与历史时间段的每个锻造压力子序列之间的相似度，以根据相似度对固定抽样频率进行调整，因此，首先，实时获取预设数量个法兰的单位区间，预设数量个单位区间按照时序组成实时锻造压力序列，然后，根据实时锻造压力序列与每个锻造压力子序列之间的相似度，以及每个锻造压力子序列的抽样率调整基础因子，得到预设数量个法兰的抽样检测率。

优选的，所述根据所述实时锻造压力序列与每个所述锻造压力子序列之间的相似度，以及每个所述锻造压力子序列的抽样率调整基础因子，得到所述预设数量个法兰的抽样检测率，包括：

针对任一锻造压力子序列，利用DTW算法获取所述锻造压力子序列和所述实时锻造压力序列之间的相似度，对所述锻造压力子序列的抽样率调整基础因子进行归一化处理，得到对应的归一化值，对所述相似度和所述归一化值之间的乘积进行归一化处理，得到对应的归一化结果；

根据每个所述锻造压力子序列与所述实时锻造压力序列之间的归一化结果，计算归一化结果的均值，将常数1与所述均值之间的相加结果作为抽样率调整因子；

获取实时抽样率，将所述实时抽样率和所述抽样率调整因子之间的乘积作为所述预设数量个法兰的抽样检测率。

在一实施方式中，在当前时刻t实时获取100个法兰的单位区间组成实时锻造压力序列，利用DTW算法对实时锻造压力序列与每个锻造压力子序列进行DTW动态时间规整的距离度量，以获取实时锻造压力序列与每个锻造压力子序列之间的相似度，其中，DTW算法属于现有技术，此处不再赘述。进而根据相似度和每个锻造压力子序列的抽样率调整基础因子获取对于这100个法兰的抽样检测率进行调整的抽样率调整因子，则抽样率调整因子的计算表达式为：

其中，表示当前时刻t下对于这100个法兰的抽样检测率进行调整的抽样率调整因子，K表示锻造压力子序列的数量，/>表示归一化函数，/>表示实时锻造压力序列/>与第x个锻造压力子序列/>之间的相似度，/>表示第x个锻造压力子序列的抽样率调整基础因子。

需要说明的是，实时锻造压力序列与第x个锻造压力子序列/>之间的相似度越大，对应出现缺陷法兰的数量与第x个锻造压力子序列越相同，因此，利用相似度和第x个锻造压力子序列的抽样率调整基础因子，获取实时锻造压力序列/>的抽样率调整因子；为了保证实时锻造压力序列/>的抽样率调整因子的严谨性，通过均值计算，获取实时锻造压力序列/>的最终抽样率调整因子/>。

在得到对于这100个法兰的抽样检测率进行调整的抽样率调整因子之后，获取实时抽样率，假设/>，则将实时抽样率和抽样率调整因子之间的乘积作为对这100个法兰进行抽样检测的抽样检测率，即抽样检测率的计算表达式为：/>。

至此，根据历史时间段内的锻造压力时序序列对实时法兰锻造过程中的实时锻造压力序列进行相似度评估，根据评估结果对实时抽样检测率进行自适应调整。因此，在得到优化后的抽样检测率之后，对于当前时间生产出的法兰，根据抽样检测率利用超声无损检测的方式对法兰进行缺陷检测，并对于检测结果进行标注，在生产的法兰数量达到更新阈值时，将这/>个法兰的压力数据对应的单位区间放入历史时序数据中并进行压力模式划分的更新，并以此对后续的抽样检测率进行动态优化更新，从而保证对于法兰超声无损检测的抽样检测率进行更准确的动态调整。

综上所述，本发明实施例采集法兰在锻造过程中的锻造压力，得到历史时间段内的锻造压力时序序列，对锻造压力时序序列进行划分，得到至少两个单位区间，根据数据差异获取每个单位区间的近邻单位区间，分别将每个单位区间及其对应的近邻单位区间组成一组单位区间对；针对任一单位区间，根据单位区间两侧的单位区间对的数量，获取单位区间的模式划分因子，根据单位区间的模式划分因子对聚类过程中单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离；根据每个单位区间与簇类中心单位区间之间的优化聚类距离，对所有单位区间进行聚类，得到聚类结果，根据聚类结果将锻造压力时序序列划分为至少一个锻造压力子序列，获取每个锻造压力子序列的抽样率调整基础因子；获取预设数量个法兰的实时锻造压力序列，根据实时锻造压力序列与每个锻造压力子序列之间的相似度，以及每个锻造压力子序列的抽样率调整基础因子，得到预设数量个法兰的抽样检测率，根据抽样检测率进行法兰锻造缺陷检测。其中，通过历史时间段内的锻造压力时序序列中各个单位区间之间的近邻关系，对聚类过程中的聚类距离进行优化，使得锻造压力时序序列的模式划分过程中可以保证每个模式中的压力时序数据的连续性，从而避免划分的模式中的单位区间之间的不连续导致的实时锻造压力序列的相似度评估不准确，进而根据实时锻造压力序列的相似度进行后续抽样检测率的获取，从而在保证法兰缺陷监测的准确率的基础上提高了法兰的生产与检测效率。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于数据分析的法兰锻造缺陷检测方法，其特征在于，所述法兰锻造缺陷检测方法包括：

