CN108803531B - 基于动静特征协同分析和有序时段划分的闭环系统过程监测方法 - Google Patents

基于动静特征协同分析和有序时段划分的闭环系统过程监测方法 Download PDF

Info

Publication number
CN108803531B
CN108803531B CN201810784362.2A CN201810784362A CN108803531B CN 108803531 B CN108803531 B CN 108803531B CN 201810784362 A CN201810784362 A CN 201810784362A CN 108803531 B CN108803531 B CN 108803531B
Authority
CN
China
Prior art keywords
period
monitoring
timeslice
matrix
ctr
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.)
Active
Application number
CN201810784362.2A
Other languages
English (en)
Other versions
CN108803531A (zh
Inventor
赵春晖
田畅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810784362.2A priority Critical patent/CN108803531B/zh
Publication of CN108803531A publication Critical patent/CN108803531A/zh
Application granted granted Critical
Publication of CN108803531B publication Critical patent/CN108803531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Abstract

本发明公开了基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，该方法考虑闭环系统的调节作用，综合分析过程动静特征，将一个多操作步骤的间歇过程自动划分为不同的子时段，并且能够通过分析控制器的调节作用区分间歇过程的过渡时段和稳态时段。本发明综合了控制器调节作用与运行状态相关的动静态在线监测指标作为时段划分的判断依据，改进了时段模型的精度，并大大提高了后续的过程在线监测性能。该方法不仅有利于对具体过程特性的了解，而且增强了闭环系统实际在线过程监测的可靠性和可信度，有助于工业工程师对闭环系统下过程运行状态做出准确判断，及时发现故障，从而保证实际生产的安全可靠运行和产品的高质量追求。

