一种应用于数控机床监控领域的SDT改进方法与流程

本发明涉及数控机床监控领域，具体的说是一种应用于数控机床监控领域的sdt改进方法。

背景技术：

在数控机床监控平台中，通常每秒可采集多条工业过程数据，且采集的数据种类也较多，如轴的转速、功率、负载、电流及传感器数据等，多台机床一天的数据量大小就达到gb量级，这给数据库的存储带来了很大的负担，因此需要对这些数据进行压缩处理，来提高存储效率，同时节省存储空间。

目前，工业过程数据的压缩方法通常有3类：分段线性插值方法、矢量量化方法和信号变换方法。其中在工业领域广泛使用的是分段线性插值方法，其中又包括矩形波串法、反向斜率法，旋转门法(sdt)以及分段线性趋势方法等。其中旋转门算法是一种快速的线性拟合有损压缩算法，具有高效率、高压缩比、实现简单和误差可控等优点，得到了学者们广泛的使用和研究。但旋转门法等算法只能提高数控机床过程数据压缩率，没有考虑到提高压缩率的同时减小压缩误差。

技术实现要素：

针对数控系统内部状态数据实时采集造成的占用大量存储单元，存储器过度消耗这一问题，为使海量的过程数据易于存储和回调，本发明提供了一种应用于数控机床监控领域的sdt改进方法。

本发明为实现上述目的所采用的技术方案是：一种应用于数控机床监控领域的sdt改进方法，包括以下步骤：

步骤1：对数控系统内部状态原始数据分段并进行标准sdt压缩；

步骤2：采用多模型寻优的方法对压缩后的数据进行函数拟合；

步骤3：根据拟合误差保存对压缩精度影响大的点；

步骤4：根据相邻区间的波动状态，对下一待压缩区间的容差进行动态调整，返回步骤1直到完成所有数据压缩，提高了压缩率、降低了压缩误差。

所述步骤1包括：

步骤1.1：对δe容差进行初始化，令δe＝(δemin+δemax)/2；截取时间间隔为t的待压缩区间；其中，δemin为容差的最小值，δemax为容差的最大值；

步骤1.2：对待压缩区间内的数据进行标准的sdt压缩，由上一保存的数据点和当前数据点来画一条直线，查看当前数据点和上一保存的数据点所构成的压缩偏差区来确定前一时刻的数据点是否要保存；如果压缩偏差区不能覆盖两者之间所有的点，那么则保存前一时刻数据点，否则不保存；重复这个过程获取压缩后的m个数据

所述步骤2包括：

步骤2.1：对压缩后的m个数据使用函数类中的函数进行最小二乘拟合，使拟合误差平方和最小，即：

其中，yi为原始数据，i＝1,2，……，n。

所述函数类为线性、多项式、样条数学模型。

所述步骤3包括：

使用拟合后的函数计算在步骤1中删除的原始数据记录的误差

如果δmax≤δi则保留第i个原始数据记录，否则不做处理，其中δmax表示压缩的最大拟合误差。

所述步骤4包括：

步骤4.1：计算该压缩区间内原始数据的标准差：

其中，u为区间内原始数据的平均值，如果该压缩区间为初次压缩区间则保存本区间标准差σ，且有σ’＝σ，σ’是上一压缩区间标准差；并跳过步骤4.2继续后面的步骤；

步骤4.2：如果不为初次压缩区间，比较两次压缩区间的标准差σ’、σ，重新计算δe；

(1)如果σ＝0，表示压缩区间中的数据没有波动，将δemax赋值给δenew；

(2)如果且σ≠0表示数据波动有变大的趋势，因此其中k为系数，k越大波动的变化对容差的影响越大；当δemin＞δenew时，将δemin赋值给δenew；

(3)如果且σ≠0表示数据波动有变小的趋势，因此其中k为系数，且k越大波动的变化对容差的影响越大；当δemax＜δenew时，将δemax赋值给δenew；

其中，δeold为上一次计算的容差值，δenew为本次计算的容差值。

本发明具有以下有益效果及优点：

1.采用动态容差方式对分段数据进行旋转门法压缩，降低数据压缩误差。

2.采用多模型寻优的方法替换源于拟合方法，使拟合结果更准确。

3.根据拟合的误差保存对压缩精度影响较大的点，降低数据压缩误差。

附图说明

图1为本发明方法流程图；

图2为原始x轴位置信息数据；

图3为压缩后x轴位置信息数据。

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。

在sdt改进压缩算法中，δe表示sdt算法中的容差，范围为δemin≤δe≤δemax；t表示压缩区间时间间隔；δmax表示压缩的最大拟合误差。其中，δemin为容差的最小值，δemax为容差的最大值。

