一种智能切割头温度监测方法与流程

本发明涉及智能切割头温度数据处理，具体涉及一种智能切割头温度监测方法。

背景技术：

1、在现代工业生产中，切割头作为金属切割过程中的核心工具，其重要性日益凸显。切割头在高温环境下工作，很容易导致温度异常，进而影响切割质量和切割效率。因此，对切割头温度进行实时监测，对于提高切割质量和效率具有重要意义。

2、切割头在工作过程中温度如果出现异常，会影响到切割的稳定性，导致切割质量下降，甚至导致设备的损坏。在现有技术中，常使用lof异常监测算法监测切割头的异常温度数据，然而切割头在工作过程中分为启动、切割、冷却三个工作区间，每个工作区间内温度变化程度是不同的，传统lof异常监测算法在不同温度变化程度的工作区间内只能确定一个邻域k值，会导致部分异常温度数据无法被检测出来，或者某些正常的温度数据被检测出异常，影响温度监测的准确性。

技术实现思路

1、为了解决传统lof异常监测算法在不同温度变化程度的工作区间内只能确定一个邻域k值，会导致部分异常温度数据无法被检测出来，或者某些正常的温度数据被检测出异常，影响温度监测的准确性的技术问题，本发明的目的在于提供一种智能切割头温度监测方法，所采用的技术方案具体如下：

2、一种智能切割头温度监测方法，该方法包括：

3、获取智能切割头在工作状态下的所有温度数据；

4、获取每个预设单位时间内的所有温度数据组成的温度波动曲线；根据每个温度波动曲线的波动特征获得每个温度波动曲线中的所有第一温度曲线段；根据所述第一温度曲线段之间的温度变化特征的差异，获得每个温度波动曲线的合并温度波动曲线段；获得每个合并温度波动曲线段的温度趋势特征；根据相邻合并温度波动曲线段之间的温度趋势特征差异，获得合并温度波动曲线段组成的工作周期；在一个工作周期下获得所有温度数据的工作区间；

5、根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度，获得每个所述温度数据在自身所在区间内的离群度；根据每个所述温度数据在自身所在区间内的离群度，获得每个温度数据的自适应k值；

6、利用所述自适应k值对所有所述温度数据进行lof异常数据监测，获得所有异常温度数据；

7、根据所述异常温度数据对智能切割头进行温度监测。

8、进一步地，所述第一温度曲线段的获取方法包括：

9、获取每个所述温度波动曲线上的所有极值点；通过相邻极值点将所述温度波动曲线进行分割，获得每个所述温度波动曲线中的所有第一温度曲线段。

10、进一步地，所述合并温度波动曲线段的获取方法包括：

11、根据每相邻3个第一温度曲线段之间的温度变化程度，获得每相邻3个第一温度曲线段之间的温度变化趋势值；

12、利用孤立森林算法获取所有温度变化趋势值中的异常温度数据点作为待分析点；通过所述待分析点的数据值与相邻两个所述温度变化趋势值中任意一个温度变化趋势值之间的差异，获得所述温度波动曲线的所有合并曲线段序列；对所有所述合并曲线段序列按照时序进行合并获得合并温度波动曲线段。

13、进一步地，根据相邻合并温度波动曲线段之间的温度趋势特征差异，获得合并温度波动曲线段组成的工作周期，包括：

14、将每个所述合并温度波动曲线段两个端点连接的直线斜率作为每个所述合并温度波动曲线段的特征斜率；将所述特征斜率作为每个合并温度波动曲线段的温度趋势特征；将第一个所述合并温度波动曲线段的特征斜率作为待对比特征斜率；

15、将相邻两个合并温度波动曲线段之间特征斜率的绝对值平均值与所述待对比特征斜率之间的差异进行负相关映射，获得相邻两个合并温度波动曲线段作为分割段的分割段得分值；当所述分割段得分值大于预设第一阈值时，将所述分割段得分值对应的相邻两个合并温度波动曲线段的共同端点作为分割段点；将相邻分割段点之间的时间区间作为智能切割头的工作周期。

16、进一步地，所述温度变化趋势值的获取方法包括：

17、根据温度变化趋势值计算公式获取所述温度变化趋势值，所述温度变化趋势值计算公式如下所示：

18、；式中，表示第个极小值点、第个极大值点、第个极小值点与第个极大值点分割得到的相邻3个第一温度曲线段之间的温度变化趋势值；表示第个极大值点的温度数据值；表示第个极大值点的温度数据值；表示第个极小值点的温度数据值；表示第个极小值点的温度数据值。