Description

基于动静特征协同分析和有序时段划分的闭环系统过程监测 方法
技术领域
本发明属于间歇过程统计监测领域，特别是涉及了一种考虑闭环系统的调节作用，基于动静特征协同分析，将一个多操作步骤的间歇过程自动划分为不同的时段并根据时段划分结果进行过程监测的方法。
背景技术
随着经济发展，人们的个性化需求增多，市场需求变化加快，多品种、多规格和高质量的产品需求增长，为了迎合这些需求，工业生产更加倚重于生产小批量、高附加值产品的间歇过程。作为工业生产中一种重要的生产方式，间歇过程与人们的生活息息相关，已被广泛应用于精细化工、生物制药、食品、聚合物反应、金属加工等领域。
多时段性是间歇过程的一个显著特点，间歇操作中的过程变量相关关系跟随过程操作进程或过程机理特性的变化发生规律性的改变，呈现分段性。在同一时段中，不同采样时刻过程变量的相关关系近似一致；在不同时段中，每个时段具有不同的过程变量轨迹、运行模式以及相关性特征，变量相关性有显著差异。为了获得理想的产品质量,每个时段都有其特定的控制目标，且在每个被良好控制的时段间可能存在短暂的过渡阶段。
显然，对于间歇过程的监测不能只考虑过程整体的运行情况，更应该深入分析每个子时段的潜在的过程相关特性。Kosanovich等人在对一个聚合物反应工业过程中应用MPCA时，针对过程中两个明显具有不同特征的反应时段分别建立MPCA模型，该模型对比单模型监测性能有较大提升。将一个间歇过程合理地划分成不同的子时段并且区分出稳定时段和过渡时段，不仅可以加强对过程的分析和理解，更是后续基于时段进行统计建模和实时故障检测的基础与关键。
本专利中所提出方法具体应用背景为注塑过程，注塑过程是一个典型的间歇工业过程。一个完整的注塑过程由闭模、注射座前进、注射、保压、塑化、冷却、开模、制件顶出等程序组成，其中注射段、保压段和冷却段是决定制件品质的最重要的三个操作阶段。在注射段，液压系统推动螺杆将塑料粘流体注入模腔中，直至模腔被流体充满。过程处于保压段时，仍有少量的粘流体被高压挤进模腔中，以补偿塑料粘流体在冷却和塑化时造成的体积收缩。保压阶段一直持续到模腔的浇口冻结，过程进入冷却阶段。在冷却阶段模腔内流体固化的同时，机桶中的塑料颗粒在机桶外的加热装置以及螺杆旋转产生的剪切热的作用下实现其物理状态的变化，变成塑料粘流态并被运送到螺杆的头部。当螺杆头部熔料逐渐增多，其压力大于注射油缸的背压时，螺杆后退同时开始容积计算。头部熔料达到一定的注射量后，螺杆停止后退和转动，这段时间的过程状态也称为塑化阶段。随着模腔中熔体的继续冷却，塑料从粘流态恢复到玻璃态而定型。当塑件完全固化，模具打开，塑件被顶出，一个工作循环完成。显然，每个时段都有其特定的控制目标，运行轨迹具有不同的动态特征。在各稳定时段之间也会存在过渡时段，例如保压阶段和塑化阶段之间的短暂的过渡时段用于将螺杆缩回。
将一个间歇过程合理的划分成不同的子时段进行基于时段的统计建模及故障检测，是实现对间歇过程准确的过程监测的关键。前人对此已经做了相应的研究与探讨，Zhao提出的使用SSPP进行时段划分，建立基于时段的PCA模型进行过程监测是比较常用的方法，该方法利用一种自动的步进有序的时段划分方法，考虑了过程运行的时序性，确定时间方向上的局部时间块，克服了传统聚类方法会将不同时间区域内的采样时刻误划入同一个子时段中的问题，提升了建模精度和监测性能。但是该方法没有考虑到闭环系统的调节作用，无法区分间歇过程的过渡时段和普通时段以及时段间控制性能的差异。且现有监测方法仅关注于监控每个时段在稳定工作条件下的状态变化，而没有考虑过程的动态行为。
间歇过程不同时段有不同的闭环控制，同时段的工况变化、不同时段间的工况切换和发生真正的故障时的过程动态行为是不同的，因而过程的动态特性是区分正常的工况切换和真正的故障的关键。在工作状态产生静态偏差的情况下，过程可能具有类似的闭环控制性能，过程动态特性可能保持正常，此时过程受到了扰动但是在闭环系统控制下可能稳定在了新的稳态，但在真正的故障情况下会呈现异常的动态行为。因此，应该对过程动态特性进行监测和分析，以确定真正的故障，提升监测性能。
可以说，之前的时段自动化分和监测方法都没有考虑闭环系统的调节作用，无法区分间歇过程的过渡时段和普通时段以及时段间控制性能的差异，从而直接或间歇影响了后续的过程建模精度和监测性能。本发明的内容深入考虑了间歇过程实际过程运行的时序性以及不同时段的闭环控制特性以及时段划分结果对于之后监测性能的影响，提出了一种新的基于动静特征协同分析的闭环系统有序时段划分与过程监测方法。
发明内容
本发明的目的在于针对现有针对间歇生产过程的时段划分和监测技术的不足，提供一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法。该方法能自动地按照间歇生产过程运行次序捕捉潜在过程特性的发展变化，确定时间方向上的局部时间块，区分子时段和过渡时段以及不同时段间控制性能的差异，基于该时段划分结果进行动静特征协同分析的监测，能够区分间歇过程同时段内的工况变化、不同时段的工况切换和真正的故障，提高在线过程监测性能，并最终可应用于实际工业生产现场，确保间歇生产的安全可靠运行以及产品的高质量追求。
本发明的目的是通过以下技术方案来实现：一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，该方法包括以下步骤：
(1)获取待分析数据：设一个间歇操作具有个J测量变量，对每一个测量变量测量N次，这样，一次间歇操作的数据可以组成一个二维数据矩阵X(K×J)。
重复I次间歇操作，得到的数据可以表述为一个三维矩阵X(I×J×K)。
(2)数据预处理：将三维矩阵X按照批次方向展开得到时间片矩阵Xk(I×J)，其中下标k是时间指标。设二维矩阵Xk内任意一点的变量为xijk对该变量进行减均值、除以标准差的标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：
其中：k是时间片指标。
Figure BDA0001733367520000042
是Xk矩阵第j列的均值，sjk是Xk矩阵第j列的标准差，为标准化后的二维矩阵
Figure BDA0001733367520000044
内任意一点的变量。；
Figure BDA0001733367520000045
将Xk(I×J)标准化后，得到每列均值为0，方差为1的时间片矩阵
(3)时间片SFA建模，该步骤由以下子步骤来实现：
(3.1)建立每个时间片的SFA模型：对标准化处理后的每一个时间片矩阵
Figure BDA0001733367520000051
建立SFA模型，得到每个时间片SFA模型，其中SFA建模公式如下：
Figure BDA0001733367520000052
