首页 > 专利 > 成都信息工程大学 > 一种基于大数据和数字化工厂的产品检测方法专利详情

一种基于大数据和数字化工厂的产品检测方法   0    0

实质审查 查看PDF
专利申请流程有哪些步骤?
专利申请流程图
申请
申请号:指国家知识产权局受理一件专利申请时给予该专利申请的一个标示号码。唯一性原则。
申请日:提出专利申请之日。
2022-09-16
申请公布
申请公布指发明专利申请经初步审查合格后,自申请日(或优先权日)起18个月期满时的公布或根据申请人的请求提前进行的公布。
申请公布号:专利申请过程中,在尚未取得专利授权之前,国家专利局《专利公报》公开专利时的编号。
申请公布日:申请公开的日期,即在专利公报上予以公开的日期。
2022-12-30
授权
授权指对发明专利申请经实质审查没有发现驳回理由,授予发明专利权;或对实用新型或外观设计专利申请经初步审查没有发现驳回理由,授予实用新型专利权或外观设计专利权。
预估到期
发明专利权的期限为二十年,实用新型专利权期限为十年,外观设计专利权期限为十五年,均自申请日起计算。专利届满后法律终止保护。
2042-09-16
基本信息
有效性 实质审查 专利类型 发明专利
申请号 CN202211126087.8 申请日 2022-09-16
公开/公告号 CN115468679A 公开/公告日 2022-12-13
授权日 预估到期日 2042-09-16
申请年 2022年 公开/公告年 2022年
缴费截止日
分类号 G01K13/00G01M13/04G01M17/007G06K9/62 主分类号 G01K13/00
是否联合申请 独立申请 文献类型号 A
独权数量 1 从权数量 7
权利要求数量 8 非专利引证数量 0
引用专利数量 0 被引证专利数量 0
非专利引证
引用专利 被引证专利
专利权维持 99 专利申请国编码 CN
专利事件 事务标签 公开、实质审查
申请人信息
申请人 第一申请人
专利权人 成都信息工程大学 当前专利权人 成都信息工程大学
发明人 任红萍、张浩、张扬、靳志恒、任治羽、李孝杰、吴锡 第一发明人 任红萍
地址 四川省成都市西南航空港经济开发区学府路1段24号 邮编 610200
申请人数量 1 发明人数量 7
申请人所在省 四川省 申请人所在市 四川省成都市
代理人信息
代理机构
专利代理机构是经省专利管理局审核,国家知识产权局批准设立,可以接受委托人的委托,在委托权限范围内以委托人的名义办理专利申请或其他专利事务的服务机构。
成都智涌知识产权代理事务所 代理人
专利代理师是代理他人进行专利申请和办理其他专利事务,取得一定资格的人。
蔡福林
摘要
本发明涉及一种基于大数据和数字化工厂的产品检测方法,其包括:将目标机器产品的待测轴承部件划分为易测轴承区域和非易测轴承区域。通过目标机器产品在试车过程中激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和转速生成第一多维试车特征序列。通过待测轴承部件的目标轴承区域在试车过程中的关联温度分布数据生成第二多维试车特征序列。利用第一多维试车特征序列、第二多维试车特征序列和目标轴承区域的温度特征序列建立目标轴承区域的温度预测模型,然后根据所述温度预测模型预测得到对应非易测轴承区域在预测试车子周期内的温度数据。
  • 摘要附图
    一种基于大数据和数字化工厂的产品检测方法
  • 说明书附图:图1
    一种基于大数据和数字化工厂的产品检测方法
法律状态
序号 法律状态公告日 法律状态 法律状态信息
1 2022-12-30 实质审查的生效 IPC(主分类): G01K 13/00 专利申请号: 202211126087.8 申请日: 2022.09.16
2 2022-12-13 公开
权利要求
权利要求书是申请文件最核心的部分,是申请人向国家申请保护他的发明创造及划定保护范围的文件。
1.一种基于大数据和数字化工厂的产品检测方法,其特征在于,所述方法包括:
对装配于目标机器产品中的待测轴承部件进行区域划分以得到待测轴承部件的多个易测轴承区域和多个非易测轴承区域,获取待测轴承部件的非易测轴承区域在一个试车周期内产生的若干温度数据,并根据每个温度数据的采集时间点将试车周期均匀分割为若干试车子周期,其中,所述待测轴承部件包括滑动轴承部件和滚动轴承部件;
通过目标机器产品内设的参数采集设备采集得到目标机器产品在对应试车子周期内的实际载荷量、待测轴承部件的转速和润滑油流量,基于目标机器产品在对应试车子周期内产生的动作工况数据识别目标机器产品激活的动作联动程序数量,依据对应试车子周期的每个时间点下目标机器产品激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和待测轴承部件的转速生成第一多维试车特征序列;
通过目标机器产品内设的温度传感器采集得到目标机器产品的各个易测轴承区域在对应试车子周期内的温度数据,从待测轴承部件的所有非易测轴承区域内任取一个非易测轴承区域作为目标轴承区域,根据各个易测轴承区域在对应试车子周期内的温度数据确定目标轴承区域的关联温度分布数据,依据对应试车子周期的每个时间点下目标轴承区域的关联温度分布数据生成第二多维试车特征序列;
利用所述第一多维试车特征序列、所述第二多维试车特征序列和目标轴承区域的温度特征序列建立目标轴承区域的温度预测模型,然后根据所述温度预测模型预测得到对应非易测轴承区域在预测试车子周期内的温度数据,其中,目标轴承区域的温度特征序列由目标轴承区域在对应试车子周期内产生的若干温度数据分析所得。

