CN105574587A - 一种塑料注塑过程的在线工况过程监控方法 - Google Patents
一种塑料注塑过程的在线工况过程监控方法 Download PDFInfo
- Publication number
- CN105574587A CN105574587A CN201610038855.2A CN201610038855A CN105574587A CN 105574587 A CN105574587 A CN 105574587A CN 201610038855 A CN201610038855 A CN 201610038855A CN 105574587 A CN105574587 A CN 105574587A
- Authority
- CN
- China
- Prior art keywords
- matrix
- operating mode
- represent
- sample
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 44
- 230000008569 process Effects 0.000 title claims abstract description 39
- 238000001746 injection moulding Methods 0.000 title claims abstract description 13
- 239000004033 plastic Substances 0.000 title claims abstract description 11
- 229920003023 plastic Polymers 0.000 title claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 230000003595 spectral effect Effects 0.000 claims abstract description 5
- 238000002347 injection Methods 0.000 claims description 14
- 239000007924 injection Substances 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 13
- 238000009792 diffusion process Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 9
- 230000001537 neural effect Effects 0.000 claims description 7
- 238000002474 experimental method Methods 0.000 claims description 5
- 238000012856 packing Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 210000005036 nerve Anatomy 0.000 claims description 4
- 239000000243 solution Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000002834 transmittance Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000003745 diagnosis Methods 0.000 abstract description 6
- 238000000354 decomposition reaction Methods 0.000 abstract 1
- 238000007781 pre-processing Methods 0.000 abstract 1
- 239000002994 raw material Substances 0.000 description 10
- 239000007858 starting material Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000004743 Polypropylene Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000022261 cerebral cortex tangential migration using cell-cell interactions Effects 0.000 description 1
- 238000010516 chain-walking reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- -1 polypropylene Polymers 0.000 description 1
