CN118349903A - 一种电机数据处理方法及系统 - Google Patents
一种电机数据处理方法及系统 Download PDFInfo
- Publication number
- CN118349903A CN118349903A CN202410772347.1A CN202410772347A CN118349903A CN 118349903 A CN118349903 A CN 118349903A CN 202410772347 A CN202410772347 A CN 202410772347A CN 118349903 A CN118349903 A CN 118349903A
- Authority
- CN
- China
- Prior art keywords
- dimension
- controlled
- initial data
- response
- initial
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000004044 response Effects 0.000 claims abstract description 92
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 24
- 230000008569 process Effects 0.000 claims abstract description 12
- 230000008859 change Effects 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 3
- 229960001948 caffeine Drugs 0.000 claims description 2
- RYYVLZVUVIJVGH-UHFFFAOYSA-N trimethylxanthine Natural products CN1C(=O)N(C)C(=O)C2=C1N=CN2C RYYVLZVUVIJVGH-UHFFFAOYSA-N 0.000 claims description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract description 2
- 238000011002 quantification Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004043 responsiveness Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Control Of Electric Motors In General (AREA)
- Control Of Multiple Motors (AREA)
- Numerical Control (AREA)
Abstract
本发明涉及数据处理技术领域,提出了一种电机数据处理方法及系统,包括:获取二维摆镜转台的电机运行过程中多个维度的运行数据;得到每个维度的若干初始截断点及若干初始数据段;得到若干受控维度及若干非受控维度;得到每个受控维度的若干响应维度;得到每个响应维度在对应受控维度下的若干截断数据段;得到每个受控维度的若干阶段;对同一维度同一阶段的所有运行数据构建连通图,得到每个维度每个阶段中每个运行数据的综合离散性,进而对每个维度的运行数据完成去噪处理。本发明旨在解决电机由于工作状态存在不同阶段导致进行整体噪声数据分析效果不佳的问题。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种电机数据处理方法及系统。
背景技术
电机是转台系统的关键部件之一,它直接影响到系统性能指标的实现。力矩电动机是一种由伺服电动机和驱动电动机结合起来发展而成的特殊电机。其工作原理、基本结构和基本特性与伺服电动机基本相同,直接利用它驱动负载,并由输入的控制电压信号直接调节负载的转速。
传统的电机数据处理方法中,由于噪声数据有区别于正常数据的特征,往往通过识别噪声数据来实现清洗过程,多使用聚类的方法进行噪声数据识别。基于连通图的动态分裂聚类算法通过对数据构建来连通图,并设置阈值进行动态分裂,进而得到若干个连通子图以实现异常数据的识别。然而二维摆镜转台包含着一系列的俯仰、旋转操作,进而使得电机数据在不同工作状态下数值存在较大差异,则在通过连通图动态分类聚类过程中,若对同一维度下所有数据进行分析,会构建出错误的连通图,未考虑不同工作状态下的数值差异,进而导致聚类分析结果不准确。
发明内容
本发明提供一种电机数据处理方法及系统,以解决现有的电机由于工作状态存在不同阶段导致进行整体噪声数据分析效果不佳的问题,所采用的技术方案具体如下:
本发明提出了一种电机数据处理方法,该方法包括以下步骤:
获取二维摆镜转台的电机运行过程中多个维度的运行数据;
根据每个维度的运行数据的变化趋势,得到每个维度的若干初始截断点及若干初始数据段;基于同一维度下各初始数据段的时间长度以及各初始数据段的变化趋势之间的相似关系,得到每个维度的受控制影响程度,进而得到若干受控维度及若干非受控维度;
