本发明涉及大数据分析技术领域,具体涉及了一种注塑成型装备大数据的预处理方法及装置。
背景技术:
注塑成型装备作为塑料产业的工作母机,支撑了家电、汽车、消费电子等支柱性产业的发展。但是,整个塑料行业仍然属于劳动密集型产业,其信息化智能化水平落后。为保证注塑机能够生产出合格的产品,需要对注塑机在生产作业过程中影响塑料制品质量的因素进行检测和控制。在实际生产中,要进行信号检测的项目包括:料筒的温度、油温、油缸压力、系统油压、注射动作的行程、速度及时间等。同时,注塑机生产过程中发生故障时也产生了一些图片、视频数据。注塑机的生产数据,也构成了注塑成型装备大数据的来源。在现存的这些海量的注塑成型装备数据中,用户并不能有效的从中获取有用的信息,导致注塑成型装备数据被废弃。
综上所述,如何提供一种能够从海量注塑成型装备中有效获取有用的数据的技术方案,是目前本领域技术人员亟待解决的问题。
技术实现要素:
本发明目的在于克服现有技术的缺点与不足,提供了一种注塑成型装备大数据的预处理方法,能够有效地从海量注塑成型装备数据中有效获取有用的数据。
为实现上述目的,本发明采用的技术方案如下:
一种注塑成型装备大数据的预处理方法,包括以下步骤:
获取注塑成型装备的采集数据;
利用滚动时域法对获取到的注塑成型装备数据进行去噪处理;
判断去噪处理后的数据与预设结果的相似度,对超出合理范围的数据进行数据替换处理;
将处理后的注塑成型装备数据发送至数据库。
由上可知,注塑成型装备在采集数据时,通常伴有干扰信号的存在,即我们通常所说的噪声当采用信号采集器对数据进行采集时,真实数据和噪声信号一起被采集到数据采集器当中,若不对噪声干扰进行处理,就会对造成信号失真。在对采集的数据进行去噪处理后,为了避免某些数据被过度处理从而导致不合理数据的出现,我们还需要对去噪处理后的信号进行判断,对超出预设范围的数据进行合理替换,形成符合要求的数据。在经过去噪处理和替换处理的注塑成型装备数据,即可能够应用于大数据挖掘和分析,从而得到有利于分析注塑成型装备性能和提高生产效率的数据。
综上所述,本发明方法先通过对注塑成型装备数据进行去噪处理,然后再对去噪处理后的注塑成型装备数据进行替换处理,即可有效地从海量注塑成型装备数据中有效获取符合要求的数据,能够应用于大数据挖掘和分析,从而得到有利于分析注塑成型装备性能和提高生产效率的数据。
作为本发明的一种改进,在所述步骤“将处理后的注塑成型装备数据发送至数据库”前,还进行以下步骤:根据数据类型的精度,结合网络传输的负载特性,采用多尺度量化器对信号进行量化处理。
所述步骤“利用滚动时域法对获取到的注塑成型装备数据进行去噪处理”包括以下子步骤:
a.根据采集数据动态特性建立系统状态模型:
其中x(t),u(t)和ω(t)分别为第t时刻数据的状态、输入和噪声干扰,y(t)和v(t)分别为第t时刻数据的采集值和噪声干扰;
b.确立滚动窗口长度l,对系统状态模型建立目标函数;
c.极小化目标函数,基于窗口内采集数据求取当前时刻去噪后的数据值;
d.将滚动窗口向前移动一步,返回步骤c,如此循环直至遍历所有数据点为止。
进一步地,所述的目标函数为:
其中,
进一步地,所述步骤“判断去噪处理后的数据与预设结果的相似度,对超出合理范围的数据进行数据替换处理”中的相似度为:
进一步地,所述步骤“判断去噪处理后的数据与预设结果的相似度,对超出合理范围的数据进行数据替换处理”中的数据替换处理具体方式为:
若
若
作为本发明的一种改进,所述多尺度量化器通过以下步骤获得:
根据传输网络分析每个数据包的比特数τ1,同时定义t时刻实际传输的数据比特数为τ2(t),计算传输通道t时刻的负载度f(t);
根据各自历史数据统计出数据变化窗口值k,计算基于窗口值的平均负载度
求出每个窗口值的平均负载度后,将按平均负载度从大到小平均分成9级,即所有平均负载度都能归类到9个级别当中,按照级别调节相应的量化尺度ρ,即当平均负载度为第9级时,量化尺度ρ调节为0.9,当平均负载度为第8级时,量化密度ρ调节为0.8,以此类推,当平均负载度为第1级时,量化密度调节为0.1;
