CN117828285B - 一种生产数据管理系统及方法 - Google Patents
一种生产数据管理系统及方法 Download PDFInfo
- Publication number
- CN117828285B CN117828285B CN202410253074.XA CN202410253074A CN117828285B CN 117828285 B CN117828285 B CN 117828285B CN 202410253074 A CN202410253074 A CN 202410253074A CN 117828285 B CN117828285 B CN 117828285B
- Authority
- CN
- China
- Prior art keywords
- moment
- missing
- time
- xth
- vibration data
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000013523 data management Methods 0.000 title claims abstract description 18
- 230000005856 abnormality Effects 0.000 claims abstract description 35
- 238000005070 sampling Methods 0.000 claims description 60
- 230000002159 abnormal effect Effects 0.000 claims description 22
- 238000012217 deletion Methods 0.000 claims description 15
- 230000037430 deletion Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims 2
- 238000012163 sequencing technique Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 9
- 238000001914 filtration Methods 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/005—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles during manufacturing process
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Probability & Statistics with Applications (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种生产数据管理系统及方法,包括:获取设备生产数据序列;获取每个缺失时刻的每个参照时刻的异常程度;对每个缺失时刻的初始振动数据插值进行修正,获取每个缺失时刻的最终振动数据插值;根据最终振动数据插值,获取完整的设备生产数据序列,对完整的设备生产数据序列进行去噪和存储。本发明使得去噪后的设备生产数据能够准确表示设备生产过程的生产信息。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种生产数据管理系统及方法。
背景技术
在对机械设备生产过程中的振动数据进行采集存储时,会存在由于外部环境的干扰、电磁场等的干扰产生噪声数据,而噪声信号通常要比振动数据要强,使得采集到的振动数据的信噪比降低,低信噪比会导致振动特征提取的难度大增大,影响对振动数据诊断结果的准确性;而现有的用于数据去噪的方法是卡尔曼滤波算法,该方法是一种递推滤波方法,可以实时地对输入数据继续进行滤波处理,卡尔曼滤波算法相对简单,计算量较小,能够方便地进行多传感器信息融合。
在对设备生产数据进行数据去噪时,由于采集到的设备生产数据可能会由于在数据传输过程中或者数据存储时的不当操作,导致数据缺失,进而在利用卡尔曼滤波对设备生产数据进行去噪时,存在正常数据被当成噪声数据被剔除的情况,使得去噪后的设备生产数据并不能准确表示设备生产过程的生产信息,无法进行有效的设备生产数据管理。
发明内容
为了解决上述问题,本发明提供一种生产数据管理系统及方法。
本发明一个实施例提供了一种生产数据管理方法,该方法包括以下步骤:
获取设备生产数据序列,设备生产数据序列包括若干个采样时刻的震动数据和音量数据以及若干个缺失时刻的音量数据;