在每个非受控维度中每个初始数据段与每个受控维度中时序相近的初始数据段中,根据运行数据单位时间下的变化趋势,得到每个非受控维度对于每个受控维度的响应程度,进而得到每个受控维度的若干响应维度;根据每个受控维度的初始截断点,对每个受控维度的各响应维度重新划分数据段,得到每个响应维度在对应受控维度下的若干截断数据段;
根据同一受控维度下各初始数据段之间变化趋势的相似关系、各响应维度的截断数据段之间变化趋势的相似关系及响应程度,对每个受控维度的初始数据段进行分类,得到每个受控维度的若干阶段;
对同一维度同一阶段的所有运行数据构建连通图,根据连通图中数据点的分布,得到每个维度每个阶段中每个运行数据的综合离散性,进而对每个维度的运行数据完成去噪处理。
可选的,所述得到每个维度的若干初始截断点及若干初始数据段,包括的具体方法为:
对于任意一个维度的运行数据,获取该维度的运行数据曲线;获取运行数据曲线的若干极值点,记为运行极值点;将所有运行极值点按照时间顺序排列,得到运行极值点分布曲线,获取运行极值点分布曲线的所有极值点,记为该维度的若干初始截断点;
将该维度的第一个运行数据也作为初始截断点,通过初始截断点对该维度的所有运行数据进行数据段划分,得到该维度的若干初始数据段。
可选的,所述得到每个维度的受控制影响程度,包括的具体方法为:
对于任意一个维度的任意一个初始数据段,将该初始数据段中最后一个运行数据对应的时间减去该初始数据段中第一个运行数据对应的时间得到的差值,作为该初始数据段的时间长度;第个维度的受控制影响程度的计算方法为:
其中,表示第个维度中初始数据段的数量,表示第个维度中第个初始数据段的时间长度,表示第个维度中所有初始数据段的时间长度均值,表示所有维度的所有初始数据段的时间长度最大值,表示第个维度中第个初始数据段,表示第个维度中除第个初始数据段之外其他任意一个初始数据段,表示初始数据段与初始数据段之间的DTW距离,表示第个维度中第个初始数据段与第个维度中其他初始数据段之间的DTW距离最大值;表示绝对值函数,表示以自然常数为底的指数函数。
可选的,所述得到每个非受控维度对于每个受控维度的响应程度,包括的具体方法为:
对于任意一个维度的任意一个初始数据段,将该初始数据段中运行数据的最大值减去最小值得到的差值,与该初始数据段的时间长度的比值,作为该初始数据段的单位变化程度;将该初始数据段的最后一个运行数据对应的时间,记为该初始数据段的末尾时刻;
对于第个受控维度及第个非受控维度,将第个受控维度中任意一个初始数据段作为目标初始数据段,在第个非受控维度的所有初始数据段中,获取末尾时刻与目标初始数据段的末尾时刻距离最小,且末尾时刻大于目标初始数据段的末尾时刻的初始数据段,作为目标初始数据段在第个非受控维度的参考初始数据段;
根据目标初始数据段与其参考初始数据段的单位变化程度之间的差异,得到第个非受控维度对于第个受控维度的响应程度。
可选的,所述得到第个非受控维度对于第个受控维度的响应程度,包括的具体方法为:
其中,表示第个非受控维度对于第个受控维度的响应程度,表示第个受控维度中目标初始数据段的单位变化程度,表示第个受控维度中目标初始数据段在第个非受控维度的参考初始数据段的单位变化程度,表示第个受控维度中所有初始数据段与其在第个非受控维度的参考初始数据段的单位变化程度之间的比值的方差;表示以自然常数为底的指数函数。
可选的,所述得到每个响应维度在对应受控维度下的若干截断数据段,包括的具体方法为:
对于任意一个受控维度的任意一个响应维度,利用所述受控维度的所有初始截断点,对所述响应维度的所有运行数据重新进行数据段划分,得到的若干数据段记为所述响应维度在所述受控维度下的若干截断数据段。
可选的,所述得到每个受控维度的若干阶段,包括的具体方法为:
对第个受控维度的每个响应维度对于第个受控维度的响应程度进行softmax归一化,得到的结果作为第个受控维度的每个响应维度对于第个受控维度的响应权重;第个受控维度中第个初始数据段与第个初始数据段的差异距离的计算方法为:
其中,表示第个受控维度中第个初始数据段与第个初始数据段的DTW距离,表示第个受控维度的响应维度的数量,表示第个受控维度的第个响应维度对于第个受控维度的响应权重,表示第个受控维度的第个响应维度在第个受控维度下第个截断数据段与第个截断数据段的DTW距离;与分别表示第一权重及第二权重;
对第个受控维度中所有初始数据段进行聚类,距离度量采用初始数据段之间的差异距离,得到若干类簇,将同一类簇中所有初始数据段作为一个阶段。
可选的,所述对同一维度同一阶段的所有运行数据构建连通图,包括的具体方法为:
对于任意一个受控维度的任意一个阶段,对该阶段中所有运行数据构建连通图,将每个运行数据作为一个节点;
对于任意一个非受控维度,将该非受控维度对于每个受控维度的响应程度的最大值对应的受控维度的若干阶段,作为该非受控维度的若干阶段,对该受控维度每个阶段构建连通图。
可选的,所述得到每个维度每个阶段中每个运行数据的综合离散性,包括的具体方法为:
预设邻近节点数量,获取第个节点距离最近的邻近节点数量的邻居节点,结合第个节点构成第个节点的局部连通子图;
