【技术实现步骤摘要】
基于在线字典学习的多模态机械加工中心信号的重构方法
[0001]本专利技术属于信号处理
，涉及一种基于在线字典学习的多模态机械加工中心信号的重构方法。
技术介绍
[0002]随着物联网技术的蓬勃发展，生产数字化技术得到了广泛应用。机械加工中心作为集合多种加工工艺的核心枢纽，其运行效率及加工质量成为生产线的产能提升的关键。深度学习作为一种人工智能技术，正在与物联网技术广泛结合，以此来实现对生产设备的在线运营维护，从而降低加工中心故障或紧急停机，达到提升生产线运营效率及降低运营成本的目的。
[0003]事实上，基于深度学习长短期记忆网络已经应用于异常检测及故障诊断中，但是，对于大数据的逐步推广，机械加工中心运行过程中产生的数据量急增，导致深度学习模型处理的计算量指数型上升，从而影响了计算的效率及精度，因此如何能有效提高原始数据的质量，将具有关键特征的数据输入深度学习模型，才是从根本上提升数字化运维的关键。
[0004]综合来看，信号重构算法中，贪婪追踪算法重构速度最快，但效果不够理想，而凸优化算法给出了稀疏...
【技术保护点】
【技术特征摘要】
1.一种多模态机械加工中心信号的重构方法，其步骤包括：1)从多轴机械加工中心获取多模态信号；2)在多模态信号中等间隔抽取信号点，从第1个信号点开始直到最后一个信号点依次排序，形成一维时间序列信号Y＝[y(1)，y(2)，y(3)，...，y(N)]；3)以多模态下每个信号1/2周期所含信号点数量的平均值作为分解长度n，对一维多模态信号进行拆分，生成m
×
n维的二维信号其中，m
×
n＝N；且m＜n；4)将上述二维信号进行矩阵转置，使得矩阵Y的每一列代表信号的分解子信号；5)运用在线字典学习模型实现多模态信号的重构，具体步骤包括：5
‑
1)输入正则化参数λ、迭代次数t、及批尺寸b，初始字典D0∈R
m
×
n
，初始矩阵A0∈R
n
×
n
←
0，初始矩阵B0∈R
m
×
n
←
0；5
‑
2)计算稀疏编码系数式中α
t
为第t次迭代后的稀疏值，D
t
‑1为第(t
‑
1)次迭代后的过程学习字典。5
‑
3)更新矩阵式中A
t
、B
t
为第t次迭代后的过程矩阵，y
t
为样本集合第t列。5
‑
4)固定稀疏编码系数α
t
，计算第t次迭代过程字典，计算第t次迭代过程字典5
‑
5)更新字典D＝[d...
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。