- 229920001155 polypropylene Polymers 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Manufacturing & Machinery (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种塑料注塑过程的在线工况过程监控方法,属于工业监控和故障诊断领域。其包括如下步骤:S1利用传感器收集各个工况下的数据,组成建模用的训练样本集X;S2进行数据预处理和归一化,使得训练样本集X的均值为0,方差为1,得到矩阵X′;S3根据所述矩阵X′,应用高斯核函数计算获得距离矩阵W;S4对所述距离矩阵W进行标准化,获得马尔科夫矩阵P(1),将P(1)经过t次游走获得P(t)并在P(t)基础上经谱分解获得的特征矩阵X″;S5将所述特征矩阵X″以及各个样本对应的工况Tq成对输入误差反向传播神经网络进行训练,保留预测准确率最高的神经网络模型作为监测所用的模型;S6进行实际监控。本发明方法成功实现了高维数据在线监测。
Description
技术领域
本发明属于工业监控和故障诊断领域,更具体地,涉及一种基于扩散映射和误差反向传播神经网络的塑料注塑过程在线工况过程监控方法。
背景技术
随着工业自动化的不断推进,系统设备的集成和复杂度不断增加,依靠人工的过程监测和故障诊断越来越难以满足现代工业的需求。传感器的广泛应用使得过程监测和故障诊断的自动化成为可能。
目前,主流的方法是利用传感器采集的过程数据建立监测模型。根据模型是否线性分为以主成分分析(PrincipalComponentAnalysis,PCA)为主的线性模型和以神经网络、支持向量机为代表的非线性模型。实际生产中,变量与目标值之间存在非线性,强耦合的关系,因此,PCA模型的合理性很难保证。
对于神经网络和支持向量机为代表的机器学习方法,它们在处理大规模高维数的数据样本时,很容易陷入过拟合。另外,随着传感器的采样频率越来越高,维数越来越高,维数灾难越来越引起关注。因此,如何有效的处理过程监测和故障诊断成为学术界和工业界的关注热点之一。
发明内容
针对目前方法在处理工业高维数据速度慢,成本高的现状,提供一种基于扩散映射降维和误差反向传播神经网络建模的工况监测和故障诊断的方法,通过利用扩散映射降低过程变量维数,其保留了过程变量之间的关系,提取有效的过程变量的特征,对各个工况建立神经网络监控模型,提高了监测准确率,因而达到了准确监控的目的。
为实现上述目的,按照本发明的一个方面,提供了一种塑料注塑过程的在线工况过程监控方法,包括如下步骤:
S1:利用传感器收集各个工况下的数据,组成建模用的训练样本集X,
其中,Xij∈Rm,Rm为向量,m表示过程变量Xij的维数,m为自然数,m的具体数值由当前采样系统确定,n表示每个采样工况的样本数,n=1,2,…,N,q表示采样工况种类,q=1,2,…Q,i取值为1≤i≤q,j取值为1≤j≤n,
以Xk表示训练样本集X的第k行向量,也称为第k个样本,1≤k≤q*n,以Xkl表示第k个样本的第l维的数值,1≤l≤m;
S2:进行数据预处理和归一化,使得训练样本集X的均值为0,方差为1,得到矩阵X′,X′={Xkl′},其中,k=1,2,..,q*n,l=1,2,...,m,
Xkl′=(Xkl-μl)/σl
其中,μl表示均值,σl表示方差,具体的,
其中,q表示采样工况种类,q=1,2,…Q,n表示每个采样工况的样本数,n=1,2,…,N;
S3:根据所述矩阵X′,应用高斯核函数计算获得距离矩阵W,
W={Wk1k2},1≤k1,k2≤q*n
其中,所述高斯核函数的表达式为:
其中,Xk1,Xk2为所述矩阵X′中的第k1,k2个样本,||·||2表示向量2范数计算,σ为高斯方差,高斯方差的具体值可以根据实际数据特征分布进行确定,默认为1,exp(·)表示指数运算e(·);
S4:对所述距离矩阵W进行标准化,获得马尔科夫矩阵P(1),
其中,k3为自然数,Pk1k2 (1)表示从样本k1到k2的一次转移概率,则从样本k1到k2的t次转移概率P(t)为:
P(t)=(P(1))t
对所述t次转移概率P(t)进行谱分解,得到下式:
P(t)V=λtV
其中,λ是特征值,V是特征向量,t是转移次数,由于所有的样本数据是全链接,所以最大特征值λ1(λ1=1)是平凡解,舍去,根据实际实验数据特征分布和实际需要选定保留的特征值数量d,保留d个特征值{λ2,λ3,...,λd+1}和特征值对应的特征向量{V2,V3,...,Vd+1},则经扩散映射获得的特征矩阵X″为:
X″={λ2V2,λ3V3,...,λd+1Vd+1}
S5:将所述特征矩阵X″以及各个样本对应的工况Tq成对输入误差反向传播神经网络(又称为BP神经网络)进行训练,训练进行多次,每次在训练误差e小于10-4或者迭代次数等于1000次时,终止该次训练,保留预测准确率最高的神经网络模型作为监测所用的模型;
