数控系统样条曲线插补技术研究综述

传统数控系统加工复杂曲线时,一般采用微小线段或圆弧段逼近的方法,加工精度低,易引发刀具抖动、机床振动等问题。随着CAD/CAM技术的发展,现代数控机床向高速度、高柔性方向发展,基于高质量加工的要求,提出样条曲线插补方法。对样条曲线插补方法进行综述,首先阐述了插补技术的重要性;其次从进给速度、加工精度等角度系统分析了样条曲线插补方法,分别介绍了A样条插补、B样条插补和C样条插补;最后描述了三种插补方法的发展过程和最新研究动态,对其未来趋势做了总结和展望。

矿井通风参数缺失数据插补方法

矿井智能通风系统对矿山智能化建设至关重要。为解决矿井通风参数在实际测量时,因为巷道不具备测试条件、仪器信号受到干扰、巷道断面风速不均一、人工操作不当等制约性因素,造成的矿井通风参数数据缺失问题,提出了1种基于随机森林−链式方程多重插补法的矿井通风参数缺失数据插补方法。采用链式方程多重插补法,通过迭代对每个缺失的属性值产生n个插补值,从而产生n个完整数据集,对n个完整数据集进行分析优化得到1个最终的完整数据集。为了提高缺失值插补精度,合理考虑了矿井通风参数缺失数据的不确定性对分析过程的影响,在随机森林的预测任务中,结合预测均值匹配模型对缺失数据进行插补。以潞新二矿为实验对象,利用智能矿井通风仿真系统IMVS对潞新二矿矿井通风参数原始数据集进行数据预处理,得到完整、准确的矿井通风参数完整数据集,对完整数据集分别进行了不同缺失属性、不同数据缺失率、不同迭代次数的对比试验。以多种模型评价指标对模型有效性进行评估。结果表明:基于随机森林的链式方程多重插补模型插补形成的完整数据集与原始数据集具有很好的相似性;对不同缺失列进行插补实验的结果显示插补模型可以轻松处理混合类型的数据,自主学习参数之间的相关性从而降低了插补复杂性;迭代后形成的n个数据集通过分析合并成一个最终数据集,提高了插补准确率;对初始插补后的完整数据集进行不同迭代次数的试验,发现迭代超过一定次数后,数据相关性一定会收敛。

基于双向循环插补的大地电磁脉冲类噪声处理

【目的】大地电磁测深是一种通过观测天然电磁场获取地下电性结构的勘探方法,较易受到噪声干扰。脉冲类噪声是大地电磁工作中的常见噪声,其幅值高、频带宽,会对数据质量产生较大影响。【方法】为了压制脉冲类噪声,以插补思想为基础,提出了基于时间序列双向循环插补模型(Bidirectional recurrent imputation for time series,BRITS)的大地电磁脉冲类噪声处理方法。首先,将噪声干扰段删除,此时大地电磁时间序列可视为待插补的缺失序列,而后利用该缺失序列构建训练集,对BRITS模型进行插补训练,训练完成后对缺失序列进行插补,即可得到去噪结果。通过仿真及实测含噪声数据处理,并与经验模态分解(Empirical mode decomposition,EMD)阈值方法进行了对比。【结果和结论】结果表明:BRITS方法对仿真噪声数据处理后与原始数据的归一化互相关系数可达0.999以上,信噪比可达29 dB以上,EMD阈值方法处理前后相关系数为0.778,信噪比为3.09 dB;在实测数据处理中,BRITS方法有效恢复了噪声干扰数据,相比EMD阈值方法,其阻抗奈奎斯特图更接近天然大地电磁信号特征。通过不同训练样本试验得出:对4分量大地电磁数据而言,数据中至少需包含两道正常分量,单个含噪分量中噪声占比不大于20%,且噪声连续干扰长度不超过10个采样点,此时,BRITS方法去噪后数据的相关系数在0.96以上,可以保证一定的去噪精度。

基于条件生成对抗插补网络的双重判别器缺失值插补算法

应用中的各种因素可能造成数据缺失,影响后续任务的分析。因此,数据集缺失值的插补尤为重要。相比原本没有插补的处理,错误的插补值也会对分析造成更严重的偏差。针对这种情况,提出新的采用双重判别器的基于条件生成对抗插补网络(C-GAIN)的缺失值插补算法DDC-GAIN(Dual Discriminator based on C-GAIN)。该算法通过一个辅助判别器辅助主判别器判断预测值的真假,即根据一个样本的全局信息判断这个样本生成的真假,更注重特征之间的关系,以此估算预测值。在4个数据集上与5种经典插补算法进行对比实验,结果表明:同样条件下,DDC-GAIN算法在样本量较大时的均方根误差(RMSE)最低;在Default credit card数据集上缺失率为15%时,DDC-GAIN算法的RMSE比次优算法C-GAIN降低了28.99%。这说明利用辅助判别器帮助主判别器学习特征之间的关系是有效的。

联合张量补全与循环神经网络的时间序列插补法

现存的插补方法大致分为基于统计的插补法和基于深度学习的插补法。基于统计的插补法只能捕捉线性时间关系,导致无法精准建模时间序列的非线性关系;基于深度学习的插补法往往没有考虑到不同时间序列之间的相关性。针对现有方法的问题,本文提出了联合张量补全与循环神经网络的时间序列插补法。首先,将多元时间序列建模成张量,通过张量的低秩补全捕获不同时间序列之间的关系。其次,提出了一个基于时间的动态权重,将张量插补结果和循环神经网络的预测结果进行融合,避免因为连续缺失导致的预测误差累积。最后,在多个真实的时间序列数据集上对所提方法进行了实验评估,结果显示该模型优于已有相关模型,且基于插补后的时间序列可以提升时间序列预测效果。

空间自回归模型下不完整大数据缺失值插补算法

针对不完整大数据因其自身结构具有不规则性,导致在进行缺失值插补时计算量大、插补精度低的问题,提出空间自回归模型下不完整大数据缺失值插补算法。利用迁移学习算法在动态权重下过滤出原始数据中冗余数据,区分异常和正常数据,提取残缺数据,采用最小二乘回归对残缺数据实施修补。将缺失值插补分为3种类型,分别为一阶空间自回归模型插补、空间自回归模型插补和多重插补法。根据实际情况将修补后数据插补到合适的位置,实现不完整大数据缺失值插补。实验结果表明,所提方法具有良好的缺失值插补能力。

时序数据缺失值插补方法研究与实现

传统时序缺失数据插补算法的稳定性低,且插补后的数据误差性大,无法保证插补后数据集的真实性;为此,提出一种基于改进的GAIN网络数据插补算法,通过融合Wasserstein判式,构建出GAIN-W时序数据缺失值插补模型。模型包含特征图提取、生成器组成与判别器构建三个模块;模块一,通过数据降维与标准化处理的方式提高数据的可操作性,并基于RW滑窗法提取时序数据的双通道二维特征;模块二,采用二维卷积层替代生成器的全连接层,提升不均匀间隔特征处理的准确性,并通过增加超参数λ,优化生成器的损失函数;模块三,基于三组全连接层解决判别器梯度爆炸的问题,并利用Wasserstein判式,学习数据分布并完成数据插补。仿真结果表明,在HEPC和BJPM2.5公开数据集中,与6类基线算法相比,GAIN-W算法插补处理后的数据集RMSE误差平均优化降低了47.00%,MAX误差平均缩减了24.00%,表明GAIN-W算法具有较高的精确性与稳定性。综上所述,GAIN-W轨迹时序数据缺失值插补算法解决了时序不均匀的问题,且降低了插补数据的误差,具有重要的仿真研究价值。