其中sk为第k个时间片的慢特征，Wk为第k个时间片的转换矩阵，T表示转置。
(3.2)计算各时间片k的静态监测统计量T2和动态监测统计量S2的控制限：
Figure BDA0001733367520000053
Figure BDA0001733367520000054
是sk的一阶微分，其中
Figure BDA0001733367520000056
是
Figure BDA0001733367520000057
的经验协方差矩阵。根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrk,T；利用核密度估计求出S2的控制限Ctrk,S,二者分别从不同方面反应了时间片SFA模型的重构能力。
(4)基于时段的SFA建模，该步骤由以下子步骤来实现：
(4.1)从间歇过程初始点开始，依次将下一个时间片与之前的时间片组合在一起并按变量方式展开得到时段矩阵Xc(Ih×J)，标准化后得到矩阵其中，h代表由h个时间片矩阵组成该时段矩阵，下标c是时段指标；
对新的时段矩阵进行SFA建模:
Figure BDA0001733367520000059
其中，sc为第c个时段的慢特征，Wc为第c个时段的转换矩阵，T表示转置；
(4.2)计算各时段c的静态监测统计量T2和动态监测统计量S2的控制限：
Figure BDA0001733367520000061
其中，
Figure BDA0001733367520000062
是sc的一阶微分，Ωc是的经验协方差矩阵；
根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrc,T；利用核密度估计求出S2的控制限Ctrc,S；
(5)确定时段划分点k*：比较在相同时间区域内的Ctrk,T与Ctrc,T，Ctrk,S与Ctrc,S，定义连续三个样本呈现Ctrk>αCtrc，称两个控制限不相似，反之则称两个控制限相似；其中，α是依附于Ctrc的常数，称作缓和因子，它反应的是与时间片模型相比，时段模型允许监测精度损失的程度；若控制限不相似，说明新加入的时间片对该时段的SFA监测模型及相应的监测性能都有重大的影响；
有两组控制限：Ctrk,T与Ctrc,T，Ctrk,S与Ctrc,S分别进行比较，结果有四种，每种结果与其对应的时段划分操作如下表所示：
Figure BDA0001733367520000064
表1中，时段划分操作是指，将新加入的时间片前的时刻记为k*，将k*时刻之前的时间片认为是一个子时段，进行时段划分；
(6)过程分析数据更新，确定所有划分时段：根据步骤5中所获得的时刻k*的指示，移除第一个子时段，把余下的间歇过程数据作为新的输入数据带入到第5步中；
(7)重复上述步骤5-6，划分不同时间段，直到没有数据余留；
(8)基于时段划分结果的动静协同过程监测模型建立，该步骤由以下子步骤来实现：
(8.1)建立基于时段的局部SFA模型用于监测过程静态行为：根据步骤6时段划分结果，每个时段内的时间片按照变量展开方式组合成子时段代表性建模数据组，Xc(IKc×J)，标准化后得到矩阵
Figure BDA0001733367520000071
其中，下标c是时段指标，Kc代表已划分好的第c个时段的组成该时段的时间片个数，然后建立第c个时段的局部SFA模型：
Figure BDA0001733367520000072
其中，sc代表从第c个时段中提取的慢特征；Wc为第c个时段的转换矩阵；
(8.2)选取主慢特征个数：根据特征的缓慢程度，可以将sc分为两个部分：
Figure BDA0001733367520000073
变化缓慢的特征能够表示第c个时段内过程变化总体趋势，而变化较快的那些特征可以看作是噪声；选择m(m<Rc)个慢特征sc,d＝{sc,1,…,sc,m}作为主慢特征，剩余的慢特征sc,e作为噪声，其中Rc为全部慢特征数；主慢特征数m的选择从重构的角度考虑：
Figure BDA0001733367520000074
Figure BDA0001733367520000075
过程变量xj可以通过慢特征s重构；其中，
Figure BDA0001733367520000076
是的第j列，是将
Figure BDA0001733367520000079
的某几个元素用0替代，元素个数由下文中m给出。降噪重构的过程变量
Figure BDA0001733367520000081
的缓慢程度
Figure BDA0001733367520000082
能够代表重构的过程变量保留了多少重要的信息；应含有尽可能少的变化快的噪声，因此
Figure BDA0001733367520000084
而Δ(xj)和Δ(si)呈线性关系，慢特征s中Δ(si)>Δ(xj)部分使xj变化加快，去除该部分，使
Figure BDA0001733367520000085
能够满足
Figure BDA0001733367520000086
综合考虑所有变量的重构效果，应该去除的特征集合为：
Figure BDA0001733367520000087
划分的主慢特征个数m＝Rc-cnt(F)，为全部慢特征数减去集合F中元素的数量；定义Wc的前m行为Wc,d(m×J),剩余部分为Wc,e((Rc-m)×J),慢特征sc的两部分分别为：
Figure BDA0001733367520000088
Figure BDA0001733367520000089
其中,sc,d是提取出来的能够表示第c个时段内部变化主要趋势的慢特征；sc,e是过程中的噪声；Wc,d、Wc,e分别表示转换矩阵；
(8.3)计算静态监测的控制限：
Figure BDA00017333675200000810
Figure BDA00017333675200000811
其中，和
Figure BDA00017333675200000813
分别是sc,d和sc,e的T2监测统计量。根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrc,Td、Ctrc,Te；
(8.4)建立全局模型用于监测过程动态：上一步已经求得每个时段的sc,d、sc,e，由下式得到整体的sd和se的一阶微分
Figure BDA00017333675200000814
Figure BDA00017333675200000815
Figure BDA00017333675200000816
其中
Figure BDA00017333675200000817
和
Figure BDA00017333675200000818
分别代表第c个时段内不同特征空间内慢特征的一阶差分，
Figure BDA00017333675200000819
和