S6:进行实际监控,具体为,在线采集和步骤S1中所述训练样本集X相同的实际过程变量,按照步骤S1至步骤S4所述方法计算获得所述实际过程变量特征矩阵,将所述实际过程变量输入至步骤S5获得的监测所用模型中,获得预测值P,将所述预测值P与设定工况进行比较,判断当前工况是否处于正常状态。
以上发明构思中,步骤S3和步骤S4是对矩阵X′进行扩散映射降维,步骤S5是利用采用BP神经网络在扩散映射降维所获得的特征矩阵上进行建模,从而获得工况监测模型。进行实际监控时,根据在线采集和步骤S1中所述训练样本集X相同的实际过程变量,可获得当前工况的预测值P。
进一步的,所述过程变量包括注塑机传感器中采集获得的注射阶段的螺杆位置和系统压力,还包括注塑机传感器中采集获得的保压阶段的螺杆位置和系统压力。实际情况,过程变量还可能包括型腔压力、喷嘴压力、冷却时间、注射时间、料筒温度、喷嘴温度、模具温度和螺杆转速。
进一步的,步骤S5中,所述神经网络为三层网络结构,所述神经网络中间隐层的神经元数量由以下公式计算获得,
其中,NH表示隐层神经元数量,NI表示输入向量维数,NI=d,d为步骤S4中的所述特征值数量d,NO表示输出层神经元数量,NO=1,a为调整量,a一般取值范围在1~10。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
本发明利用扩散映射降低过程变量维数的基础上,保留了数据样本之间的关系,提取有效的特征,对各个工况数据建立神经网络分类模型,提高了监测准确率,达到了准确监控的目的。
附图说明
图1是本发明实施例中塑料注塑过程在线工况监控方法的流程示意图;
图2是本发明实施例中神经网络模型结构示意图。
图3是本发明实施例中BP神经网络算法说明图;
图4是本发明实施例中采用原材料和回用料制备同样产品时,模具温度均为40℃时,系统压力随时间变化图,从图可知,原料的改变会对系统压力产生影响;
图5是本发明实施例中采用原材料和回用料制备同样产品时,模具温度均为40℃时,螺杆位置随时间变化图,从图可知,原料的改变对螺杆位置的影响较小;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明方法针对现有技术中数据维数过高,过程监控困难的问题,提出了一种全新的在线工况监控方法,首先采集所有正常工况下过程变量,从而建立一个训练样本集(又可称为数据库),然后基于数据库利用扩散映射(DiffusionMaps,DM)降维,提取有效的特征,最后使用神经网络建立工况监测模型。
图1是本发明实施例中塑料注塑过程在线工况监控方法的流程示意图,由图可知,本发明方法主要包括如下几个步骤:
S1:利用传感器收集各个工况下的数据,组成建模用的训练样本集X,
其中,Xij∈Rm,Rm为向量,m表示过程变量Xij的维数,m为自然数,m的具体数值由当前采样系统确定,n表示每个采样工况的样本数,n=1,2,…,N,q表示采样工况种类,q=1,2,…Q,i取值为1≤i≤q,j取值为1≤j≤n,
以Xk表示训练样本集X的第k行向量,也称为第k个样本,1≤k≤q*n,以Xkl表示第k个样本的第l维的数值,1≤l≤m,
所述传感器可以是注塑机上的,也可以是外接的,传感器可以包括压力传感器、温度传感器、位移传感器等。
所述过程变量包括注塑机传感器中采集获得的注射阶段的螺杆位置和系统压力,还包括注塑机传感器中采集获得的保压阶段的螺杆位置和系统压力。实际情况,过程变量还可能包括型腔压力、喷嘴压力、冷却时间、注射时间、料筒温度、喷嘴温度、模具温度和螺杆转速。
S2:进行数据预处理和归一化,使得训练样本集X的均值为0,方差为1,得到矩阵X′,X′={Xkl′},其中,k=1,2,..,q*n,l=1,2,...,m,
Xkl′=(Xkl-μl)/σl
其中,μl表示均值,σl表示方差,具体的,
其中,q表示采样工况种类,q=1,2,…Q,n表示每个采样工况的样本数,n=1,2,…,N;
执行完数据预处理和归一化后,避免了由量纲和数量级引起的误差。
S3:根据所述矩阵X′,应用高斯核函数计算获得距离矩阵W,
W={Wk1k2},1≤k1,k2≤q*n
其中,所述高斯核函数的表达式为:
其中,Xk1,Xk2为所述矩阵X′中的第k1,k2个样本,||·||2表示向量2范数计算,σ为高斯方差,高斯方差的具体值可以根据实际数据特征分布进行确定,默认为1,exp(·)表示指数运算e(·);
S4:对所述距离矩阵W进行标准化,获得马尔科夫矩阵P(1),
其中,k3为自然数,Pk1k2 (1)表示从样本k1到k2的一次转移概率,则从样本k1到k2的t次转移概率P(t)为:
P(t)=(P(1))t
对所述t次转移概率P(t)进行谱分解,得到下式:
P(t)V=λtV
其中,λ是特征值,V是特征向量,t是转移次数,由于所有的样本数据是全链接,所以最大特征值λ1(λ1=1)是平凡解,舍去,根据实际实验数据特征分布和实际需要选定保留的特征值数量d,保留d个特征值{λ2,λ3,...,λd+1}和特征值对应的特征向量{V2,V3,...,Vd+1},则经扩散映射获得的特征矩阵X″为:
X″={λ2V2,λ3V3,...,λd+1Vd+1}