根据每个缺失时刻两侧采样时刻的数量分布情况,获取每个缺失时刻的所有参照时刻;根据每个缺失时刻的每个参照时刻与周围参照时刻之间振动数据的变化差异,获取每个缺失时刻的每个参照时刻的异常程度;
获取每个缺失时刻的左目标参照时刻和右目标参照时刻;根据每个缺失时刻的左右两侧参照时刻的异常程度的占比、左目标参照时刻的振动数据和右目标参照时刻的振动数据,获取每个缺失时刻的初始振动数据插值;根据音量数据对每个缺失时刻的初始振动数据插值进行校正,获取每个缺失时刻的最终振动数据插值;
根据最终振动数据插值,获取完整的设备生产数据序列,对完整的设备生产数据序列进行去噪和存储。
优选的,所述根据每个缺失时刻两侧采样时刻的数量分布情况,获取每个缺失时刻的所有参照时刻,包括的具体方法为:
预设一个邻域参数,对于任意一个缺失时刻,将该缺失时刻左侧/>个采样时刻以及右侧/>个采样时刻,均记为该缺失时刻的参照时刻。
优选的,所述根据每个缺失时刻的每个参照时刻与周围参照时刻之间振动数据的变化差异,获取每个缺失时刻的每个参照时刻的异常程度,包括的具体方法为:
获取每个采样时刻的相邻振动差值;
获取每个缺失时刻的每个参照时刻的所有数值临近时刻;
根据每个缺失时刻的每个参照时刻的与其他参照时刻的相邻振动差值差异,和每个参照时刻与其数值临近时刻的振动数据差异,获取每个缺失时刻的每个参照时刻的异常程度;
获取第个缺失时刻的第/>个参照时刻的异常程度的计算方法为:
;
式中,表示第/>个缺失时刻的第/>个参照时刻的异常程度;/>表示第/>个缺失时刻的第/>个参照时刻的振动数据;/>表示第/>个缺失时刻的所有参照时刻的振动数据的平均值;/>表示第/>个缺失时刻的第/>个参照时刻的相邻振动差值;/>表示第/>个缺失时刻的所有参照时刻的相邻振动差值的平均值;/>表示第/>个缺失时刻的第/>个参照时刻的所有数值临近时刻的总数量;/>表示第/>个缺失时刻的第/>个参照时刻的第/>个数值临近时刻的振动数据;/>表示取绝对值。
优选的,所述获取每个采样时刻的相邻振动差值,包括的具体方法为:
对于第个采样时刻,将第/>个采样时刻与第/>个采样时刻之间振动数据的差值,作为第/>个采样时刻的相邻振动差值。
优选的,所述获取每个缺失时刻的每个参照时刻的所有数值临近时刻,包括的具体方法为:
预设一个临近参数,对于第/>个缺失时刻的第/>个参照时刻;将第/>个缺失时刻的每个参照时刻与第/>个参照时刻之间振动数据的差值的绝对值,记为第/>个参照时刻的第一差值,获取第/>个参照时刻的所有第一差值,并按照数值从小到大进行排序,得到第个参照时刻的第一差值序列,将第/>个参照时刻的第一差值序列中前/>个第一差值所对应的所有参照时刻,记为第/>个参照时刻的数值临近时刻。
优选的,所述获取每个缺失时刻的左目标参照时刻和右目标参照时刻,包括的具体方法为:
对于第个缺失时刻,在设备生产数据序列中,将第/>个缺失时刻的左相邻采样时刻作为第/>个缺失时刻的左目标参照时刻,将第/>个缺失时刻的右相邻采样时刻作为第/>个缺失时刻的右目标参照时刻。
优选的,所述根据每个缺失时刻的左右两侧参照时刻的异常程度的占比、左目标参照时刻的振动数据和右目标参照时刻的振动数据,获取每个缺失时刻的初始振动数据插值,包括的具体方法为:
将第个缺失时刻左侧的所有参照时刻,记为第/>个缺失时刻的左参照时刻序列,将第/>个缺失时刻右侧的所有参照时刻,记为第/>个缺失时刻的右参照时刻序列;
获取第个缺失时刻的左参照时刻序列中每个参照时刻的时间间隔占比、第/>个缺失时刻的右参照时刻序列中每个参照时刻的时间间隔占比、第/>个缺失时刻的左参照异常权值和第/>个缺失时刻的右参照异常权值;
根据第个缺失时刻的左、右参照时刻序列中每个参照时刻的时间间隔占比和第个缺失时刻的左、右参照异常权值,获取第/>个缺失时刻的初始振动数据插值计算方法为:
;
;
式中,表示第/>个缺失时刻的左初始振动数据插值;/>表示第/>个缺失时刻的右初始振动数据插值;/>表示第/>个缺失时刻的左目标参照时刻的振动数据;/>表示第/>个缺失时刻的右目标参照时刻的振动数据;/>表示第/>个缺失时刻的左参照时刻序列中所有参照时刻的总数量;/>表示第/>个缺失时刻的右参照时刻序列中所有参照时刻的总数量;/>表示第/>个缺失时刻的左参照时刻序列中第/>个参照时刻的相邻振动差值;表示第/>个缺失时刻的左参照时刻序列中第/>个参照时刻的时间间隔占比;/>表示第个缺失时刻的右参照时刻序列中第/>个参照时刻的相邻振动差值;/>表示第/>个缺失时刻的右参照时刻序列中第/>个参照时刻的时间间隔占比;/>表示第/>个缺失时刻的左参照异常权值;/>表示第/>个缺失时刻的右参照异常权值;
将第个缺失时刻的左初始振动数据插值与第/>个缺失时刻的右初始振动数据插值的和,作为第/>个缺失时刻的初始振动数据插值。
