一种智能制造产线低质量监测大数据智能清洗方法技术

一种智能制造产线低质量监测大数据智能清洗方法，首先对原始多源监测数据额外添加高斯噪声并遮掩每个样本中一定比例的子序列；采用Transformer网络将模拟噪声数据中可见的序列映射为潜在表征，并将潜在表征重构为原始数据；通过最小化重构数据与原始多源监测数据之间的均方误差使模型具备降低产线监测数据中复杂噪声的能力；最后对原始测试数据进行加噪、遮掩处理后输入到大数据智能清洗模型中测试模型清洗效果；本发明专利技术具有较强的特征提取与数据重构能力，可以有效的降低智能制造产线监测数据中的噪声成分，为后续产线设备的智能诊断等下游任务提供了数据支撑。

【技术实现步骤摘要】

本专利技术属于数据清洗，具体涉及一种智能制造产线低质量监测大数据智能清洗方法。

技术介绍

1、随着智能制造理念的兴起，企业开始有意识的收集产线智能设备加工过程中产生的数据，以实现对生产线设备的预测性维护。然而，工业智能设备加工流程复杂且生产线上通常配置多台设备协同工作，导致其数据记录文件类型多样，文件之间的关系错综复杂，使得难以直接从海量监测数据中获取所需的信息；此外，产线设备在加工过程中通常做高速运动且服役环境恶劣，随机干扰因素较多，受异物撞击等外界环境的干扰，以及内部数据采集装置性能退化、传感器失效、数据记录异常等因素的影响，其关键部件的监测数据中会夹杂噪声、异常点、缺失值等干扰数据，使得数据质量降低，影响了后续智能诊断和预测模型的性能。因此，研究智能制造产线低质量监测大数据的清洗方法尤为重要。

2、对于低质量监测数据，传统处理方法主要包括人工手动剔除和采用信号处理技术。人工手动剔除通常由设备维护人员凭借自身专业知识和经验来识别和剔除异常数据，这种方法仅适用于数据量较少且数据质量损害程度较为严重的情形，而且对维护人员专业水平有较高的要求，在本文档来自技高网...

【技术保护点】

1.一种智能制造产线低质量监测大数据智能清洗方法，其特征在于：通过对原始多源监测数据额外添加多种噪声并遮掩每个样本中一定比例的子序列来模拟噪声数据，采用Transformer网络将模拟噪声数据映射为潜在表征，并将潜在表征重构为原始多源监测数据，降低原始多源监测数据中的复杂噪声对后续分析的影响。

2.一种智能制造产线低质量监测大数据智能清洗方法，其特征在于，包括以下步骤：

3.根据权利要求2所述的方法，其特征在于：步骤5中大数据智能清洗模型分为编码器与解码器两部分，且均由Transformer网络组成；编码器将每个样本中未遮掩的子序列映射为潜在表征，其包含三个Tra...

【技术特征摘要】

1.一种智能制造产线低质量监测大数据智能清洗方法，其特征在于：通过对原始多源监测数据额外添加多种噪声并遮掩每个样本中一定比例的子序列来模拟噪声数据，采用transformer网络将模拟噪声数据映射为潜在表征，并将潜在表征重构为原始多源监测数据，降低原始多源监测数据中的复杂噪声对后续分析的影响。

2.一种智能制造产线低质量监测大数据智能清洗方法，其特征在于，包括以下步骤：

3.根据权利要求2所述的方法，其特征在于：步骤5中大数据智能清洗模型分为编码器与...

【专利技术属性】
技术研发人员：李响，付春霖，雷亚国，李乃鹏，杨彬，曹军义，武通海，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：