获取连通图中与第个节点对应的运行数据之间的差异最小的一个节点,作为第个节点的对比节点,计算第个节点的局部连通子图与对比节点的局部连通子图的MCS值,作为第个节点对应运行数据的综合离散性。
本发明还提出了一种电机数据处理系统,该系统包括存储器、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,所述处理器执行所述计算机程序时实现上述方法的步骤。
本发明的有益效果是:本发明通过分析多维度的运行数据的变化趋势,划分初始数据段并得到受控维度及非受控维度,基于受控维度及非受控维度中变化趋势的整体相近关系及分布关系,量化响应程度并得到受控维度的响应维度,进而通过响应维度中的截断数据段对受控维度中初始数据段之间差异关系进行调整;其中通过运行数据的变化趋势进行初始数据段划分,并基于初始数据段之间时间长度及变化趋势的差异对各维度的运行数据变化规律性进行量化,得到受控制影响程度,进而区分受控维度及非受控维度,为后续基于受控维度进行更准确的数据段划分提供基础;通过比对非受控维度与受控维度单位时间下的变化趋势,得到与受控维度整体变化趋势较为相近且分布均匀的响应维度,进而为后续受控维度的初始数据段之间相似关系量化提供基础;通过响应维度对应截断数据段之间变化趋势差异的量化,加权对受控维度中初始数据段之间变化趋势差异进行调整,进而得到更为准确的初始数据段之间的差异距离,并基于差异距离通过聚类得到受控维度的若干阶段,从而提高受控维度的阶段划分结果的准确性,进而保证对于不同工作状态下的电机数据的处理结果的准确性。
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性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种电机数据处理方法流程示意图;
图2为二维摆镜转台结构示意图;
图3为内框轴系结构图;
图4为外框轴系结构图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的一种电机数据处理方法流程图,该方法包括以下步骤:
步骤S001、获取二维摆镜转台的电机运行过程中多个维度的运行数据。
本实施例的目的是对二维摆镜转台运行过程中电机所产生的数据进行处理,实现噪声数据的识别及去除,因此本实施例首先需要对电机运行过程中的数据进行采集,并作为运行数据进行后续处理。
具体的,二维摆镜转台主要由机械台体、转台控制柜、控制软件三部分组成,激光反射摆镜台体,台体结构为常见的立式转台结构,包含俯仰和方位两个框架,底部及轴系,如图2所示,具体包括1为内框、2为外框、3为把手、4为底座及5为航插板结构,其中内框即为俯仰框架,外框即为方位框架;各框架由力矩电机驱动、编码器作为角位置反馈元件,俯仰轴中间安装反射镜;其中外框和内框各有驱动电机,如图3及图4所示,图3为内框轴系结构图,图中除二维摆镜转台的外框结构,还包括内框结构中的6为力矩电机、7为轴承、8为胀紧套、9为内框架、10为平面镜工装、11为平面镜及12为外罩;图4为外框轴系结构图,包括13为编码器、14为推力轴承、15为角接触球轴承及16为锁紧结构;本实施例采集电流、电压、功率、转速、扭矩、轴功率、温度、振动及编码器共9个维度的数据,采集时间间隔设置为1秒,采集的时间范围即为电机运行过程中的数据,其中各维度的数据通过对应的传感器或直接从转台系统中获取,对同一维度数据进行数值化处理,即对同一维度的数据进行归一化,得到的结果作为每个维度的若干运行数据。
需要说明的是,在二维摆镜转台的运行过程中,由于不同阶段的运行过程中数据信号变化不同,即在二维摆镜转台的俯仰、移动、转动等不同阶段具有不同的数据变化特性,同时考虑到不同阶段涉及不同的系统响应和控制策略,因此需要对数据进行分阶段处理。而在对应的连通图构建过程中,由于不同阶段的数据值大小可能相同,会造成原本不属于同一个阶段的节点进行相连构成连通图,因此本实施例期望通过对多维度的运行数据进行分阶段处理,并在同一个阶段中来构建连通图。
步骤S002、根据每个维度的运行数据的变化趋势,得到每个维度的若干初始截断点及若干初始数据段;基于同一维度下各初始数据段的时间长度以及各初始数据段的变化趋势之间的相似关系,得到每个维度的受控制影响程度,进而得到若干受控维度及若干非受控维度。
需要说明的是,在多维度的运行数据中,由于部分维度的运行数据受到控制系统数据的影响,其中受到控制系统影响的维度的运行数据反应了控制策略和系统响应,而不是转台本身的运行状态,因此若使用受到控制系统影响的维度进行阶段划分,会使得不同的阶段出现相同的受到控制系统影响的运行数据,进而使得阶段获取结果出现较大的误差,因此需要对各个维度的受到控制系统影响的程度进行量化。其中由于控制系统是对电机发出命令信号,同时会使得电机的其他维度的数据快速变化,而控制系统的命令通过具有规律性(即同一个命令信号是相同,且顺序变化较为相似),并且由于使用的为PID控制系统,因此对应的数据变化也较快。
优选的,在本发明一个实施例中,根据每个维度的运行数据的变化趋势,得到每个维度的若干初始截断点及若干初始数据段,包括的具体方法为:
对于任意一个维度的运行数据,运行数据按照时间顺序排列,获取该维度的运行数据曲线,其中横坐标为时间,纵坐标为运行数据的数值;获取运行数据曲线的若干极值点,记为运行极值点;将所有运行极值点按照时间顺序排列,得到运行极值点分布曲线,其中横坐标为时间,纵坐标为运行极值点对应运行数据的数值,获取运行极值点分布曲线的所有极值点(重新对运行极值点分布曲线进行极值点检测),记为该维度的若干初始截断点。
进一步的,将该维度的第一个运行数据也作为初始截断点,通过初始截断点对该维度的所有运行数据进行数据段划分,得到该维度的若干初始数据段,其中初始截断点作为每个数据段中的第一个运行数据;按照上述方法获取每个维度的若干初始截断点及若干初始数据段。
所需说明的是,通过获取运行极值点,并基于运行极值点分布曲线再次进行极值点筛选来获取初始截断点,从而避免小范围的数据波动导致出现的局部极值点对于数据段划分的影响,进而使得各维度的各初始数据段中基本反映同一变化趋势。
优选的,在本发明一个实施例中,基于同一维度下各初始数据段的时间长度以及各初始数据段的变化趋势之间的相似关系,得到每个维度的受控制影响程度,进而得到若干受控维度及若干非受控维度,包括的具体方法为:
对于任意一个维度的任意一个初始数据段,将该初始数据段中最后一个运行数据对应的时间减去该初始数据段中第一个运行数据对应的时间得到的差值,作为该初始数据段的时间长度;则第个维度的受控制影响程度的计算方法为:
其中,表示第个维度中初始数据段的数量,表示第个维度中第个初始数据段的时间长度,表示第个维度中所有初始数据段的时间长度均值,表示所有维度的所有初始数据段的时间长度最大值,表示第个维度中第个初始数据段,表示第个维度中除第个初始数据段之外其他任意一个初始数据段,表示初始数据段与初始数据段之间的DTW距离,表示第个维度中第个初始数据段与第个维度中其他初始数据段之间的DTW距离最大值;表示绝对值函数,表示以自然常数为底的指数函数,本实施例采用模型来呈现反比例关系,为模型的输入,实施者可根据实际情况设置反比例函数。
所需说明的是,对于同一维度中的初始数据段,其时间长度与时间长度均值的差异越小,其为受控制影响的初始数据段的可能性越大,对应的置信度就越大;通过分析该初始数据段与其他初始数据段的DTW距离,若最大DTW距离越小,则其与其他初始数据段的变化趋势的相似性就越大,则该初始数据段的规律性就越大,并通过置信度作为权重,最终使得其中初始数据段置信度越大且规律性越大的维度,对应的受控制影响程度越大。
进一步的,按照上述方法获取每个维度的受控制影响程度,对所有维度的受控制影响程度进行线性归一化,得到的结果作为每个维度的受控制影响因子,预设一个受控制影响阈值,本实施例受控制影响阈值采用0.75进行叙述,若任意一个维度的受控制影响因子大于受控制影响阈值,将该维度作为一个受控维度;若任意一个维度的受控制影响因子小于或等于受控制影响阈值,将该维度作为一个非受控维度;则得到若干受控维度及非受控维度。
至此,通过运行数据的变化趋势进行初始数据段划分,并基于初始数据段之间时间长度及变化趋势的差异对各维度的运行数据变化规律性进行量化,得到受控制影响程度,进而区分受控维度及非受控维度,为后续基于受控维度进行更准确的数据段划分提供基础。
步骤S003、在每个非受控维度中每个初始数据段与每个受控维度中时序相近的初始数据段中,根据运行数据单位时间下的变化趋势,得到每个非受控维度对于每个受控维度的响应程度,进而得到每个受控维度的若干响应维度;根据每个受控维度的初始截断点,对每个受控维度的各响应维度重新划分数据段,得到每个响应维度在对应受控维度下的若干截断数据段。
优选的,在本发明一个实施例中,在每个非受控维度中每个初始数据段与每个受控维度中时序相近的初始数据段中,根据运行数据单位时间下的变化趋势,得到每个非受控维度对于每个受控维度的响应程度,进而得到每个受控维度的若干响应维度,包括的具体方法为:
对于任意一个维度的任意一个初始数据段,将该初始数据段中运行数据的最大值减去最小值得到的差值,与该初始数据段的时间长度的比值,作为该初始数据段的单位变化程度;将该初始数据段的最后一个运行数据对应的时间,记为该初始数据段的末尾时刻;以第个受控维度及第个非受控维度为例,将第个受控维度中任意一个初始数据段作为目标初始数据段,在第个非受控维度的所有初始数据段中,获取末尾时刻与目标初始数据段的末尾时刻距离最小,且末尾时刻大于目标初始数据段的末尾时刻的初始数据段,作为目标初始数据段在第个非受控维度的参考初始数据段;则第个非受控维度对于第个受控维度的响应程度的计算方法为:
其中,表示第个受控维度中目标初始数据段的单位变化程度,表示第个受控维度中目标初始数据段在第个非受控维度的参考初始数据段的单位变化程度,表示第个受控维度中所有初始数据段与其在第个非受控维度的参考初始数据段的单位变化程度之间的比值的方差;表示以自然常数为底的指数函数,本实施例采用模型来呈现反比例关系及归一化处理,为模型的输入,实施者可根据实际情况设置反比例函数及归一化函数。
所需说明的是,受控维度的初始数据段与非受控维度的参考初始数据段之间的单位变化程度的比值之间越相近,即比值的方差越小,则非受控维度的整体变化趋势与受控维度的整体变化趋势较为相近且分布较为均匀,相应的非受控维度对于受控维度的响应程度就越大。
进一步的,按照上述方法获取每个非受控维度对于第个受控维度的响应程度,预设一个响应阈值,本实施例响应阈值采用0.65进行叙述,若任意一个非受控维度对应第个受控维度的响应程度大于响应阈值,将该非受控维度作为第个受控维度的响应维度;按照上述方法获取每个受控维度的若干响应维度。
优选的,在本发明一个实施例中,根据每个受控维度的初始截断点,对每个受控维度的各响应维度重新划分数据段,得到每个响应维度在对应受控维度下的若干截断数据段,包括的具体方法为:
对于任意一个受控维度的任意一个响应维度,利用该受控维度的所有初始截断点,对该响应维度的所有运行数据重新进行数据段划分,得到的若干数据段记为该响应维度在该受控维度下的若干截断数据段。
至此,通过比对非受控维度与受控维度单位时间下的变化趋势,得到与受控维度整体变化趋势较为相近且分布均匀的响应维度,进而为后续受控维度的初始数据段之间相似关系量化提供基础。
步骤S004、根据同一受控维度下各初始数据段之间变化趋势的相似关系、各响应维度的截断数据段之间变化趋势的相似关系及响应程度,对每个受控维度的初始数据段进行分类,得到每个受控维度的若干阶段。
优选的,在本发明一个实施例中,根据同一受控维度下各初始数据段之间变化趋势的相似关系、各响应维度的截断数据段之间变化趋势的相似关系及响应程度,对每个受控维度的初始数据段进行分类,得到每个受控维度的若干阶段,包括的具体方法为:
对于第个受控维度,其中每个初始数据段在第个受控维度的每个响应维度中都有对应的截断数据段(时序完全对应),且截断数据段的次序值与对应初始数据段的次序值相同,对第个受控维度的每个响应维度对于第个受控维度的响应程度进行softmax归一化,得到的结果作为第个受控维度的每个响应维度对于第个受控维度的响应权重;则第个受控维度中第个初始数据段与第个初始数据段的差异距离的计算方法为:
其中,表示第个受控维度中第个初始数据段与第个初始数据段的DTW距离,表示第个受控维度的响应维度的数量,表示第个受控维度的第个响应维度对于第个受控维度的响应权重,表示第个受控维度的第个响应维度在第个受控维度下第个截断数据段与第个截断数据段的DTW距离;与分别表示第一权重及第二权重,本实施例中受控维度本身变化趋势差异与响应维度的变化趋势差异同样重要,因此设置;按照上述方法获取第个受控维度中任意两个初始数据段之间的差异距离。
所需说明的是,通过初始数据段之间的DTW距离来反映变化趋势的差异性,结合响应维度中对应截断数据段之间变化趋势的差异,加权得到受控维度中初始数据段之间的差异距离。
进一步的,对第个受控维度中所有初始数据段进行聚类,距离度量采用初始数据段之间的差异距离,得到若干类簇,将同一类簇中所有初始数据段作为一个阶段;则按照上述方法获取每个受控维度的若干阶段。
至此,通过响应维度对应截断数据段之间变化趋势差异的量化,加权对受控维度中初始数据段之间变化趋势差异进行调整,进而得到更为准确的初始数据段之间的差异距离,并基于差异距离通过聚类得到受控维度的若干阶段。
步骤S005、对同一维度同一阶段的所有运行数据构建连通图,根据连通图中数据点的分布,得到每个维度每个阶段中每个运行数据的综合离散性,进而对每个维度的运行数据完成去噪处理。
优选的,在本发明一个实施例中,对同一维度同一阶段的所有运行数据构建连通图,根据连通图中数据点的分布,得到每个维度每个阶段中每个运行数据的综合离散性,进而对每个维度的运行数据完成去噪处理,包括的具体方法为:
对于任意一个受控维度的任意一个阶段,对该阶段中所有运行数据构建连通图,将每个运行数据作为一个节点,预设邻近节点数量,本实施例邻近节点数量采用6进行叙述;以第个节点为例,获取第个节点距离最近的6个邻居节点,结合第个节点构成第个节点的局部连通子图;获取连通图中与第个节点对应的运行数据之间的差异(差值绝对值)最小的一个节点,作为第个节点的对比节点,计算第个节点的局部连通子图与对比节点的局部连通子图的MCS值,并作为第个节点对应运行数据的综合离散性,特别说明的是,若存在多个对比节点,则将得到的若干MCS值的均值作为第个节点的综合离散性,其中MCS值为量化图结构之间相似性的参数,为现有方法,本实施例不再赘述;按照上述方法获取每个受控维度每个阶段的连通图,得到每个受控维度每个阶段中每个运行数据的综合离散性。
进一步的,对于任意一个非受控维度,将该非受控维度对于每个受控维度的响应程度的最大值对应的受控维度的若干阶段,作为该非受控维度的若干阶段,按照上述方法对该受控维度每个阶段构建连通图,得到该受控维度每个阶段中每个运行数据的综合离散性。
进一步的,预设一个离散阈值,本实施例离散阈值采用0.75进行叙述,若任意一个维度的任意一个运行数据的综合离散性大于离散阈值,该运行数据为噪声数据,将该运行数据左右相邻两个非噪声数据的运行数据的数值均值,作为该运行数据的修正数据,则对该维度每个运行数据进行噪声判断,并对噪声数据得到修正数据,对该维度的运行数据完成去噪处理;按照上述方法对每个维度的运行数据进行去噪处理。
至此,通过分析多维度的运行数据的变化趋势,划分初始数据段并得到受控维度及非受控维度,基于受控维度及非受控维度中变化趋势的整体相近关系及分布关系,量化响应程度并得到受控维度的响应维度,进而通过响应维度中的截断数据段对受控维度中初始数据段之间差异关系进行调整,从而提高受控维度的阶段划分结果的准确性,进而保证对于不同工作状态下的电机数据的处理结果的准确性。
本发明另一个实施例提供了一种电机数据处理系统,该系统包括存储器、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,所述处理器执行所述计算机程序时,实现上述方法步骤S001到步骤S005。
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 (10)
1.一种电机数据处理方法,其特征在于,该方法包括以下步骤:
获取二维摆镜转台的电机运行过程中多个维度的运行数据;
根据每个维度的运行数据的变化趋势,得到每个维度的若干初始截断点及若干初始数据段;基于同一维度下各初始数据段的时间长度以及各初始数据段的变化趋势之间的相似关系,得到每个维度的受控制影响程度,进而得到若干受控维度及若干非受控维度;
在每个非受控维度中每个初始数据段与每个受控维度中时序相近的初始数据段中,根据运行数据单位时间下的变化趋势,得到每个非受控维度对于每个受控维度的响应程度,进而得到每个受控维度的若干响应维度;根据每个受控维度的初始截断点,对每个受控维度的各响应维度重新划分数据段,得到每个响应维度在对应受控维度下的若干截断数据段;
根据同一受控维度下各初始数据段之间变化趋势的相似关系、各响应维度的截断数据段之间变化趋势的相似关系及响应程度,对每个受控维度的初始数据段进行分类,得到每个受控维度的若干阶段;
对同一维度同一阶段的所有运行数据构建连通图,根据连通图中数据点的分布,得到每个维度每个阶段中每个运行数据的综合离散性,进而对每个维度的运行数据完成去噪处理。
2.根据权利要求1所述的一种电机数据处理方法,其特征在于,所述得到每个维度的若干初始截断点及若干初始数据段,包括的具体方法为:
对于任意一个维度的运行数据,获取该维度的运行数据曲线;获取运行数据曲线的若干极值点,记为运行极值点;将所有运行极值点按照时间顺序排列,得到运行极值点分布曲线,获取运行极值点分布曲线的所有极值点,记为该维度的若干初始截断点;
将该维度的第一个运行数据也作为初始截断点,通过初始截断点对该维度的所有运行数据进行数据段划分,得到该维度的若干初始数据段。
3.根据权利要求1所述的一种电机数据处理方法,其特征在于,所述得到每个维度的受控制影响程度,包括的具体方法为:
对于任意一个维度的任意一个初始数据段,将该初始数据段中最后一个运行数据对应的时间减去该初始数据段中第一个运行数据对应的时间得到的差值,作为该初始数据段的时间长度;第个维度的受控制影响程度的计算方法为:
其中,表示第个维度中初始数据段的数量,表示第个维度中第个初始数据段的时间长度,表示第个维度中所有初始数据段的时间长度均值,表示所有维度的所有初始数据段的时间长度最大值,表示第个维度中第个初始数据段,表示第个维度中除第个初始数据段之外其他任意一个初始数据段,表示初始数据段与初始数据段之间的DTW距离,表示第个维度中第个初始数据段与第个维度中其他初始数据段之间的DTW距离最大值;表示绝对值函数,表示以自然常数为底的指数函数。
4.根据权利要求1所述的一种电机数据处理方法,其特征在于,所述得到每个非受控维度对于每个受控维度的响应程度,包括的具体方法为:
对于任意一个维度的任意一个初始数据段,将该初始数据段中运行数据的最大值减去最小值得到的差值,与该初始数据段的时间长度的比值,作为该初始数据段的单位变化程度;将该初始数据段的最后一个运行数据对应的时间,记为该初始数据段的末尾时刻;
对于第个受控维度及第个非受控维度,将第个受控维度中任意一个初始数据段作为目标初始数据段,在第个非受控维度的所有初始数据段中,获取末尾时刻与目标初始数据段的末尾时刻距离最小,且末尾时刻大于目标初始数据段的末尾时刻的初始数据段,作为目标初始数据段在第个非受控维度的参考初始数据段;
根据目标初始数据段与其参考初始数据段的单位变化程度之间的差异,得到第个非受控维度对于第个受控维度的响应程度。
5.根据权利要求4所述的一种电机数据处理方法,其特征在于,所述得到第个非受控维度对于第个受控维度的响应程度,包括的具体方法为:
其中,表示第个非受控维度对于第个受控维度的响应程度,表示第个受控维度中目标初始数据段的单位变化程度,表示第个受控维度中目标初始数据段在第个非受控维度的参考初始数据段的单位变化程度,表示第个受控维度中所有初始数据段与其在第个非受控维度的参考初始数据段的单位变化程度之间的比值的方差;表示以自然常数为底的指数函数。
6.根据权利要求1所述的一种电机数据处理方法,其特征在于,所述得到每个响应维度在对应受控维度下的若干截断数据段,包括的具体方法为:
对于任意一个受控维度的任意一个响应维度,利用所述受控维度的所有初始截断点,对所述响应维度的所有运行数据重新进行数据段划分,得到的若干数据段记为所述响应维度在所述受控维度下的若干截断数据段。
7.根据权利要求1所述的一种电机数据处理方法,其特征在于,所述得到每个受控维度的若干阶段,包括的具体方法为:
对第个受控维度的每个响应维度对于第个受控维度的响应程度进行softmax归一化,得到的结果作为第个受控维度的每个响应维度对于第个受控维度的响应权重;第个受控维度中第个初始数据段与第个初始数据段的差异距离的计算方法为:
其中,表示第个受控维度中第个初始数据段与第个初始数据段的DTW距离,表示第个受控维度的响应维度的数量,表示第个受控维度的第个响应维度对于第个受控维度的响应权重,表示第个受控维度的第个响应维度在第个受控维度下第个截断数据段与第个截断数据段的DTW距离;与分别表示第一权重及第二权重;
对第个受控维度中所有初始数据段进行聚类,距离度量采用初始数据段之间的差异距离,得到若干类簇,将同一类簇中所有初始数据段作为一个阶段。
8.根据权利要求1所述的一种电机数据处理方法,其特征在于,所述对同一维度同一阶段的所有运行数据构建连通图,包括的具体方法为:
对于任意一个受控维度的任意一个阶段,对该阶段中所有运行数据构建连通图,将每个运行数据作为一个节点;
对于任意一个非受控维度,将该非受控维度对于每个受控维度的响应程度的最大值对应的受控维度的若干阶段,作为该非受控维度的若干阶段,对该受控维度每个阶段构建连通图。
9.根据权利要求8所述的一种电机数据处理方法,其特征在于,所述得到每个维度每个阶段中每个运行数据的综合离散性,包括的具体方法为:
预设邻近节点数量,获取第个节点距离最近的邻近节点数量的邻居节点,结合第个节点构成第个节点的局部连通子图;
获取连通图中与第个节点对应的运行数据之间的差异最小的一个节点,作为第个节点的对比节点,计算第个节点的局部连通子图与对比节点的局部连通子图的MCS值,作为第个节点对应运行数据的综合离散性。
10.一种电机数据处理系统,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1-9任意一项所述一种电机数据处理方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410772347.1A CN118349903B (zh) | 2024-06-17 | 2024-06-17 | 一种电机数据处理方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410772347.1A CN118349903B (zh) | 2024-06-17 | 2024-06-17 | 一种电机数据处理方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118349903A true CN118349903A (zh) | 2024-07-16 |
CN118349903B CN118349903B (zh) | 2024-08-16 |
Family
ID=91821682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410772347.1A Active CN118349903B (zh) | 2024-06-17 | 2024-06-17 | 一种电机数据处理方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118349903B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517193A (zh) * | 2019-06-28 | 2019-11-29 | 西安理工大学 | 一种海底声呐点云数据处理方法 |
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
CN116697039A (zh) * | 2023-08-07 | 2023-09-05 | 德电北斗电动汽车有限公司 | 一种单级高速变速器的自适应控制方法及系统 |
US20230351646A1 (en) * | 2022-04-27 | 2023-11-02 | The Regents Of The University Of California | Data-driven gating based upon grouping features in short image data segments |
CN117639602A (zh) * | 2024-01-26 | 2024-03-01 | 深圳凯升联合科技有限公司 | 电机运行状态自适应调节方法及系统 |
CN117711419A (zh) * | 2024-02-05 | 2024-03-15 | 卓世智星(成都)科技有限公司 | 用于数据中台的数据智能清洗方法 |
-
2024
- 2024-06-17 CN CN202410772347.1A patent/CN118349903B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110517193A (zh) * | 2019-06-28 | 2019-11-29 | 西安理工大学 | 一种海底声呐点云数据处理方法 |
WO2021238455A1 (zh) * | 2020-05-29 | 2021-12-02 | 中兴通讯股份有限公司 | 数据处理方法、设备及计算机可读存储介质 |
US20230351646A1 (en) * | 2022-04-27 | 2023-11-02 | The Regents Of The University Of California | Data-driven gating based upon grouping features in short image data segments |
CN116697039A (zh) * | 2023-08-07 | 2023-09-05 | 德电北斗电动汽车有限公司 | 一种单级高速变速器的自适应控制方法及系统 |
CN117639602A (zh) * | 2024-01-26 | 2024-03-01 | 深圳凯升联合科技有限公司 | 电机运行状态自适应调节方法及系统 |
CN117711419A (zh) * | 2024-02-05 | 2024-03-15 | 卓世智星(成都)科技有限公司 | 用于数据中台的数据智能清洗方法 |
Non-Patent Citations (3)
Title |
---|
AMNAH NASIM.ETC: "Dynamic Segmented Beat Modulation Method for Denoising ECG Data from Wearable Sensors", IEEE, 31 December 2019 (2019-12-31) * |
熊菊霞;吴尽昭;: "高维数据流异常节点动态跟踪仿真研究", 计算机仿真, no. 10, 15 October 2020 (2020-10-15) * |
王新强;邓蓓;金诗博;: "分布式网络数据异常结构优化识别仿真", 计算机仿真, no. 05, 15 May 2018 (2018-05-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN118349903B (zh) | 2024-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111633467B (zh) | 一种基于一维深度卷积自动编码器的刀具磨损状态监测方法 | |
CN110716500B (zh) | 用于确定温度敏感区间分段建模点的方法与系统 | |
CN117113235B (zh) | 一种云计算数据中心能耗优化方法及系统 | |
CN118013323B (zh) | 一种大口径电动半球阀的驱动电机状态分析方法及系统 | |
CN111832624A (zh) | 一种基于对抗迁移学习的刀具剩余寿命预测方法 | |
CN117498735B (zh) | 一种步进电机动态平稳驱动方法及系统 | |
CN114358274A (zh) | 训练用于图像识别的神经网络的方法和设备 | |
CN110244224A (zh) | 一种风力发电机转子不对中故障的载荷参数识别方法 | |
CN118349903B (zh) | 一种电机数据处理方法及系统 | |
CN117289668A (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
CN116757337B (zh) | 一种基于人工智能的房建施工进度预测系统 | |
CN117587403A (zh) | 基于化学转化的铝合金模板表面处理方法及系统 | |
CN117030944A (zh) | 一种避免乙醇干扰的甲醛浓度预测方法、终端设备及介质 | |
CN118410284B (zh) | 一种电机数据清洗方法及系统 | |
CN116540632A (zh) | 一种基于cnn-gru组合神经网络机床进给系统热误差预测方法 | |
CN115526276A (zh) | 一种具有鲁棒性的风洞天平校准载荷预测方法 | |
CN118467935B (zh) | 一种电机数据消噪方法及系统 | |
US20210046647A1 (en) | Position control method for servo, computer readable storage medium, and robot | |
Guo et al. | A Hybrid clustering method for bridge structure health monitoring | |
CN118313847B (zh) | 一种用于白茶的生产溯源方法及系统 | |
CN116089860B (zh) | 多阶段分布校正引导的设备故障诊断方法及装置 | |
Hu et al. | Bearing fault diagnosis based on multi-scale possibilistic clustering algorithm | |
CN117804639B (zh) | 一种胶装机温控传感器的温度校准方法及系统 | |
CN118471516B (zh) | 基于深度学习的血压分析方法及装置 | |
CN118066182B (zh) | 一种旋转直驱伺服阀工作状态的智能监测方法及系统 |
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 |