S5:将所述特征矩阵X″以及各个样本对应的工况Tq成对输入误差反向传播神经网络进行训练,训练进行多次,每次在训练误差e小于10-5或者迭代次数等于1000次,终止该次训练,保留预测准确率最高的神经网络模型作为监测所用的模型;
图2是本发明实施例中BP神经网络模型结构示意图,由图可知,所述神经网络为三层网络结构,所述神经网络中间隐层的神经元数量由以下公式计算获得,
其中,NH表示隐层神经元数量,NI表示输入向量维数,NI=d,d为步骤S4中的所述特征值数量d,NO表示输出层神经元数量,NO=1,a为调整量,a一般取值范围在1~10。
图3是本发明实施例中BP神经网络算法说明图,由图可知,神经网络模型的参数W、b通过训练误差e(即图中误差信号)进行调整。
相比于传统的PCA数据建模方法,神经网络能更好的挖掘数据的分布特征,有利于过程监测的实施。相比于传统的统计量监测,神经网络分类监测能够同时实现多工况监测,对过程的变化和故障反应更加灵敏。
S6:进行实际监控,具体为,在线采集和步骤S1中所述训练样本集X相同的实际过程变量,按照步骤S1至步骤S4所述方法计算获得所述实际过程变量特征矩阵,将所述实际过程变量输入至步骤S5获得的监测所用模型中,获得预测值P,将所述预测值P与设定工况进行比较,判断当前工况是否处于正常状态。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图和实例,对本发明进行进一步详细说明。具体如下:
S1:采集注塑成型过程中的过程变量,获得训练样本集X。
本实例中,注塑机型号为恩瑞德NC60,注塑材料为聚丙烯,生产的制品为白色透明的盒形制品。利用注塑机现有的传感器对注塑成型过程进行过程变量采集,每3ms采样一次。过程变量为系统压力和螺杆位置,采集的注塑过程阶段包括注射阶段和保压阶段,V/P切换方式选择为螺杆位置切换。监控的工况包括六种,分别为:第一种工况,原料采用原材料且模具温度为40℃;第二种工况,原料采用原材料且模具温度为60℃;第三种工况,原料采用原材料且模具温度为80℃;第四种工况,原料采用回用料且模具温度40℃;第五种工况,原料采用回用料且模具温度60℃;第六种工况,原料采用回用料且模具温度80℃。
图4和图5分别是第一种工况和第四种工况下系统压力和螺杆位置图,由图4可知,原料的改变会对系统压力产生影响;由图5可知,原料的改变对螺杆位置的影响较小。
S2:进行数据预处理和归一化,使得训练样本集X的均值为0,方差为1,得到矩阵X′,
S3:根据所述矩阵X′,应用高斯核函数计算获得距离矩阵W,
W={Wk1k2},1≤k1,k2≤q*n
其中,所述高斯核函数的表达式为:
其中,Xk′1,Xk′2为所述矩阵X′中的第k1,k2个样本,||·||2表示向量2范数计算,σ为高斯方差,高斯方差的具体值可以根据实际数据特征分布进行确定,默认为1,exp(·)表示指数运算e(·);
S4:对所述距离矩阵W进行标准化,获得马尔科夫矩阵P(1),本次实验,采用的转移次数t=1,对马尔科夫矩阵P(1)进行谱分解,得到下式,
P(1)V=λV
得到马尔科夫链游走的特征值和特征向量,并将其保存。
本次实验,根据实验数据分布特征,特征值数量d=17,特征值如表1所示。由于λ1=1,为平凡解,舍去,保留其接下来的17个特征值和其对应的特征向量,并得到特征矩阵X″。
S5:将所述特征矩阵X″以及各个样本对应的工况Tq成对输入误差反向传播神经网络进行训练,训练进行多次,每次在训练误差e小于10-5或者迭代次数等于1000次,终止该次训练,保留预测准确率最高的神经网络模型作为监测所用的模型;
S6:进行实际监控,在线采集注射和保压阶段的螺杆位置和系统压力在不同时刻的数值,构成过程变量矩阵,然后按照步骤S1至步骤S4所述方法计算获得所述实际过程变量特征矩阵,将所述实际过程变量输入至步骤S5获得的监测所用模型中,获得预测值P,将所述预测值P与设定工况进行比较,判断当前工况是否处于正常状态,具体为若输出类别P与当前工况一致,则说明工况处于正常状态,否则,工况发生异常,发出报警。
表1特征值λ取值表
序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
λ(10-4) | 104 | 755 | 31 | 18 | 12 | 10 | 7 | 4 | 2 |
序号 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 |
λ(10-4) | 2 | 2 | 2 | 1 | 1 | 1 | 1 | 1 | 1 |
具体到本发明实施例中,通过神经网络预测出的类别与实际监测的类别进行比较,若预测为4(回用料模具温度40摄氏度),而当前设定工况为1(原材料模具温度40摄氏度),则说明发生的故障是由材料引起的,需要重新更换材料。若预测类别为3(原材料模具温度80摄氏度),实际工况为1(原材料模具温度40摄氏度),则说明发生的故障是由模温机引起的,需要重新设置模具温度或者对模温机进行检查维修。