2.根据权利要求1所述的方法,其特征在于,所述易测轴承区域为待测轴承部件上能直接通过温度传感器测量的区域;所述非易测轴承区域为待测轴承部件上不能通过温度传感器测量且需要人工测量的区域;动作工况数据用于表征目标机器产品在试车过程中执行的各种运转动作。

3.根据权利要求2所述的方法,其特征在于,所述根据各个易测轴承区域在对应试车子周期内的温度数据确定目标轴承区域的关联温度分布数据包括:
依据每个易测轴承区域与目标机器产品内部各个装配部件之间的接触面积分析得到每个易测轴承区域的区域接触状态,依据目标轴承区域与目标机器产品内部各个装配部件之间的接触面积分析得到目标轴承区域的区域接触状态,将每个易测轴承区域的区域接触状态与目标轴承区域的区域接触状态进行比较得到每个易测轴承区域与目标轴承区域之间的状态相似度;
将状态相似度大于预设状态相似度阈值的易测轴承区域作为目标轴承区域的关联易测轴承区域,聚合目标轴承区域的每个相邻易测轴承区域对应的温度数据和每个关联易测轴承区域对应的温度数据以得到目标轴承区域的关联温度分布数据。

4.根据权利要求3所述的方法,其特征在于,所述根据温度预测模型预测得到对应非易测轴承区域在预测试车子周期内的温度数据包括:
基于目标机器产品在预测试车子周期的上一试车子周期内的实际载荷量、激活的动作联动程序数量、待测轴承部件的润滑油流量和转速分析得到目标机器产品在预测试车子周期内激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和转速,并根据目标机器产品在预测试车子周期内激活的动作联动程序数量、实际载荷量和待测轴承部件的润滑油流量以及转速生成第一预测试车特征序列;
获取预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据,将预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据输入至目标轴承区域的关联温度预测模型中预测得到目标轴承区域在预测试车子周期内的关联温度分布数据,依据目标轴承区域在预测试车子周期内的关联温度分布数据生成第二预测试车特征序列;
将所述第一预测试车特征序列和所述第二预测试车特征序列输入至温度预测模型中预测得到对应非易测轴承区域在预测试车子周期内的温度数据。

5.根据权利要求4所述的方法,其特征在于,关联温度预测模型的生成步骤包括:
从数据存储设备中获取目标机器产品在对应试车子周期内的试车环境数据以及目标机器产品的目标轴承区域在对应试车子周期内的关联温度分布数据,利用所述关联温度分布数据和所述试车环境数据生成目标轴承区域的嵌入关联温度特征,其中,所述试车环境数据包括对目标机器产品的试车环境采集所得到的环境温度、压力和环境湿度;
基于目标轴承区域的相邻易测轴承区域和关联易测轴承区域生成目标轴承区域的第一温度关联图、第二温度关联图和第三温度关联图,依据目标轴承区域的第一温度关联图、第二温度关联图和第三温度关联图生成目标轴承区域的关联温度分布图,并提取关联温度分布图的全局温度传递特征;
对嵌入关联温度特征和关联温度分布图的全局温度传递特征进行拼接融合得到目标轴承区域的多维关联温度特征,将目标轴承区域的多维关联温度特征作为训练数据输入至关联温度预测模型中进行训练直至测试输出的预测关联温度分布数据与实际关联温度分布数据之间的误差最小化;
将预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据输入至训练后的关联温度预测模型中预测得到目标轴承区域在预测试车子周期内的关联温度分布数据,其中,所述关联温度预测模型包括输入层、第一卷积层、第二卷积层、第二池化层、全连接层和输出层。

6.根据权利要求5所述的方法,其特征在于,所述利用所述第一多维试车特征序列、所述第二多维试车特征序列和目标轴承区域的温度特征序列建立目标轴承区域的温度预测模型包括:
步骤一:基于目标轴承区域的温度特征序列生成相应的温度特征矩阵,对第一多维试车特征序列和第二多维试车特征序列进行拼接以生成相应的试车特征矩阵,基于所述温度特征矩阵中任一归一化后的列特征向量生成所述试车特征矩阵的第一融合特征向量;
步骤二:依据所述第一融合特征向量和所述试车特征矩阵对应的协方差矩阵确定所述试车特征矩阵对应的第一融合相关系数矩阵,依据所述第一融合特征向量、所述温度特征矩阵对应的协方差矩阵和所述温度特征矩阵中的各个矩阵元素生成所述温度特征矩阵对应的第二融合特征向量和第二融合相关系数矩阵;
步骤三:重复步骤一和二以得到若干第一融合特征向量和若干第二融合特征向量,将归一化后的第一融合特征向量与第二融合特征向量之间的乘积作为试车特征矩阵与温度特征矩阵之间的影响系数,根据试车特征矩阵对应的所有第一融合特征向量和所有第一融合相关系数矩阵、温度特征矩阵对应的所有第二融合特征向量和所有第二融合相关系数矩阵以及试车特征矩阵与温度特征矩阵之间的影响系数矩阵对试车特征矩阵与温度特征矩阵进行关系建模以得到目标轴承区域的温度预测模型。

7.根据权利要求6所述的方法,其特征在于,所述提取关联温度分布图的全局温度传递特征包括:
提取关联温度分布图的各个图层中每个顶点之间的传递特征以得到各个图层的图传递特征,并基于第一温度关联图对应的第一温度邻接矩阵、第二温度关联图对应的第二温度邻接矩阵和第三温度关联图对应的第三温度邻接矩阵对关联温度分布图的各个图层进行特征聚合以得到关联温度分布图的聚合图特征,其中,所述传递特征用于传递并更新对应图层中各个顶点之间的温度变化量;
根据所述聚合图特征对关联温度分布图的各个图层对应的图传递特征进行结合以得到所述关联温度分布图的全局温度传递特征。

8.根据权利要求7所述的方法,其特征在于,所述参数采集设备包括:力传感器、速度传感器、流量传感器、位置传感器和压力传感器。
说明书

技术领域

[0001] 本发明涉及大数据和数字工厂领域,尤其涉及一种基于大数据和数字化工厂的产品检测方法。

背景技术

[0002] 智能制造是指具有信息自感知、自决策、自执行等先进功能的制造过程,是智能制造技术和智能制造系统的总称。智能制造系统(Intelligent Manufacturing System‑IMS)是一种由智能机器和人类专家共同组成的人机一体化系统,它突出了在制造的各个环节中,以一种高度柔性与集成的方式,借助计算模拟的人类专家的智能活动,进行分析、判断、推理、构思和决策,取代或延伸制造环节中人的部分脑力劳动,同时收集、存储、完善和共享人类专家的制造智能。
[0003] 总装完毕的机器产品在出厂前均需按产品标准和有关技术文件的规定进行试车和检验。在试车过程中机器产品的轴承的温升及温度分布状态影响着轴承系统的工作性能。因此,随着试车过程中轴承系统的不断运行,轴承内部的温升及温度分布已成为机器产品的重要试车指标之一。现有技术中针对轴承内各个零件或部位的温度较难测定,而现有的人工测定方法不能实时且连续的测定轴承内任意点的温度。

