一种机床运行数据异常模式关联可视分析方法及系统

1.本发明涉及数控机床运行历史数据异常事件检测领域，具体涉及一种机床运行数据异常模式关联可视分析方法及系统。


背景技术：

2.数控机床在工业领域中发挥着至关重要的作用，其可以通过数字指令控制机床运动，完成各种复杂的零件加工任务，并广泛用于军事装备、汽车制造、模具加工、航空航天等领域。然而，机床设备在运行中频繁出现故障会带来多方面的问题，包括设备本身的损坏、生产效率的下降、经济的损失和安全事故的发生。
3.随着科技的进步，时间序列符号化技术为时序数据的分类、聚类、关联规则挖掘等分析任务提供有效的方法。同时，可视表达和分析在诸多行业得到了较为广泛的应用，为各行业提供了更好地组织、管理和理解行业数据的能力。多种传感器和记录仪等设备可以实时记录和检测机床生产运行状态，通过对机床运行数据进行分析和处理，能够帮助用户快速准确地确定故障点，并提供相应的解决方案。这不仅可以缩短维修停机时间，提高生产效率，还能降低维修成本。因此，对机床运行数据进行有效的监测、分析和维护具有重要的意义。
4.虽然目前一些基于机器学习的模型可对多维时序数据进行分析和挖掘，在检测异常点或范围方面表现出色，但通常只是识别出数据中的异常点或范围并提供一些统计信息来描述这些异常，缺乏对各变量的异常变化与捕获各变量间的关联关系的分析，在异常原因解释方面提供的信息十分有限，无法快速准确分析异常原因。


技术实现要素：

5.针对上述领域中存在的问题，本发明一种机床运行数据异常模式关联可视分析方法及系统，能够解决缺乏对各变量的异常变化与捕获各变量间的关联关系的分析，在异常原因解释方面提供的信息十分有限，无法快速准确分析异常原因的技术问题。
6.为解决上述技术问题，本发明公开了一种机床运行数据异常模式关联可视分析方法及系统，包括以下步骤：
7.从原始机床运行数据的滑动窗口和时间点分别提取符号特征，并进行多参数类别编码，获取多参数编码矩阵序列；
8.根据多参数编码矩阵序列，提取每列的多参数类别编码组合作为数据样本，进行聚类分析和关联规则挖掘，根据聚类分析获取的聚类结果提取机床运行模式，根据关联规则挖掘获取的关联规则集合提取参数状态关联模式；
9.构建交互式可视分析系统，通过设计多种交互方法支持用户发现机床数据的异常模式，实现对多参数类别编码、机床运行模式和参数状态关联模式的可视分析映射，分析机床数据各变量的异常变化与捕获各变量间的关联关系。
10.优选地，所述从原始机床运行数据的滑动窗口和时间点分别提取符号特征，包括
以下步骤：
11.对原始机床运行数据的多个子序列使用z-score标准化，将各个子序列做标准化处理，使得标准化为均值为0、标准差为1的子序列；子序列s＝{t1,t2,t3,t4...,tn}，被标准化后序列s为：
[0012][0013]
其中，μ为s所有元素中的平均值，σ为序列的标准差；
[0014]
得到标准化后的多维时间序列矩阵c为：
[0015][0016]
其中，n为时间序列长度，m为机床参数个数；
[0017]
将多维时间序列矩阵c根据固定滑动窗口的分割方法进行分割，w为滑动窗口的长度，得到编码矩阵序列d为：
[0018][0019][0020]
其中，n-w+1为滑动窗口的个数，d
ij
为滑动窗口平均值；s
ij
为第i个参数第j个时间点标准化后的数据；
[0021]
根据断点表，对滑动窗口平均值d
ij
的符号进行编码，得到编码矩阵e为：
[0022][0023]
其中，e
ij
为平均值的符号编码。
[0024]
优选地，所述对原始机床运行数据的多个子序列使用z-score标准化，将各个子序列做标准化处理，包括以下步骤：
[0025]
对每个时间点多个参数类别进行编码，得到编码矩阵f为：
[0026][0027]
其中，m代表机床参数，n代表时间序列长度，f
ij
