基于通道注意力和时域卷积网络的加工监测数据填补方法技术

本发明专利技术提供一种基于通道注意力和时域卷积网络的加工监测数据填补方法，包括：对加工监测数据进行预处理，获得长度相同的特征样本；利用通道注意力机制提取所述特征样本的相关性特征；利用时域卷积网络对所述相关性特征进行时序特征挖掘，获得时序变化特征；将所述时序变化特征转换到数据空间，得到填补的加工监测数据。本发明专利技术可以实现利用加工监测数据的历史信息来预测缺失信息，并挖掘数据在传感器维度和时间维度上的内在联系，克服了现有技术存在的填补范围只限制于部分维度、缺乏从多维数据相关性和时间变化结合的角度进行分析的问题。问题。问题。

【技术实现步骤摘要】
基于通道注意力和时域卷积网络的加工监测数据填补方法


[0001]本专利技术涉及数据处理
，尤其涉及一种基于通道注意力和时域卷积网络的加工监测数据填补方法。

技术介绍

[0002]在刀具的剩余寿命预测研究领域，刀具加工监测数据能识别刀具加工状态，有效地在加工过程中帮助换刀，以防止过早换刀导致刀具利用率下降或者过晚换刀导致零件加工质量下降。随着工业大数据技术的发展，生产制造业正在向数字化转型升级，每天可以产生大量的加工监测数据。由于生产现场的各种复杂因素，例如加工过程的振动导致传感器松动，噪声以及网络环境导致采集数据丢失等原因，均会对加工监测数据的获取造成较大的影响，导致数据缺失现象发生，对后续的刀具加工状态识别以及刀具剩余寿命预测带来挑战。
[0003]当前存在的不足：
[0004]1.刀具加工监测数据由于传感器安装不当造成数据缺失，表现为当前时间点数据所有维度均包含缺失数据。现有的数据填补方法大多针对数据中的部分缺失维度进行填充，不适用于刀具加工监测数据。
[0005]2.现有的用于数据缺失填补的时间序列预测方法缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于通道注意力和时域卷积网络的加工监测数据填补方法，其特征在于，包括：对加工监测数据进行预处理，获得长度相同的特征样本；利用通道注意力机制提取所述特征样本的通道相关性特征；利用时域卷积网络对所述通道相关性特征进行时序特征挖掘，获得时序变化特征；将所述时序变化特征转换到数据空间，得到填补的加工监测数据。2.根据权利要求1所述的一种基于通道注意力和时域卷积网络的加工监测数据填补方法，其特征在于，所述对加工监测数据进行预处理，获得长度相同的特征样本，包括：每个时刻的所述加工监测数据包括多个传感器维度，对各个所述传感器维度进行均值方差标准化；对于待预测的缺失时刻，将所述缺失时刻以前的所有完成了标准化的加工监测数据按照时间顺序依次拼接，并重复拼接缺失时刻前一时刻的数据直至所述加工监测数据长度达到设定值，即获得长度相同的特征样本。3.根据权利要求1所述的一种基于通道注意力和时域卷积网络的加工监测数据填补方法，其特征在于，所述利用通道注意力机制提取所述特征样本的通道相关性特征，包括：对输入的所述特征样本经过全局平均池化，所述特征样本的尺寸维度被压缩为1，通道维度保持不变；自适应设计一维卷积层，定义为：其中，kernelSize表示一维卷积核的大小，c表示输入特征样本的通道个数，b和γ都是自定义参数；利用所述一维卷积核对所述全局平均池化后的特征样本进行卷积运算，得到每个通道维度的权重；对所述每个通道维度的权重进行归一化；将归一化后的权重和所述输入的特征样本进行逐通道相乘，得到通道相关性特征，即加权后的隐藏特征变量。4.根据权利要求1所述的一种基于通道注意力和时域卷积网络的加工监测数据填补方法，其特征在于，所述利用时域卷积网络对所述通道相关性特征进行时序特征挖掘，获得时序变化特征，包括：将所述通道相关性特征输入所述时域卷积网络，输出加工监测数据的时序变化特征；其中，所述时序卷积网络包括多个串联的残差模块；每个所述残差模块包括恒等映射和多个隐藏层。5.根据权利要求4所述的一种基于通道注意力和时域卷积网络的加工监测数据填补方法，其特征在于，在所述隐藏层中，依序通过膨胀因果卷积计算、网络的权重归一化、Leaky ReLU激活函数计算、以及Dropout掩膜层挖掘输入数据的时序变化特征；所述膨胀因果卷积、网络的权重归一化以及Leaky ReLU激活函数的计算过程为：u
l+1
＝σ(g((b
l
+Conv1D(w
l
,h,s
l
,d
l
,p
l
))...

【专利技术属性】
技术研发人员：张建，胡小锋，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：