[发明专利]一种基于聚类算法的加工工况识别方法

权利要求书

1.一种基于聚类算法的加工工况识别方法，其特征在于：包括以下步骤：

S1.收集历史数据，采集设备运行时的电流信号数据及对应的时间序列数据；

S2.根据业务目标确定是要识别区分几种加工状态，还是要识别工件每个加工过程；若需识别区分几种加工状态，则选择KMeans聚类算法进行工况识别，进入步骤S3；若需识别工件加工过程，则选择DBSCAN聚类算法进行工况识别，进入步骤S4；

S3.KMeans聚类算法工况识别，具体包括以下步骤：

S31.提取电流信号数据，对数据进行分析，确定工况状态种类；

S32.将步骤S31中工况状态种类作为模型参数K的取值，电流信号数据作为输入变量，利用KMeans聚类算法进行模型训练；

S33.将训练好的模型进行保存、部署，通过调用模型对新数据进行分类，结合应用场景利用类别标签值提取相对应的状态；

S4.DBSCAN聚类算法工况识别，具体包括以下步骤：

S41.提取电流信号数据及对应的时间序列数据，分别对两个字段数据进行处理，并按照时间列排序；

S42.分析历史数据工况特点，进行模型参数距离阈值eps、邻域样本数阈值min_samples初始设定；

S43.将处理后的时间序列数据、电流数据作为模型输入变量，结合参数初始设定值利用DBSCAN聚类算法进行模型训练；

S44.分析聚类结果，是否准确识别加工过程，若没有准确识别，则重新设定模型参数，持续迭代训练，直到可以准确识别；

S45.将训练好的模型参数进行保存、部署，通过调用模型对新数据进行加工过程识别提取。

2.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于步骤S1中通过网关采集设备数据，数据采集频率根据实际业务需求选择，选择的范围包括1s、5s、10s。

3.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S2中，加工状态包括加工、待机、停机、开停机瞬时峰值，加工过程包括加工状态、短暂待机状态、瞬时峰值状态。

4.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S31中利用散点图、折线图进行数据分析，确定工况状态种类。

5.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S32中利用KMeans聚类算法进行模型训练，聚类结果中每一类代表一种状态，同一种状态对应相同的类别标签值。

6.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S41中对时间字段的处理，按照采集频率将时间字段补全，确保时间列连续无缺，补充的时间点对应的电流值填充为0，并将时间列处理成步长为一的连续递增序列；对电流字段的处理，通过绘制散点图分析数据，将远大于加工稳定状态的值，即瞬时峰值、特殊加工工况值，处理到加工稳定状态附近的值，确保加工稳定状态到最大值的差值小于加工状态到停机状态的差值，对处理后的电流数据再进行归一化处理。

7.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S42中参数设定规则满足：参数邻域样本数阈值min_samples的设定要小于相邻零件Gap的最小值且小于零件加工时长的最小值，距离阈值eps的设定满足整数位值等于(min_samples-1)/2。

8.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S43中利用DBSCAN聚类算法进行模型训练，聚类结果中核心样本值在0附近的类别为停机状态或异常点，其余的每一类都代表一个加工过程，同一个加工过程对应相同的类别标签值。

9.如权利要求7所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S43中对聚类结果，通过限定核心样本值的范围提取加工过程。

10.如权利要求1所述的一种基于聚类算法的加工工况识别方法，其特征在于：步骤S44中绘制点图、线图综合分析聚类结果，并对不同类别采用不同颜色进行区别表示；重新设定参数时，距离阈值eps、邻域样本数阈值min_samples需要联合调参。