为时间点的符号编码；对于时间点多参数类别的编码，用代表不同区域划分的字母与代表不同参数的数字来表示，即第一列的编码组合{f
11
,f
21
,f
31
,f
41
}＝{d1，c2，b3，a4}，表示在第一秒时，第一个参数处于d状态；第二、三个参数分别处于c和b状态；第四个参数处于a状态。
[0028]
优选地，所述提取机床运行模式的提取算法，包括以下步骤：
[0029]
输入：原始机床运行数据；
[0030]
输出：机床运行模式种类；
[0031]
step1：对原始机床运行数据进行z-score标准化处理；
[0032]
step2：对原始数据按照固定滑动窗口的分割方法进行分割；
[0033]
step3：计算滑动窗口数据的平均值，用对应划分区域的字母进行编码,构建编码矩阵序列e，每列代表一个滑动窗口的多个参数状态；
[0034]
step4：提取编码矩阵e各列的多参数类别编码组合，将多参数类别编码组合去重后进行聚类；
[0035]
step5：根据聚类结果将每个滑动窗口编码组合分到不同的簇中，以表达多种机床运行模式。
[0036]
优选地，所述关联规则挖掘的关联规则提取算法，包括以下步骤：
[0037]
输入：原始机床运行数据；
[0038]
输出：机床参数状态关联规则集合；
[0039]
step1：对原始机床运行数据进行z-score标准化处理；
[0040]
step2：对每个时间点的数据进行编码，编码用代表不同区域划分的字母与代表不同参数的数字来表示；
[0041]
step3：构建编码矩阵f，将每个时间点的编码结果按列组合成矩阵，得到一个包含多列的矩阵，每一列代表一个时间点的多个参数状态；
[0042]
step4：提取编码矩阵f每一列的多参数类别编码组合，应用apriori关联规则算法进行挖掘，设置支持度和置信度的阈值；
[0043]
step5：根据设置的支持度和置信度阈值，得到机床参数状态之间的关联规则集合。
[0044]
优选地，所述设置支持度和置信度的阈值，包括以下步骤：
[0045]
支持度计算公式为：
[0046][0047]
其中，support(
·
)表示支持度；表示在所有状态中a和d同时发生的相对概率；
[0048]
置信度计算公式为：
[0049][0050]
其中，confidence(
·
)表示置信度；表示在所有状态中，出现a状态的情况下再出现d状态的概率。
[0051]
优选地，所述提取参数状态关联模式的提取算法包括以下步骤：
[0052]
从原始机床运行数据的时间点中提取符号特征并进行参数类别编码；
[0053]
对多个参数编码组合进行关联规则挖掘；
[0054]
根据关联规则集合表达多个参数状态关联模式。
[0055]
优选地，还包括一种机床运行数据异常模式关联可视分析方法的系统，包括：
[0056]
数据采集模块，用于从原始机床运行数据的滑动窗口和时间点分别提取符号特征；
[0057]
数据处理模块，根据数据采集模块提取的符号特征进行多参数类别编码，获取多参数编码矩阵序列；设计多种交互方法支持用户发现机床数据的异常模式；
[0058]
数据分析模块，根据数据处理模块得到的多参数编码矩阵序列，提取每列的多参数类别编码组合作为数据样本，进行聚类分析和关联规则挖掘，根据聚类分析获取的聚类结果提取机床运行模式，根据关联规则挖掘获取的关联规则集合提取参数状态关联模式；
[0059]
数据可视分析模块，用于构建交互式可视分析系统，对数据处理模块的异常模式进行分析，实现对多参数类别编码、机床运行模式和参数状态关联模式的可视分析映射，获取机床数据各变量的异常变化与捕获各变量间的关联关系。
[0060]
优选地，所述可视分析系统包括控制面板视图、全局视图、局部视图、关键指标对比视图、参数状态关联视图。
[0061]
与现有技术相比，本发明具有如下有益效果：
[0062]