本发明中提出的基于数据降维和神经网络建模的工况监测和故障诊断方法,采用非线性的扩散映射提取特征,神经网络作为建模工具,实现高维数据在线监测和故障诊断。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种塑料注塑过程的在线工况过程监控方法,其特征在于,包括如下步骤:
S1:利用传感器收集各个工况下的数据,组成建模用的训练样本集X,
其中,Xij∈Rm,Rm为向量,m表示过程变量Xij的维数,m为自然数,m的具体数值由当前采样系统确定,n表示每个采样工况的样本数,n=1,2,工况的,q表示采样工况种类,q=1,2,种类,i取值为1≤i≤q,j取值为1≤j≤n,
以Xk表示训练样本集X的第k行向量,也称为第k个样本,1≤k≤q*n,以Xkl表示第k个样本的第l维的数值,1≤l≤m;
S2:进行数据预处理和归一化,使得训练样本集X的均值为0,方差为1,得到矩阵X′,X′={Xkl′},其中,k=1,2,..,q*n,l=1,2,...,m,
Xkl′=(Xkl-μl)/σl
其中,μl表示均值,σl表示方差,具体的,
其中,q表示采样工况种类,q=1,2,…Q,n表示每个采样工况的样本数,n=1,2,…,N;
S3:根据所述矩阵X′,应用高斯核函数计算获得距离矩阵W,
W={Wk1k2},1≤k1,k2≤q*n
其中,所述高斯核函数的表达式为:
其中,Xk1,Xk2为所述矩阵X′中的第k1,k2个样本,||·||2表示向量2范数计算,σ为高斯方差,高斯方差的具体值可以根据实际数据特征分布进行确定,默认为1,exp(·)表示指数运算e(·);
S4:对所述距离矩阵W进行标准化,获得马尔科夫矩阵P(1),
其中,k3为自然数,Pk1k2 (1)表示从样本k1到k2的一次转移概率,则从样本k1到k2的t次转移概率P(t)为:
P(t)=(P(1))t
对所述t次转移概率P(t)进行谱分解,得到下式:
P(t)V=λtV
其中,λ是特征值,V是特征向量,t是转移次数,由于所有的样本数据是全链接,所以最大特征值λ1(λ1=1)是平凡解,舍去,根据实际实验数据特征分布和实际需要选定保留的特征值数量d,保留d个特征值{λ2,λ3,...,λd+1}和特征值对应的特征向量{V2,V3,...,Vd+1},则经扩散映射获得的特征矩阵X″为:
X″={λ2V2,λ3V3,...,λd+1Vd+1}
S5:将所述特征矩阵X″以及各个样本对应的工况Tq成对输入误差反向传播神经网络进行训练,训练进行多次,每次在训练误差e小于10-4或者迭代次数等于1000次,终止该次训练,保留预测准确率最高的神经网络模型作为监测所用的模型;
S6:进行实际监控,具体为,在线采集和步骤S1中所述训练样本集X相同的实际过程变量,按照步骤S1至步骤S4所述方法计算获得所述实际过程变量特征矩阵,将所述实际过程变量输入至步骤S5获得的监测所用模型中,获得预测值P,将所述预测值P与设定工况进行比较,判断当前工况是否处于正常状态。
2.如权利要求1所述的一种塑料注塑过程的在线工况过程监控方法,其特征在于,所述过程变量包括注塑机传感器中采集获得的注射阶段的螺杆位置和系统压力,还包括注塑机传感器中采集获得的保压阶段的螺杆位置和系统压力。
3.如权利要求1或2所述的一种塑料注塑过程的在线工况过程监控方法,其特征在于,步骤S5中,所述神经网络为三层网络结构,
所述神经网络中间隐层的神经元数量由以下公式计算获得,
其中,NH表示隐层神经元数量,NI表示输入向量维数,NI=d,d为步骤S4中的所述特征值数量d,NO表示输出层神经元数量,NO=1,a为调整量,a一般取值范围在1~10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610038855.2A CN105574587B (zh) | 2016-01-21 | 2016-01-21 | 一种塑料注塑过程的在线工况过程监控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610038855.2A CN105574587B (zh) | 2016-01-21 | 2016-01-21 | 一种塑料注塑过程的在线工况过程监控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105574587A true CN105574587A (zh) | 2016-05-11 |
CN105574587B CN105574587B (zh) | 2017-03-08 |
Family
ID=55884693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610038855.2A Active CN105574587B (zh) | 2016-01-21 | 2016-01-21 | 一种塑料注塑过程的在线工况过程监控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105574587B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107707601A (zh) * | 2017-06-02 | 2018-02-16 | 语祯物联科技(上海)有限公司 | 一种实时监控连接设备的方法及装置 |