优选的,所述获取第个缺失时刻的左参照时刻序列中每个参照时刻的时间间隔占比、第/>个缺失时刻的右参照时刻序列中每个参照时刻的时间间隔占比、第/>个缺失时刻的左参照异常权值和第/>个缺失时刻的右参照异常权值,包括的具体方法为:
在第个缺失时刻的左参照时刻序列中,将第/>个参照时刻与第/>个缺失时刻之间的时间间隔的反比例归一化值,记为第/>个参照时刻的时间间隔值;将第/>个参照时刻的时间间隔值与第/>个缺失时刻的左参照时刻序列中所有参照时刻的时间间隔值之和的比值,记为第/>个参照时刻的时间间隔占比;在第/>个缺失时刻的右参照时刻序列中,将第/>个参照时刻与第/>个缺失时刻之间的时间间隔的反比例归一化值,记为第/>个参照时刻的时间间隔值;将第/>个参照时刻的时间间隔值与第/>个缺失时刻的右参照时刻序列中所有参照时刻的时间间隔值之和的比值,记为第/>个参照时刻的时间间隔占比;
将第个缺失时刻的左参照时刻序列中所有参照时刻的异常程度之和,记为第/>个缺失时刻的第一和值;将第/>个缺失时刻的右参照时刻序列中所有参照时刻的异常程度之和,记为第/>个缺失时刻的第二和值;将第一和值与第二和值的和,记为最终和值;将第一和值与最终和值的比值,作为第/>个缺失时刻的左参照异常权值;将第二和值与最终和值的比值,作为第/>个缺失时刻的右参照异常权值。
优选的,所述根据音量数据对每个缺失时刻的初始振动数据插值进行校正,获取每个缺失时刻的最终振动数据插值,包括的具体方法为:
参考每个缺失时刻的初始振动数据插值的获取方法,获取每个采样时刻和缺失时刻的初始音量数据插值;对于任意一个缺失时刻,将该缺失时刻的音量数据与初始音量数据插值的差值,作为该缺失时刻的音量数据差异量;对于任意一个采样时刻,将该采样时刻的音量数据与初始音量数据插值的差值,作为该采样时刻的音量数据差异量;
对于第个缺失时刻,在设备生产数据序列中,将音量数据差异量与第/>个缺失时刻的音量数据差异量相同的采样时刻,记为第/>个缺失时刻的目标参照时刻;将第/>个缺失时刻的所有目标参照时刻的相邻振动差值的平均值,记为第/>个缺失时刻的振动数据校正值,将第/>个缺失时刻的振动数据校正值和第/>个缺失时刻的初始振动数据插值的和,作为第/>个缺失时刻的最终振动数据插值。
本发明还提出一种生产数据管理系统,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,所述处理器执行所述计算机程序时实现任意一项所述一种生产数据管理方法的步骤。
本发明的技术方案的有益效果是:本发明根据每个缺失时刻的左右两侧参照时刻的异常程度的占比、左目标参照时刻的振动数据和右目标参照时刻的振动数据,获取每个缺失时刻的初始振动数据插值;根据音量数据对每个缺失时刻的初始振动数据插值进行校正,获取每个缺失时刻的最终振动数据插值,通过每一个缺失时刻的周围采样时刻的振动数据变化特征,并结合其音量数据的变化特征进行对缺失时刻的振动数据进行插值分析,获取完整的设备生产数据序列,使得在使用卡尔曼滤波算法对设备生产数据序列进行数据去噪时,不受缺失时刻干扰,使得去噪后的设备生产数据能够准确表示设备生产过程的生产信息。
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,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的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种生产数据管理方法的步骤流程图;
图2为本发明的一种生产数据管理方法的特征关系流程图。
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生产数据管理系统及方法,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生产数据管理系统及方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种生产数据管理方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取设备生产数据序列。
需要说明的是,在生产数据采集和传输过程中,由于数据采集环境可能存在噪声和电磁干扰等因素,会对生产数据采集的完整性产生影响,即在数据传输过程中,可能会由于网络故障、通信协议错误或者设备故障等问题导致数据传输终断,从而导致某些数据的缺失,在数据存储过程中,可能会出现存储介质故常、文件系统错误等问题,导致部分数据的损坏和丢失,所以在本实施例中,需要对可能存在的由上述原因造成的产生缺失的数据点进行插值计算;请参阅图2,其示出了一种生产数据管理方法的特征关系流程图。
具体的,首先需要采集设备生产数据序列,具体过程为:
每隔1秒钟为一个采样时刻,每次依次采集机械设备生产的震动数据和音量数据,共采集30分钟;将每个采样时刻的震动数据和音量数据作为设备生产数据序列。
其中,设备生产数据序列包含若干个采样时刻的震动数据和音量数据;对于任意一个采样时刻,若所述采样时刻的震动数据为0,将所述采样时刻记为缺失时刻。
需要说明的是,震动数据通过震动传感器获取,音量数据通过声音传感器获取,数据获取后,再使用模数转换设备,对于振动数据以及音量数据进行数字化转换。
至此,通过上述方法得到获取设备生产数据序列。
步骤S002:获取每个缺失时刻的每个参照时刻的异常程度。
需要说明的是,本实施例的核心目的是对每一个缺失时刻进行数据插值,解决问题依据的是通过每一个缺失时刻的周围采样时刻的振动数据变化特征结合同一采样时刻下音量数据的变化特征进行综合分析,进而需要获取每个缺失时刻的参照时刻。
预设一个邻域参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于任意一个缺失时刻,将该缺失时刻左侧个采样时刻以及右侧/>个采样时刻,均记为该缺失时刻的参照时刻。
其中,若缺失时刻的任意一侧的采样时刻不足时,在该缺失时刻的另一侧选取更多的采样时刻作为该缺失时刻的参照时刻,使得该缺失时刻的参照时刻的数量达到/>个。
至此,获取每个缺失时刻的所有参照时刻。
需要说明的是,机械设备稳定运行没有异常振动时,其振动数据应该是相对稳定的,而当采集到的振动数据中存在明显的突变数据时,那么该数据则有很大程度上可能属于异常数据,则其异常程度也就会越大。
预设一个临近参数,其中本实施例以/>为例进行叙述,本实施例不进行具体限定,其中/>根据具体实施情况而定。
具体的,对于第个采样时刻,将第/>个采样时刻与第/>个采样时刻之间振动数据的差值,作为第/>个采样时刻的相邻振动差值;对于第/>个缺失时刻的第/>个参照时刻;将第/>个缺失时刻的每个参照时刻与第/>个参照时刻之间振动数据的差值的绝对值,记为第/>个参照时刻的第一差值,获取第/>个参照时刻的所有第一差值,并按照数值从小到大进行排序,得到第/>个参照时刻的第一差值序列,将第/>个参照时刻的第一差值序列中前个第一差值所对应的所有参照时刻,记为第/>个参照时刻的数值临近时刻。
根据每个缺失时刻的每个参照时刻的与其他参照时刻的相邻振动差值差异,和每个参照时刻与其数值临近时刻的振动数据差异,获取每个缺失时刻的每个参照时刻的异常程度。
作为一种示例,获取第个缺失时刻的第/>个参照时刻的异常程度的计算方法为:
;
式中,表示第/>个缺失时刻的第/>个参照时刻的异常程度;/>表示第/>个缺失时刻的第/>个参照时刻的振动数据;/>表示第/>个缺失时刻的所有参照时刻的振动数据的平均值;/>表示第/>个缺失时刻的第/>个参照时刻的相邻振动差值;/>表示第/>个缺失时刻的所有参照时刻的相邻振动差值的平均值;/>表示第/>个缺失时刻的第/>个参照时刻的所有数值临近时刻的总数量;/>表示第/>个缺失时刻的第/>个参照时刻的第/>个数值临近时刻的振动数据;/>表示取绝对值。
需要说明的是,对每个缺失时刻的参照时刻的异常程度分析时,待分析参照时刻的振动数据与所有参照时刻的振动数据平均的比值越大,待分析参照时刻越可能发生异常;待分析参照时刻的相邻振动差值与所有参照时刻的相邻振动差值平均的比值越大,说明该参照时刻发生突变的可能性越大,其振动数据的可信度也会越大,其越可能发生异常;在缺失时刻的所有参照时刻中选取与待分析参照时刻的振动数据最接近的个参照时刻的,若其与待分析参照时刻之间的振动数据差异值越大,可以说明该待分析的参照时刻越孤立,其发生突变的可信度越大,其振动数据越大的可信度也会越大,也即越可能发生异常。
至此,通过上述方法得到每个缺失时刻的每个参照时刻的异常程度。
步骤S003:对每个缺失时刻的初始振动数据插值进行修正,获取每个缺失时刻的最终振动数据插值。
需要说明的是,对于每个缺失时刻的每个参照时刻的异常程度的异常程度越大,其对缺失时刻的参考作用所占的权重就应该越小;对缺失时刻的进行数据插值计算依据的是,与缺失时刻紧邻两侧的两个参照时刻的数据值以及缺失时刻左右两侧参照时刻的数据平均幅值,也即依据缺失时刻的参照时刻的振动数据表现以及其异常程度,完成对该缺失时刻的初始振动数据插值,其中每一个参照时刻的异常程度作为其在插值时的参照作用的权重。
具体的,对于第个缺失时刻,在设备生产数据序列中,将第/>个缺失时刻的左相邻采样时刻作为第/>个缺失时刻的左目标参照时刻,将第/>个缺失时刻的右相邻采样时刻作为第/>个缺失时刻的右目标参照时刻;其中,左相邻采样时刻为第/>个缺失时刻的两个相邻采样时刻的前一个,右相邻采样时刻为第/>个缺失时刻的两个相邻采样时刻的后一个。
将第个缺失时刻左侧的所有参照时刻,记为第/>个缺失时刻的左参照时刻序列,将第/>个缺失时刻右侧的所有参照时刻,记为第/>个缺失时刻的右参照时刻序列。
