[發明專利]一種飛機制造過程中多源異構大數據的特征提取方法

在審

• 申請號: 202211701182.6
• 申請日: 2022-12-28
• 公開（公告）號: CN115859055A
• 公開（公告）日: 2023-03-28
• 發明（設計）人: 張政;楊林;王雪松;白偉;劉登峰;鄒澳
• 申請（專利權）人: 西安交通大學
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/213
• 代理公司: 西安智大知識產權代理事務所 61215
• 代理人: 弋才富

一種飛機制造過程中的多源異構大數據的特種提取方法，步驟一、基于滑動平均值濾波方法，對清洗后的樣本數據進行濾波降處理；步驟二、對濾波降處理后的樣本數據，采用時域特征提取、頻域特征提取、時頻域三域特征參數提取算法；步驟三、優化三域特征提取結果，采用Isomap流形學習算法縮減特征結構，提高運算效率，完成多源異構大數據的特種提取方法；本發明基于滑動平均值濾波方法，加速濾波降處理，提高特征提取效率；針對數據量大、隨機性強和價值密度低的特點，基于多域參數特征提取并優化了三域特征處理結果，將三域特征處理后的特征值融合為混合域，并將Isomap流形學習算法運用其中，更加全面的反映樣本數據，提高特征提取后數據處理效率。

技術領域

本發明屬于航空航天產品制造工業數據領域，特別涉及一種飛機制造過程中多源異構大數據的特征提取方法。

背景技術

在航空航天工業的實際生產過程中，通常會在工廠廠房內，設備設施上安裝大量的傳感器用于定期的收集相關生產的生產數據，用于進行良好的規劃安排。大量的傳感器設備，由于加工與實際環境等因素的影響，產生的生產數據具有來源廣、數據大、采集頻率高、維度高、數據質量低等特點，而在飛機的制造過程中，這些生產數據影響著飛機制造的效率、產品的質量等多個方面。因此，基于當下人工智能技術，可以首先對數據進行數據清洗與特征提取處理分析，通過數據清洗處理樣本數據中的異常值，從而避免噪聲數據對數據處理結果的干擾。利用特征提取從清洗過的樣本數據中提取特征，提取的特征的質量直接關系到后續故障診斷、壽命預測等模型的好壞，所以采用合適的方法提取高質量的飛機制造過程中的數據特征是十分重要的。

特征提取的目的在于把樣本集從高維特征空間映射到低維特征空間，并使映射后的樣本集仍具有良好的可分性。特征提取算法的好壞會影響到系統的最終識別效果，同時經過特征提取后的數據集，由于維數的減少，會明顯減少系統的計算時間。

隨著新型技術的產生和不斷發展，對于多源異構大數據的采集和分析的需求越來越大。然而，機械制造領域有關特征提取的研究大多趨向于機器視覺等圖像處理方面，對于制造業加工機床上產生的數據處理應用研究較少。同時，很多的現有的針對機械加工設備的數據特征提取方法，絕大多數采用的是多源信號的時序處理或者針對單一信號源，如振動信號等信號的多域處理。例如專利申請CN202210771293.8公開的《大型旋轉機械多源異構數據特征提取方法及故障診斷方法》采用的是多源信號的時序處理。例如論文《多域特征提取和極限學習機的滾動軸承智能診斷》采用的是單一信號如振動信號的多域處理。但是面對飛機加工時的高標準、高要求，采用以上兩種信號分析處理方法便無法有效的從加工過程產生的大數據中提取特征。除此之外，對于采用多域處理方法的特征提取，還應進行降維處理，達到縮減特征結構，提高運算效率的目的，為利用數據進行故障診斷奠定基礎。

發明內容

為了克服上述現有技術的缺陷，本發明的目的在于提供一種飛機制造過程中的多源異構大數據的特種提取方法，提高裝備制造過程中的數據集處理效率，同時采用合理的特征降維算法對高維混域特征進行降維，提高了運算效率。

為了達到上述目的，本發明的技術方案為：

一種飛機制造過程中的多源異構大數據的特種提取方法，包括以下步驟：

步驟一、基于滑動平均值濾波方法，對清洗后的樣本數據進行濾波降處理；

樣本數據濾波降處理基于滑動平均濾波算法，首先確定樣本數據采樣值C，設置累加器S與均值A，設定采樣個數，即采樣周期N；然后對A賦予初始值；然后賦予累加器S＝A*N；再然后進入數據滑動輸入過程，即S＝S-A+C，將平均值作為丟棄值丟棄，并累加采樣值；在這之后進行算數平均計算A＝S/N得到濾波值；最后將平均值賦予第三步，進入循環直至對整個樣本數據實現濾波降；

步驟二、對濾波降處理后的樣本數據，采用時域特征提取、頻域特征提取、時頻域三域特征參數提取算法；