一种基于端云协同的精密测量数据处理与分析方法与流程

摘要: 本发明涉及精密测量、数据分析及云计算,具体涉及一种基于端云协同的精密测量数据处理与分析方法。背景技术:1、精密测量数据分析广泛应用于高端制造、航空航天、精密仪器...
一种基于端云协同的精密测量数据处理与分析方法与流程

本发明涉及精密测量、数据分析及云计算,具体涉及一种基于端云协同的精密测量数据处理与分析方法。

背景技术:

1、精密测量数据分析广泛应用于高端制造、航空航天、精密仪器等领域,用于对被测对象的尺寸偏差、形位误差以及质量波动情况进行分析;随着测量精度和测量密度不断提高,单次测量过程中产生的数据量持续增加,且测量结果通常与被测对象的空间位置、测量轨迹以及局部结构特征相关。因此,仅依据离散的测量数值进行统计分析,难以完整反映误差在被测对象不同空间区域中的分布及变化情况。

2、现有技术中,测量设备通常将采集得到的测量数值上传至远端服务器或云端进行集中处理,以降低测量设备自身的数据处理负担;然而,在测量数据上传过程中,部分数据处理方式主要关注测量数值本身,对不同测量数值之间的空间位置关系以及测量轨迹关联利用不足。当测量数据量较大且测点分布复杂时,容易出现空间上相邻的测量数据在后续分析过程中关联性不足的问题,从而影响局部误差变化以及整体误差分布的准确表达。对于云端汇聚的大量精密测量数据,现有分析方式通常需要对测量数据进行特征提取、分类或聚合处理。但精密测量数据中的误差往往具有明显的空间连续性和局部变化特征,不同空间区域之间还可能存在不同的误差变化趋势。若仅依据测量数值大小或通用统计特征进行数据划分,容易使具有不同空间误差变化规律的数据被混合处理,或者使具有相近误差分布规律的数据被割裂,进而增加后续分析的数据量和计算复杂度,并影响误差分布结果的稳定性。此外,为向操作人员提供多维度的测量结果,云端通常还需要根据产品对象、测量区域、时间范围、批次以及观察方向等不同分析条件生成相应的分析结果。当控制终端改变观察视角或过滤条件时,现有方式往往需要重新从大量测量数据中进行数据抽取、聚合和计算。尤其是在测量数据规模较大、分析层级较多以及查询操作频繁的情况下,相同或相近分析内容可能被反复计算,导致云端计算资源消耗较大,分析结果的反馈时间增加。

3、同时,实际质检过程中,操作人员的观察需求通常具有动态性。例如,操作人员可能在整体误差分布、局部区域误差以及不同批次或时间范围的误差趋势之间连续切换。现有技术难以同时兼顾预先生成的分析结果与临时变化的观察需求,当观察条件与已有分析结果不一致时,通常需要重新处理较大范围的数据;而当直接采用已有结果进行展示时,又可能无法满足特定视角或过滤条件下的分析精度要求,使分析深度与交互响应速度之间存在矛盾。另一方面,经过筛选后的离散测量数据在不同观察视角下直接用于三维误差可视化时,还可能由于测点空间分布不均、局部测量密度差异以及空间关联关系不足,造成误差分布图中的局部突变、断层或失真。随着观察视角发生变化,该问题可能进一步影响不同视角下误差分布结果的一致性,使操作人员难以及时、准确地判断被测对象的局部误差状态和整体质量变化趋势。

技术实现思路

1、本发明的目的在于提供一种基于端云协同的精密测量数据处理与分析方法,解决现有技术存在的问题。

2、为实现上述目的,本发明提供如下技术方案:一种基于端云协同的精密测量数据处理与分析方法,包括s1、获取端侧设备上传至云端的原始测量数值,根据端侧测量轨迹恢复各原始测量数值对应的空间位置,并在云端构建包含多维空间坐标的云端数据集合;s2、根据云端数据集合采用以空间邻域误差梯度作为分裂约束的决策树集成算法提取多维特征向量,获得特征集合;s3、通过对特征集合采用空间划分聚类算法进行空间划分,得到具有误差分布特征的多个数据簇;s4、针对多个数据簇按照预设的分析维度进行多层级聚合运算,确定预计算结果矩阵;s5、针对预计算结果矩阵接收控制终端发送至云端的包含目标观察视角及过滤条件的查询指令;s6、若查询指令中的目标观察视角完全匹配预计算结果矩阵对应的分析维度,则根据目标观察视角对应的聚合层级定位目标矩阵区块,从预计算结果矩阵中抽取第一数据子集;s7、若查询指令中的目标观察视角未完全匹配预计算结果矩阵对应的分析维度,则对多个数据簇进行重新抽取与重新计算,获得第一数据子集;s8、针对第一数据子集按照查询指令中的过滤条件进行多维度筛选处理,得到第二数据子集;s9、采用第二数据子集按照目标观察视角重构空间邻域误差场,生成三维误差分布色谱图,并将三维误差分布色谱图发送至控制终端,实现多视角的实时输出。

