[发明专利]基于智能切割边界的应力数据统计方法、装置及电子设备

权利要求书

1.一种基于智能切割边界的应力数据统计方法，其特征在于，所述方法包括：

依据各个测点的应变数据序列分别生成对应的应力数据序列；

其中，所述应变数据序列包含统计时间段内测点的单位长度形变量，所述应力数据序列包含统计时间段内测点对应的应力，在所述统计时间段内设备重复相同的动作；

将所述应力数据序列输入神经网络模型获得所述应力数据序列对应的边界信息；其中，所述边界信息包含每一次动作的起始点和截止点；

依据最终边界获取各个测点对应的统计结果；

其中，所述最终边界为与各个测点对应的边界信息重合度最高的一组边界，所述统计结果包含所述设备在执行所述动作时，测点所对应的拉应力、压应力以及最大应力幅值，所述最终边界包含每一次动作的确定起始点和确定截止点，所述重合度最高表征每一次动作的确定起始点为所有测点对应的该次动作的起始点中相同个数最多的时间；每一次动作的确定截止点为所有测点对应的该动作的截止点中相同个数最多的时间。

2.如权利要求1所述的基于智能切割边界的应力数据统计方法，其特征在于，所述依据各个测点的应变数据序列分别生成对应的应力数据序列的步骤，包括：

对所述应变数据序列进行零点复位；

根据胡克定律将复位后的应变数据序列转换为应力数据序列。

3.如权利要求2所述的基于智能切割边界的应力数据统计方法，其特征在于，在根据胡克定律将复位后的应变数据序列转换为应力数据序列之后，所述依据各个测点的应变数据序列分别生成对应的应力数据序列的步骤，还包括：

将各个测点所对应的应力数据序列调整为预设定的长度。

4.如权利要求1所述的基于智能切割边界的应力数据统计方法，其特征在于，在将所述应力数据序列作为神经网络模型的输入之前，所述方法还包括：

依据训练序列对所述神经网络模型进行训练，直至所述神经网络模型收敛；

其中，所述训练序列为携带标签的应力数据序列，所述标签用于表征所述边界信息。

5.如权利要求1所述的基于智能切割边界的应力数据统计方法，其特征在于，在依据最终边界获取各个测点对应的统计结果之前，所述方法还包括：

将各个测点对应的边界信息输入集成学习算法模型，获得所述最终边界。

6.如权利要求1所述的基于智能切割边界的应力数据统计方法，其特征在于，所述依据所述最终边界获取各个测点对应的统计结果的步骤，包括：

分别获取所述设备每一次执行所述动作时，各个测点的拉应力、压应力以及应力幅值；

分别将各个测点所对应的应力幅值中的中位数作为最大应力幅值；

将所述最大应力幅值对应的拉应力和压应力分别作为最终的拉应力和最终的压应力。

7.一种基于智能切割边界的应力数据统计装置，其特征在于，所述装置包括：

处理单元，用于依据各个测点的应变数据序列分别生成对应的应力数据序列；

其中，所述应变数据序列包含统计时间段内测点的单位长度形变量，所述应力数据序列包含统计时间段内测点对应的应力，在所述统计时间段内设备重复相同的动作；

所述处理单元还用于将所述应力数据序列输入神经网络模型获得所述应力数据序列对应的边界信息；其中，所述边界信息包含每一次动作的起始点和截止点；

统计单元，用于依据最终边界获取各个测点对应的统计结果；

其中，所述最终边界为与各个测点对应的边界信息重合度最高的一组边界，所述统计结果包含所述设备在执行所述动作时，测点所对应的拉应力、压应力以及最大应力幅值，所述最终边界包含每一次动作的确定起始点和确定截止点，所述重合度最高表征每一次动作的确定起始点为所有测点对应的该次动作的起始点中相同个数最多的时间；每一次动作的确定截止点为所有测点对应的该动作的截止点中相同个数最多的时间。