不同缺失比例下的缺失值插补方法比较

现实中获得的数据集往往存在缺失值,为了研究不同缺失值插补方法在不同缺失比例下的插补效果,文中选择数值型和混合型的完整数据集,设置不同的缺失比例,分别使用均值插补、K近邻插补、多变量特征插补、随机森林插补四种方法对其进行插补,并使用决策树分类器拟合填补后的数据集,通过计算分类精度比较四种方法的填补效果。实验结果表明,在缺失比例不大于50%时,多变量特征插补和随机森林插补方法在数值型和混合型数据集上的插补效果优于其他两种方法。

二维同步插补算法及其在S7-200 Smart PLC上的应用

针对插补运动系统中存在机械振动较大的问题,提出一类基于恒定加加速度的二维直线插补算法。在确定加加速度的前提下,将直线插补的运动过程分为7个不同的阶段。利用运动学定律分析每个阶段的加速度、速度和位移的表达式,获取各运动阶段的初始条件。在基于二维系统的位移要求确定二维同步关系的基础上,实现了各阶段算法的离散化,最终完成了基于PLC(可编程逻辑控制器)的算法设计。实测效果表明,该算法同步精度小于0.5%,运行时间误差小于1 s,运行效果良好,满足应用场景的需求。

基于DA多重插补法和电力物联网的电能数据缺失修复方法

针对电力物联网中电能数据量过多,缺失电能数据修复难度较大的问题,研究基于DA多重插补法和电力物联网的电能数据缺失修复方法。电力物联网利用感知层的电能数据采集终端采集电能数据,所采集电能数据利用通信层传送至应用层,应用层的电能数据缺失修复模块,利用EM插补算法计算电能数据缺失值的初始插补值;将所获取的电能数据插补值作为DA多重插补法的初始值,DA多重插补法利用局部加权回归模型,通过调整电能数据缺失值的预测误差,获取最终电能数据缺失修复结果。实验结果表明,该方法修复电力物联网电能数据的观测误差方差低于0.2,对于短期电能数据与长期电能数据,均具有良好的修复结果。

基于扩散与时频注意力的时间序列插补方法

时间序列插补旨在根据现有数据填补缺失值以恢复数据的完整性.目前基于RNN的插补方法存在较大的误差,并且增加网络层数容易出现梯度爆炸和消失问题,而基于GAN和VAE的插补方法经常面临训练困难和模式崩溃的挑战.为解决上述问题,本文提出了一种基于扩散与时频注意力的时间序列插补模型DTFA (diffusion model and time-frequency attention),通过反向扩散实现从高斯噪声中重建缺失数据.具体而言,本研究利用多尺度卷积模块与二维注意力机制捕获时域数据中的时间依赖性,并利用MLP与二维注意力机制学习频域数据的实部与虚部信息.此外,本研究通过线性插补模块以对现有的观测数据进行初步的数据增强,从而更好地指导模型的插补过程.最后,本研究通过最小化真实噪声与估计噪声的欧氏距离来训练噪声估计网络,并利用反向扩散实现对时序数据的缺失插补.本研究的实验结果表明, DTFA在ETTm1、WindPower和Electricity这3个公开数据集上的插补效果均优于近年主流的基线模型.

基于多变量时空融合网络的风机数据缺失值插补研究

风电场数据的完整性会因恶劣天气、输入信号丢失、传感器故障等原因遭到破坏,而大面积的数据缺失将给风机设备的运行和维护带来严峻考验.因此,提出一个多变量时空融合网络(Multivariate spatiotemporal integration network,MSIN)来解决缺失数据问题.首先,提出包含缺失值定位−指引机制的MSIN结构,揭示缺失部分数据的潜在信息,确保插补数据符合真实分布.其次,在网络中设计多视角时空卷积模块,捕捉同一风机多个变量与多个风机同一变量之间的局部空间和全局时间相关性,用于提高插补数据的真实性.接着,提出网络实时自更新机制,根据风电场实时变化情况实现在线调整,能够提升网络泛化能力,由此弥补重新训练模型的时间和空间成本高的缺陷.最后,通过真实的风机数据验证所提网络的有效性和优越性.相关分析结果表明,相较于MissForest等传统数据插补方法的插补性能,平均绝对误差(Mean absolute error,MAE)、平均绝对百分比误差(Mean absolute percentage error,MAPE)和均方根误差(Root mean square error,RMSE)分别下降18.54%、41.00%和3.15%以上.