19、进一步地，所述合并曲线段序列的获取方法包括：

20、将连续预设数量个都为正值的温度变化趋势值对应的所有第一温度曲线段作为初始合并曲线段序列；

21、当待分析点的数据值与相邻两个所述温度变化趋势值中前一个温度变化趋势值之间的差异小于预设第二阈值时，将待分析点对应的所有第一温度曲线段加入所述初始合并曲线段序列，获得第一曲线段序列；

22、当待分析点的数据值与相邻两个所述温度变化趋势值中后一个温度变化趋势值之间的差异小于预设第二阈值的时候，待分析点对应的所有第一温度曲线段加入所述初始合并曲线段序列，获得第二曲线段序列；

23、当待分析点的数据值与相邻两个所述温度变化趋势值中前一个温度变化趋势值之间的差异大于预设第二阈值时，将待分析点对应的所有第一温度曲线段中的前两个第一温度曲线段加入所述初始合并曲线段序列，获得第三曲线段序列；

24、当待分析点的数据值与相邻两个温度变化趋势值中后一个温度变化趋势值之间的差异大于预设第二阈值的时候，将待分析点对应的所有第一温度曲线段中的后两个第一温度曲线段加入初始合并曲线段序列，获得第四曲线段序列；

25、将所述初始合并曲线段序列、所述第一曲线段序列、所述第二曲线段序列与所述第四曲线段序列都作为所述合并曲线段序列；

26、遍历每个温度波动曲线的所有待分析点，获得每个温度曲线的所有合并曲线段序列。

27、进一步地，根据所述分割段点获得合并温度波动曲线内所有温度数据的工作区间，包括：

28、将智能切割头工作周期内第一个合并温度波动曲线段对应的时间区间作为启动区间，最后一个合并温度波动曲线段对应的时间区间作为冷却区间，其他时间区间作为切割区间。

29、进一步地，所述离群度的获取方法包括：

30、将所有预设单位时间内的温度波动曲线在每个工作区间内的所有合并温度波动曲线段作为每个工作区间内的所有阶段曲线段；

31、计算每个温度数据在自身所在工作区间内的阶段曲线段中的温度异常得分；

32、将每个温度数据加入到自身所在工作区间内的其他阶段曲线段中，计算每个温度数据在自身所在工作区间内的其他阶段曲线段中的温度异常得分；

33、将每个温度数据在自身所在工作区间内所有温度异常得分求平均，获得每个温度数据在自身所在工作区间中的离群度。

34、进一步地，所述自适应k值的获取方法包括：

35、根据自适应k值计算公式获取所述自适应k值，所述自适应k值计算公式如下所示：

36、；式中，表示第个温度数据的自适应k值；表示lof算法初始预设k值；表示第个温度数据在自身所在工作区间内的离群度；表示所有温度数据在自身所在工作区间内的离群度均值；表示lof算法中的k值最大值；表示lof算法中的k值最小值。

37、进一步地，根据所述异常温度数据对智能切割头进行温度监测，包括：

38、将所有异常温度数据的均值作为异常温度监测阈值；当温度数据大于异常温度监测阈值时，认为智能切割头出现异常，对相关人员进行实时预警。

39、本发明具有如下有益效果：

40、本发明获取智能切割头在工作状态下的所有温度数据，方便后续进行异常温度数据的分析；由于在智能切割头实际工作过程中，智能切割头的工作状态分为启动、切割、冷却三个过程，且温度数据在启动、切割、冷却三个过程中温度变化存在较大差异，所以根据所有温度波动曲线的温度变化特征对每个温度数据进行区间划分，获取每个温度数据所在工作区间；根据每个温度数据与自身所在区间内所有温度数据之间的温度差异程度，获得每个温度数据在自身所在区间内的离群度，反映出温度数据与自身所在区间内所有温度数据整体之间的温度差异程度；由于不同工作区间内温度变化程度不同，所以在利用lof异常监测算法时要采用不同的k值进行计算，根据每个温度数据在自身所在区间内的离群度，获得每个温度数据的自适应k值；利用自适应k值对所有温度数据进行lof异常数据监测，获得所有异常温度数据；根据异常温度数据对智能切割头进行温度监测。本发明能够获得每个温度数据的自适应k值，能够获得理想的异常温度检测结果，从而提高智能切割头温度监测的准确性。