CN105574587A - 一种塑料注塑过程的在线工况过程监控方法 - Google Patents

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T_q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

一种塑料注塑过程的在线工况过程监控方法

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，

$X=\left\{\begin{array}{c}{X}_{11}\\ X_{12}\\ \mathrm{...}\\ X_{1n}\\ X_{21}\\ X_{22}\\ \mathrm{...}\\ X_{2n}\\ \mathrm{...}\\ X_{ij}\\ ...\\ X_{qn}\end{array}\right\}$

其中，X_ij∈R^m，R^m为向量，m表示过程变量X_ij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X_k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X_kl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′＝{X_kl′}，其中，k＝1,2,..,q*n，l＝1,2,...,m，

X_kl′＝(X_kl-μ_l)/σ_l

其中，μ_l表示均值，σ_l表示方差，具体的，

${\mathrm{\μ}}_l=\frac{1}{q*n}\underset{k=1}{\overset{q*n}{\Σ}}{X}_{kl},$

${\mathrm{\σ}}_l=\sqrt{\frac{1}{q*n-1}{(X_{kl}-{\mathrm{\μ}}_l)}^2}$

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＝{W_k1k2}，1≤k1,k2≤q*n

其中，所述高斯核函数的表达式为：

$W_{k1k2}=\exp \left(\frac{-\left|\right|X_{k1}^{\′}-X_{k2}^{\′}|{|}^2}{2{\mathrm{\σ}}^2}\right)$

其中，X_k1,X_k2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⁾，

$P^{\left(1\right)}=\left\{P_{k1k2}^{\left(1\right)}\right\},1\≤k1,k2\≤q*n$

其中，k3为自然数，P_k1k2 ⁽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＝λ^tV

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,...,λ_d+1}和特征值对应的特征向量{V₂,V₃,...,V_d+1}，则经扩散映射获得的特征矩阵X″为：

X″＝{λ₂V₂,λ₃V₃,...,λ_d+1V_d+1}

S5：将所述特征矩阵X″以及各个样本对应的工况T_q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，

$N_H=\sqrt{N_I+N_O}+a$

其中，N_H表示隐层神经元数量，N_I表示输入向量维数，N_I＝d，d为步骤S4中的所述特征值数量d，N_O表示输出层神经元数量，N_O＝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，

$X=\left\{\begin{array}{c}{X}_{11}\\ X_{12}\\ \mathrm{...}\\ X_{1n}\\ X_{21}\\ X_{22}\\ \mathrm{...}\\ X_{2n}\\ \mathrm{...}\\ X_{ij}\\ ...\\ X_{qn}\end{array}\right\}$

其中，X_ij∈R^m，R^m为向量，m表示过程变量X_ij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X_k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X_kl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′＝{X_kl′}，其中，k＝1,2,..,q*n，l＝1,2,...,m，

X_kl′＝(X_kl-μ_l)/σ_l

其中，μ_l表示均值，σ_l表示方差，具体的，

${\mathrm{\μ}}_l=\frac{1}{q*n}\underset{k=1}{\overset{q*n}{\Σ}}{X}_{kl},$

${\mathrm{\σ}}_l=\sqrt{\frac{1}{q*n-1}{(X_{kl}-{\mathrm{\μ}}_l)}^2}$

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＝{W_k1k2}，1≤k1,k2≤q*n

其中，所述高斯核函数的表达式为：

$W_{k1k2}=\exp \left(\frac{-\left|\right|X_{k1}^{\′}-X_{k2}^{\′}|{|}^2}{2{\mathrm{\σ}}^2}\right)$

其中，X_k1,X_k2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⁾，

$P^{\left(1\right)}=\left\{P_{k1k2}^{\left(1\right)}\right\},1\≤k1,k2\≤q*n$

其中，k3为自然数，P_k1k2 ⁽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＝λ^tV

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,...,λ_d+1}和特征值对应的特征向量{V₂,V₃,...,V_d+1}，则经扩散映射获得的特征矩阵X″为：

X″＝{λ₂V₂,λ₃V₃,...,λ_d+1V_d+1}

S5：将所述特征矩阵X″以及各个样本对应的工况T_q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，

$N_H=\sqrt{N_I+N_O}+a$

其中，N_H表示隐层神经元数量，N_I表示输入向量维数，N_I＝d，d为步骤S4中的所述特征值数量d，N_O表示输出层神经元数量，N_O＝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＝{W_k1k2}，1≤k1,k2≤q*n

其中，所述高斯核函数的表达式为：

$W_{k1k2}=\exp \left(\frac{-\left|\right|X_{k1}^{\′}-X_{k2}^{\′}|{|}^2}{2{\mathrm{\σ}}^2}\right)$

其中，X_k′₁,X_k′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T_q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，

$X=\left\{\begin{array}{c}{X}_{11}\\ X_{12}\\ \mathrm{...}\\ X_{1n}\\ X_{21}\\ X_{22}\\ \mathrm{...}\\ X_{2n}\\ \mathrm{...}\\ X_{ij}\\ \mathrm{...}\\ X_{qn}\end{array}\right\}$

其中，X_ij∈R^m，R^m为向量，m表示过程变量X_ij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X_k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X_kl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′＝{X_kl′}，其中，k＝1,2,..,q*n，l＝1,2,...,m，

X_kl′＝(X_kl-μ_l)/σ_l

其中，μ_l表示均值，σ_l表示方差，具体的，

${\mathrm{\μ}}_l=\frac{1}{q*n}\underset{k=1}{\overset{q*n}{\Σ}}{X}_{kl},$

${\mathrm{\σ}}_l=\sqrt{\frac{1}{q*n-1}{(X_{kl}-{\mathrm{\μ}}_l)}^2}$

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＝{W_k1k2}，1≤k1,k2≤q*n

其中，所述高斯核函数的表达式为：

$W_{k1k2}=\exp \left(\frac{-\left|\right|X_{k1}^{\′}-X_{k2}^{\′}|{|}^2}{2{\mathrm{\σ}}^2}\right)$

其中，X_k1,X_k2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⁾，

$P^{\left(1\right)}=\left\{P_{k1k2}^{\left(1\right)}\right\},1\≤k1,k2\≤q*n$

其中，k3为自然数，P_k1k2 ⁽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＝λ^tV

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,...,λ_d+1}和特征值对应的特征向量{V₂,V₃,...,V_d+1}，则经扩散映射获得的特征矩阵X″为：

X″＝{λ₂V₂,λ₃V₃,...,λ_d+1V_d+1}

S5：将所述特征矩阵X″以及各个样本对应的工况T_q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，

$N_H=\sqrt{N_I+N_0}+a$

其中，N_H表示隐层神经元数量，N_I表示输入向量维数，N_I＝d，d为步骤S4中的所述特征值数量d，N_O表示输出层神经元数量，N_O＝1，a为调整量，a一般取值范围在1～10。