CN109177101A (zh) * | 2018-06-28 | 2019-01-11 | 浙江工业大学 | 一种注塑机间歇过程故障检测方法 |
CN109213753A (zh) * | 2018-08-14 | 2019-01-15 | 西安理工大学 | 一种基于在线pca的工业系统监测数据恢复方法 |
CN109648816A (zh) * | 2018-12-03 | 2019-04-19 | 武汉市衡德实业有限公司 | 一种塑料注塑过程中监控注塑机工况的方法及系统 |
CN110309492A (zh) * | 2019-06-29 | 2019-10-08 | 河北工业大学 | 基于扩散图数据降维技术的风力发电机组健康度评估方法 |
CN110532318A (zh) * | 2019-09-02 | 2019-12-03 | 安徽三马信息科技有限公司 | 一种基于多隐层神经网络的注塑机运行工况数据分析系统 |
CN110962316A (zh) * | 2018-09-28 | 2020-04-07 | 发那科株式会社 | 状态判断装置以及状态判断方法 |
WO2020124779A1 (zh) * | 2018-12-17 | 2020-06-25 | 中国科学院沈阳自动化研究所 | 一种工况状态建模与修正模型方法 |
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN116127399A (zh) * | 2023-04-17 | 2023-05-16 | 威海三元塑胶科技有限公司 | 一种注塑成型车间设备监控分析方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1769867A (zh) * | 2005-09-16 | 2006-05-10 | 中华人民共和国山东出入境检验检疫局 | 塑料型号的化学计量学鉴别方法 |
US20100317093A1 (en) * | 2009-06-10 | 2010-12-16 | Cynvenio Biosystems, Inc. | Flexible pouch and cartridge with fluidic circuits |
-
2016
- 2016-01-21 CN CN201610038855.2A patent/CN105574587B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1769867A (zh) * | 2005-09-16 | 2006-05-10 | 中华人民共和国山东出入境检验检疫局 | 塑料型号的化学计量学鉴别方法 |
US20100317093A1 (en) * | 2009-06-10 | 2010-12-16 | Cynvenio Biosystems, Inc. | Flexible pouch and cartridge with fluidic circuits |
Non-Patent Citations (1)
Title |
---|
马俊燕等: "基于高斯过程机器学习的注塑过程建模及工艺参数优化设计", 《机械设计与制造》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107707601A (zh) * | 2017-06-02 | 2018-02-16 | 语祯物联科技(上海)有限公司 | 一种实时监控连接设备的方法及装置 |
CN109177101A (zh) * | 2018-06-28 | 2019-01-11 | 浙江工业大学 | 一种注塑机间歇过程故障检测方法 |
CN109213753A (zh) * | 2018-08-14 | 2019-01-15 | 西安理工大学 | 一种基于在线pca的工业系统监测数据恢复方法 |
CN109213753B (zh) * | 2018-08-14 | 2022-01-07 | 西安理工大学 | 一种基于在线pca的工业系统监测数据恢复方法 |
CN110962316A (zh) * | 2018-09-28 | 2020-04-07 | 发那科株式会社 | 状态判断装置以及状态判断方法 |
CN110962316B (zh) * | 2018-09-28 | 2022-06-24 | 发那科株式会社 | 状态判断装置以及状态判断方法 |
US11718007B2 (en) | 2018-09-28 | 2023-08-08 | Fanuc Corporation | State determination device and state determination method |