Figure BDA00017333675200000820
是第i个批次的第c个时段在不同特征空间的慢特征的一阶差分；
(8.5)计算动态监测的控制限：
Figure BDA0001733367520000091
Figure BDA0001733367520000092
其中，
Figure BDA0001733367520000093
和
Figure BDA0001733367520000094
分别是sc,d和sc,e的S2监测统计量。其中Ωd、Ωe分别是
Figure BDA0001733367520000095
的经验协方差矩阵；利用核密度估计求出S2的控制限Ctrc,Sd、Ctrc,Se；
(9)在线过程监测：基于步骤6划分的时段、步骤8建立的动静协同的监测模型以及
Figure BDA0001733367520000096
四个监测统计量可以在线监测注塑成型等间歇过程的状态；该步骤由以下子步骤来实现：
(9.1)采集新测量数据及新测量数据预处理：在线监测时，采集到新的过程测量数据xnew(J×1)，其中，下标new代表新样本，J为测量变量，与步骤1中的测量变量相同；按照步骤2中方式进行标准化处理，在标准化过程中使用的均值、方差均从建模数据中获得，标准化处理后得到
(9.2)判断当前所在时段，设当前时刻为t，利用当前时段的局部模型Wc计算当前新样本的慢特征：
Figure BDA0001733367520000098
其中，snew是从新的过程测量数据中提取出的慢特征，利用(8.2)中方法将其分为两部分snew,d、snew,e。
分别计算新的样本的主慢特征snew,d和残差snew,e的一阶微分：
Figure BDA0001733367520000099
Figure BDA00017333675200000910
其中，下标t-1代表当前时刻t的上一时刻。
(9.3)计算监测统计量：
计算在线静态监测量：
Figure BDA0001733367520000101
其中，
Figure BDA0001733367520000102
和
Figure BDA0001733367520000103
分别是snew,d和snew,e的T2监测统计量
计算在线动态监测量：
其中，和
Figure BDA0001733367520000106
分别是snew,d和snew,e的S2监测统计量，Ωd、Ωe分别是(8.5)中
Figure BDA0001733367520000107
的经验协方差矩阵。
(9.4)在线判断过程运行状态：实时比较四个监测指标与其各自的统计控制限：
(a)如果所有四个监测量均处于控制限制范围内，则该过程是正常的；
(b)如果静态监测量超限，动态监测量没有超限或超限后回复正常，这表明可以检测到稳态的偏差，但过程动态却没有受到影响；此时可能是由环境变化或物料变化等干扰造成静态偏差，但在控制系统的调节作用下稳定到了新的稳态，也可能是由时段的切换导致的工作状态切换；
(c)如果静态监测量没有超限，动态监测量超限；此时检测到了一些动态异常，但是稳态未被破坏，这说明过程收到了一些微小干扰，但是在控制系统调节范围内，不会破坏其稳态，过程正常；
(d)如果静态监测量和动态监测量均超限，过程出现了静态偏差和动态异常，此时过程发生故障且超出控制系统调节范围，检测到了异常，应及时处理.
进一步地，步骤1中，所述测量变量为以下9个：压力阀开度、流量阀开度、螺杆行程、螺杆速度、注射压力、喷嘴温度、机桶头部温度、机桶中间温度和机桶尾部温度。
与现有技术相比，本发明的有益效果是：本发明为无过程先验知识条件下的闭环系统多阶段过程时段划分、建模和监测提供了新的研究思路。所提出的时段划分和过程监测方法可以应用于一类多运行时段的间歇生产过程，考虑不同时段的闭环控制，按照过程的动静特征协同分析划分为不同子时段，基于该时段划分结果进行动静特征协同分析的监测，能够区分闭环控制下间歇过程同时段内的工况变化、不同时段的工况切换和真正的故障，提高在线过程监测性能，所提出的方法在注塑工业过程中做了详细的实验研究，获得了成功应用，该方法通过对间歇过程多运行时段的自动划分，增强了对具体过程运行特性的了解，提高了过程监测过程的监测效率和故障检测结果的准确性，最终可应用于实际工业生产现场，确保间歇生产的安全可靠运行以及产品的高质量追求。
附图说明
图1是本发明所述自动的步进式有序时段划分方法的流程图。
图2是本发明所述自动的步进式有序时段划分方法在不同α取值的划分结果图。
图3是本发明具体实施例中的本发明方法的监测结果与SSPP划分监测对比图。
具体实施方式
下面结合附图及具体实例，对本发明做进一步说明。
注塑成型过程是典型的多时段间歇生产过程，一般由注射、保压、冷却三个阶段构成。此外，塑化过程在冷却初始阶段完成。具体地说，在注射阶段，液压系统推动螺杆将塑料粘流体注入模腔中，直至模腔被流体充满。过程处于保压阶段时，仍有少量的粘流体被高压挤进模腔中，以补偿塑料粘流体在冷却和塑化时造成的体积收缩。保压阶段一直持续到模腔的浇口冻结，过程进入冷却段。当螺杆头部熔料逐渐增多，达到一定的注射量后，螺杆停止后退和转动，这段时间的过程状态也称塑化段。随着模腔中熔料继续冷却，塑件完全固化，模具打开，塑件被顶出，从而完成一个工作循环。
本发明自动的步进式有序时段划分方法，包括以下步骤：
(1)获取待分析数据：设一个间歇操作具有个J测量变量，对每一个测量变量测量N次，这样，一次间歇操作的数据可以组成一个二维数据矩阵X(K×J)。
重复I次间歇操作，得到的数据可以表述为一个三维矩阵X(I×J×K)：本实例中，采集了526个样本，测量变量为9个：压力阀开度、流量阀开度、螺杆行程、螺杆速度、注射压力、喷嘴温度、机桶头部温度、机桶中间温度、机桶尾部温度。本实例中，30个正常批次用于测试本发明提出的时段划分方法并建立相应的在线监测系统。即三维建模数据矩阵为X(30×9×526)。此外，5个正常批次和5个故障批次作为验证数据，用于验证所建立的监测系统的在线故障检测性能，其中故障为冷却水故障。
(2)数据预处理：将三维矩阵X按照批次方向展开得到时间片矩阵Xk(I×J)，其中下标k是时间指标。设二维矩阵Xk内任意一点的变量为xijk对该变量进行减均值、除以标准差的标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：
Figure BDA0001733367520000121
其中：k是时间片指标。
Figure BDA0001733367520000122
是Xk矩阵第j列的均值，sjk是Xk矩阵第j列的标准差，
Figure BDA0001733367520000123
为标准化后的二维矩阵
Figure BDA0001733367520000124
内任意一点的变量。；