基于双向循环插补网络的分布式光伏集群时序数据耦合增强方法

分布式光伏点多面广、局部渗透率高、安装环境复杂多变,真实可靠的量测数据是其性能分析、出力预测、运维调控的基础。然而,传感器故障和通信堵塞等因素会造成量测值缺失,恶化原始数据质量,进而影响配电网运行决策的准确性。传统数据修复方法只考虑单一量测值的分布特征,忽略了多维时序数据的潜在耦合关系,修复精度有限。为此,该文提出一种基于双向多阶段循环插补网络和Seq2SeqAttention的时序数据耦合增强方法,改进了循环插补网络的结构,并引入衰减机制,能利用少量未缺失数据,潜在地挖掘原始数据的整体分布规律,一次性对多个光伏场站完成高质量数据修复。实验结果表明,所提方法在高比例缺失情况下仍有良好的修复性能,可明显增强分布式光伏集群的基础数据质量,提升电网运营商对光伏集群的细粒度感知能力。

基于RGCN-SA算法的海上浮标观测数据插补

针对海洋观测数据的缺失问题,提出一种基于图卷积(GCN)和自注意力机制(SA)的残差网络插补模型(RGCN-SA),该模型由自注意力机制与图卷积构建,利用自注意力机制提取观测数据的时间依赖特征,通过图卷积获取不同位置浮标的空间依赖特征,并添加残差结构提高模型学习能力,结合自监督训练方式对模型进行训练,得到最终的海洋浮标数据插补模型。通过对比实验,证明该模型通过训练后能够有效获取浮标观测数据的时间与空间的关联特征,取得了比其他方法更好的插补效果。通过消融实验,证明模型的各个模块的有效性。

基于稳健非负矩阵分解的用电数据清洗和插补

针对运行工况下用电数据在采集和传输过程中通常存在噪声、异常值和丢失的数据质量问题,利用单一用户用电数据时空分布的低本征维和异常值的稀疏特性,提出一种基于低秩矩阵完备的数据缺失填补、降噪和异常值剔除统一处理方法框架。首先,鉴于实际中多用户用电场景和用电特征差异巨大,仅根据单一用户用电行为的内在相似性构建具有低秩特征的数据矩阵;进而,考虑列异常和稀疏异常等加性背景噪声影响,构建低秩提升正则约束的非负矩阵完备最优化模型;最后,采用交替迭代最小二乘法方式进行最优化问题求解,实现缺失数据填补和多重背景噪声消除。通过仿真分析和实验结果验证了算法的有效性和准确性。

基于切向矢量的圆弧高速插补算法

鉴于当前数控系统对圆弧的速度规划未能发挥设备的最大性能,提出一种基于切线矢量的速度积分方法,并将切线矢量应用于圆弧的速度规划和插补处理,其核心思想是利用圆弧切线矢量求解合成加速度,保证在每个圆弧点上均用允许的最大加速度进行速度规划,从而用更短的时间和距离完成对速度变化的响应。在圆弧插补阶段,利用切线矢量判断脉冲最长轴,以求解下一个插补点的理论坐标和脉冲发送的依据,其中切线矢量具有方向的特性大大简化了圆弧插补模型,使整体运算简单高效,符合当前高速高精的发展要求。最后通过仿真和实际加工验证了算法的可行性。