在第个缺失时刻的左参照时刻序列中,将第/>个参照时刻与第/>个缺失时刻之间的时间间隔的反比例归一化值,记为第/>个参照时刻的时间间隔值,将第/>个参照时刻的时间间隔值与第/>个缺失时刻的左参照时刻序列中所有参照时刻的时间间隔值之和的比值,记为第/>个参照时刻的时间间隔占比;在第/>个缺失时刻的右参照时刻序列中,将第/>个参照时刻与第/>个缺失时刻之间的时间间隔的反比例归一化值,记为第/>个参照时刻的时间间隔值,将第/>个参照时刻的时间间隔值与第/>个缺失时刻的右参照时刻序列中所有参照时刻的时间间隔值之和的比值,记为第/>个参照时刻的时间间隔占比。
将第个缺失时刻的左参照时刻序列中所有参照时刻的异常程度之和,记为第/>个缺失时刻的第一和值;将第/>个缺失时刻的右参照时刻序列中所有参照时刻的异常程度之和,记为第/>个缺失时刻的第二和值;将第一和值与第二和值的和,记为最终和值;将第一和值与最终和值的比值,作为第/>个缺失时刻的左参照异常权值;将第二和值与最终和值的比值,作为第/>个缺失时刻的右参照异常权值。
根据每个缺失时刻的左右两侧参照时刻的异常程度的占比、左目标参照时刻的振动数据和右目标参照时刻的振动数据,获取每个缺失时刻的初始振动数据插值。
作为一种示例,获取第个缺失时刻的初始振动数据插值计算方法为:
;
;
;
式中,表示第/>个缺失时刻的初始振动数据插值;/>表示第/>个缺失时刻的左初始振动数据插值;/>表示第/>个缺失时刻的右初始振动数据插值;/>表示第/>个缺失时刻的左目标参照时刻的振动数据;/>表示第/>个缺失时刻的右目标参照时刻的振动数据;/>表示第/>个缺失时刻的左参照时刻序列中所有参照时刻的总数量;/>表示第/>个缺失时刻的右参照时刻序列中所有参照时刻的总数量;/>表示第/>个缺失时刻的左参照时刻序列中第/>个参照时刻的相邻振动差值;/>表示第/>个缺失时刻的左参照时刻序列中第/>个参照时刻的时间间隔占比;/>表示第/>个缺失时刻的右参照时刻序列中第/>个参照时刻的相邻振动差值;/>表示第/>个缺失时刻的右参照时刻序列中第/>个参照时刻的时间间隔占比;/>表示第/>个缺失时刻的左参照异常权值;/>表示第/>个缺失时刻的右参照异常权值。
需要说明的是,通过左目标参照时刻的振动数据计算缺失时刻的左初始振动数据插值时,是需要将左目标参照时刻的振动数据加上振动数据的变化量后的结果值,作为缺失时刻的左初始振动数据插值;将右目标参照时刻的振动数据减去振动数据的变化量后的结果值,作为缺失时刻的右初始振动数据插值;其中,每个参考时刻与缺失时刻之间时刻间隔越大,其振动数据对缺失时刻的初始振动数据插值的影响越小,也即作为获取缺失时刻的初始振动数据插值的权重越小;每个参考时刻的异常程度越大,其振动数据对缺失时刻的初始振动数据插值的影响越小,也即作为获取缺失时刻的初始振动数据插值的权重越小。
至此,获取每个缺失时刻的初始振动数据插值。
需要说明的是,上述通过分析振动数据的变化特征得到了初始振动数据插值,而由于振动数据自身变化具有单一性以及局限性,可能会造成初始振动数据插值不够准确,所以需要引入另一种与振动数据之间具备一定相关性的音量数据,来对初始振动数据插值进行校正得到更加准确的振动数据插值。
具体的,参考每个缺失时刻的初始振动数据插值的获取方法,获取每个采样时刻和缺失时刻的初始音量数据插值;对于任意一个缺失时刻,将该缺失时刻的音量数据与初始音量数据插值的差值,作为该缺失时刻的音量数据差异量;对于任意一个采样时刻,将该采样时刻的音量数据与初始音量数据插值的差值,作为该采样时刻的音量数据差异量。
需要说明的是,机械设备在运行时会产生振动,这些振动通过空气或其他介质传播,引起了周围空气分子的周期性振动,进而形成了声波,因此,机械设备的振动数据和其发出的音量数据之间存在一定的对应关系,但在实际情况下,机械设备的振动和声音受到多种因素的影响,如机械结构的复杂程度、工作状态、运行环境等因素,不同的因素会对振动和声音的产生和传播产生不同的影响,从而导致了振动和声音之间的非线性关系,也即振动幅度每增加一倍,发出的声音强度并不一定会增加一倍。
具体的,对于第个缺失时刻,在设备生产数据序列中,将音量数据差异量与第/>个缺失时刻的音量数据差异量相同的采样时刻,记为第/>个缺失时刻的第二目标参照时刻;将第/>个缺失时刻的所有目标参照时刻的相邻振动差值的平均值,记为第/>个缺失时刻的振动数据校正值,将第/>个缺失时刻的振动数据校正值和第/>个缺失时刻的初始振动数据插值的和,作为第/>个缺失时刻的最终振动数据插值。
至此,通过上述方法得到每个缺失时刻的最终振动数据插值。
步骤S004:根据最终振动数据插值,获取完整的设备生产数据序列,对完整的设备生产数据序列进行去噪和存储。