衡量一个过程数据压缩算法好坏的指标包括压缩比cr(compressionratio)和压缩误差ce(compressionerror)。其中n为原始的数据点数，m为压缩后的数据点数，且满足m≤n。yi为实际的数据点值，为通过压缩数据解压后恢复的数据点值。ce描述了压缩后解压恢复的数据与实际数据的逼近程度。

如图1所示，本方法的具体步骤如下：

步骤1：对δe容差进行初始化，令δe＝(δemin+δemax)/2；截取时间间隔为t的待压缩区间。

步骤2：对待压缩区间内的数据进行一次标准的sdt压缩，即先由前一个保存的数据点和当前数据点来画一条直线，查看当前记录点和上一保存的记录点所构成的压缩偏差区来确定前一时刻的数据点是否要保存。如果压缩偏差区不能覆盖两者之间所有的点，那么则保存前一时刻的数据点，否则不保存。旋转门算法以最近保存的数据点为起点，当前数据点为终点，以两者之间的直线为中轴，构造一个高度(即压缩容差)固定的平行四边形。通过这个平行四边形去套数据，在起点和终点之间有任一数据点不在范围之内，则存储待保存数据点，然后将其作为新的起点，来重复这个过程。

步骤3：当本压缩区间压缩结束后，对压缩数据解压后的数据点值进行最小二乘拟合。本方法使用函数类中的数学模型进行函数拟合，函数类包括线性、多项式、样条等数学模型。并选取一个函数使误差平方和最小，即：

其中，yi(i＝1,2，……，n)为实际的数据点值。

步骤4：使用拟合后的函数计算在步骤2中删除的原始数据记录的误差如果δmax≤δi则保留第i个数据记录，否则不做处理，其中δmax表示压缩的最大误差。

步骤5：计算该压缩区间内原始数据的标准差：

其中u为该压缩区间内原始数据的平均值。如果该压缩区间为初次压缩区间，则保存本区间标准差σ，与下一个压缩区间共同实现容差调整，即σ’＝σ。并跳过步骤6，继续后面的步骤。

步骤6：比较两次压缩区间的标准差σ，σ’，重新计算δe。

(1)如果σ＝0，表示压缩区间中的数据没有波动，将δemax赋值给δenew；

(2)如果且σ≠0表示数据波动有变大的趋势，因此

其中k为系数，k越大波动的变化对容差的影响越大；

当δemin＞δenew时，将δemin赋值给δenew；

(3)如果且σ≠0表示数据波动有变小的趋势，因此

其中k为系数，且k越大波动的变化对容差的影响越大；当δemax＜δenew时，将δemax赋值给δenew；

其中，δeold为上一次计算的容差值，δenew为本次计算的容差值。

步骤7：如果还有未压缩完的点，且未压缩时间区域大于t，继续执行步骤2，否则算法结束。

为验证本发明的效果，我们采集数控系统内部真实加工数据进行数据压缩，其中采集频率为50hz。图2为压缩前原始数据x轴位置坐标的值，图3为采用本压缩方法后压缩之后的x轴位置坐标值。从图中可以看出，改进后的算法保留了原始数据曲线的特征趋势，同时舍弃了一些轻微扰动的非关键信息，减小了压缩误差，保证压缩后的曲线趋势与原始趋势更加逼近。为验证所提方法的可行性，将本方法应用于数字化虚拟车间的工业大数据平台中，经过了24h的运行，所占的存储空间相比以往减少47.53％，取得了理想的效果。