基于不同负载等级,设计对应数据源的多尺度量化器
本发明还提供一种注塑成型装备大数据的预处理装置。
为实现上述目的,本发明采用的技术方案如下:
一种注塑成型装备大数据的预处理装置,包括数据采集模块、去噪处理模块、数据替换模块和数据输出模块;
数据采集模块,用于获取注塑成型装备的采集数据;
去噪处理模块,用于利用滚动时域法对获取到的注塑成型装备数据进行去噪处理;
数据替换模块,用于判断去噪处理后的数据与预设结果的相似度,对超出合理范围的数据进行数据替换处理;
数据输出模块,用于将处理后的注塑成型装备数据发送至数据库。
作为本发明的一种改进,还包括量化处理模块,在将处理后的注塑成型装备数据发送至数据库前,先利用量化处理模块对信号进行量化处理,具体地,所述量化处理模块用于根据数据类型的精度,结合网络传输的负载特性,采用多尺度量化器对信号进行量化处理。
进一步地,所述多尺度量化器通过以下步骤获得:
根据传输网络分析每个数据包的比特数τ1,同时定义t时刻实际传输的数据比特数为τ2(t),计算传输通道t时刻的负载度f(t);
根据各自历史数据统计出数据变化窗口值k,计算基于窗口值的平均负载度
求出每个窗口值的平均负载度后,将按平均负载度从大到小平均分成9级,即所有平均负载度都能归类到9个级别当中,按照级别调节相应的量化尺度ρ,即当平均负载度为第9级时,量化尺度ρ调节为0.9,当平均负载度为第8级时,量化密度ρ调节为0.8,以此类推,当平均负载度为第1级时,量化密度调节为0.1;
基于不同负载等级,设计对应数据源的多尺度量化器
与现有技术相比,本发明技术方案的创新点和有益效果在于:
本发明方法先通过对注塑成型装备数据进行去噪处理,然后再对去噪处理后的注塑成型装备数据进行替换处理,即可有效地从海量注塑成型装备数据中有效获取符合要求的数据,能够应用于大数据挖掘和分析,从而得到有利于分析注塑成型装备性能和提高生产效率的数据。
附图说明
图1为本发明注塑成型装备大数据的预处理方法的流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
实施例
请参考图1,一种注塑成型装备大数据的预处理方法,包括以下步骤:
s1.获取注塑成型装备的采集数据。
s2.利用滚动时域法对获取到的注塑成型装备数据进行去噪处理;
其中,所述步骤“利用滚动时域法对获取到的注塑成型装备数据进行去噪处理”包括以下子步骤:
a.根据采集数据动态特性建立系统状态模型:
其中x(t),u(t)和ω(t)分别为第t时刻数据的状态、输入和噪声干扰,y(t)和v(t)分别为第t时刻数据的采集值和噪声干扰;
b.确立滚动窗口长度l,对系统状态模型建立目标函数;
其中,所述的目标函数为:
其中,
c.极小化目标函数,基于窗口内采集数据求取当前时刻去噪后的数据值;
d.将滚动窗口向前移动一步,返回步骤c,如此循环直至遍历所有数据点为止。
滚动时域法基于滚动窗口内的一段最新输入输出数据信息以及上一时刻对本时刻的预测信息对当前时刻数据实施优化,它不需要理会噪声的分布情况,在每一时刻优化性能指标只涉及到从该时刻起未来有限的时间,而到下一时刻,这一优化时间同时向前推移,不断地进行在线优化,具有很强的鲁棒性。
s3.判断去噪处理后的数据与预设结果的相似度,对超出合理范围的数据进行数据替换处理;
其中,所述步骤“判断去噪处理后的数据与预设结果的相似度,对超出合理范围的数据进行数据替换处理”中的相似度为:
所述步骤“判断去噪处理后的数据与预设结果的相似度,对超出合理范围的数据进行数据替换处理”中的数据替换处理具体方式为:
若
若
在对采集的信号进行去噪处理后,为了避免某些数据被过度处理从而导致不合理数据的出现,我们还需要对去噪处理后的信号进行判断,对超出预设范围的数据进行合理替换,形成符合要求的数据。
s4.将处理后的注塑成型装备数据发送至数据库。