CN109648816A (zh) * | 2018-12-03 | 2019-04-19 | 武汉市衡德实业有限公司 | 一种塑料注塑过程中监控注塑机工况的方法及系统 |
WO2020124779A1 (zh) * | 2018-12-17 | 2020-06-25 | 中国科学院沈阳自动化研究所 | 一种工况状态建模与修正模型方法 |
CN110309492A (zh) * | 2019-06-29 | 2019-10-08 | 河北工业大学 | 基于扩散图数据降维技术的风力发电机组健康度评估方法 |
CN110532318A (zh) * | 2019-09-02 | 2019-12-03 | 安徽三马信息科技有限公司 | 一种基于多隐层神经网络的注塑机运行工况数据分析系统 |
CN112529104A (zh) * | 2020-12-23 | 2021-03-19 | 东软睿驰汽车技术(沈阳)有限公司 | 一种车辆故障预测模型生成方法、故障预测方法及装置 |
CN116127399A (zh) * | 2023-04-17 | 2023-05-16 | 威海三元塑胶科技有限公司 | 一种注塑成型车间设备监控分析方法及系统 |
CN116127399B (zh) * | 2023-04-17 | 2023-06-20 | 威海三元塑胶科技有限公司 | 一种注塑成型车间设备监控分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105574587B (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105574587A (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
CN102340811B (zh) | 无线传感器网络故障诊断方法 | |
CN102361014B (zh) | 大规模半导体制造过程的状态监控与故障诊断方法 | |
CN107423414A (zh) | 一种基于信息传递模型的流程工业复杂机电系统故障溯源方法 | |
CN101308385B (zh) | 基于二维动态核主元分析的非线性过程故障检测方法 | |
CN104062968A (zh) | 一种连续化工过程故障检测方法 | |
CN100507460C (zh) | 基于脉冲响应模板和参数优化的动态软测量建模方法 | |
CN104914775B (zh) | 基于vine copula相关性描述的多模态过程故障检测方法及系统 | |
CN102880809A (zh) | 基于关联向量回归模型的聚丙烯熔融指数在线检测方法 | |
CN103678936B (zh) | 一种多部件工程系统中异常部件定位方法 | |
CN103116306A (zh) | 一种自动的步进式有序时段划分方法 | |
CN104714537A (zh) | 一种基于联合相对变化分析和自回归模型的故障预测方法 | |
CN104914723A (zh) | 基于协同训练偏最小二乘模型的工业过程软测量建模方法 | |
CN102663495B (zh) | 一种用于非线性器件建模的神经网络数据生成方法 | |
CN110377942A (zh) | 一种基于有限高斯混合模型的多模型时空建模方法 | |
CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
CN105740989B (zh) | 一种基于varx模型的供水管网异常事件侦测方法 | |
CN103926919B (zh) | 基于小波变换和Lasso函数的工业过程故障检测方法 | |
CN103310095A (zh) | 间歇过程质量指标软测量方法 | |
Hou et al. | Improved multiclass support vector data description for planetary gearbox fault diagnosis | |
Geng et al. | A new fuzzy process capability estimation method based on kernel function and FAHP | |
CN102621953B (zh) | 一种橡胶硬度的在线自动质量监控和预测模型更新的方法 | |
Wang et al. | Decentralized plant-wide monitoring based on mutual information-Louvain decomposition and support vector data description diagnosis | |
CN105913180B (zh) | 多故障模式装配线性能评估方法 | |
Zhou et al. | Multi-expert attention network for long-term dam displacement prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |