一种基于物联网数据的液压风扇自动组装线监测系统技术方案

本申请涉及数据处理领域，提供一种基于物联网数据的液压风扇自动组装线监测系统，包括：数据采集模块、数据处理模块以及异常监测模块，数据采集模块利用定位传感器采集得到第一数据序列，以及利用压力传感器采集得到第二数据序列；数据处理模块用于确定所述第一数据序列中的可疑数据点以及所述可疑数据点的异常状态得分，利用所述第二数据序列确定所述可疑数据点的异常情况置信度；异常监测模块用于利用孤立森林算法基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的最终异常得分，并基于所述可疑数据点的最终异常得分确定所述可疑数据点是否异常。数据点是否异常。数据点是否异常。

【技术实现步骤摘要】
一种基于物联网数据的液压风扇自动组装线监测系统


[0001]本申请涉及数据处理领域，特别是涉及一种基于物联网数据的液压风扇自动组装线监测系统。

技术介绍

[0002]随着计算机技术的发展，计算机硬件的散热需求逐渐增加，仅一台家用计算机就可能用得上三到四个液压散热风扇，因此，液压散热风扇的质量也逐渐成为了人们的关注重点。目前随着自动化生产线技术与设备的高速发展，液压散热风扇的生产流程也逐渐实现了自动化、智能化，液压风扇从配件到成品，只需要通过自动组装线便可完成。然而自动组装线流程复杂，其中某一个流程中出现问题都可能影响整个组装线的工作效率，其中流程的开端送料推料过程则很大程度上影响了整个组装线的工作周期。送料推料若产生物料空缺、堆积等情况则会打乱生产线中的工作周期，有可能会造成后续部分流程的工件空缺或装配错误，影响组装效率。
[0003]目前对液压风扇自动组装线的送料推料的监测大多是对入料口进行物料间隔识别，利用异常检测算法对即将进入组装线的物料进行间隔检测，进而获取整体的工作周期。然而这种办法并不能排除设备数据获取的误差，仅通过获取一种数据难以说明异常状态的真实性，最后导致对组装线送料推料流程的异常判别产生误判。