1.本发明构建的交互式可视分析系统，同时嵌入机床运行模式和参数状态关联模式提取算法，支持用户灵活地探索数据属性变化，为运行数据监测提供异常定位、敏感参量分析、状态相似搜索、参数状态关联分析等方法，直观高效地提取生产过程数据中的潜在信息，用户能够使用本发明设计的方法可以对故障数据开展全面的交互分析。
[0063]
2.通过对机床运行数据从滑动窗口和时间点两个方面进行参数类别编码并提取符号特征，根据设计的多种交互方法，可以支持用户发现机床数据的异常模式，通过分析机床数据各变量的异常变化与捕获各变量间的关联关系，可以快速发现和分析哪些参数引起异常。
[0064]
3.结合mechinevis可视分析系统，通过可视分析映射和多视图的交互联动，在机床数据集进行了案例研究，证明了本发明的可视分析系统可以轻松的发现和分析异常，并且能够充分挖掘机床参数间相互影响、关联和其隐藏的相关性信息。
附图说明
[0065]
图1为本发明的可视分析系统mechinevis整体示意图；
[0066]
图2为本发明的滑动窗口多参数类别编码示意图；
[0067]
图3为本发明的多参数编码组合聚类示意图；
[0068]
图4为本发明的时间点多参数类别编码示意图；
[0069]
图5为本发明的时间点多参数编码组合关联规则挖掘示意图；
[0070]
图6为本发明的mechinevis可视分析系统图；
[0071]
图7为本发明的实施例部分的全局视图的分析结果图；
[0072]
图8为本发明的实施例部分的关键指标视图的分析结果图；
[0073]
图9为本发明的实施例部分的局部视图的分析结果图；
[0074]
图10为本发明的实施例部分的参数状态关联视图的分析结果图；
[0075]
图11为本发明的实施例部分的异常区域的分析结果图；
[0076]
图12为本发明的实施例部分的异常模式的分析结果图。
具体实施方式
[0077]
下面将结合本发明实施例中的附图1-12，对本发明实施例中的技术方案进行清楚、完整地描述。应理解本发明中所述的术语仅仅是为描述特别的实施方式，并非用于限制本发明。
[0078]
近几年，在时间序列挖掘中开展了多种特征提取技术，包括符号化技术，其中使用较多的是符号聚集近似方法，该方法首先在分段聚集近似方法的基础上将时间序列进行分段，并使用每个段的均值表示原序列的数据，把原序列的数据使用标准正态分布按照概率量化为多个区域，以符号表示不同区域的值，将均值映射到符号上。对于异常检测的可视分析，通常自动化的异常检测方法会忽略细微的、模糊的、不确定的异常，然而可视分析通过对数据的可视表达和可视界面，提高对数据分析的能力。通过时间序列符号化技术提取特征信息，为时间序列数据的分类、聚类、关联规则挖掘、相似性度量等任务提供有效的方法和工具。同时可视表达和分析在诸多行业得到了较为广泛的应用，为各行业提供了更好地组织、管理和理解行业数据的能力。在机床故障诊断领域，机床的异常检测可视分析的研究工作还不多见。
[0079]
本发明提出的可视分析系统mechinevis，实现对多参数类别编码、机床运行模式、参数状态关联模式的可视分析映射，并设计多种交互方法支持用户发现机床数据的异常模式，分析机床数据各参数的状态变化与捕获各参数间的关联关系，帮助用户对机床运行数据的理解与异常原因分析，快速定位问题，并减少停机时间，提高生产效率。
[0080]
本发明提出了一种机床运行数据异常模式关联可视分析方法，通过以下步骤实现：
[0081]
第一步，对滑动窗口多参数类别编码映射；
[0082]
从机床运行数据的滑动窗口和时间点分别提取符号特征并进行参数类别编码；
[0083]
对电机轴承的原始运行数据的多个子序列使用z-score标准化，将各个子序列标准化为均值为0、标准差为1的子序列。所以对于子序列s＝{t1,t2,t3,t4...,tn}，被标准化后序列s为：
[0084][0085]
其中，μ为s中所有元素的平均值，σ为序列的标准差，即得到标准化后的多维时间序列矩阵c，表示为：
[0086][0087]