Figure BDA0001733367520000131
将Xk(I×J)标准化后，得到每列均值为0，方差为1的时间片矩阵
Figure BDA0001733367520000132
(3)时间片SFA建模，该步骤由以下子步骤来实现：
(3.1)建立每个时间片的SFA模型：对标准化处理后的每一个时间片矩阵
Figure BDA0001733367520000133
建立SFA模型，得到每个时间片SFA模型，其中SFA建模公式如下：
其中sk为第k个时间片的慢特征，Wk为第k个时间片的转换矩阵，T表示转置。
(3.2)计算各时间片k的静态监测统计量T2和动态监测统计量S2的控制限：
Figure BDA0001733367520000135
Figure BDA0001733367520000137
是sk的一阶微分，其中
Figure BDA0001733367520000138
是的经验协方差矩阵。根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrk,T；利用核密度估计求出S2的控制限Ctrk,S,二者分别从不同方面反应了时间片SFA模型的重构能力。
(4)基于时段的SFA建模，该步骤由以下子步骤来实现：
(4.1)从间歇过程初始点开始，依次将下一个时间片与之前的时间片组合在一起并按变量方式展开得到时段矩阵Xc(Ih×J)，标准化后得到矩阵
Figure BDA00017333675200001310
其中，h代表由h个时间片矩阵组成该时段矩阵，下标c是时段指标；
对新的时段矩阵进行SFA建模:
Figure BDA00017333675200001311
其中，sc为第c个时段的慢特征，Wc为第c个时段的转换矩阵，T表示转置；
(4.2)计算各时段c的静态监测统计量T2和动态监测统计量S2的控制限：
Figure BDA0001733367520000141
Figure BDA0001733367520000142
其中，是sc的一阶微分，Ωc是
Figure BDA0001733367520000144
的经验协方差矩阵；
根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrc,T；利用核密度估计求出S2的控制限Ctrc,S；
(5)确定时段划分点k*：比较在相同时间区域内的Ctrk,T与Ctrc,T，Ctrk,S与Ctrc,S，定义连续三个样本呈现Ctrk>αCtrc，称两个控制限不相似，反之则称两个控制限相似；其中，α是依附于Ctrc的常数，称作缓和因子，它反应的是与时间片模型相比，时段模型允许监测精度损失的程度；若控制限不相似，说明新加入的时间片对该时段的SFA监测模型及相应的监测性能都有重大的影响；
有两组控制限：Ctrk,T与Ctrc,T，Ctrk,S与Ctrc,S分别进行比较，结果有四种，每种结果与其对应的时段划分操作在表1中列出：
表1：
Figure BDA0001733367520000145
Figure BDA0001733367520000151
表1中，时段划分操作是指，将新加入的时间片前的时刻记为k*，将k*时刻之前的时间片认为是一个子时段，进行时段划分；
(6)过程分析数据更新，确定所有划分时段：根据步骤5中所获得的时刻k*的指示，移除第一个子时段，把余下的间歇过程数据作为新的输入数据带入到第5步中；
(7)重复上述步骤5-6，划分不同时间段，直到没有数据余留；
(8)基于时段划分结果的动静协同过程监测模型建立，该步骤由以下子步骤来实现：
(8.1)建立基于时段的局部SFA模型用于监测过程静态行为：根据步骤6时段划分结果，每个时段内的时间片按照变量展开方式组合成子时段代表性建模数据组，Xc(IKc×J)，标准化后得到矩阵其中，下标c是时段指标，Kc代表已划分好的第c个时段的组成该时段的时间片个数，然后建立第c个时段的局部SFA模型：
Figure BDA0001733367520000153
其中，sc代表从第c个时段中提取的慢特征；Wc为第c个时段的转换矩阵；
(8.2)选取主慢特征个数：根据特征的缓慢程度，可以将sc分为两个部分：
Figure BDA0001733367520000154
变化缓慢的特征能够表示第c个时段内过程变化总体趋势，而变化较快的那些特征可以看作是噪声；选择m(m<Rc)个慢特征sc,d＝{sc,1,…,sc,m}作为主慢特征，剩余的慢特征sc,e作为噪声，其中Rc为全部慢特征数；主慢特征数m的选择从重构的角度考虑：
Figure BDA0001733367520000161
Figure BDA0001733367520000162
过程变量xj可以通过慢特征s重构；其中，
Figure BDA0001733367520000163
是
Figure BDA0001733367520000164
的第j列，
Figure BDA0001733367520000165
是将
Figure BDA0001733367520000166
的某几个元素用0替代，元素个数由下文中m给出。降噪重构的过程变量
Figure BDA0001733367520000167
的缓慢程度
Figure BDA0001733367520000168
能够代表重构的过程变量保留了多少重要的信息；
Figure BDA0001733367520000169
应含有尽可能少的变化快的噪声，因此
Figure BDA00017333675200001610
而Δ(xj)和Δ(si)呈线性关系，慢特征s中Δ(si)>Δ(xj)部分使xj变化加快，去除该部分，使
Figure BDA00017333675200001611
能够满足
Figure BDA00017333675200001612
综合考虑所有变量的重构效果，应该去除的特征集合为：
Figure BDA00017333675200001613
划分的主慢特征个数m＝Rc-cnt(F)，为全部慢特征数减去集合F中元素的数量；定义Wc的前m行为Wc,d(m×J),剩余部分为Wc,e((Rc-m)×J),慢特征sc的两部分分别为：
Figure BDA00017333675200001614
Figure BDA00017333675200001615
其中,sc,d是提取出来的能够表示第c个时段内部变化主要趋势的慢特征；sc,e是过程中的噪声；Wc,d、Wc,e分别表示转换矩阵；
(8.3)计算静态监测的控制限：
Figure BDA00017333675200001616
Figure BDA00017333675200001617
其中，
Figure BDA00017333675200001618
和
Figure BDA00017333675200001619
