【技术实现步骤摘要】
基于自适应局部学习实现长时和多元时变特性的加工温度监测方法
[0001]本专利技术属于温度监测
,具体的为一种基于自适应局部学习实现长时和多元时变 特性的加工温度监测方法。
技术介绍
[0002]传统的加工温度测量方法主要分为直接方法和间接方法两大类。直接方法是采用实验直 接测量加工温度,其中最常用的方法是使用热电偶进行加工温度测量,例如熔铸过程中将热 电偶布置在模具内壁上实现温度监测。然而这样的温度监测对热电偶的位置有着极高的要求。 基于红外热成像的方法已经成为一种成熟和广泛接受的温度监测方法。然而,红外热成像技 术主要依赖于材料的热发射率,材料的热发射率受众多因素影响,这些因素不稳定的变化导 致了红外热成像测温的不稳定性。因此,基于易测量变量并使用数学模型的间接测量方法受 到了人们的广泛关注。其中最常用的间接测量方法是利用数据驱动的方法建立加工温度预测 模型。但是这种方法在实际在线应用中存在问题:由于实际工业生产中生产要求频繁变化以 及生产条件的复杂,工业过程数据普遍存在时变特性。
[0003]然而相对于工业数据长期连续的时变过程,用于训练模型的样本是离散和局部的,从而 提取到的时变特征是离散和局部的,导致建立的模型只能表示与学习到的局部样本类似的温 度变化而不能表示不同时变特性下温度的变化。除此之外,由于实际生产过程中生产要求的 频繁变化,生产过程中会存在多种加工信息,而不同加工信息下加工温度与监测变量间的映 射关系有所不同。因此,采用单一的序列信息不能完全表示加工温度的变化。
[0004 ...
【技术保护点】
【技术特征摘要】
1.一种基于自适应局部学习实现长时和多元时变特性的加工温度监测方法,其特征在于:包括如下步骤:步骤1):局部域的自适应识别:使用滑动窗口策略和性能图的t检验分析对全局数据进行划分,保证每一个局部域的预测性能;步骤2):转换动力学识别:针对每一个局部域,提取局部空间互相关和时间自相关的动态特征,使用DCNN建立局部预测模型;步骤3):局部域自适应结合:使用贝叶斯集成学习结合局部预测模型。2.根据权利要求1所述基于自适应局部学习实现长时和多元时变特性的加工温度监测方法,其特征在于:所述步骤1)中,对全局数据进行划分的方法为:11)展开体积数据:采用三维矩阵的形式表示训练数据其中,I表示表征时变特性的数据,J表示工艺信息,K为时间戳;12)转换数据维度;将训练数据转换成二维矩阵:其中,Z
k
=[X
k
,Y
k
],X,Y分别是输入和输出的数据矩阵;13)划分局部域:将滑动窗口的宽度初始化为u,则训练窗口为:Z
training
=[Z
1T
,...,Z
uT
]
T
=[[X1,Y1]
T
,...,[X
u
,Y
u
]
T
]
T
其中,u表示训练窗口时间戳的结束标志;滑动窗口向前走一步形成一个测试窗口:Z
test
=[Z
2T
,...,Z
u+1T
]
T
=[[X2,Y2]
T
,...,[X
u+1
,Y
u+1
]
T
]
T
14)根据训练窗口和测试窗口,得到性能图E
i
为:其中,E
i
表示性能图,i表示训练和测试阶段,训练阶段得到性能图E
training
,测试阶段得到性能图E
test
;f
MW
表示采用训练窗口Z
training
训练得到的局部预测模型;n表示训练和测试窗口中的样本数;采用t检验评估训练窗口和测试窗口的相似性,原假设和备择假设分别为:其中,H0表示原假设;H1表示备择假设;μ表示了性能图中每一个标准的平均值;15)在设定检验水平下,t检验的结果为:h=t
‑
test(E
training
,E
test
)若h=0,则接受原假设,表示训练窗口和测试窗口的性能图没有大的不同,滑动窗口向前移动一步形成新的训练窗口和测试窗口;循环执行步骤14),直至h=1;若h=1,则接受备择假设,表示训练窗口和测试窗口的性能图的性能图...
【专利技术属性】
技术研发人员:何彦,钟睿,吴鹏程,李育锋,杨波,
申请(专利权)人:重庆大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。