其中，n为时间序列长度，m为机床参数个数。
[0088]
将多维时间序列矩阵c按照固定滑动窗口的分割方法进行分割，w为滑动窗口的长度，可以得到编码矩阵序列d，表示为：
[0089][0090][0091]
其中，n-w+1为滑动窗口的个数，d
ij
为滑动窗口平均值；s
ij
为第i个参数第j个时间点标准化后的数据；
[0092]
滑动窗口平均值d
ij
的符号编码根据间断点表进行编码映射，如表1所示，得到编码
矩阵e为：
[0093][0094]
其中，e
ij
为平均值的符号编码。
[0095]
表1断点表
[0096][0097]
根据表1可以看出，当a＝4时，此时有三个断点分别是-0.67、0和0.67，此时被划分为4个区域。其中值小于-0.67的部分用字母a表示，值在-0.67和0之间的部分用字母b表示，值在0和0.67之间的部分用字母c表示，值大于0.67用字母d表示。其中，滑动窗口多参数类别编码，如图2所示。
[0098]
第二步，对多个参数编码组合进行聚类；
[0099]
对于编码矩阵序列提取每列的多参数类别编码组合作为数据样本用于聚类分析，如图3所示，机床运行模式提取算法步骤如下：
[0100]
input：原始机床运行数据
[0101]
output：机床多种运行模式
[0102]
step1：对原始机床运行数据进行z-score标准化处理
[0103]
step2：对原始数据按照固定滑动窗口的分割方法进行分割
[0104]
step3：计算滑动窗口数据的平均值，用对应划分区域的字母进行编码，构建编码矩阵序列e，每列代表一个滑动窗口的多个参数状态
[0105]
step4：提取编码矩阵e各列的多参数类别编码组合，将多参数类别编码组合去重后进行聚类
[0106]
step5：根据聚类结果将每个滑动窗口分到不同的簇中，以表达多种机床运行模式。
[0107]
通过聚类将样本集分成多个聚类簇，使得同一簇内的数据彼此相似度较高，不同簇之间差异较大。聚类通常是计算每一个样本点到聚类中心的欧式距离来度量相似度，但是滑动窗口数据经过编码后的字母不能通过数值计算距离，本发明通过给出字母之间的距离表，如表2所示，通过查看各字母之间的距离表进行聚类。
[0108]
表2距离表
[0109][0110]
第三步，根据聚类结果表达多种机床运行模式；
[0111]
从机床运行数据的时间点中提取符号特征并进行参数类别编码；对时间点多参数类别编码映射；在进行机床运行数据挖掘时，为了充分挖掘各个参数之间的联系，对机床运行数据标准化之后，对每个时间点多个参数类别进行编码，得到编码矩阵f为：
[0112][0113]
其中，m代表机床参数，n代表时间序列长度，f
ij
为时间点的符号编码。
[0114]
对于时间点多参数类别的编码，用代表不同区域划分的字母与代表不同参数的数字来表示。如第一列的编码组合{f
11
,f
21
,f
31
,f
41
}＝{d1，c2，b3，a4}，表示在第一秒时，第一个参数处于d状态；第二、三个参数分别处于c和b状态；第四个参数处于a状态；得到的时间点多参数类别编码如图4所示。
[0115]
对多个参数编码组合进行关联规则挖掘；
[0116]
针对编码矩阵序列f中每列的时间点多参数类别编码组合，应用apriori关联规则算法生成参数间状态关联规则集合。它本质由两部分组成，分别是支持度和置信度。
[0117]
支持度是两个不同参数的不同状态a和d同时发生的相对概率，即：
[0118][0119]
其中，support(
·
)表示支持度；
[0120]
置信度代表在所有状态中，出现a状态的情况下再出现d状态的概率，即：
[0121][0122]
其中，confidence(
·
)表示置信度；
[0123]
用户可以根据实际需要和数据特点，自主设定支持度和置信度的阈值，以筛选出具有一定意义和可信度的关联规则。
[0124]
