[发明专利]基于在线字典学习的多模态机械加工中心信号的重构方法

说明书

本发明提供了一种基于在线字典学习的多模态机械加工中心信号的重构方法，属于信号处理技术领域。本发明结合多模态信号周期变化特征，将一维信号转化为二维信号，然后运用在线字典学习算法实现对多模态信号的快速去噪，提升了数据处理的效率和信号特征的快速提取能力，并将经过在线字典学习后的多模态信号输入长短期记忆网络，实现多模态机械加工中心信号的预测，为提高实践生产中预防性维护预测的准确性奠定扎实的数据基础，具有广阔的应用价值。

技术领域

本发明属于信号处理技术领域，涉及一种基于在线字典学习的多模态机械加工中心信号的重构方法。

背景技术

随着物联网技术的蓬勃发展，生产数字化技术得到了广泛应用。机械加工中心作为集合多种加工工艺的核心枢纽，其运行效率及加工质量成为生产线的产能提升的关键。深度学习作为一种人工智能技术，正在与物联网技术广泛结合，以此来实现对生产设备的在线运营维护，从而降低加工中心故障或紧急停机，达到提升生产线运营效率及降低运营成本的目的。

事实上，基于深度学习长短期记忆网络已经应用于异常检测及故障诊断中，但是，对于大数据的逐步推广，机械加工中心运行过程中产生的数据量急增，导致深度学习模型处理的计算量指数型上升，从而影响了计算的效率及精度，因此如何能有效提高原始数据的质量，将具有关键特征的数据输入深度学习模型，才是从根本上提升数字化运维的关键。

综合来看，信号重构算法中，贪婪追踪算法重构速度最快，但效果不够理想，而凸优化算法给出了稀疏恢复的最大保证，但是存在重构速度慢的缺点。因此，探索能兼顾大数据量处理且快重构速度的多模态信号重构方法至关重要。

发明内容

本发明的目的在于针对已有技术不足，提出了一种基于字典学习的多模态机械加工中心信号的重构方法，能够有效消除噪声，减少信息冗余，提升复杂信号恢复效率。

本发明的技术方案是：

一种多模态机械加工中心信号的重构方法，其步骤包括：

1)从多轴机械加工中心获取多模态信号；

2)在多模态信号中等间隔抽取信号点，从第1个信号点开始直到最后一个信号点依次排序，形成一维时间序列信号Y＝[y(1)，y(2)，y(3)，...，y(N)]；

3)以多模态下每个信号1/2周期所含信号点数量的平均值作为分解长度n，对一维多模态信号进行拆分，生成m×n维的二维信号其中，m×n＝N；且m＜n；

4)将上述二维信号进行矩阵转置，使得矩阵Y的每一列代表信号的分解子信号；

5)运用在线字典学习模型实现多模态信号的重构，具体步骤包括：

5-1)输入正则化参数λ、迭代次数t、及批尺寸b，初始字典D₀∈R^m×n，初始矩阵A₀∈R^n×n←0，初始矩阵B₀∈R^m×n←0；

5-2)计算稀疏编码系数

式中α_t为第t次迭代后的稀疏值，D_t-1为第(t-1)次迭代后的过程学习字典。

5-3)更新矩阵

式中A_t、B_t为第t次迭代后的过程矩阵，y_t为样本集合第t列。

5-4)固定稀疏编码系数α_t，计算第t次迭代过程字典

5-5)更新字典D＝[d₁，…，dn]∈R^m×n，其中：