具体的,将设备生产数据序列中每个缺失时刻的最终振动数据插值,作为每个缺失时刻的振动数据后,得到完整的设备生产数据序列;使用卡尔曼滤波算法对完整的设备生产数据序列进行去噪,获取去噪后的设备生产数据序列,将去噪后的设备生产数据序列存储至数据库中。
其中,卡尔曼滤波算法为现有技术,本实施例此处不作过多赘述。
通过以上步骤,完成一种生产数据管理方法。
本发明还提出一种生产数据管理系统,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,所述处理器执行所述计算机程序时实现步骤S001到步骤S004中所述一种生产数据管理方法的步骤。
以上所述仅为本发明的较佳实施例而已,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 (2)
1.一种生产数据管理方法,其特征在于,该方法包括以下步骤:
获取设备生产数据序列,设备生产数据序列包括若干个采样时刻的震动数据和音量数据以及若干个缺失时刻的音量数据;
根据每个缺失时刻两侧采样时刻的数量分布情况,获取每个缺失时刻的所有参照时刻;根据每个缺失时刻的每个参照时刻与周围参照时刻之间振动数据的变化差异,获取每个缺失时刻的每个参照时刻的异常程度;
获取每个缺失时刻的左目标参照时刻和右目标参照时刻;根据每个缺失时刻的左右两侧参照时刻的异常程度的占比、左目标参照时刻的振动数据和右目标参照时刻的振动数据,获取每个缺失时刻的初始振动数据插值;根据音量数据对每个缺失时刻的初始振动数据插值进行校正,获取每个缺失时刻的最终振动数据插值;
根据最终振动数据插值,获取完整的设备生产数据序列,对完整的设备生产数据序列进行去噪和存储;
所述根据每个缺失时刻两侧采样时刻的数量分布情况,获取每个缺失时刻的所有参照时刻,包括的具体方法为:
预设一个邻域参数a,对于任意一个缺失时刻,将该缺失时刻左侧a个采样时刻以及右侧a个采样时刻,均记为该缺失时刻的参照时刻;
所述根据每个缺失时刻的每个参照时刻与周围参照时刻之间振动数据的变化差异,获取每个缺失时刻的每个参照时刻的异常程度,包括的具体方法为:
获取每个采样时刻的相邻振动差值;
获取每个缺失时刻的每个参照时刻的所有数值临近时刻;
根据每个缺失时刻的每个参照时刻的与其他参照时刻的相邻振动差值差异,和每个参照时刻与其数值临近时刻的振动数据差异,获取每个缺失时刻的每个参照时刻的异常程度;
获取第x个缺失时刻的第m个参照时刻的异常程度的计算方法为:
式中,Cx,m表示第x个缺失时刻的第m个参照时刻的异常程度;Vx,m表示第x个缺失时刻的第m个参照时刻的振动数据;表示第x个缺失时刻的所有参照时刻的振动数据的平均值;fx,m表示第x个缺失时刻的第m个参照时刻的相邻振动差值;/>表示第x个缺失时刻的所有参照时刻的相邻振动差值的平均值;Kx,m表示第x个缺失时刻的第m个参照时刻的所有数值临近时刻的总数量;Vx,m,k表示第x个缺失时刻的第m个参照时刻的第k个数值临近时刻的振动数据;||表示取绝对值;
所述获取每个采样时刻的相邻振动差值,包括的具体方法为:
对于第i个采样时刻,将第i-1个采样时刻与第i个采样时刻之间振动数据的差值,作为第i个采样时刻的相邻振动差值;
所述获取每个缺失时刻的每个参照时刻的所有数值临近时刻,包括的具体方法为:
预设一个临近参数a1,对于第x个缺失时刻的第m个参照时刻;将第x个缺失时刻的每个参照时刻与第m个参照时刻之间振动数据的差值的绝对值,记为第m个参照时刻的第一差值,获取第m个参照时刻的所有第一差值,并按照数值从小到大进行排序,得到第m个参照时刻的第一差值序列,将第m个参照时刻的第一差值序列中前a1个第一差值所对应的所有参照时刻,记为第m个参照时刻的数值临近时刻;
所述获取每个缺失时刻的左目标参照时刻和右目标参照时刻,包括的具体方法为:
对于第x个缺失时刻,在设备生产数据序列中,将第x个缺失时刻的左相邻采样时刻作为第x个缺失时刻的左目标参照时刻,将第x个缺失时刻的右相邻采样时刻作为第x个缺失时刻的右目标参照时刻;
所述根据每个缺失时刻的左右两侧参照时刻的异常程度的占比、左目标参照时刻的振动数据和右目标参照时刻的振动数据,获取每个缺失时刻的初始振动数据插值,包括的具体方法为:
将第x个缺失时刻左侧的所有参照时刻,记为第x个缺失时刻的左参照时刻序列,将第x个缺失时刻右侧的所有参照时刻,记为第x个缺失时刻的右参照时刻序列;
获取第x个缺失时刻的左参照时刻序列中每个参照时刻的时间间隔占比、第x个缺失时刻的右参照时刻序列中每个参照时刻的时间间隔占比、第x个缺失时刻的左参照异常权值和第x个缺失时刻的右参照异常权值;
根据第x个缺失时刻的左、右参照时刻序列中每个参照时刻的时间间隔占比和第x个缺失时刻的左、右参照异常权值,获取第x个缺失时刻的初始振动数据插值计算方法为:
式中,ZC1x表示第x个缺失时刻的左初始振动数据插值;ZC2x表示第x个缺失时刻的右初始振动数据插值;V1x表示第x个缺失时刻的左目标参照时刻的振动数据;V2x表示第x个缺失时刻的右目标参照时刻的振动数据;Ux表示第x个缺失时刻的左参照时刻序列中所有参照时刻的总数量;Nx表示第x个缺失时刻的右参照时刻序列中所有参照时刻的总数量;fx,u表示第x个缺失时刻的左参照时刻序列中第u个参照时刻的相邻振动差值;dx,u表示第x个缺失时刻的左参照时刻序列中第u个参照时刻的时间间隔占比;fx,n表示第x个缺失时刻的右参照时刻序列中第n个参照时刻的相邻振动差值;dx,n表示第x个缺失时刻的右参照时刻序列中第n个参照时刻的时间间隔占比;QC1x表示第x个缺失时刻的左参照异常权值;QC2x表示第x个缺失时刻的右参照异常权值;
将第x个缺失时刻的左初始振动数据插值与第x个缺失时刻的右初始振动数据插值的和,作为第x个缺失时刻的初始振动数据插值;
所述获取第x个缺失时刻的左参照时刻序列中每个参照时刻的时间间隔占比、第x个缺失时刻的右参照时刻序列中每个参照时刻的时间间隔占比、第x个缺失时刻的左参照异常权值和第x个缺失时刻的右参照异常权值,包括的具体方法为:
在第x个缺失时刻的左参照时刻序列中,将第u个参照时刻与第x个缺失时刻之间的时间间隔的反比例归一化值,记为第u个参照时刻的时间间隔值;将第u个参照时刻的时间间隔值与第x个缺失时刻的左参照时刻序列中所有参照时刻的时间间隔值之和的比值,记为第u个参照时刻的时间间隔占比;在第x个缺失时刻的右参照时刻序列中,将第n个参照时刻与第x个缺失时刻之间的时间间隔的反比例归一化值,记为第n个参照时刻的时间间隔值;将第n个参照时刻的时间间隔值与第x个缺失时刻的右参照时刻序列中所有参照时刻的时间间隔值之和的比值,记为第n个参照时刻的时间间隔占比;
将第x个缺失时刻的左参照时刻序列中所有参照时刻的异常程度之和,记为第x个缺失时刻的第一和值;将第x个缺失时刻的右参照时刻序列中所有参照时刻的异常程度之和,记为第x个缺失时刻的第二和值;将第一和值与第二和值的和,记为最终和值;将第一和值与最终和值的比值,作为第x个缺失时刻的左参照异常权值;将第二和值与最终和值的比值,作为第x个缺失时刻的右参照异常权值;
所述根据音量数据对每个缺失时刻的初始振动数据插值进行校正,获取每个缺失时刻的最终振动数据插值,包括的具体方法为:
参考每个缺失时刻的初始振动数据插值的获取方法,获取每个采样时刻和缺失时刻的初始音量数据插值;对于任意一个缺失时刻,将该缺失时刻的音量数据与初始音量数据插值的差值,作为该缺失时刻的音量数据差异量;对于任意一个采样时刻,将该采样时刻的音量数据与初始音量数据插值的差值,作为该采样时刻的音量数据差异量;
对于第x个缺失时刻,在设备生产数据序列中,将音量数据差异量与第x个缺失时刻的音量数据差异量相同的采样时刻,记为第x个缺失时刻的目标参照时刻;将第x个缺失时刻的所有目标参照时刻的相邻振动差值的平均值,记为第x个缺失时刻的振动数据校正值,将第x个缺失时刻的振动数据校正值和第x个缺失时刻的初始振动数据插值的和,作为第x个缺失时刻的最终振动数据插值。
2.一种生产数据管理系统,包括存储器、处理器以及存储在所述存储器中并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所述一种生产数据管理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410253074.XA CN117828285B (zh) | 2024-03-06 | 2024-03-06 | 一种生产数据管理系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410253074.XA CN117828285B (zh) | 2024-03-06 | 2024-03-06 | 一种生产数据管理系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117828285A CN117828285A (zh) | 2024-04-05 |
CN117828285B true CN117828285B (zh) | 2024-05-10 |
Family