如图5所示，针对机床运行数据中的n个参数，使用m个字母进行编码来表示其状态。因此，每个参数有m种状态，总共有m
×
n种可能的状态；计算不同参数状态之间的支持度和置信度，并筛选出满足阈值要求的关联规则，从而发现各个参数状态之间的关联关系。
[0125]
机床参数状态关联规则提取算法，包括以下步骤：
[0126]
input:原始机床运行数据
[0127]
output:机床参数状态关联规则集合
[0128]
step1：对原始机床运行数据进行z-score标准化处理
[0129]
step2：每个时间点的数据进行编码，编码用代表不同区域划分的字母与代表不同参数的数字来表示
[0130]
step3：构建编码矩阵f，将每个时间点的编码结果按列组合成矩阵，这样就得到了
一个包含多列的矩阵，每列代表一个时间点的多个参数状态
[0131]
step4：提取编码矩阵f每列的多参数类别编码组合，应用apriori关联规则算法进行挖掘，设置支持度和置信度的阈值
[0132]
step5：根据设定的支持度和置信度阈值，得到机床参数状态之间的关联规则集合。
[0133]
本发明根据关联规则集合表达多个参数状态关联模式，通过可视分析系统mechinevis系统中各个视图的详细设计和交互，通过对多参数类别编码的可视分析映射并嵌入多种模式提取算法，旨在为研究人员提供一个交互式的探索工具。mechinevis系统主要包含五个关键视图，如图6所示，具体包括：(a)控制面板视图、(b)局部视图、(c)关键指标对比视图、(d)参数状态关联视图和(e)全局视图。
[0134]
如图6中的(a)图所示，控制面板视图从上到下包括五个选项：选择数据、聚类个数、滑动窗口长度、支持度和置信度。选择数据用于确定需要分析的机床运行数据，聚类个数和滑动窗口长度的选择与机床运行模式提取有关，聚类个数代表机床运行模式个数，滑动窗口长度代表机床运行数据按照滑动窗口分割的时间序列跨度；支持度和置信度的大小设置与机床参数状态的关联模式提取有关，支持度和置信度越大，代表参数状态之间的关联性越强。
[0135]
如图6中的(e)图所示，全局视图采用折线图的方式展示机床的运行数据，折线图阴影面积代表数据波动起伏大小和持续时间长短。鼠标定位的背景颜色代表当前机床的运行状态，当用户鼠标定位在某个时刻后，此时通过不同颜色来代表轴承运行状态，如果符号字母的个数为4，即通过4种颜色代表轴承运行状态。当用户点击某个时刻状态时，全局视图可以搜索与当前机床运行状态相同的时间片段，相似搜索的实现方法通过判断编码组合之间是否相等，即能匹配与之相同的运行状态。
[0136]
根据对滑动窗口多参数编码组合的聚类结果，不同簇可以代表机床工作中不同的运行模式，不同簇类用不同颜色映射。在图6中的(e)图中，视图底部的矩形显示了机床运行模式改变情况，它能够提供轴承运行状态的直观描述和总体概况。如果矩形条颜色改变，则代表机床运行模式发生了改变。此外，在全局视图中提供了时间刷，通过滑块、鼠标拖动等方式来调整局部视图的显示范围。
[0137]
如图6中的(b)图所示，通过解读局部视图，用户可以更加细致地观察异常所在的具体区域，并深入分析异常情况的原因。其中局部视图中左半部分展示了部分时间段中各参数数据详细变化情况,每个矩形代表当前时刻状态，根据矩形的颜色变化位置，可以挖掘出各参数运行数据变化的详细信息。
[0138]
在局部视图底部的颜色矩形条代表所选时间段轴承的运行模式，通过颜色区分不同运行模式，用户可以更加方便地对异常模式下各参数运行数据进行分析。
[0139]
同样在图6中的(b)图中，提供了某时刻的状态与之前状态的对比分析。将鼠标放在某个时刻上，如图6中的(b)图左边部分两个小矩形会显示前一秒的状态、前两秒的运行状态，大矩形代表鼠标定位的当前运行状态。如果大小矩形颜色不同，则代表当前参数的状态相对前两秒发生了改变。如图6中的(b)图右半部分的热力图代表所选时间段内不同参数之间的相关性，热力图中不同颜色代表相关性不同，如红色代表正相关性较高，紫色代表负相关性较高。此外，在局部视图中还设置了相关性指数筛选功能。