分别是sc,d和sc,e的T2监测统计量。根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrc,Td、Ctrc,Te；
(8.4)建立全局模型用于监测过程动态：上一步已经求得每个时段的sc,d、sc,e，由下式得到整体的sd和se的一阶微分
Figure BDA00017333675200001620
Figure BDA0001733367520000171
Figure BDA0001733367520000172
其中
Figure BDA0001733367520000173
和
Figure BDA0001733367520000174
分别代表第c个时段内不同特征空间内慢特征的一阶差分，和
Figure BDA0001733367520000176
是第i个批次的第c个时段在不同特征空间的慢特征的一阶差分；
(8.5)计算动态监测的控制限：
Figure BDA0001733367520000177
Figure BDA0001733367520000178
其中，
Figure BDA0001733367520000179
和
Figure BDA00017333675200001710
分别是sc,d和sc,e的S2监测统计量。其中Ωd、Ωe分别是
Figure BDA00017333675200001711
的经验协方差矩阵；利用核密度估计求出S2的控制限Ctrc,Sd、Ctrc,Se；
(9)在线过程监测：基于步骤6划分的时段、步骤8建立的动静协同的监测模型以及
Figure BDA00017333675200001712
四个监测统计量可以在线监测注塑成型等间歇过程的状态；该步骤由以下子步骤来实现：
(9.1)采集新测量数据及新测量数据预处理：在线监测时，采集到新的过程测量数据xnew(J×1)，其中，下标new代表新样本，J为测量变量，与步骤1中的测量变量相同；按照步骤2中方式进行标准化处理，在标准化过程中使用的均值、方差均从建模数据中获得，标准化处理后得到
(9.2)判断当前所在时段，设当前时刻为t，利用当前时段的局部模型Wc计算当前新样本的慢特征：
Figure BDA00017333675200001714
其中，snew是从新的过程测量数据中提取出的慢特征，利用(8.2)中方法将其分为两部分snew,d、snew,e。
分别计算新的样本的主慢特征snew,d和残差snew,e的一阶微分：
Figure BDA0001733367520000181
Figure BDA0001733367520000182
其中，下标t-1代表当前时刻t的上一时刻。
(9.3)计算监测统计量：
计算在线静态监测量：
Figure BDA0001733367520000183
其中，
Figure BDA0001733367520000184
和
Figure BDA0001733367520000185
分别是snew,d和snew,e的T2监测统计量
计算在线动态监测量：
Figure BDA0001733367520000186
其中，
Figure BDA0001733367520000187
和分别是snew,d和snew,e的S2监测统计量，Ωd、Ωe分别是(8.5)中
Figure BDA0001733367520000189
的经验协方差矩阵。
(9.4)在线判断过程运行状态：实时比较四个监测指标与其各自的统计控制限：
(a)如果所有四个监测量均处于控制限制范围内，则该过程是正常的；
(b)如果静态监测量超限，动态监测量没有超限或超限后回复正常，这表明可以检测到稳态的偏差，但过程动态却没有收到影响。此时可能是由环境变化或物料变化等干扰造成静态偏差，但在控制系统的调节作用下稳定到了新的稳态，也可能是由时段的切换导致的工作状态切换；
(c)如果静态监测量没有超限，动态监测量超限。此时检测到了一些动态异常，但是稳态未被破坏。这说明过程收到了一些微小干扰，但是在控制系统调节范围内，不会破坏其稳态，过程正常；
(d)如果静态监测量和动态监测量均超限，过程出现了静态偏差和动态异常，此时过程发生故障且超出控制系统调节范围，检测到了异常，应及时处理。
首先利用本发明的划分方法对注塑过程数据进行时段划分，在不同的α取值下的划分结果如附图2所示。其中粗实线代表稳定时段，细实线代表过渡时段。
紧接着利用本发明的监测方法对故障批次过程进行故障检测，结果如图3(a)、(b)所示。从图3(a)中可以看出，前50个数据样本的两个静态监测统计量均在控制限内，从第51个开始，静态监测量开始超限，表示此时状态与稳定状态存在偏差。从图3(b)中可以看出，在第51时刻两个动态统计量突然上升，然后在第73个数据点处回到控制限内，这说明虽然检测到了工况的变化，但是由于闭环控制系统的快速响应，过程动态特性没有受到影响。其静态偏差是由环境中的一些干扰或是工况的切换引起的，过程已经稳定在了新的稳定状态。而使用SSPP进行时段划分，建立基于时段的PCA模型进行监测的结果如图3(c)所示。SPE统计量不具备监测过程动态特性的能力，因而该方法无法辨别上述情况，仅会当作故障情况处理，这是一种错误的诊断。总体来说，基于本发明提出的时段划分和监测策略可以区分间歇过程的过渡时段和普通时段，并且在在线监测中区分间歇过程时段切换、操作条件变化以及真正的故障情况，这是传统的监测方法无法做到的。提高了实际在线过程监测的可靠性和可信度，有助于工业工程师对过程运行状态做出准确判断，保证实际生产过程的安全可靠运行。
本发明基于动静特征协同分析的闭环系统有序时段划分与过程监测方法，是在考虑闭环系统的调节作用，通过分析对模型重构精度和监测性能的影响来捕捉过程特性的变化从而进行时段划分，然后通过动静协同的方式对间歇过程进行过程监测，通过应用于注塑成型等多时段间歇生产过程成功证明其可以将以注塑成型等代表的间歇生产过程自动划分为不同时段，并解决传统监测方法无法辨别间歇过程时段切换、操作条件变化以及真正的故障的缺陷。该方法首先构建了时间片模型，再从过程初始时刻不断进行时间片融合，在一段时间区域内建立基于变量展开的子时段模型与时间片模型的进行对比，分析该段时间区域内的时间片过程动静特性是否相似，根据动静特性相似情况确定不同的子时段，再不断迭代重复来获取后续的子时段。基于时段划分结果建立的动静协同监测系统可以为实际工业生产现场的技术管理部门提供高精度的在线过程监测结果，为实时判断生产过程状态，识别是否有故障发生提供可靠依据，并最终为生产的安全可靠运行和产品的高质量追求奠定了基础。
应该理解，本发明并不局限于上述具体实施例的注塑过程，凡是熟悉本领域的技术人员在不违背本发明精神的前提下还可做出等同变形或替换，这些等同的变型或替换均包含在本申请权利要求所限定的范围。