发明内容

[0004] 鉴于此,本发明提供了一种基于大数据和数字化工厂的产品检测方法,其包括:对装配于目标机器产品中的待测轴承部件进行区域划分以得到待测轴承部件的多个易测轴承区域和多个非易测轴承区域,获取待测轴承部件的非易测轴承区域在一个试车周期内产生的若干温度数据,并根据每个温度数据的采集时间点将试车周期均匀分割为若干试车子周期,其中,所述待测轴承部件包括滑动轴承部件和滚动轴承部件;
通过目标机器产品内设的参数采集设备采集得到目标机器产品在对应试车子周期内的实际载荷量、待测轴承部件的转速和润滑油流量,基于目标机器产品在对应试车子周期内产生的动作工况数据识别目标机器产品激活的动作联动程序数量,依据对应试车子周期的每个时间点下目标机器产品激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和待测轴承部件的转速生成第一多维试车特征序列;
通过目标机器产品内设的温度传感器采集得到目标机器产品的各个易测轴承区域在对应试车子周期内的温度数据,从待测轴承部件的所有非易测轴承区域内任取一个非易测轴承区域作为目标轴承区域,根据各个易测轴承区域在对应试车子周期内的温度数据确定目标轴承区域的关联温度分布数据,依据对应试车子周期的每个时间点下目标轴承区域的关联温度分布数据生成第二多维试车特征序列;
利用所述第一多维试车特征序列、所述第二多维试车特征序列和目标轴承区域的温度特征序列建立目标轴承区域的温度预测模型,然后根据所述温度预测模型预测得到对应非易测轴承区域在预测试车子周期内的温度数据,其中,目标轴承区域的温度特征序列由目标轴承区域在对应试车子周期内产生的若干温度数据分析所得。
[0005] 根据一个优选实施方式,所述易测轴承区域为待测轴承部件上能够直接通过温度传感器测量的区域;所述非易测轴承区域为待测轴承部件上不能通过温度传感器测量且需要人工测量的区域。
[0006] 所述根据各个易测轴承区域在对应试车子周期内的温度数据确定目标轴承区域的关联温度分布数据包括:依据每个易测轴承区域与目标机器产品内部各个装配部件之间的接触面积分析得到每个易测轴承区域的区域接触状态,依据目标轴承区域与目标机器产品内部各个装配部件之间的接触面积分析得到目标轴承区域的区域接触状态,将每个易测轴承区域的区域接触状态与目标轴承区域的区域接触状态进行比较得到每个易测轴承区域与目标轴承区域之间的状态相似度;
依据每个易测轴承区域的若干温度数据之间的数据差值构成每个易测轴承区域的温度变化曲线,依据目标轴承区域的若干温度数据之间的数据差值构成目标轴承区域的温度变化曲线,将每个易测轴承区域的温度变化曲线与目标轴承区域的温度变化曲线进行比较以得到每个易测轴承区域与目标轴承区域之间的曲线相似度;
将状态相似度大于预设状态相似度阈值,或曲线相似度大于预设曲线相似度阈值的易测轴承区域作为目标轴承区域的关联易测轴承区域,聚合目标轴承区域的每个相邻易测轴承区域对应的温度数据和每个关联易测轴承区域对应的温度数据以得到目标轴承区域的关联温度分布数据。
[0007] 根据一个优选实施方式,所述根据温度预测模型预测得到对应非易测轴承区域在预测试车子周期内的温度数据包括:基于目标机器产品在预测试车子周期的上一试车子周期内的实际载荷量、激活的动作联动程序数量、待测轴承部件的润滑油流量和转速分析得到目标机器产品在预测试车子周期内激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和转速,并根据目标机器产品在预测试车子周期内激活的动作联动程序数量、实际载荷量和待测轴承部件的润滑油流量以及转速生成第一预测试车特征序列;
获取预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据,将预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据输入至目标轴承区域的关联温度预测模型中预测得到目标轴承区域在预测试车子周期内的关联温度分布数据,依据目标轴承区域在预测试车子周期内的关联温度分布数据生成第二预测试车特征序列;