3、优选的,所述s1包括获取端侧设备上传的原始测量数值及端侧测量轨迹;根据端侧测量轨迹得到插值拟合函数,确定原始测量数值对应的初始空间位置;若初始空间位置的偏移量大于预设的偏移阈值,则修正得到目标空间位置;根据目标空间位置转换原始测量数值,得到校准测量数值;根据校准测量数值及目标空间位置生成多维空间坐标,通过多维空间坐标在云端构建包含多维空间坐标的云端数据集合。

4、优选的,所述s2包括获取云端数据集合,根据云端数据集合计算预测残差得到初始残差序列,根据初始残差序列计算残差变化率,获得空间邻域误差梯度;判断空间邻域误差梯度是否大于预设的阈值,若空间邻域误差梯度大于预设的阈值,则确定分裂约束条件,通过分裂约束条件对决策树执行节点划分,得到决策树集成算法;根据决策树集成算法对输入样本进行遍历,提取多维特征向量,获得特征集合。

5、优选的,所述s3包括获取特征集合,根据特征集合构建距离矩阵,若距离矩阵满足密度阈值,则获得核心对象集合;采用空间划分聚类算法对核心对象集合进行判定,得到连通区域,针对连通区域执行边界归属判定,得到初始数据簇;根据初始数据簇提取误差分布特征,通过误差分布特征进行标记,得到具有误差分布特征的多个数据簇。

6、优选的,所述s4包括对多个数据簇进行划分得到多维层级节点集合;对多维层级节点集合构建聚合路径网络,对聚合路径网络分配权重确定目标聚合路径;如果目标聚合路径满足条件,则沿着目标聚合路径对多个数据簇执行运算,得到多维汇总数值;根据多维汇总数值生成行列索引,通过行列索引进行构建,确定预计算结果矩阵。

7、优选的,所述s5包括接收查询指令,所述查询指令包含目标观察视角及过滤条件;根据目标观察视角得到视角解析树,通过视角解析树对过滤条件进行重组,获得条件谓词;若条件谓词与预计算结果矩阵匹配,则提取数据块索引;根据数据块索引读取数据片段构建匹配映射表,通过匹配映射表组装数据片段得到查询响应集,针对预计算结果矩阵完成接收控制终端发送至云端的包含目标观察视角及过滤条件的查询指令。

8、优选的,所述s6包括获取查询指令,从查询指令中提取目标观察视角及聚合层级,所述目标观察视角用于比对预计算结果矩阵的分析维度得到匹配状态;若匹配状态为完全匹配,则根据聚合层级确定目标区块索引;根据目标区块索引在预计算结果矩阵中寻址定位,获得目标区块索引对应的目标矩阵区块;针对目标矩阵区块进行数据读取,从预计算结果矩阵中抽取第一数据子集。

9、优选的,所述s7包括获取查询指令提取目标观察视角,将目标观察视角与预计算结果矩阵的分析维度进行比对,得到匹配状态;若匹配状态未完全匹配,则提取差异特征获得维度差异标识;根据维度差异标识在预计算结果矩阵中寻址确定多个数据簇,针对多个数据簇重新抽取底层明细数据,得到基础明细数据集;对基础明细数据集按目标观察视角重新计算,获得第一数据子集。

10、优选的,所述s8包括获取第一数据子集与查询指令,对查询指令进行条件解析提取出多维度的过滤条件;根据过滤条件构建多维筛选规则,针对多维筛选规则与第一数据子集进行属性映射,确定目标数据切片范围;在目标数据切片范围内执行多维筛选处理,计算每条明细数据的匹配度量值;若匹配度量值达到预设的阈值,则提取对应的明细数据进行汇总,得到第二数据子集。

11、优选的,所述s9包括获取第二数据子集及目标观察视角,根据目标观察视角处理第二数据子集,得到视角对齐数据;根据视角对齐数据进行计算获得空间邻域误差场;针对空间邻域误差场确定三维误差分布数据,采用三维误差分布数据生成三维误差分布色谱图;如果三维误差分布色谱图的渲染帧率大于预设的帧率阈值,则发送三维误差分布色谱图至控制终端,实现多视角的实时输出。

12、由上述技术方案可知,本发明具有如下有益效果:

13、该基于端云协同的精密测量数据处理与分析方法,通过结合端侧测量轨迹恢复原始测量数值对应的空间位置,使上传至云端的测量数据能够保留测量过程中的空间关联关系,并通过以空间邻域误差梯度作为分裂约束的决策树集成算法提取能够反映局部误差变化的多维特征,进一步利用空间划分聚类形成具有误差分布特征的数据簇,从而提高精密测量数据空间误差特征的表达能力;在此基础上,对多个数据簇按照预设分析维度进行多层级聚合并形成预计算结果矩阵,当控制终端改变目标观察视角时,根据目标观察视角与预计算结果矩阵对应分析维度的匹配情况,选择从对应聚合层级的目标矩阵区块直接抽取数据或对数据簇进行重新抽取与重新计算,减少相同或相近分析条件下对大规模原始测量数据的重复处理,在兼顾不同观察需求的同时降低云端计算量和查询响应时间;进一步根据过滤条件筛选目标数据,并按照目标观察视角重构空间邻域误差场生成三维误差分布色谱图,能够增强不同观察视角下误差分布的空间连续性和表达一致性,实现精密测量结果的多视角实时输出,从而提高端侧测量数据与云端分析资源之间的协同处理效率以及精密测量数据分析对现场质量判断的支持能力。