Claims (2)

1.一种基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，其特征在于，该方法包括以下步骤：
(1)获取待分析数据：设一个间歇操作具有J个测量变量，对每一个测量变量测量K次，这样，一次间歇操作的数据组成一个二维数据矩阵X(K×J)；
重复I次间歇操作，得到的数据表述为一个三维矩阵X(I×J×K)；
(2)数据预处理：将三维矩阵X按照批次方向展开得到时间片矩阵Xk(I×J)，其中，下标k是时间片指标；设二维矩阵Xk内任意一点的变量为xijk，对该变量进行减均值、除以标准差的标准化处理，其中，下标i代表批次，j代表变量，标准化处理的计算公式如下：
Figure FDA0002153191850000011
其中：k是时间片指标，
Figure FDA0002153191850000012
是Xk矩阵第j列的均值，sjk是Xk矩阵第j列的标准差，
Figure FDA0002153191850000013
为标准化后的二维矩阵Xk内任意一点的变量；
其中，
Figure FDA0002153191850000014
将二维矩阵Xk(I×J)标准化后，得到每列均值为0，方差为1的时间片矩阵
Figure FDA0002153191850000015
(3)时间片SFA建模，该步骤由以下子步骤来实现：
(3.1)建立每个时间片的SFA模型：对标准化处理后的每一个时间片矩阵
Figure FDA0002153191850000016
建立SFA模型，得到每个时间片SFA模型，其中SFA建模公式如下：
Figure FDA0002153191850000017
其中，sk为第k个时间片的慢特征，Wk为第k个时间片的转换矩阵，T 表示转置；
(3.2)计算各时间片k的静态监测统计量T2和动态监测统计量S2的控制限：
Figure FDA0002153191850000021
Figure FDA0002153191850000022
其中，是sk的一阶微分，Ωk是
Figure FDA0002153191850000024
的经验协方差矩阵；
根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrk，T；利用核密度估计求出S2的控制限Ctrk，S，二者分别从不同方面反应了时间片SFA模型的重构能力；
(4)基于时段的SFA建模，该步骤由以下子步骤来实现：
(4.1)从间歇过程初始点开始，依次将下一个时间片与之前的时间片组合在一起并按变量方式展开得到时段矩阵Xc(Ih×J)，标准化后得到矩阵
Figure FDA00021531918500000210
其中，h代表由h个时间片矩阵组成该时段矩阵，下标c是时段指标；
对新的时段矩阵进行SFA建模：
Figure FDA0002153191850000025
其中，sc为第c个时段的慢特征，Wc为第c个时段的转换矩阵，T表示转置；
(4.2)计算各时段c的静态监测统计量T2和动态监测统计量S2的控制限：
Figure FDA0002153191850000027
其中，
Figure FDA0002153191850000028
是sc的一阶微分，Ωc是
Figure FDA0002153191850000029
的经验协方差矩阵；
根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrc，T；利用核密度估计求出S2的控制限Ctrc，s；
(5)确定时段划分点k*：比较在相同时间区域内的Ctrk，T与Ctrc，T，Ctrk，S与Ctrc，S，定义连续三个样本呈现Ctrk＞αCtrc，称两个控制限不相似，反之则称两个控制限相似；其中，α是依附于Ctrc的常数，称作缓和因子，它反应的是与时间片模型相比，时段模型允许监测精度损失的程度；若控制限不相似，说明新加入的时间片对该时段的SFA监测模型及相应的监测性能都有重大的影响；
有两组控制限：Ctrk，T与Ctrc，T，Ctrk，S与Ctrc，S分别进行比较，结果有四种，每种结果与其对应的时段划分操作如下表所示：
其中，时段划分操作是指，将新加入的时间片前的时刻记为k*，将k*时刻之前的时间片认为是一个子时段，进行时段划分；
(6)过程分析数据更新，确定所有划分时段：根据步骤5中所获得的时刻k*的指示，移除第一个子时段，把余下的间歇过程数据作为新的输入数据带入到第5步中；
(7)重复上述步骤5-6，划分不同时间段，直到没有数据余留；
(8)基于时段划分结果的动静协同过程监测模型建立，该步骤由以下子步骤来实现：
(8.1)建立基于时段的局部SFA模型用于监测过程静态行为：根据步骤6时段划分结果，每个时段内的时间片按照变量展开方式组合成子时段代表性建模数据组，Xc(IKc×J)，标准化后得到矩阵
Figure FDA0002153191850000041
其中，下标c是时段指标，Kc代表已划分好的第c个时段的组成该时段的时间片个数，然后建立第c个时段的局部SFA模型：
Figure FDA0002153191850000042
其中，sc代表从第c个时段中提取的慢特征；Wc为第c个时段的转换矩阵；
(8.2)选取主慢特征个数：根据特征的缓慢程度，将sc分为两个部分：
Figure FDA0002153191850000043
变化缓慢的特征能够表示第c个时段内过程变化总体趋势，而变化较快的那些特征看作是噪声；选择m(m＜Rc)个慢特征sc，d＝{sc，1，…，sc，m}作为主慢特征，剩余的慢特征sc，e作为噪声，其中Rc为全部慢特征数；主慢特征数m的选择从重构的角度考虑：
Figure FDA0002153191850000044
Figure FDA0002153191850000045
过程变量xj通过慢特征s重构；其中，
Figure FDA0002153191850000046
是
Figure FDA0002153191850000047
的第j列，
Figure FDA0002153191850000048
是将
Figure FDA0002153191850000049
的某几个元素用0 替代，元素个数由下文中m给出；降噪重构的过程变量
Figure FDA00021531918500000410
的缓慢程度能够代表重构的过程变量保留了多少重要的信息；
Figure FDA00021531918500000412
应含有尽可能少的变化快的噪声，因此
Figure FDA00021531918500000413
而Δ(xj)和Δ(si)呈线性关系，慢特征s中Δ(si)＞Δ(xj)部分使xj变化加快，去除该部分，使能够满足
Figure FDA00021531918500000415
综合考虑所有变量的重构效果，去除的特征集合为：
划分的主慢特征个数m＝Rc-cnt(F)，为全部慢特征数减去集合F中元素的数量；定义Wc的前m行为Wc，d(m×J)，剩余部分为Wc，e((Rc-m)×J)，慢特征sc的两部分分别为：
Figure FDA0002153191850000052
Figure FDA0002153191850000053
其中，sc，d是提取出来的能够表示第c个时段内部变化主要趋势的慢特征；sc，e是过程中的噪声；Wc，d、Wc，e分别表示转换矩阵；
(8.3)计算静态监测的控制限：
Figure FDA0002153191850000055
其中，
Figure FDA0002153191850000056
和
Figure FDA0002153191850000057
分别是sc，d和sc，e的T2监测统计量；根据相同时刻不同批次的T2值服从带权重系数的χ2分布，从而确定出控制限Ctrc，Td、Ctrc，Te；
(8.4)建立全局模型用于监测过程动态：上一步已经求得每个时段的sc，d、sc，e，由下式得到整体的sd和se的一阶微分
Figure FDA0002153191850000058
Figure FDA0002153191850000059
Figure FDA00021531918500000510
其中和分别代表第c个时段内不同特征空间内慢特征的一阶差分，
Figure FDA00021531918500000513
和
Figure FDA00021531918500000514
是第i个批次的第c个时段在不同特征空间的慢特征的一阶差分；
(8.5)计算动态监测的控制限：
Figure FDA00021531918500000515
其中，
Figure FDA00021531918500000517
和
Figure FDA00021531918500000518
分别是sc，d和sc，e的S2监测统计量；其中Ωd、Ωe分别是
Figure FDA0002153191850000061
的经验协方差矩阵；利用核密度估计求出S2的控制限Ctrc，sd、Ctrc，Se；
(9)在线过程监测：基于步骤6划分的时段、步骤8建立的动静协同的监测模型以及
Figure FDA0002153191850000062
四个监测统计量在线监测注塑成型间歇过程的状态；该步骤由以下子步骤来实现：
(9.1)采集新测量数据及新测量数据预处理：在线监测时，采集到新的过程测量数据xnew(J×1)，其中，下标new代表新样本，J为测量变量，与步骤1中的测量变量相同；按照步骤2中方式进行标准化处理，在标准化过程中使用的均值、方差均从建模数据中获得，标准化处理后得到
Figure FDA0002153191850000063
(9.2)判断当前所在时段，设当前时刻为t，利用当前时段的局部模型Wc计算当前新样本的慢特征：
Figure FDA0002153191850000064
其中，snew是从新的过程测量数据中提取出的慢特征，利用(8.2)中方法将其分为两部分snew，d、snew，e；
分别计算新的样本的主慢特征snew，d和残差snew，e的一阶微分：
Figure FDA0002153191850000065
Figure FDA0002153191850000066
其中，下标t-1代表当前时刻t的上一时刻；
(9.3)计算监测统计量：
计算在线静态监测量：
其中，和
Figure FDA0002153191850000069
分别是snew，d和snew，e的T2监测统计量；
计算在线动态监测量：
其中，
Figure FDA0002153191850000072
和
Figure FDA0002153191850000073
分别是snew，d和snew，e的S2监测统计量，Ωd、Ωe分别是(8.5)中
Figure FDA0002153191850000074
的经验协方差矩阵；
(9.4)在线判断过程运行状态：实时比较四个监测指标与其各自的统计控制限：当且仅当静态监测量和动态监测量均超限，过程出现了静态偏差和动态异常，此时过程发生故障且超出控制系统调节范围，检测到了异常。
2.根据权利要求1所述的基于动静特征协同分析和有序时段划分的闭环系统过程监测方法，其特征在于，所述步骤1中，所述测量变量为以下9个：压力阀开度、流量阀开度、螺杆行程、螺杆速度、注射压力、喷嘴温度、机桶头部温度、机桶中间温度和机桶尾部温度。
CN201810784362.2A 2018-07-17 2018-07-17 基于动静特征协同分析和有序时段划分的闭环系统过程监测方法 Active CN108803531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810784362.2A CN108803531B (zh) 2018-07-17 2018-07-17 基于动静特征协同分析和有序时段划分的闭环系统过程监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810784362.2A CN108803531B (zh) 2018-07-17 2018-07-17 基于动静特征协同分析和有序时段划分的闭环系统过程监测方法