由上可知,注塑成型装备在采集数据时,通常伴有干扰信号的存在,即我们通常所说的噪声当采用信号采集器对数据进行采集时,真实数据和噪声信号一起被采集到数据采集器当中,若不对噪声干扰进行处理,就会对造成信号失真。在对采集的数据进行去噪处理后,为了避免某些数据被过度处理从而导致不合理数据的出现,我们还需要对去噪处理后的信号进行判断,对超出预设范围的数据进行合理替换,形成符合要求的数据。在经过去噪处理和替换处理的注塑成型装备数据,即可能够应用于大数据挖掘和分析,从而得到有利于分析注塑成型装备性能和提高生产效率的数据。
综上所述,本发明方法先通过对注塑成型装备数据进行去噪处理,然后再对去噪处理后的注塑成型装备数据进行替换处理,即可有效地从海量注塑成型装备数据中有效获取符合要求的数据,能够应用于大数据挖掘和分析,从而得到有利于分析注塑成型装备性能和提高生产效率的数据。
在本实施例中,在所述步骤s4“将处理后的注塑成型装备数据发送至数据库”前,还进行以下步骤:根据数据类型的精度,结合网络传输的负载特性,采用多尺度量化器对信号进行量化处理;
其中,所述多尺度量化器通过以下步骤获得:
根据传输网络分析每个数据包的比特数τ1,同时定义t时刻实际传输的数据比特数为τ2(t),计算传输通道t时刻的负载度f(t);
根据各自历史数据统计出数据变化窗口值k,计算基于窗口值的平均负载度
求出每个窗口值的平均负载度后,将按平均负载度从大到小平均分成9级,即所有平均负载度都能归类到9个级别当中,按照级别调节相应的量化尺度ρ,即当平均负载度为第9级时,量化尺度ρ调节为0.9,当平均负载度为第8级时,量化密度ρ调节为0.8,以此类推,当平均负载度为第1级时,量化密度调节为0.1;
基于不同负载等级,设计对应数据源的多尺度量化器
在获得符合要求的数据之后,基于传输网络的负载特性,需设计多密度量化器,量化器是对数据进行量化,以方便数据通过无线网络进行传输。现有方法主要采用一些固定步长的方法对数据进行量化,然后对量化数据进行压缩以便于传输。但是在大数据环境下,步长固定的量化器很难充分利用传输通道的带宽。为了充分利用网络传输带宽,传输尽量多的有用信息,因此需要结合网络传输的负载能力,设计多尺度动态信息量化器,以提高数据的传输效率。
一种注塑成型装备大数据的预处理装置,包括数据采集模块、去噪处理模块、数据替换模块和数据输出模块;
数据采集模块,用于获取注塑成型装备的采集数据;
去噪处理模块,用于利用滚动时域法对获取到的注塑成型装备数据进行去噪处理;
数据替换模块,用于判断去噪处理后的数据与预设结果的相似度,对超出合理范围的数据进行数据替换处理;
数据输出模块,用于将处理后的注塑成型装备数据发送至数据库。
注塑成型装备在采集数据时,通常伴有干扰信号的存在,即我们通常所说的噪声当采用信号采集器对数据进行采集时,真实数据和噪声信号一起被采集到数据采集器当中,若不对噪声干扰进行处理,就会对造成信号失真。在对采集的数据进行去噪处理后,为了避免某些数据被过度处理从而导致不合理数据的出现,我们还需要对去噪处理后的信号进行判断,对超出预设范围的数据进行合理替换,形成符合要求的数据。在经过去噪处理和替换处理的注塑成型装备数据,即可能够应用于大数据挖掘和分析,从而得到有利于分析注塑成型装备性能和提高生产效率的数据。
在本实施例中,所述预处理装置还包括量化处理模块,在将处理后的注塑成型装备数据发送至数据库前,先利用量化处理模块对信号进行量化处理,具体地,所述量化处理模块用于根据数据类型的精度,结合网络传输的负载特性,采用多尺度量化器对信号进行量化处理;
其中,所述多尺度量化器通过以下步骤获得:
根据传输网络分析每个数据包的比特数τ1,同时定义t时刻实际传输的数据比特数为τ2(t),计算传输通道t时刻的负载度f(t);
根据各自历史数据统计出数据变化窗口值k,计算基于窗口值的平均负载度
求出每个窗口值的平均负载度后,将按平均负载度从大到小平均分成9级,即所有平均负载度都能归类到9个级别当中,按照级别调节相应的量化尺度ρ,即当平均负载度为第9级时,量化尺度ρ调节为0.9,当平均负载度为第8级时,量化密度ρ调节为0.8,以此类推,当平均负载度为第1级时,量化密度调节为0.1;
基于不同负载等级,设计对应数据源的多尺度量化器
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。