五轴混联机构时间最优速度规划及精准插补

为提高五轴混联机构对复杂曲面及其特征的加工质量,提出一种准确识别曲率点的时间最优速度规划及精准插补方法。首先,采用向心法生成路径节点参数,作密集化处理生成速度节点参数;其次,用B样条描述速度曲线,通过伪加加速度将三阶约束模型转变为线性模型;然后,以速度节点参数为分段点,构造各段路径的时间积分函数,采用自适应辛普森积分法求解;最后,将所得离散点信息输入到运动控制卡进行轨迹加工。实验结果表明:本方法可快速收敛到全局最优,降低曲率点速度并迅速回升其邻域速度;计算所得路径总时间仅有3.5μs的波动,与常规插补方法收敛后的精度一致,且收敛时间更短;位置和角度的最大插补误差分别为0.76×10^(-3) mm和0.9×10^(-3)°,小于编码器分辨率,符合加工需求,特别是极大曲率处相比一般方法降低95.37%。因此,在路径曲线基础上生成的速度节点参数具备更好的曲率识别性,通过构造各段路径的时间积分函数求解路径总时间具备更高的鲁棒性与效率。

基于动态时间规整的气温日值数据二次插补

气温作为研究气候演变最基础的物理量,其日值序列的完整性和准确性对于气候分析与评估工作有着重要意义。近些年随着大量无人值守地面加密自动气象站的布设,不断出现随机站点和随机长度这种双随机特点的气象资料序列缺失,给气候分析和业务应用造成了不小的障碍。针对现有气象数据插补方案的不足,提出了一种全新的基于动态时间规整(dynamic time warping,DTW)的气温日值数据二次插补方法。该方法采用了一种实时的插补策略,主要技术内容包括:1)利用一元线性回归方程将原始气温观测时间序列分解出拟合直线和残差曲线,并将二者重构组成新的气温序列;2)给出了气温插补区的定义和插补条件;3)提出了利用动态时间规整方法计算站点间距离的新模式。利用山东省2021年的气温实况数据对该方法进行了双随机检验,检验结果表明:该方法可以满足日平均气温、日最高气温和日最低气温数据的插补需求;在插补流程中采用DTW距离测度和二次插补的组合方法,其插补效果优于目前常见的基于站点地理临近关系的组合方法;该方法对地形有一定的敏感性,平原或丘陵地区的插补效果要优于山地地区。

基于因果机理和邻近影响的拱坝温度场监测数据缺值插补

利用实测温度场是提高拱坝变形监控模型性能的重要途径之一,但由于监测系统异常等原因,部分温度测点的监测数据存在缺值。为此,根据缺值段在温度时间序列中所处位置及其相对变化幅值制定判断准则,优选单测点缺值插补方法,基于动态时间规整法量化时间序列之间的相似性,构建拱坝温度场缺值插补的多测点分层标准和同层优先级准则,建立兼顾因果机理和邻近影响的插补预测模型。通过对某高拱坝的实施结果表明,所提出的方法和准则可有效实现拱坝温度场全部测点温度时间序列的系统性插补,将因果机理和邻近影响相结合的插补预测模型对84.0%以上的测点具有提升作用。

基于DSGAN-OD模型的文物感知数据缺失值插补方法研究

高质量的文物感知数据对文物保护具有重要意义,然而,由于文物所处自然环境条件恶劣,感知数据中不可避免地存在缺失值,同时文物中同一类缺失数据具有样本少的特点.现有的缺失值处理方法没有充分考虑文物数据中的噪声干扰以及小样本数据间的时空关联性,导致缺失值插补的精确度较低.为此,提出了一种基于半监督生成对抗网络的缺失值插补模型(DSGAN-OD).该模型首先通过降噪自编码器(DAE)对多维数据进行降噪与降维预处理,然后针对生成对抗网络的无监督属性导致文物数据当中的分类标签信息不能被充分利用的不足,将DAE获得的低维表达向量作为半监督生成对抗网络(SemiGAN)的学习样本来获得缺失数据集的特征.同时,填充顺序决策(OD)方法根据数据间的时空关联性确定缺失值填充顺序,最后按照该顺序利用SemiGAN生成的完整数据对缺失值依次插补.在UCI标准数据集和文物温湿度数据上的实验结果表明:与现有的基于生成对抗网络的插补方法GAIN、随机森林插补法以及基于链式规则的多次插补法MICE相比,提出的缺失值插补模型DSGAN-OD的精确度分别提升了21%、48.2%及45.1%.