rms(回路流体的循环流速)。数据记录时间为2020-02-0817：27：19到2020-02-0817：47：18中每一秒的数据，长度为1144。首先，需要对数据进行z-score标准化处理，在控制面板视图中设置字母的个数为4，滑动窗口的长度设为30，聚类个数为3。同时支持度设置为0.25，置信度设置为0.85。
[0153]
如图7所示，从全局视图底部的矩形可以看到，机床运行模式被划分为模式1、模式2和模式3三个模式，用不同的颜色进行映射，发现在第585这个时间点，机床的运行模式发生了改变。在模式2的区域中，明显观察到参数a1rms(accelerometer 1rm的缩写)、a2rms(accelero meter 2rm的缩写)、vrms(volumeflowrate rms的缩写)阴影面积较大，说明在这时间段内，这些参数波动起伏大且持续时间较长，很可能出现了异常情况。因此，在这个时间段内需要特别关注这些参数状态的分布情况。在全局视图底部右边部分的热力图中拖动时间刷，将时间范围定位在模式2的区域中，通过观察局部视图可以发现，a1rms和a2rms的红色面积覆盖较广，vrms的浅蓝色面积也占据了大部分区域，表明在这段时间内，a1rms和a2rms的数据相对较高，而vrms大部分数据则相对较低，可以更加确定a1rms、a2rms、vrms在模式2的区域的时间段内发生了异常。通过观察局部视图左边部分的相关性热力图，发现在这段时间内a1rms与a2rms之间成正相关，a1rms和a2rms与vrms之间也有较高的负相关性。
[0154]
如图8所示，在关键指标视图中，通过雷达图对比发现：在三个运行模式下，current、voltage和pressure的特征值比较接近，表明在整个工作过程中current、voltage和pressure均处于稳定状态。然而，a1rms、a2rms、vrms、temperature和thermocouple在不同运行模式中多个特征值存在较大差距。结合图7主视图判断a1rms、a2rms和vrms可能是因为机床运行状态不够稳定或受到异常因素的影响。且temperature和thermocouple呈现总体下降趋势，所以导致了不同模式下特征值之间出现了较大的差异。
[0155]
如图9所示，在局部视图中对a1rms、a2rms和vrms这三个异常序列进行详细分析，发现在机床发生异常前，发现a1rms、a2rms的矩形条颜色排列组合在前期发生较大改变，再结合大小矩形的变化情况和鼠标定位，发现a2rms和a1rms分别从第497秒和第500秒开始，状态发生了较大的改变。同样在机床发生异常后，从第596秒开始，发现vrms开始逐渐降低且状态相对之前发生较大的变化。因此可以推断：a1rms和a2rms的持续升高可能是导致机床异常发生的原因，以至于引起vrms发生了异常。
[0156]
如图10所示，在参数状态关联视图中，发现a1rms(d)、a2rms(d)、vrms(a)之间是相互关联的，并且鼠标点击其中一个状态后，可以在全局视图显示各个状态出现的位置。如图11所示，发现a1rms(d)、a2rms(d)、vrms(a)的关联状态出现的区域在异常区间内，即可以推断a1rms、a2rms和vrms通常会一起产生异常，且当a1rms和a2rms较高时，vrms较低。
[0157]
其中a1rms(a)和a2rms(a)也是相互关联的，说明在模式1和模式3中，当a1rms较低时，a2rms也较低。此外还发现temperature(d)和thermocouple(d)同时指向a1rms(a)，说明在模式1内，当temperature较高时和thermocouple较高时，a1rms通常也较低。
[0158]