将所述第一预测试车特征序列和所述第二预测试车特征序列输入至温度预测模型中预测得到对应非易测轴承区域在预测试车子周期内的温度数据。
[0008] 根据一个优选实施方式,关联温度预测模型的生成步骤包括:从数据存储设备中获取目标机器产品在对应试车子周期内的试车环境数据以及目标机器产品的目标轴承区域在对应试车子周期内的关联温度分布数据,利用所述关联温度分布数据和所述试车环境数据生成目标轴承区域的嵌入关联温度特征,其中,所述试车环境数据包括对目标机器产品的试车环境采集所得到的环境温度、压力和环境湿度;
基于目标轴承区域的相邻易测轴承区域和关联易测轴承区域生成目标轴承区域的第一温度关联图、第二温度关联图和第三温度关联图,依据目标轴承区域的第一温度关联图、第二温度关联图和第三温度关联图生成目标轴承区域的关联温度分布图,并提取关联温度分布图的全局温度传递特征;
对嵌入关联温度特征和关联温度分布图的全局温度传递特征进行拼接融合得到目标轴承区域的多维关联温度特征,将目标轴承区域的多维关联温度特征作为训练数据输入至关联温度预测模型中进行训练直至测试输出的预测关联温度分布数据与实际关联温度分布数据之间的误差最小化;
将预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据输入至训练后的关联温度预测模型中预测得到目标轴承区域在预测试车子周期内的关联温度分布数据,其中,所述关联温度预测模型包括输入层、第一卷积层、第二卷积层、第二池化层、全连接层和输出层。
[0009] 根据一个优选实施方式,所述利用所述第一多维试车特征序列、所述第二多维试车特征序列和目标轴承区域的温度特征序列建立目标轴承区域的温度预测模型包括:基于目标轴承区域的温度特征序列生成相应的温度特征矩阵,对第一多维试车特征序列和第二多维试车特征序列进行拼接以生成相应的试车特征矩阵,基于所述温度特征矩阵中任一归一化后的列特征向量生成所述试车特征矩阵的第一融合特征向量;
依据所述第一融合特征向量和所述试车特征矩阵对应的协方差矩阵确定所述试车特征矩阵对应的第一融合相关系数矩阵,依据所述第一融合特征向量、所述温度特征矩阵对应的协方差矩阵和所述温度特征矩阵中的各个矩阵元素生成所述温度特征矩阵对应的第二融合特征向量和第二融合相关系数矩阵;
重复上述步骤得到若干第一融合特征向量和若干第二融合特征向量,将归一化后的第一融合特征向量与第二融合特征向量之间的乘积作为试车特征矩阵与温度特征矩阵之间的影响系数,根据试车特征矩阵对应的所有第一融合特征向量和所有第一融合相关系数矩阵、温度特征矩阵对应的所有第二融合特征向量和所有第二融合相关系数矩阵以及试车特征矩阵与温度特征矩阵之间的影响系数矩阵对试车特征矩阵与温度特征矩阵进行关系建模以得到目标轴承区域的温度预测模型。
[0010] 根据一个优选实施方式,所述提取关联温度分布图的全局温度传递特征包括:提取关联温度分布图的各个图层中每个顶点之间的传递特征以得到各个图层的图传递特征,并基于第一温度关联图对应的第一温度邻接矩阵、第二温度关联图对应的第二温度邻接矩阵和第三温度关联图对应的第三温度邻接矩阵对关联温度分布图的各个图层进行特征聚合以得到关联温度分布图的聚合图特征,其中,所述传递特征用于传递并更新对应图层中各个顶点之间的温度变化量;
根据所述聚合图特征对关联温度分布图的各个图层对应的图传递特征进行结合以得到所述关联温度分布图的全局温度传递特征。
[0011] 所述参数采集设备包括:力传感器、速度传感器、流量传感器、位置传感器和压力传感器。
[0012] 本发明具有以下有益效果:本发明利用目标机器产品在试车过程中产生的诸如实际载荷量、待测轴承部件的润滑油流量和转速等多种试车特征以及非易测轴承区域的关联温度分布数据建立非易测轴承区域的温度预测模型。以通过温度预测模型实时且连续的生成非易测轴承区域的温度数据,使得试车过程中获取到的轴承各个区域的温升及温度分布数据更加全面和准确。

实施方案

[0014] 下面将结合本文实施例中的附图,对本文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文一部分实施例,而不是全部的实施例。基于本文中的实施例,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,都属于本文保护的范围。
[0015] 需要说明的是,除非另外定义,本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。
[0016] 参见图1,本发明的基于大数据和数字化工厂的产品检测方法可以包括以下步骤:S101、对装配于目标机器产品中的待测轴承部件进行区域划分以得到待测轴承部件的多个易测轴承区域和多个非易测轴承区域。获取待测轴承部件的非易测轴承区域在一个试车周期内产生的若干温度数据。并根据每个温度数据的采集时间点将试车周期均匀分割为若干试车子周期。
[0017] 可选地,待测轴承部件包括滑动轴承部件和滚动轴承部件。待测轴承部件的易测轴承区域为待测轴承部件上能够直接通过温度传感器测量的区域;所述非易测轴承区域为待测轴承部件上不能通过温度传感器测量且需要人工测量的区域。
[0018] S102、通过目标机器产品内设的参数采集设备采集得到目标机器产品在对应试车子周期内的实际载荷量、待测轴承部件的转速和润滑油流量。基于目标机器产品在对应试车子周期内产生的动作工况数据识别目标机器产品激活的动作联动程序数量。依据对应试车子周期的每个时间点下目标机器产品激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和待测轴承部件的转速生成第一多维试车特征序列。
[0019] 可选地,参数采集设备包括力传感器、速度传感器、流量传感器、位置传感器和压力传感器。动作工况数据用于表征目标机器产品在试车过程中执行的各种运转动作,其包括清洗动作、切削动作、打磨动作等加工动作。
[0020] S103、通过目标机器产品内设的温度传感器采集得到目标机器产品的各个易测轴承区域在对应试车子周期内的温度数据。从待测轴承部件的所有非易测轴承区域内任取一个非易测轴承区域作为目标轴承区域。根据各个易测轴承区域在对应试车子周期内的温度数据确定目标轴承区域的关联温度分布数据。依据对应试车子周期的每个时间点下目标轴承区域的关联温度分布数据生成第二多维试车特征序列。
[0021] 具体地,根据各个易测轴承区域在对应试车子周期内的温度数据确定目标轴承区域的关联温度分布数据包括:依据每个易测轴承区域与目标机器产品内部各个装配部件之间的接触面积分析得到每个易测轴承区域的区域接触状态。依据目标轴承区域与目标机器产品内部各个装配部件之间的接触面积分析得到目标轴承区域的区域接触状态。将每个易测轴承区域的区域接触状态与目标轴承区域的区域接触状态进行比较得到每个易测轴承区域与目标轴承区域之间的状态相似度。
[0022] 依据每个易测轴承区域的若干温度数据之间的数据差值构成每个易测轴承区域的温度变化曲线。依据目标轴承区域的若干温度数据之间的数据差值构成目标轴承区域的温度变化曲线。将每个易测轴承区域的温度变化曲线与目标轴承区域的温度变化曲线进行比较以得到每个易测轴承区域与目标轴承区域之间的曲线相似度。
[0023] 将状态相似度大于预设状态相似度阈值、或曲线相似度大于预设曲线相似度阈值的易测轴承区域作为目标轴承区域的关联易测轴承区域。聚合目标轴承区域的每个相邻易测轴承区域对应的温度数据和每个关联易测轴承区域对应的温度数据以得到目标轴承区域的关联温度分布数据。
[0024] 可选地,预设状态相似度阈值由目标轴承区域的所有相邻易测轴承区域对应的状态相似度均值确定。目标轴承区域的相邻易测轴承区域对应的状态相似度即为目标轴承区域的相邻易测轴承区域与目标轴承区域之间的状态相似度。预设曲线相似度阈值由目标轴承区域的所有相邻易测轴承区域对应的曲线相似度均值确定。目标轴承区域的相邻易测轴承区域对应的曲线相似度即为目标轴承区域的相邻易测轴承区域与目标轴承区域之间的曲线相似度。
[0025] S104、利用所述第一多维试车特征序列、所述第二多维试车特征序列和目标轴承区域的温度特征序列建立目标轴承区域的温度预测模型。然后根据所述温度预测模型预测得到对应非易测轴承区域在预测试车子周期内的温度数据。
[0026] 可选地,目标轴承区域的温度特征序列由目标轴承区域在对应试车子周期内产生的若干温度数据分析所得。
[0027] 具体地,通过温度预测模型预测得到对应非易测轴承区域在预测试车子周期内的温度数据包括:基于目标机器产品在预测试车子周期的上一试车子周期内的实际载荷量、激活的动作联动程序数量、待测轴承部件的润滑油流量和转速分析得到目标机器产品在预测试车子周期内激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和转速。并根据目标机器产品在预测试车子周期内激活的动作联动程序数量、实际载荷量和待测轴承部件的润滑油流量以及转速生成第一预测试车特征序列。
[0028] 获取预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据。将预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据输入至目标轴承区域的关联温度预测模型中预测得到目标轴承区域在预测试车子周期内的关联温度分布数据。依据目标轴承区域在预测试车子周期内的关联温度分布数据生成第二预测试车特征序列。
[0029] 将所述第一预测试车特征序列和所述第二预测试车特征序列输入至温度预测模型中预测得到对应非易测轴承区域在预测试车子周期内的温度数据。
[0030] 可选地,基于目标机器产品在预测试车子周期的上一试车子周期内的实际载荷量、激活的动作联动程序数量、待测轴承部件的润滑油流量和转速分析得到目标机器产品在预测试车子周期内激活的动作联动程序数量、实际载荷量、待测轴承部件的润滑油流量和转速包括:根据目标机器产品在预测试车子周期的上一试车子周期内每个激活的动作联动程序的执行时长和目标机器产品的设备加工周期确定目标机器产品在预测试车子周期内激活的动作联动程序数量。由于目标机器产品的实际载荷量在设备加工周期的一个较短的工序内不会产生明显变化,因此可将预测试车子周期的上一试车子周期内目标机器产品的实际载荷量作为预测试车子周期的实际载荷量。最后基于目标机器产品在预测试车子周期内激活的动作联动程序数量和实际载荷量确定预测试车子周期内待测轴承部件的润滑油流量和转速。其中,目标机器产品的设备加工周期由目标机器产品在一个试车过程中需要执行的每个加工工序的执行顺序和执行时长分析所得。目标机器产品的加工工序包括清洗工序、切削工序、打磨工序等,清洗工序包括若干按顺序执行的清洗动作,切削工序包括若干按顺序执行的切削动作,打磨工序包括若干按顺序执行的打磨动作。
[0031] 具体地,关联温度预测模型的生成过程包括:从数据存储设备中获取目标机器产品在对应试车子周期内的试车环境数据以及目标机器产品的目标轴承区域在对应试车子周期内的关联温度分布数据。利用所述关联温度分布数据和所述试车环境数据生成目标轴承区域的嵌入关联温度特征。其中,所述试车环境数据包括对目标机器产品的试车环境采集所得到的环境温度、压力和环境湿度。
[0032] 基于目标轴承区域的相邻易测轴承区域和关联易测轴承区域生成目标轴承区域的第一温度关联图、第二温度关联图和第三温度关联图。依据目标轴承区域的第一温度关联图、第二温度关联图和第三温度关联图生成目标轴承区域的关联温度分布图,并提取关联温度分布图的全局温度传递特征。
[0033] 对嵌入关联温度特征和关联温度分布图的全局温度传递特征进行拼接融合得到目标轴承区域的多维关联温度特征。将目标轴承区域的多维关联温度特征作为训练数据输入至关联温度预测模型中进行训练直至测试输出的预测关联温度分布数据与实际关联温度分布数据之间的误差最小化。
[0034] 将预测试车子周期的上一试车子周期内目标轴承区域的关联温度分布数据输入至训练后的关联温度预测模型中预测得到目标轴承区域在预测试车子周期内的关联温度分布数据。其中,所述关联温度预测模型包括输入层、第一卷积层、第二卷积层、第二池化层、全连接层和输出层。
[0035] 可选地,步骤“利用所述关联温度分布数据和所述试车环境数据生成目标轴承区域的嵌入关联温度特征”包括:提取试车环境数据中的时间字段和区域字段,将所述时间字段和区域字段与目标轴承区域的关联温度分布数据的时间字段和区域字段进行匹配。在确定所述关联温度分布数据的时间字段与所述试车环境数据的时间字段相匹配、且所述关联温度分布数据的区域字段与所述试车环境数据的区域字段相匹配时,将所述关联温度分布数据与所述试车环境数据进行融合得到目标轴承区域的嵌入关联温度特征。
[0036] 可选地,步骤“基于目标轴承区域的相邻易测轴承区域和关联易测轴承区域生成目标轴承区域的第一温度关联图、第二温度关联图和第三温度关联图”包括:以每个与目标轴承区域之间的状态相似度大于预设状态相似度阈值的易测轴承区域为顶点,并以每个顶点之间的状态相似度为边权重构建第一温度关联图。以每个与目标轴承区域之间的曲线相似度大于预设曲线相似度阈值的易测轴承区域为顶点,并以每个顶点之间的曲线相似度为边权重构建第二温度关联图。基于目标轴承区域的各个相邻易测轴承区域的区域面积确定目标轴承区域的各个相邻易测轴承区域的区域中心点,以各个相邻易测轴承区域为顶点,以各个顶点之间的归一化区域中心点距离为边权重生成第三温度关联图。
[0037] 具体地,关联温度分布图的全局温度传递特征的分析步骤包括:提取关联温度分布图的各个图层中每个顶点之间的传递特征以得到各个图层的图传递特征。并基于第一温度关联图对应的第一温度邻接矩阵、第二温度关联图对应的第二温度邻接矩阵和第三温度关联图对应的第三温度邻接矩阵对关联温度分布图的各个图层进行特征聚合以得到关联温度分布图的聚合图特征。其中,传递特征用于传递并更新对应图层中各个顶点之间的温度变化量。第一温度邻接矩阵中的各个矩阵元素用于表征第一温度关联图中各个顶点之间的边权重。第二温度邻接矩阵中的各个矩阵元素用于表征第二温度关联图中各个顶点之间的边权重。第三温度邻接矩阵中的各个矩阵元素用于表征第三温度关联图中各个顶点之间的边权重。
[0038] 根据所述聚合图特征对关联温度分布图的各个图层对应的图传递特征进行结合以得到所述关联温度分布图的全局温度传递特征。
[0039] 具体地,利用第一多维试车特征序列、第二多维试车特征序列和目标轴承区域的温度特征序列建立目标轴承区域的温度预测模型包括:基于目标轴承区域的温度特征序列生成相应的温度特征矩阵。对第一多维试车特征序列和第二多维试车特征序列进行拼接以生成相应的试车特征矩阵。基于所述温度特征矩阵中任一归一化后的列特征向量生成所述试车特征矩阵的第一融合特征向量。
[0040] 依据所述第一融合特征向量和所述试车特征矩阵对应的协方差矩阵确定所述试车特征矩阵对应的第一融合相关系数矩阵。依据所述第一融合特征向量、所述温度特征矩阵对应的协方差矩阵和所述温度特征矩阵中的各个矩阵元素生成所述温度特征矩阵对应的第二融合特征向量和第二融合相关系数矩阵。
[0041] 重复上述步骤得到若干第一融合特征向量和若干第二融合特征向量。将归一化后的第一融合特征向量与第二融合特征向量之间的乘积作为试车特征矩阵与温度特征矩阵之间的影响系数。根据试车特征矩阵对应的所有第一融合特征向量和所有第一融合相关系数矩阵、温度特征矩阵对应的所有第二融合特征向量和所有第二融合相关系数矩阵以及试车特征矩阵与温度特征矩阵之间的影响系数矩阵对试车特征矩阵与温度特征矩阵进行关系建模以得到目标轴承区域的温度预测模型。其中,所述影响系数矩阵由试车特征矩阵与温度特征矩阵之间的所有影响系数构成。
[0042] 具体地,步骤“基于所述温度特征矩阵中任一归一化后的列特征向量生成所述试车特征矩阵的第一融合特征向量”包括:基于温度特征矩阵中任一归一化后的列特征向量和试车特征矩阵生成相应的权值矩阵,将所述权值矩阵与温度特征矩阵中归一化后的列特征向量相乘得到试车特征矩阵的第一融合特征向量。
[0043] 具体地,步骤“依据所述第一融合特征向量、所述温度特征矩阵对应的协方差矩阵和所述温度特征矩阵中的各个矩阵元素生成所述温度特征矩阵对应的第二融合特征向量和第二融合相关系数矩阵”包括:将温度特征矩阵中的各个矩阵元素和第一融合特征向量与温度特征矩阵的协方差矩阵之间的比值相乘得到温度特征矩阵的第二融合相关系数矩阵,利用所述第二融合相关系数矩阵和温度特征矩阵生成第二融合特征向量。
[0044] 具体地,对试车特征矩阵与温度特征矩阵进行关系建模包括:利用试车特征矩阵与温度特征矩阵之间的影响系数矩阵、试车特征矩阵对应的所有第一融合特征向量和温度特征矩阵对应的所有第二融合特征向量建立第一模型关系。利用试车特征矩阵和试车特征矩阵对应的所有第一融合相关系数矩阵建立第二模型关系。利用温度特征矩阵和温度特征矩阵对应的所有第二融合相关系数矩阵建立第三模型关系。对第一模型关系、第二模型关系和第三模型关系进行自回归组合以得到目标轴承区域的温度预测模型。
[0045] 本发明通过目标机器产品在试车过程中产生的诸如实际载荷量、待测轴承部件的润滑油流量和转速等多种试车特征以及非易测轴承区域的关联温度分布数据建立非易测轴承区域的温度预测模型。以通过温度预测模型实时且连续的生成非易测轴承区域的温度数据,使得试车过程中获取到的轴承各个区域的温升及温度分布数据更加全面和准确。
[0046] 另外,在本文各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
[0047] 所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本文的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本文各个实施例所述方法的全部或部分步骤而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read‑Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0048] 本文中应用了具体实施例对本文的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本文的方法及其核心思想;同时,对于本领域的一般技术人员,依据本文的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本文的限制。

附图说明

[0013] 图1为本发明的基于大数据和数字化工厂的产品检测方法的流程图。
专利联系人(活跃度排行)
版权所有:盲专网 ©2023 zlpt.xyz  蜀ICP备2023003576号