【技术实现步骤摘要】
本公开实施例涉及数据处理，尤其涉及一种锻造成形装备液压系统能耗预测方法及系统。
技术介绍
1、随着智能工厂和制造技术的发展，智能制造装备的物理结构体系逐渐复杂，制造产业对智能制造装备生产需求提高，高性能、高精度、低成本和低功耗的装备可以保证较好加工质量。液压系统具有高功率密度的特点，但是也存在高污染和低能效的缺陷，因此对于智能制造装备中液压系统的能耗预测和预警就非常重要。然而，有些大型智能制造装备的物理结构体系复杂，依据先验知识监测能耗或者单独用机理仿真模型预测能耗会造成时间与精力上的浪费。况且对于一些新型的智能制造装备，其先验知识和机理仿真模型需要重新构建。
2、随着数字化技术和人工智能的发展，多源传感器技术的普及使得采集的智能制造装备数据越来越丰富，这对于数据驱动的能耗预测方法起到了基础的支撑作用。传统的数据驱动方法多为单模型预测能耗，并且缺乏相应的特征选择和重构过程，导致出现数据的状态空间爆炸和最终预测效果不佳的难题。同时，没有对不同场景工况下的液压系统进行区分，导致在某些工况下能耗预测的效果不佳，缺乏能耗预测的柔性。
3、可见，亟需一种预测效率和精准度高的锻造成形装备液压系统能耗预测方法。
技术实现思路
1、有鉴于此，本公开实施例提供一种锻造成形装备液压系统能耗预测方法及系统，至少部分解决现有技术中存在预测效率和精准度较差的问题。
2、第一方面，本公开实施例提供了一种锻造成形装备液压系统能耗预测方法，包括：
3、步骤1，采集锻
4、步骤2，通过机理分析和滤波器对标准特征数据集中与能耗相关性程度低于相关性阈值的特征进行剔除，得到能耗数据集；
5、步骤3，对于能耗数据集中的时序数据，采用傅里叶变换获得滑动时间窗步长，形成时序数据集，对于能耗数据集中的静态数据，重采样后对特征状态聚类，对当前设备的运行工况进行分类评估，形成静态数据集；
6、步骤4，分析功率能量流，建立机理仿真模型得到第一能耗预测值；
7、步骤5，将时序数据集和静态数据集分别输入不同的预测模型中，融合第一能耗预测，构建机理与数据驱动融合的能耗预测模型，得到目标能耗预测并监测。
8、根据本公开实施例的一种具体实现方式，所述步骤1具体包括：
9、步骤1.1，基于锻造程序智能装备的实体结构，对待监测状态的液压泵、伺服阀、液压执行器、蓄能器、管路等液压系统组成部件进行编号，并设计数据采集装置采集液压系统不同的特征数据，形成原始特征数据集其中，xi表示不同液压系统部件样本特征输入的集合，t时刻样本特征输入集合表示液压系统部件的样本特征输入变量，yi表示液压系统能耗采集数值之和，表示实数空间，n表示样本数量，m表示样本输入特征变量的数量；
10、步骤1.2，基于knn算法补充原始特征数据集中缺失值，以及，基于密度聚类的方法剔除原始特征数据集中噪声点和异常值，得到标准特征数据集。
11、根据本公开实施例的一种具体实现方式，所述步骤1.2具体包括：
12、步骤1.2.1，计算两个相邻特征数据之间的欧式距离，并进行补全，其中，所述欧氏距离的表达式为
13、
14、其中，l表示样本数据某时刻标号；
15、步骤1.2.2，计算每个特征数据距离簇的质心距离，将超过距离阈值θ的特征数据作为异常值剔除，标准特征数据集。
16、根据本公开实施例的一种具体实现方式，所述步骤2具体包括：
17、步骤2.1，对锻造成形装备液压系统能耗相关状态特征进行机理分析，初步选择相关特征；
18、步骤2.2，对相关特征进行过滤器筛选，得到每个相关特征的最大信息系数，将最大信息系数低于相关性阈值的相关特征剔除，得到能耗数据集。
19、根据本公开实施例的一种具体实现方式，所述步骤3具体包括：
20、步骤3.1，对于能耗数据集中的时序数据，采用傅里叶变换获得滑动时间窗步长，将一个周期的长度作为滑动时间窗步长，得到时序数据集
