[发明专利]基于UMPCA的多工位锻压数据特征提取方法

说明书

本发明公开了一种基于UMPCA的多工位锻压数据特征提取方法，用于工业多工位锻压数据融合研究。本发明在M个数据样本中分别通过S个传感器分别采集N个数据点，则S个传感器可分别采集S个向量数据，表达为一个M×S×N的张量。然后，本发明在不破坏张量数据结构的基础上，直接通过对所述张量数据执行由张量到向量的投影，将其映射到低维的向量空间，然后以投影后向量空间中的特征方差最大为目标、以向量基线性无关为约束，利用启发式迭代求解一组初级多线性投影向量集。由此，本发明能够将初级多线性投影向量集重构为一组特征张量来表征通道间的相关性和变异，并以此实现多工位多通道传感器数据融合的锻压数据的特征提取。

技术领域

本发明涉及一种基于UMPCA的多工位锻压数据特征提取方法，属于工业传感数据处理技术领域。

背景技术

分布式传感、计算技术的进步以及物联网(IoT)的发展创造了时空数据丰富的环境，大量复杂的数据被采集。在现代工业系统中常常会在不同空间位置安装多个传感器采集大量非线性波形信号数据进行数据处理和分析。该处理分析过程中，各传感器所对应的不同数据点可作为数据的空间索引，传感器所采集的非线性波形信号数据可作为数据的时间索引。

近些年来，除传统的信号处理方法以外，基于统计分析、机器学习的方法也常被用来分析信号数据。但是，现有的各种数据分析处理方法在系统所获得的传感数据涉及到多个位于不同空间位置的传感信号时，会因为采集获得的各张量数据之间张量数据结构无法被准确表征而不能被直接应用。

多个传感器采集的数据也被称为多通道数据，数学上可以用张量来表达。对张量数据进行建模和分析相比于其他数据会变得更加复杂。这是因为，对张量数据进行建模和分析需要考虑不同传感器通道之间的相互关系。一方面，多通道数据在时间、空间表现出变异和交叉相关性，这有利于挖掘数据内在的联系，设计更有效的系统并做出更好的决策。但是，另一方面，由于多通道数据所具有的高维度、异质性和复杂的互相关性，张量数据的建模和分析已成为相当大的挑战。

发明内容

本发明的目的在于克服现有方法的不足，提供一种能保持张量数据结构并考虑通道间相互关系的数据特征提取方法，以便对工业上通过不同通道所获得的多通道传感数据进行建模和分析。

首先，为实现上述目的，本发明提出一种基于UMPCA的多工位锻压数据特征提取方法，其在锻压机中通过S个传感器通道分别采集N个数据点，获得N个数据点各自所分别对应的M个数据样本后，将所述各数据样本记录为一个M×S×N的张量数据，然后对所述张量数据执行以下步骤：步骤1：对所述张量数据执行由张量到向量的投影，将张量数据映射到低维的向量空间；步骤2：以投影后向量空间中的特征方差最大为目标，以投影后向量空间中的向量基线性无关为约束，通过启发式迭代方法求解获得一组初级多线性投影向量集；步骤3：将步骤2求解得到的初级多线性投影向量集重构为一组特征张量，用于表征不同传感器通道间的相关性和变异。

可选的，如上任一所述的基于UMPCA的多工位锻压数据特征提取方法，其中，所述步骤1中，将张量数据映射到低维的向量空间的具体步骤如下：步骤1.1：记传感器所采集到的M×S×N个数据样本为一组张量数据{x₁，x₂，...，x_M}，其中M是每一个传感器所采集任意一个数据点上的样本总数，每个样本张量都在张量空间中，其中x_m表示第m个样本张量，I_n表示张量空间第n阶的维度，N表示样本张量的阶数；步骤1.2：通过TVP张量-向量投影对任意样本张量x_m执行由张量到向量的投影，将样本张量x_m从张量空间映射到低维的向量空间获得向量数据：其中表示用于投影的第l个初级多重线性投影集(Elementary Multilinear Projection，初级多重线性投影集)。