一种用于热处理过程加工状态识别的方法

技术领域

本发明涉及热处理加工领域，尤其是在热处理过程加工状态识别领域。

背景技术

在热处理加工过程中会产生大量的数据，这些数据多为温度数据，反应了工件的加工过程。温度是热处理加工过程中影响工件质量的决定性因素，当更改加热设备设定温度后，实际温度并不会立即达到设定值，还会经过一段时间进行调节。现阶段对于工件加工过程状态的测定，需要工人在加工完成后查看温度记录单手工录入。但是工件的加工时间通常需要几个小时甚至超过一天，会产生冗长的记录单甚至多张记录单，测定工件的加工状态极其困难，还有一些复杂的多段加工程序，其状态的测定对工人提出了更高的要求。同时，工人对测定标准也有着不完全相同的认识，对于加工状态的测定会出现偏差；加工过程中工人通常需要管控多台加热设备，一些数据因此会出现遗漏，并且增加了生产过程中的安全风险。加工过程状态的偏差、缺失，对工件质量的预估产生了严重的影响，增加了质量评估的风险，严重降低了企业的生产效率。因此自动化的加工过程状态记录是热处理行业中的迫切需求。

时间序列是随着时间不断变化的数据，是与时间相关的高维度数据，同时也是数据挖掘领域中的主要研究对象，时序分析在金融、气象、医学、电子科技、教育等多个领域中都有重要的研究价值，但在工业热处理方向中的应用相对较少。热处理行业中的时间序列数据主要为加工过程中的温度信息，属于海量、高维、信息价值密度低的数据，很难对原始数据直接进行数据分析和挖掘，因此需要对其进行特征表示，在降低数据维度的同时保留其内在的重要趋势特征。

目前国内外提出了多种时间序列的特征表示方法，以傅里叶变换和离散小波变换为代表的基于域变换的方法，基于符号的表示方法，模型表示法，以及基于分段的特征表示方法等。其中，基于分段的特征表示最为简洁、直观，并且拥有良好的性能。综上所述，如何在现有技术的基础上有效地解决上述技术缺陷，成为了本领域内技术人员亟待解决的问题。

发明内容

为解决上述技术问题，本发明提出了一种基于时间序列分段表示的状态识别方法。本发明结合局部特征和全局特征，采用基于分段的特征表示方法来对温度数据进行降维。首先根据时序温度数据的角度变化进行转折点的提取，再使用转折点对原始数据划分得到趋势段，之后自底向上对趋势段进行合并得到分段线性表示，最终利用分段的统计特征进行H-SVMs分类，获得热处理过程的加工状态。本发明包括以下步骤：

一种用于热处理过程加工状态识别的方法，包括以下步骤：

S1、通过传感器采集加工过程中的温度数据并进行预处理；

S2、根据时序温度数据的角度变化进行转折点的提取；

S3、利用转折点对原始温度数据划分得到若干个趋势段；

S4、按照拟合误差进行自底向上对趋势段进行合并得到最终趋势段的分段线性表示；

S5、对最终趋势段进行人工标注，建立训练集和验证集；

S6、利用分段的统计特征在训练集上进行H-SVMs分类器训练，用验证集数据进行验证，获得热处理过程的加工状态分类器模型；

S7、将新的温度数据输入加工状态分类器模型，识别热处理过程的温度加工状态。

所述预处理为对传感器数据进行等时序间隔采样。

所述转折点定义为：

设置转折点角度阈值η，根据相邻的三个数据d(t

当求得的β＞η时，则认为d(t

所述自底向上对趋势段进行合并，包括：

a.自底向上进行合并，顺序遍历各个趋势段，将下标为i的趋势段seg

b.从Error列表中取出最小值，标记其下标为q，记为error

所述拟合误差error

设长度为n的时间序列Data＝{d(t

所述统计特征包括最终趋势段的长度、斜率、拟合误差。

所述对原始温度数据进行标注，包括：将各个最终趋势段标注为加工状态：该段时序为升温趋势段、该段时序为降温趋势段、该段时序为保温趋势段。

所述进行H-SVMs分类器训练包括：将分段的统计特征和标注的对应该段加工状态标签输入H-SVMs分类器进行训练，用验证集数据进行验证，当在验证集上识别有效率达到阈值要求判断为模型优化完毕。

将新的温度数据输入加工状态分类器模型，识别热处理过程的温度加工状态之后，还包括：根据当前加热状态，输出指令控制设备按照预设温度调整热处理过程的加工温度。

一种用于热处理过程加工状态识别的系统，包括：处理器、存储器以及设置在于热处理过程加工设备端的温度传感器，所述温度传感器采集现场温度数据，所述存储器存储有程序，处理器加载程序执行如上所述的一种用于热处理过程加工状态识别方法的步骤，实现热处理过程加工状态识别。

本发明具有以下效益及优点：

1.提出局部特征和全局特征相结合的方式对时间序列进行分段线性表示的方法，加快了分段速度，提高了分段的精确度，对于长时间的作业数据仍能快速得出准确的结果。

2.使用时间序列分段线性表示对数据进行降维，用分段的统计特征使用H-SVMs分类，相较于使用神经网络直接对时序数据分类等方式运算速度提升明显，满足工业现场的需求。

3.自动化识别加工过程状态，减少了人工干预，有助于企业提能增效。

附图说明

图1为本发明方法模块流程图；

图2为分段线性表示流程图；

图3为分段数据分类流程图；

具体实施方式

下面结合附图对本发明方法作进一步详细说明。

本发明要识别的加工过程例如：保温，升温，降温等状态。

将新的温度数据输入加工状态分类器模型，识别热处理过程的温度加工状态之后，还包括：根据当前加热状态，输出指令控制设备按照预设温度调整热处理过程的加工温度，或者，进一步判断故障。

1)通过传感器采集加工过程中的温度数据；

2)对传感器数据进行等间隔采样；

3)使用角度变化对采样的数据进行转折点的提取；

4)利用步骤3)中遴选的转折点对原始时序数据进行划分，得到初步趋势段；

5)将步骤4)得到的初步趋势段按照拟合误差进行自底向上的合并，得到最终趋势段；

6)分别计算步骤5)中得到的最终趋势段的长度、斜率、拟合误差等统计特征；

对原始温度数据进行标注，包括：将最终得到的分段数据进行人工标注：该段时序为升温趋势段、该段时序为降温趋势段、该段时序为保温趋势段等。

7)利用步骤6)得到的各统计特征和标注数据训练H-SVMs分类器，若有n个状态，则需要训练n-1个SVM分类器。

所述转折点定义为：

设置转折点角度阈值η，根据相邻的三个数据d(t

当求得的β＞η时则认为d(t

所述拟合误差定义如下：

设长度为n的时间序列Data＝{d(t

其中，时间序列d，长度为n，d(t

如图1所示，本发明方法的具体流程分为三部分，第一部分处于数据预处理状态，主要内容是获取加热设备内嵌传感器温度数据，等间隔的对数据进行采样。第二部分处于分段线性表示阶段，主要内容是利用局部特征和全局特征对时间序列进行分段。第三部分处于状态识别阶段，训练层次支持向量机，利用分段的斜率、长度、拟合误差等统计特征对分段进行分类，识别具体的加工状态。

如图2所示，第二部分的流程如下

1)输入长度为n的时间序列Data，转折点角度阈值η，合并阈值ξ；

2)遍历原始的时间序列Data，计算每个位置角度的绝对变化量β，若β大于角度阈值η，则认定为转折点，将其加入到转折点序列Data

3)自底向上进行合并，顺序遍历趋势段，将下标为i的趋势段seg

4)从Error列表中取出最小值，标记其下标为i，记为error

如图3所示，第三部分流程如下：

支持向量机只能对两类进行分类，由于加工状态类别大于两种，因此需要利用分段的斜率k、长度l、拟合误差e训练层次支持向量机(Hierarchical SVMs,H-SVMs)。

假设有n种加工状态，则第一次对状态1和其他状态进行分类，第二次对状态2和其他状态分类，…，第n-1次对状态n-1和状态n进行分类，最终获得分段的加工状态。

例如，若统计特征分为：该段时序为升温趋势段、该段时序为降温趋势段、该段时序为保温趋势段。则需要2次状态机的识别。如果设定当前800度保温30分钟，通过本发明的向量机模型识别出的为当前800度保温35分钟，则判定加热状态符合要求。

本发明还包括一种用于热处理过程加工状态识别的系统，包括：处理器、存储器以及设置在于热处理过程加工设备端的温度传感器，所述温度传感器采集现场温度数据，所述存储器存储有程序，处理器加载程序执行如用于热处理过程加工状态识别方法的步骤，实现热处理过程加工状态识别。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以做出若干改进和润饰，这些改进和润饰应视为本发明的保护范围。