采集法兰在锻造过程中的锻造压力，得到历史时间段内的锻造压力时序序列，对所述锻造压力时序序列进行划分，得到至少两个单位区间，根据数据差异获取每个所述单位区间的近邻单位区间，分别将每个所述单位区间及其对应的近邻单位区间组成一组单位区间对；

针对任一单位区间，根据所述单位区间两侧的单位区间对的数量，获取所述单位区间的模式划分因子，根据所述单位区间的模式划分因子对聚类过程中所述单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离；

根据每个所述单位区间与簇类中心单位区间之间的优化聚类距离，对所有单位区间进行聚类，得到聚类结果，根据所述聚类结果将所述锻造压力时序序列划分为至少一个锻造压力子序列，获取每个所述锻造压力子序列的抽样率调整基础因子；

获取预设数量个法兰的实时锻造压力序列，根据所述实时锻造压力序列与每个所述锻造压力子序列之间的相似度，以及每个所述锻造压力子序列的抽样率调整基础因子，得到所述预设数量个法兰的抽样检测率，根据所述抽样检测率进行法兰锻造缺陷检测；

所述根据所述单位区间两侧的单位区间对的数量，获取所述单位区间的模式划分因子，包括：

统计所述单位区间两侧的其他单位区间所组成的单位区间对的数量，对所述数量进行归一化后的结果作为所述单位区间的模式划分因子；

所述根据所述单位区间的模式划分因子对聚类过程中所述单位区间与簇类中心单位区间之间的聚类距离进行优化，得到优化聚类距离，包括：

针对任一簇类中心单位区间，根据所述单位区间和所述簇类中心单位区间之间的每个相同位置处的两个数据之间的差异，获取所述单位区间和所述簇类中心单位区间之间的第一聚类距离；

获取所述单位区间的预设范围内的邻域单位区间，针对任一邻域单位区间，获取所述邻域单位区间和所述簇类中心单位区间之间的第二聚类距离，获取所述单位区间与所述邻域单位区间之间间隔的单位区间数量，获取所述单位区间数量的倒数、所述第二聚类距离和所述邻域单位区间的模式划分因子之间的相乘结果；

根据每个所述邻域单位区间对应的相乘结果，获取相乘结果的均值，根据所述单位区间的模式划分因子，对所述第一聚类距离和所述相乘结果的均值进行加权求和，得到的结果作为所述单位区间与所述簇类中心单位区间之间的优化聚类距离；

所述获取每个所述锻造压力子序列的抽样率调整基础因子，包括：

针对任一锻造压力子序列，统计所述锻造压力子序列中所包含的单位区间的第一数量，统计所述锻造压力子序列中对应缺陷法兰的第二数量，将所述第一数量和所述第二数量之间的比值作为所述锻造压力子序列的抽样率调整基础因子。

2.根据权利要求1所述的法兰锻造缺陷检测方法，其特征在于，所述根据数据差异获取每个所述单位区间的近邻单位区间，包括：

针对任一单位区间，取所述单位区间之外的任一单位区间作为其他单位区间，分别计算所述单位区间与所述其他单位区间之间的每个相同位置处的两个数据之间的差值绝对值，得到差值绝对值之和；

根据所述单位区间与每个所述其他单位区间之间的差值绝对值之和，将差值绝对值之和最小所对应的其他单位区间作为所述单位区间的近邻单位区间。

3.根据权利要求1所述的法兰锻造缺陷检测方法，其特征在于，所述根据所述实时锻造压力序列与每个所述锻造压力子序列之间的相似度，以及每个所述锻造压力子序列的抽样率调整基础因子，得到所述预设数量个法兰的抽样检测率，包括：

针对任一锻造压力子序列，利用DTW算法获取所述锻造压力子序列和所述实时锻造压力序列之间的相似度，对所述锻造压力子序列的抽样率调整基础因子进行归一化处理，得到对应的归一化值，对所述相似度和所述归一化值之间的乘积进行归一化处理，得到对应的归一化结果；

根据每个所述锻造压力子序列与所述实时锻造压力序列之间的归一化结果，计算归一化结果的均值，将常数1与所述均值之间的相加结果作为抽样率调整因子；

获取实时抽样率，将所述实时抽样率和所述抽样率调整因子之间的乘积作为所述预设数量个法兰的抽样检测率。

4.根据权利要求1所述的法兰锻造缺陷检测方法，其特征在于，所述对所述锻造压力时序序列进行划分，得到至少两个单位区间，包括：

根据每个法兰的生产时间对所述锻造压力时序序列进行划分，得到至少两个单位区间，一个法兰的锻造过程对应一个单位区间。