技术新讯 > 测量装置的制造及其应用技术 > 一种基于互信息特征构造的焊割气流传感器异常检测方法与流程  >  正文

一种基于互信息特征构造的焊割气流传感器异常检测方法与流程

  • 国知局
  • 2024-07-30 11:04:19

本发明属于智慧焊割,特别涉及一种基于互信息特征构造的焊割气流传感器异常检测方法。

背景技术:

1、在焊割过程中,气流传感器在这一过程中扮演着关键角色,其实时、准确地监测保护气体流量,对确保焊割过程的安全与稳定至关重要。然而,由于工作环境的复杂性和传感器自身的老化、磨损等问题,焊割气流传感器可能会出现异常,导致读数不准确,甚至完全失效,进而对焊割质量构成严重威胁。

2、传统的焊割气流传感器异常检测方法多依赖于简单的阈值判断或定期的人工检查,这些方法虽然简单易行,但存在诸多局限性。例如,阈值判断方法对于传感器性能的微小变化不敏感,往往只有在传感器出现明显故障时才能检测出来,而此时可能已经对焊割过程造成了不良影响。人工检查则受限于检查周期和人员的专业水平,难以及时、准确地发现所有潜在问题。

3、近年来,随着数据分析和机器学习技术的飞速发展,基于数据驱动的异常检测方法逐渐成为研究热点。其中,互信息作为一种衡量变量间相关性的有效指标,被广泛应用于特征选择和异常检测等领域。互信息不仅能够捕捉到变量之间的线性和非线性关系,还能量化通过一个变量获取的关于另一个变量的信息量,因此在处理复杂、非线性的数据关系时具有显著优势。

技术实现思路

1、发明目的:针对上述背景技术中存在的问题,本发明提供了一种基于互信息特征构造的焊割气流传感器异常检测方法,利用互信息特征构造方法,可以深入挖掘传感器数据之间的内在联系和依赖关系,从而更准确地识别出传感器的异常状态。

2、技术方案:一种基于互信息特征构造的焊割气流传感器异常检测方法,包括以下步骤:

3、步骤s1、基于电流传感器和气流传感器实时采集高频电流时序数据和气体流速时序数据,构建样本数据集;

4、步骤s2、针对划分后的样本数据集进行特征构造,获取特征数据集;所述特征数据集具体包括:

5、(1)电流的最大值,最小值,均值,方差,大于预设阈值th1的电流均值;

6、(2)气体流速的最大值,最小值,均值,方差,电流大于th1时对应的气体流速的均值;

7、(3)大于th1的电流点个数,小于th1的电流点个数占比;

8、(4)气体流速超过预设阈值th2的点的个数;

9、(5)对应电流和气体流速值之间的互信息值;

10、步骤s3、选择机器学习分类算法并基于特征数据集进行模型训练,获取焊割气流传感器异常检测模型;

11、步骤s4、在边缘侧部署训练完毕的机器学习分类算法模型,实时采集焊割过程中的高频时序电流和气体流速数据,对气流传感器异常进行实时检测。

12、进一步的,所述步骤s1中构建样本数据集具体方法包括:

13、步骤s1.2、基于滑窗采样的方法对样本数据集进行样本构造,获取样本数据集;滑窗窗长设为s;基于气流传感器实时状态对样本进行异常标注,其中传感器正常时标注为0,异常时标注为1,为每个样本打上标签;

14、步骤s1.2、针对所述样本数据集进行随机乱序,按比例将样本数据集划分为训练集、验证集和测试集。

15、进一步的,所述步骤s2中对应电流和气体流速值之间的互信息值具体计算方法包括:

16、

17、其中x,y代表两个随机变量,依次代表电流值和保护气流速数值;代表变量x和y的互信息值;p(x,y)代表x和y的联合概率密度函数,p(x)和p(y)分别代表x和y的边缘概率密度函数。

18、进一步的,所述步骤s3中选用xgboost、lightgbm、随机森林、支持向量机、朴素贝叶斯算法模型中的一种或多种算法融合进行模型训练。

19、进一步的,基于训练集的特征数据集对机器学习分类算法模型进行训练,并通过验证集对模型进行验证,防止可能出现的过拟合现象,最终通过测试集对模型输出效果进行检验。

20、本发明采用的技术方案与现有技术方案相比,具有以下有益效果:

21、(1)通过利用互信息特征构造的方法构建气流传感器异常检测模型能够深入挖掘割过程中各项传感器数据之间的内在联系和相关性。相比传统的阈值判断或简单统计方法,基于互信息的特征构造更能准确反映传感器的实际工作状态,从而有效提升异常检测的准确性。由于互信息能够捕捉到数据间的非线性和复杂关系,该方法在处理多变和复杂的工作环境时表现出更强的自适应性。无论传感器数据如何变化,该方法都能有效地构造特征并进行异常检测。

22、(2)本发明提供的异常检测方法对气流传感器性能的微小变化具有高敏感性,能够在异常刚刚出现时就发出预警,防止异常情况进一步恶化,从而保障割气流程的稳定性和安全性。同时通过实时监测和异常检测,可以及时发现并处理潜在问题,减少人工巡检的频率和成本,提高运营效率。

技术特征:

1.一种基于互信息特征构造的焊割气流传感器异常检测方法,其特征在于,包括:

2.根据权利要求1所述的一种基于互信息特征构造的焊割气流传感器异常检测方法,其特征在于,所述步骤s1中构建样本数据集具体方法包括:

3.根据权利要求1所述的一种基于互信息特征构造的焊割气流传感器异常检测方法,其特征在于,所述步骤s2中对应电流和气体流速值之间的互信息值具体计算方法包括:

4.根据权利要求1所述的一种基于互信息特征构造的焊割气流传感器异常检测方法,其特征在于,所述步骤s3中选用xgboost、lightgbm、随机森林、支持向量机、朴素贝叶斯算法模型中的一种或多种算法融合进行模型训练。

5.根据权利要求4所述的一种基于互信息特征构造的焊割气流传感器异常检测方法,其特征在于,基于训练集的特征数据集对机器学习分类算法模型进行训练,并通过验证集对模型进行验证,防止可能出现的过拟合现象,最终通过测试集对模型输出效果进行检验。

技术总结本发明公开了一种基于互信息特征构造的焊割气流传感器异常检测方法,首先采集高频电流时序数据和气体流速时序数据,并进行特征构造,获取特征数据集,基于所述特征数据集进行模型训练,获取焊割气流传感器异常检测模型;最终在边缘侧部署训练完毕的机器学习分类算法模型,实时采集焊割过程中的高频时序电流和气体流速数据,对气流传感器异常进行实时检测;本发明在特征数据集构造时,基于焊割机理设计了包括有效电流均值、互信息在内的多种特征,有效提升异常检测的准确性;本发明提供的异常检测方法对气流传感器性能的微小变化具有高敏感性,传感器异常时可以第一时间预警。技术研发人员:李波,田慧云受保护的技术使用者:苏芯物联技术(南京)有限公司技术研发日:技术公布日:2024/7/25

本文地址:https://www.jishuxx.com/zhuanli/20240730/155344.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。