21、
22、其中，n表示时间序列范围，k表示时间序列序号。
23、步骤3.2，对于能耗数据集中的静态数据，重采样后对特征状态聚类，对当前设备的运行工况进行分类评估，采用层次聚类方法计算n个样本两两之间的欧氏距离{dij}，得到距离矩阵d＝[dij]，层次聚类按照相距最近的两类合并，最小距离表达式为
24、mindist＝min dist(xi,xj)＝min[dij]
25、对分类评估完成后的不同簇标号，记为静态子数据集，并将全部静态子数据集形成静态数据集。
26、根据本公开实施例的一种具体实现方式，所述步骤4具体包括：
27、步骤4.1，将液压系统各个子部件的功率进行分析，得到功率键合图；
28、步骤4.2，根据功率键合图建立机理仿真模型得到第一能耗预测值m1。
29、根据本公开实施例的一种具体实现方式，所述步骤5具体包括：
30、步骤5.1，对于静态数据集中每一个静态子数据集，采用cnn一维卷积核特征提取的方式变换其数据序列，一维卷积计算公式如下：
31、
32、其中，n为f(m)的长度，s(n)为卷积后特征变换的数据序列，f表示输入信号的幅值，g表示输出信号的幅值。
33、步骤5.2，选取三种基学习器构建增强式机器学习模型，其中，所述增强式机器学习模型包括依次堆叠的多层感知机、支持向量机和梯度提升决策树；
34、步骤5.3，将数据序列输入增强式机器学习模型进行训练，将在前层训练不符合预设条件的数据序列作为一个新数据集输入下一层进行训练，具体过程如下：
35、dataset(i+1)＝ψ(dataset(i))
36、其中，dataset(i)为输入第i层的训练样本，为转换规则，其表达形式为：
37、
38、mape为相对绝对值平均误差，其计算公式如下：
39、
40、其中，yi'为能耗预测值，yi为能耗实际值；
41、步骤5.4，将三个训练完成的基学习器进行能耗预测，各自输出的结果再经过线性回归元学习，得到第二能耗预测值m2；
42、步骤5.5，对于时序数据集，建立gru-强化学习框架提取时序特征，其中，所述gru-强化学习框架前向传播的公式为
43、rt＝σ(wr·[ht,xt]+br)
44、zt＝σ(wz·[ht,xt]+bz)
45、
46、
47、其中，wr，wz，wh和br，bz，bh分别为是重置门、更新门和计算隐状态的权重矩阵和偏置，rt与zt为重置门与更新门的输出，h't为细胞候选隐状态，ht细胞隐状本文档来自技高网...
【技术保护点】
1.一种锻造成形装备液压系统能耗预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：
3.根据权利要求2所述的方法，其特征在于,所述步骤1.2具体包括：
4.根据权利要求3所述的方法，其特征在于,所述步骤2具体包括：
5.根据权利要求4所述的方法，其特征在于,所述步骤3具体包括：
6.根据权利要求5所述的方法，其特征在于,所述步骤4具体包括：
7.根据权利要求6所述的方法，其特征在于,所述步骤5具体包括：
8.一种锻造成形装备液压系统能耗预测系统，其特征在于，包括：
【技术特征摘要】
1.一种锻造成形装备液压系统能耗预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于,所述步骤1具体包括：
3.根据权利要求2所述的方法，其特征在于,所述步骤1.2具体包括：
4.根据权利要求3所述的方法，其特征在于,所述步骤2具体包括：
【专利技术属性】
技术研发人员：潘晴，钱康安，黄明辉，李毅波，文晨阳，
申请(专利权)人：中南大学，
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。