基于数控机床温度数据流的异常值检测与恢复开题报告
2020-03-20 11:03
1. 研究目的与意义（文献综述）
1.1 研究目的及意义
作为制造大国，工业制造必然是维系着国家的未来发展的。为了更好地适应激烈的科学技术竞争，一种适合于产品更新换代快、品种多、质量和生产率高、成本低的自动化生产设备的应用已迫在眉睫。
由于数控机床可以在一定程度上实现这些工业生产过程中的目标，因此被各类厂家加以关注。数控机床的发展日新月异，高速化、高精度化、复合化、智能化、开放化、并联驱动化、网络化、极端化、绿色化已成为数控机床发展的趋势和方向。中国作为一个制造大国，主要还是依靠劳动力、价格、资源等方面的比较优势，而在产品的技术创新与自主开发方面与国外同行的差距还很大。中国的数控产业不能安于现状，应该抓住机会不断发展，努力发展自己的先进技术，加大技术创新，提高高精度生产能力，努力缩短与发达国家之间的差距。力争早日实现数控机床产品从低端到高端、从初级产品加工到高精尖产品制造的转变，实现从中国制造到中国创造、从制造大国到制造强国的转变。
2. 研究的基本内容与方案
2.1 研究的基本内容和目标
由于在数控机床的实际使用过程中，主观或客观因素都会导致多种误差，极大地影响了补偿系统的稳定性和可靠性，因此首先要分析误差产生的原因，采集的数据会存在哪些干扰。
对于采集的数据首先要进行降噪处理和异常值检测。异常值的检测在信息社会时代，被广泛地应用于设备检测、传感器的网络检测等领域。由于现在的许多设备都工作于无人管理或是人不便管理的地方，因此需要能较好地工作的异常检测系统来对机器工作过程中采集的数据进行分析和特征提取。在检测过程中，通常是利用各节点数据之间的时间、空间相关性来进行分析。
3. 研究计划与安排
第1－4周：搜集资料，撰写开题报告。
第5－6周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。论文开题。
第7－8周：分析影响数据准确性的原因，学习并实现对温度数据流采集、滤波、频谱分析部分的算法。
4. 参考文献（12篇以上）
| [1] 陈松, 王永青. 数控机床热误差实时补偿研究[J]. 机械设计与研究, 2013,9(9):53-59. [2] 韩冬. 一种基于数据流的异常值检测改进算法[J]. 中国科技信息, 2017,23(19):62-63. [3] 姜辉, 杨建国, 李自汉, 姚晓栋. 基于误差分解的数控机床热误差叠加预测模型及实时补偿应用[J]. 上海交通大学学报, 2013,47(5):744-749. [4] 李永祥, 童恒超, 杨建国. 灰色系统理论在机床热误差测点优化中的应用[J]. 机械设计与研究, 2006, 22(3):78-80. [5] 李逢春, 王海同, 李铁民. 重型数控机床热误差建模及预测方法的研究[J]. 机械工程学报, 2016,52(11):154-160. [6] 罗文. 数控机床热误差检测与补偿技术[D]. 南京航空航天大学, 2010. [7] 庞景月. 滑动窗口模型下的数据流自适应异常检测方法研究[D]. 哈尔滨工业大学, 2013. [8] 龙滢, 裘晓峰. 基于滑动窗口的单传感器数据异常检测[J]. 软件, 2014(12):49-57. [9] 阳红, 向胜华, 刘立新等. 基于最优权系数组合建模的数控机床热误差在线补偿[J]. 农业机械学报, 2012,43(5):216-221. [10] 严英杰, 盛戈皞, 陈玉峰,等. 基于大数据分析的输变电设备状态数据异常检测方法[J]. 中国电机工程学报, 2015, 35(1):52-59. [11] 张毅, 杨建国. 基于灰色理论预处理的神经网络机床热误差建模[J]. 机械工程学报, 2011,47(7):134-139. [12] 张聪聪. 地震前兆观测数据异常检测方法研究[D]. 中国地震局地壳应力研究所, 2015. [13] A.M. Abdulshahed, A.P. Longstaff, S. Fletcher, “A cuckoo search optimisation-based Grey prediction model for thermal error compensation on CNC machine tools,” Grey System: Theory and Application, Issue:2, vol. 7, pp. 146-155, 2017. [14] A.M. Abdulshahed, A.P. Longstaff, S. Fletcher, et al, “The application of ANFIS prediction models for thermal error compensation on CNC machine tools,” Applied Soft Computing, vol. 27, pp. 158-168, 2015 [15] C.X. Zhang, F. Gao, L. Yan, “Thermal error characteristic analysis and modeling for machine tools due to time-varying environmental temperature,” Precision Engineering, vol. 47, pp. 231-238, 2017 [16] P.J. Rousseeuw, and M. Hubert, “Robust statistics for outlier detection,” Wiley Interdisciplinary Reviews Data Mining amp; Knowledge Discovery, issue 1, vol. 1, pp. 73-79, 2011. [17] Q. Liu, J.W. Yan, D.T. Pham, et al, “Identification and optimal selection of temperature-sensitive measuring points of thermal error compensation on a heavy-duty machine tool,” The International Journal of Advanced Manufacturing Technology, Issue:1-4, vol. 85, pp. 345-353, 2016 [18] R. Domingues, M. Filippone, P. Michiardi, et al, “A comparative evaluation of outlier detection algorithms: Experiments and analyses,” Pattern Recognition, vol. 74, pp. 406-421, 2018. [19] S.H. Hu, M.H. Zhang, Y.S. Cui, et al, “Accuracy Enhancement with Processing Error Prediction and Compensation of a CNC Flame Cutting Machine Used in Spatial Surface Operating Conditions,” Journal of Engineering and Technological Sciences, Issue:1, vol. 49, pp. 75-94, 2017 [20] S.N. Thennadil, M. Dewar, C. Herdsman, et al, “Automated weighted outlier detection technique for multivariate data,” Control Engineering Practice, vol. 70, pp. 40-49, 2018. [21] Y. Zhang, N.A.S. Hamm, N. Meratnia, et al, “Statistics-based outlier detection for wireless sensor networks,” International Journal of Geographical Information Science, issue 26, vol. 8, pp. 1373-1392, 2012. |