如图12所示，当在全局视图浅红色区域中点击第769秒的背景，可以发现在775、788、865、887、896、903、930、952时刻同样出现了该运行状态，可以观察到相同的异常模式出现时间，说明在[769-952]的区间有众多类似运行状态。
[0159]
本发明通过从原始机床运行数据的滑动窗口和时间点分别提取符号特征并进行
参数组合，实现对机床参数类别的编码；对滑动窗口多参数编码组合进行聚类，用来识别不同的机床运行模式，再对时间点多参数编码组合进行关联规则挖掘，计算各参数状态间的支持度和置信度，并进一步分析数据中的关联关系；结合交互式可视分析系统mechinevis，通过可视分析映射和多视图的交互联动，在机床数据集进行了案例研究，证明了本发明的可视分析系统可以轻松地发现和分析哪些参数引起异常，并能够充分挖掘机床参数间相互影响、关联和其隐藏的相关性信息。
[0160]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
[0161]
另外，除非另有说明，否则本发明使用的所有技术和科学术语具有本发明所属领域的常规技术人员通常理解的相同含义。本说明书中提到的所有文献通过引用并入，用以公开和描述与所述文献相关的方法。在与任何并入的文献冲突时，以本说明书的内容为准。

技术特征：
1.一种机床运行数据异常模式关联可视分析方法，其特征在于，包括以下步骤：从原始机床运行数据的滑动窗口和时间点分别提取符号特征，并进行多参数类别编码，获取多参数编码矩阵序列；根据多参数编码矩阵序列，提取每列的多参数类别编码组合作为数据样本，进行聚类分析和关联规则挖掘，根据聚类分析获取的聚类结果提取机床运行模式，根据关联规则挖掘获取的关联规则集合提取参数状态关联模式；构建交互式可视分析系统，通过设计多种交互方法支持用户发现机床数据的异常模式，实现对多参数类别编码、机床运行模式和参数状态关联模式的可视分析映射，分析机床数据各变量的异常变化与捕获各变量间的关联关系。2.根据权利要求1所述的一种机床运行数据异常模式关联可视分析方法，其特征在于，所述从原始机床运行数据的滑动窗口和时间点分别提取符号特征，包括以下步骤：对原始机床运行数据的多个子序列使用z-score标准化，将各个子序列做标准化处理，使得标准化为均值为0、标准差为1的子序列；子序列s＝{t1,t2,t3,t4...,t
n
}，被标准化后序列s为：其中，μ为s所有元素中的平均值，σ为序列的标准差；得到标准化后的多维时间序列矩阵c为：其中，n为时间序列长度，m为机床参数个数；将多维时间序列矩阵c根据固定滑动窗口的分割方法进行分割，w为滑动窗口的长度，得到编码矩阵序列d为：得到编码矩阵序列d为：其中，n-w+1为滑动窗口的个数，d
ij
为滑动窗口平均值；s
ij
为第i个参数第j个时间点标准化后的数据；根据断点表，对滑动窗口平均值d
ij
的符号进行编码，得到编码矩阵e为：其中，e
ij
为平均值的符号编码。3.根据权利要求2所述的一种机床运行数据异常模式关联可视分析方法，其特征在于，所述对原始机床运行数据的多个子序列使用z-score标准化，将各个子序列做标准化处理，包括以下步骤：
对每个时间点多个参数类别进行编码，得到编码矩阵f为：其中，m代表机床参数，n代表时间序列长度，f
ij
为时间点的符号编码；对于时间点多参数类别的编码，用代表不同区域划分的字母与代表不同参数的数字来表示，即第一列的编码组合{f
11
,f
21
,f
31
,f
41
