[發明專利]基于在線字典學習的多模態機械加工中心信號的重構方法

在審

• 申請號: 202310186706.0
• 申請日: 2023-03-01
• 公開（公告）號: CN116070091A
• 公開（公告）日: 2023-05-05
• 發明（設計）人: 張璽;常琛揚;李秉洋
• 申請（專利權）人: 北京大學
• 主分類號: G06F18/10
• 分類號: G06F18/10;G06F18/213;G06N3/0442;G06N3/08
• 代理公司: 北京萬象新悅知識產權代理有限公司 11360
• 代理人: 賈曉玲

本發明提供了一種基于在線字典學習的多模態機械加工中心信號的重構方法，屬于信號處理技術領域。本發明結合多模態信號周期變化特征，將一維信號轉化為二維信號，然后運用在線字典學習算法實現對多模態信號的快速去噪，提升了數據處理的效率和信號特征的快速提取能力，并將經過在線字典學習后的多模態信號輸入長短期記憶網絡，實現多模態機械加工中心信號的預測，為提高實踐生產中預防性維護預測的準確性奠定扎實的數據基礎，具有廣闊的應用價值。

技術領域

本發明屬于信號處理技術領域，涉及一種基于在線字典學習的多模態機械加工中心信號的重構方法。

背景技術

隨著物聯網技術的蓬勃發展，生產數字化技術得到了廣泛應用。機械加工中心作為集合多種加工工藝的核心樞紐，其運行效率及加工質量成為生產線的產能提升的關鍵。深度學習作為一種人工智能技術，正在與物聯網技術廣泛結合，以此來實現對生產設備的在線運營維護，從而降低加工中心故障或緊急停機，達到提升生產線運營效率及降低運營成本的目的。

事實上，基于深度學習長短期記憶網絡已經應用于異常檢測及故障診斷中，但是，對于大數據的逐步推廣，機械加工中心運行過程中產生的數據量急增，導致深度學習模型處理的計算量指數型上升，從而影響了計算的效率及精度，因此如何能有效提高原始數據的質量，將具有關鍵特征的數據輸入深度學習模型，才是從根本上提升數字化運維的關鍵。

綜合來看，信號重構算法中，貪婪追蹤算法重構速度最快，但效果不夠理想，而凸優化算法給出了稀疏恢復的最大保證，但是存在重構速度慢的缺點。因此，探索能兼顧大數據量處理且快重構速度的多模態信號重構方法至關重要。

發明內容

本發明的目的在于針對已有技術不足，提出了一種基于字典學習的多模態機械加工中心信號的重構方法，能夠有效消除噪聲，減少信息冗余，提升復雜信號恢復效率。

本發明的技術方案是：

一種多模態機械加工中心信號的重構方法，其步驟包括：

1)從多軸機械加工中心獲取多模態信號；

2)在多模態信號中等間隔抽取信號點，從第1個信號點開始直到最后一個信號點依次排序，形成一維時間序列信號Y＝[y(1)，y(2)，y(3)，...，y(N)]；

3)以多模態下每個信號1/2周期所含信號點數量的平均值作為分解長度n，對一維多模態信號進行拆分，生成m×n維的二維信號其中，m×n＝N；且m＜n；

4)將上述二維信號進行矩陣轉置，使得矩陣Y的每一列代表信號的分解子信號；

5)運用在線字典學習模型實現多模態信號的重構，具體步驟包括：

5-1)輸入正則化參數λ、迭代次數t、及批尺寸b，初始字典D₀∈R^m×n，初始矩陣A₀∈R^n×n←0，初始矩陣B₀∈R^m×n←0；

5-2)計算稀疏編碼系數

式中α_t為第t次迭代后的稀疏值，D_t-1為第(t-1)次迭代后的過程學習字典。

5-3)更新矩陣

式中A_t、B_t為第t次迭代后的過程矩陣，y_t為樣本集合第t列。

5-4)固定稀疏編碼系數α_t，計算第t次迭代過程字典

5-5)更新字典D＝[d₁，…，dn]∈R^m×n，其中：