技术实现思路

[0004]本专利技术提供一种基于物联网数据的液压风扇自动组装线监测系统，通过定位传感器和压力传感器采集多个维度的数据，从多个维度进行组装线的监测，提高压风扇自动组装线监测过程中的监测准确性。
[0005]第一方面，本申请提供一种基于物联网数据的液压风扇自动组装线监测系统，包括：数据采集模块，利用定位传感器采集得到第一数据序列，以及利用压力传感器采集得到第二数据序列；其中，所述第一数据序列中的第一数据点表征定位传感器与反射物体的距离，所述第二数据序列中的第二数据点表征送料装置承受的压力；数据处理模块，用于确定所述第一数据序列中的可疑数据点以及所述可疑数据点的异常状态得分，利用所述第二数据序列确定所述可疑数据点的异常情况置信度；异常监测模块，用于利用孤立森林算法基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的最终异常得分，并基于所述可疑数据点的最终异常得分确定所述可疑数据点是否异常。
[0006]在一可选实施例中，所述异常监测模块还用于：基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的异常状态得分贡献因子；利用孤立森林算法基于所述可疑数据点的异常状态得分贡献因子确定所述可疑数据点的最终异常得分。
[0007]在一可选实施例中，数据处理模块包括：可疑数据点确定模块，用于将所述第一数据序列划分为多个子序列，计算所述子序列的周期性脱离系数，基于所述子序列的周期性脱离系数确定所述子序列是否为可疑子序列，所述可疑子序列中的数据点为所述可疑数据点；第一计算模块，用于计算所述可疑子序列对应的距离均值，基于所述距离均值将所述可疑子序列中的可疑数据点分为第一类型可疑数据点和第二类型可疑数据点，计算所述第一类型可疑数据点的第一横向距离密度和所述第二类型可疑数据点的第二横向距离密度，利用异常检测算法基于所述第一横向距离密度和所述第二横向距离密度确定所述第一类型可疑数据点和所述第二类型可疑数据点的异常状态得分，从而得到所述可疑数据点的异常状态得分；第二计算模块，基于所述可疑数据点从所述第二数据序列中确定判别数据序列，利用所述判别数据序列确定所述可疑数据点的异常情况置信度。
[0008]在一可选实施例中，所述可疑数据点确定模块还用于：计算所述子序列中距离与时间的皮尔逊相关系数，基于当前子序列对应的皮尔选相关系数与除当前子序列外其余子序列对应的皮尔逊相关系数的比值确定所述当前子序列的周期性脱离系数，从而计算得到所有子序列的周期性脱离系数；如果所述子序列的周期性脱离系数大于第一阈值，则确定所述子序列为可疑子序列。
[0009]在一可选实施例中，所述第一计算模块还用于：将大于所述距离均值的可疑数据点确定为第一类型可疑数据点，以及将小于所述距离均值的可疑数据点确定为第二类型可疑数据点；基于当前第一类型可疑数据点与相邻的第一类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第一类型可疑数据点的第一横向距离密度；基于当前第二类型可疑数据点与相邻的第二类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第二类型可疑数据点的第二横向距离密度。
[0010]在一可选实施例中，所述第二计算模块还用于：确定所述可疑数据点对应的分段时间，将第二数据序列中分段时间之间的第二数据点作为所述判别数据序列，计算所述判别数据序列对应的压力均值，基于所述压力均值确定第一类型压力点和第二类型压力点，基于所述第一类型压力点和所述第二类型压力点确定所述可疑数据点的异常情况置信度。
[0011]在一可选实施例中，所述第二计算模块还用于：将判别数据序列中大于所述压力均值的第二数据点确定为第一类型压力点；基于第g个第一类型压力点与第g+1个第一类型压力点的横向距离、第g
‑
1个第一类型压力点与第g个第一类型压力点的横向距离、所有第一类型压力点的横向距离均值、第j个第一类型压力点与第j+1个第一类型压力点的纵向距离、第j
‑
1个第一类型压力点与第j个第一类型压力点的纵向距离、所有第一类型压力点的纵向距离均值计算得到所述可疑数据点的异常情况置信度；其中，第g个第一类型压力点与第g+1个第一类型压力点相邻，第g
‑
1个第一类型压力点与第g个第一类型压力点相邻，第j个第一类型压力点与第j+1个第一类型压力点相邻，第j
‑
1个第一类型压力点与第j个第一类型压力点相邻。
[0012]在一可选实施例中，所述第二计算模块还用于：利用如下公式计算所述可疑数据点的异常情况置信度：；其中，表示第E个可疑数据点的异常情况置信度，表示判别数据序列中第g个第一类型压力点与第g+1个第一类型压力点的横向距离，表示判别数据序列中第g
‑
1个第一类型压力点与第g个第一类型压力点的横向距离，表示判别数据序列中所有第一类型压力点的横向距离均值，表示判别数据序列中相邻两个第一类型压力点的横向距离的总数，表示判别数据序列中第j个第一类型压力点与第j+1个第一类型压力点的纵向距离，表示判别数据序列中第j
‑
1个第一类型压力点与第j个第一类型压力点的纵向距离，表示判别数据序列中所有第一类型压力点的纵向距离均值，表示判别数据序列中相邻两个第一类型压力点的纵向距离的总数。
[0013]在一可选实施例中，所述异常监测模块还用于：利用如下公式确定所述可疑数据点的最终异常得分：；其中，为表示n个第一数据点中第个可疑数据点的最终异常得分，表示第个可疑数据点的异常状态得分贡献因子，是第个可疑数据点在孤立森林算法的孤立树上的路径，是第个可疑数据点在孤立森林算法的所有孤立树上的路径的均值, 是修正值。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，包括：数据采集模块，利用定位传感器采集得到第一数据序列，以及利用压力传感器采集得到第二数据序列；其中，所述第一数据序列中的第一数据点表征定位传感器与反射物体的距离，所述第二数据序列中的第二数据点表征送料装置承受的压力；数据处理模块，用于确定所述第一数据序列中的可疑数据点以及所述可疑数据点的异常状态得分，利用所述第二数据序列确定所述可疑数据点的异常情况置信度；异常监测模块，用于利用孤立森林算法基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的最终异常得分，并基于所述可疑数据点的最终异常得分确定所述可疑数据点是否异常。2.根据权利要求1所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，所述异常监测模块还用于：基于所述可疑数据点的异常状态得分值和所述可疑数据点的异常情况置信度确定所述可疑数据点的异常状态得分贡献因子；利用孤立森林算法基于所述可疑数据点的异常状态得分贡献因子确定所述可疑数据点的最终异常得分。3.根据权利要求1所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，数据处理模块包括：可疑数据点确定模块，用于将所述第一数据序列划分为多个子序列，计算所述子序列的周期性脱离系数，基于所述子序列的周期性脱离系数确定所述子序列是否为可疑子序列，所述可疑子序列中的数据点为所述可疑数据点；第一计算模块，用于计算所述可疑子序列对应的距离均值，基于所述距离均值将所述可疑子序列中的可疑数据点分为第一类型可疑数据点和第二类型可疑数据点，计算所述第一类型可疑数据点的第一横向距离密度和所述第二类型可疑数据点的第二横向距离密度，利用异常检测算法基于所述第一横向距离密度和所述第二横向距离密度确定所述第一类型可疑数据点和所述第二类型可疑数据点的异常状态得分，从而得到所述可疑数据点的异常状态得分；第二计算模块，基于所述可疑数据点从所述第二数据序列中确定判别数据序列，利用所述判别数据序列确定所述可疑数据点的异常情况置信度。4.根据权利要求3所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，所述可疑数据点确定模块还用于：计算所述子序列中距离与时间的皮尔逊相关系数，基于当前子序列对应的皮尔选相关系数与除当前子序列外其余子序列对应的皮尔逊相关系数的比值确定所述当前子序列的周期性脱离系数，从而计算得到所有子序列的周期性脱离系数；如果所述子序列的周期性脱离系数大于第一阈值，则确定所述子序列为可疑子序列。5.根据权利要求3所述的一种基于物联网数据的液压风扇自动组装线监测系统，其特征在于，所述第一计算模块还用于：将大于所述距离均值的可疑数据点确定为第一类型可疑数据点，以及将小于所述距离均值的可疑数据点确定为第二类型可疑数据点；基于当前第一类型可疑数据点与相邻的第一类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间的横向距离之和的比值确定当前第一类型可疑数据点的第一横向距离密度；基于当前第二类型可疑数
据点与相邻的第二类型可疑数据点之间的横向距离和所述可疑子序列中所有可疑数据点之间...

【专利技术属性】
技术研发人员：张力，曾庆飞，黎深华，
申请(专利权)人：东莞百舜机器人技术有限公司，
类型：发明
国别省市：