ID=90506241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410253074.XA Active CN117828285B (zh) | 2024-03-06 | 2024-03-06 | 一种生产数据管理系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117828285B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118520237A (zh) * | 2024-07-23 | 2024-08-20 | 河北省沧州生态环境监测中心 | 面向大气环境监测的数据清洗方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116975938A (zh) * | 2023-09-25 | 2023-10-31 | 北京谷器数据科技有限公司 | 一种产品制造过程中的传感器数据处理方法 |
CN117251812A (zh) * | 2023-09-22 | 2023-12-19 | 河南博兆电子科技有限公司 | 一种基于大数据分析的高压电力线路运行故障检测方法 |
-
2024
- 2024-03-06 CN CN202410253074.XA patent/CN117828285B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117251812A (zh) * | 2023-09-22 | 2023-12-19 | 河南博兆电子科技有限公司 | 一种基于大数据分析的高压电力线路运行故障检测方法 |
CN116975938A (zh) * | 2023-09-25 | 2023-10-31 | 北京谷器数据科技有限公司 | 一种产品制造过程中的传感器数据处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117828285A (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117828285B (zh) | 一种生产数据管理系统及方法 | |
JP6557786B2 (ja) | エコー遅延トラッキング方法、装置及びコンピュータ記憶媒体 | |
CN107272066A (zh) | 一种含噪地震信号初至走时拾取方法及装置 | |
CN111458746B (zh) | 一种基于U-Net神经网络的隧道微震波形到时拾取方法 | |
CN113239022B (zh) | 医疗诊断缺失数据补全方法及补全装置、电子设备、介质 | |
CN109376401A (zh) | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 | |
CN117786371B (zh) | 一种温度监测数据优化预测分析方法及系统 | |
CN113822570A (zh) | 一种基于大数据分析的企业生产数据存储方法及系统 | |
CN113702861B (zh) | 一种基于大数据分析的电源故障位置预测方法及装置 | |
CN111611654A (zh) | 一种铆接结构的疲劳预测方法、装置及设备、存储介质 | |
CN110569966B (zh) | 一种数据处理方法、装置及电子设备 | |
CN117424227A (zh) | 一种地形风电场出力预测方法、装置及存储介质 | |
CN116992295A (zh) | 用于机器学习的机泵设备监测缺失数据重构方法、装置 | |
CN110988673A (zh) | 电机转子故障检测方法、装置及终端设备 | |
Ouyang et al. | Least Squares Solution for System Identification with Non-uniform Data under a Coprime Collaborative Sensing Scheme | |
CN111352813A (zh) | 一种分布式存储使用容量预估方法及装置 | |
CN112540408A (zh) | 一种基于深度学习的地震数据静校正处理方法及系统 | |
CN115423221B (zh) | 一种设施运行趋势预测方法 | |
CN112597425B (zh) | 流速测量数据中异常数据的检测方法、装置、设备及介质 | |
CN117533919A (zh) | 一种智能感应电梯门 | |
CN118377777A (zh) | 一种获取炼钢过程中工序数据的方法及系统 | |
CN117540326B (zh) | 钻爆法隧道施工装备的施工状态异常辨识方法及系统 | |
CN113702862B (zh) | 一种基于云部署的直流电源状态全景监视方法及装置 | |
CN112666601B (zh) | 一种地震数据振幅拟合有效时窗的方法及其系统 | |
CN118296310A (zh) | 基于数字孪生驱动的大型设备生产运维方法及系统 |
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 |