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

本发明专利技术公开了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，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。本发明专利技术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，避免了人工设置参数划分局部域的不可靠性，同时能够更好地提取长时时变特征，更加精确有效地获得工艺数据多元层次动态特征。元层次动态特征。元层次动态特征。

【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]局部学习能够较好地建立长时时变过程温度预测模型。在局部学习模型中，全局数据被 分成不同的子域然后在每个子域上建立局部模型，通过在各个局部模型间进行区域划分和推 断，可以产生连续的局部模型并集成为一个全局模型。“Dynamic Features IncorporatedLocally Weighted Deep Learning Model for Soft Sensor Development”(IEEE Transactionson Instrumentation and Measurement,2021,70:1
‑
11，Yao L,Ge Z)中，通过固定长度 窗口划分原始数据集得到序列化的局部域，将局部域中的序列化样本输入到动态特征提取网 络中获得动态特征并与原始特征合并，然后计算特征间的欧式距离并转换为权重建立局部加 权深度学习模型进行预测。“基于即时学习的工业生产过程质量预测建模方法研究”(合肥工 业大学,2020，宋月丽)中，首先采用PSO离线优化和KNN在线选择的方法得到最优带宽参数 用于局部域划分，然后利用得到的样本建立局部加权回归模型预测样本质量，然而KNN中的 K值需要通过试错法确定。因此，尽管上述的方法可以解决长时时变特性的问题，但是这些 方法也存在缺陷。这些方法在建模过程中都要求一个精确的局部区域划分参数，而这类参数 通常是通过从业者进行人工设置或者采用试错法获得的，但是当面对复杂的预测任务时通过 上述方式获得的参数往往是不可靠且耗时的。
[0005]除此之外，由于不同的生产要求，加工信息存在转换动力学，即加工信息是动态转换的， 是多元的。而转换动力学是基于以下假设：转换动力学遵循某些特定的模式，即马尔可夫转 换、特定的潜在变量，然后使用隐马尔可夫模型、转换状态空间模型和其他一些扩展的分层 结构来描述多元动态行为。尽管在实际工业生产过程中可以使用不同的模式模型识别动态转 换特性，但是从大量的转换模式中找到最适合的一个是耗时且计算复杂的。

技术实现思路

[0006]有鉴于此，本专利技术的目的在于提供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，避免了人工设置参数划分局部域的不可靠性，同时能够更好地提取长时 时变特征，更加精确有效地获得工艺数据多元层次动态特征。
[0007]为达到上述目的，本专利技术提供如下技术方案：
[0008]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，包括如下步骤：
[0009]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；
[0010]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；
[0011]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。
[0012]进一步，所述步骤1)中，对全局数据进行划分的方法为：
[0013]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；
[0014]12)转换数据维度；将训练数据转换成二维矩阵：
[0015][0016]其中，Z
k
＝[X
k
,Y
k
]，X,Y分别是输入和输出的数据矩阵；
[0017]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：
[0018]Z
training
＝[Z
1T
,...,Z
uT
]T
＝[[X1,Y1]T
,...,[X
u
,Y
u
]T
]T
[0019]其中，u表示训练窗口时间戳的结束标志；
[0020]滑动窗口向前走一步形成一个测试窗口：
[0021]Z
test
＝[Z
2T
,...,Z
u+1T
]T
＝[[X2,Y2]T
,...,[X
u+1
,Y
u+1
]T
]T
[0022]14)根据训练窗口和测试窗口，得到性能图E
i
为：
[0023][0024]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；
[0025]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：
[0026][0027]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；
[0028]15)在设定检验水平下，t检验的结果为：
[0029]h＝t
‑
test(E
training
,E
test
)
[0030]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；循环执行步骤本文档来自技高网...

【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：