}＝{d1，c2，b3，a4}，表示在第一秒时，第一个参数处于d状态；第二、三个参数分别处于c和b状态；第四个参数处于a状态。4.根据权利要求2所述的一种机床运行数据异常模式关联可视分析方法，其特征在于，所述提取机床运行模式的提取算法，包括以下步骤：输入：原始机床运行数据；输出：机床运行模式种类；step1：对原始机床运行数据进行z-score标准化处理；step2：对原始数据按照固定滑动窗口的分割方法进行分割；step3：计算滑动窗口数据的平均值，用对应划分区域的字母进行编码,构建编码矩阵序列e，每列代表一个滑动窗口的多个参数状态；step4：提取编码矩阵e各列的多参数类别编码组合，将多参数类别编码组合去重后进行聚类；step5：根据聚类结果将每个滑动窗口编码组合分到不同的簇中，以表达多种机床运行模式。5.根据权利要求3所述的一种机床运行数据异常模式关联可视分析方法，其特征在于，所述关联规则挖掘的关联规则提取算法，包括以下步骤：输入：原始机床运行数据；输出：机床参数状态关联规则集合；step1：对原始机床运行数据进行z-score标准化处理；step2：对每个时间点的数据进行编码，编码用代表不同区域划分的字母与代表不同参数的数字来表示；step3：构建编码矩阵f，将每个时间点的编码结果按列组合成矩阵，得到一个包含多列的矩阵，每一列代表一个时间点的多个参数状态；step4：提取编码矩阵f每一列的多参数类别编码组合，应用apriori关联规则算法进行挖掘，设置支持度和置信度的阈值；step5：根据设置的支持度和置信度阈值，得到机床参数状态之间的关联规则集合。6.根据权利要求5所述的一种机床运行数据异常模式关联可视分析方法，其特征在于，所述设置支持度和置信度的阈值，包括以下步骤：支持度计算公式为：其中，support(
·
)表示支持度；表示在所有状态中a和d同时发生的相对概率；置信度计算公式为：
其中，confidence(
·
)表示置信度；表示在所有状态中，出现a状态的情况下再出现d状态的概率。7.根据权利要求5所述的一种机床运行数据异常模式关联可视分析方法，其特征在于，所述提取参数状态关联模式的提取算法包括以下步骤：从原始机床运行数据的时间点中提取符号特征并进行参数类别编码；对多个参数编码组合进行关联规则挖掘；根据关联规则集合表达多个参数状态关联模式。8.一种机床运行数据异常模式关联可视分析方法的系统，其特征在于，包括：数据采集模块，用于从原始机床运行数据的滑动窗口和时间点分别提取符号特征；数据处理模块，根据数据采集模块提取的符号特征进行多参数类别编码，获取多参数编码矩阵序列；设计多种交互方法支持用户发现机床数据的异常模式：数据分析模块，根据数据处理模块得到的多参数编码矩阵序列，提取每列的多参数类别编码组合作为数据样本，进行聚类分析和关联规则挖掘，根据聚类分析获取的聚类结果提取机床运行模式，根据关联规则挖掘获取的关联规则集合提取参数状态关联模式；数据可视分析模块，用于构建交互式可视分析系统，对数据处理模块的异常模式进行分析，实现对多参数类别编码、机床运行模式和参数状态关联模式的可视分析映射，获取机床数据各变量的异常变化与捕获各变量间的关联关系。9.根据权利要求8所述的一种机床运行数据异常模式关联可视分析方法的系统，其特征在于，所述可视分析系统包括控制面板视图、全局视图、局部视图、关键指标对比视图、参数状态关联视图。

技术总结
本发明公开了一种机床运行数据异常模式关联可视分析方法及系统，从原始机床运行数据的滑动窗口和时间点分别提取符号特征，并进行多参数类别编码，获取多参数编码矩阵序列，提取每列的多参数类别编码组合作为数据样本，进行聚类分析和关联规则挖掘，根据聚类分析提取机床运行模式，根据关联规则挖掘获取的关联规则集合提取参数状态关联模式；构建交互式可视分析系统，实现对多参数类别编码、机床运行模式和参数状态关联模式的可视分析映射，并设计多种交互方法支持用户发现机床数据的异常模式，分析机床数据各变量的异常变化与捕获各变量间的关联关系，能够快速发现和分析异常，充分挖掘机床参数间相互影响、关联和其隐藏的相关性信息。关性信息。关性信息。


技术研发人员：彭莉娟 朱文华 黄宇鑫 冯佳璇 龙金鑫 马凯明
受保护的技术使用者：西南科技大学
技术研发日：2023.05.23
技术公布日：2023/8/23