Publications (2)

Publication Number Publication Date
CN108803531A CN108803531A (zh) 2018-11-13
CN108803531B true CN108803531B (zh) 2019-10-15

Family

ID=64077012

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810784362.2A Active CN108803531B (zh) 2018-07-17 2018-07-17 基于动静特征协同分析和有序时段划分的闭环系统过程监测方法

Country Status (1)

Country Link
CN (1) CN108803531B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109871000A (zh) * 2019-02-25 2019-06-11 山东科技大学 一种数据驱动的闭环工业过程传感器故障诊断方法
CN110222393B (zh) * 2019-05-28 2020-12-18 浙江大学 基于细粒度风电发电状态划分的风机叶片结冰异常监测方法
CN110835128B (zh) * 2019-11-26 2021-12-07 陈文印 一种基于水质实时净化水质量的净水器及方法
CN110825056B (zh) * 2019-11-26 2020-12-04 北京工业大学 一种具有可变参数连续加工与间歇加工的混合流水车间调度方法
CN111208793B (zh) * 2020-02-20 2021-01-19 浙江大学 基于慢特征分析的非平稳工业过程的状态监测方法
CN112541017A (zh) * 2020-12-02 2021-03-23 中海油信息科技有限公司 一种工业生产过程状态监测方法、装置、设备及存储介质

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103116306B (zh) * 2013-02-05 2015-06-17 浙江大学 一种自动的步进式有序时段划分方法
CN103336507B (zh) * 2013-06-24 2015-08-19 浙江大学 基于多模态协同时段自动划分的统计建模与在线监测方法
CN104537260B (zh) * 2015-01-14 2018-02-09 清华大学 基于缓慢特征回归的动态软测量方法和系统
CN104699075B (zh) * 2015-02-12 2017-04-12 浙江大学 一种基于不等长时段自动有序划分的过程监测方法
CN107423503B (zh) * 2017-07-21 2020-06-23 江南大学 基于核慢特征分析和时滞估计的高斯过程回归建模对脱丁烷塔底部的丁烷浓度进行预测的方法

Also Published As

Publication number Publication date
CN108803531A (zh) 2018-11-13

Similar Documents

Publication Publication Date Title
CN108803531B (zh) 基于动静特征协同分析和有序时段划分的闭环系统过程监测方法
CN103336507B (zh) 基于多模态协同时段自动划分的统计建模与在线监测方法
CN103777627B (zh) 一种基于少量批次的批次过程在线监测方法
CN103116306B (zh) 一种自动的步进式有序时段划分方法
CN109460890B (zh) 一种基于强化学习与控制性能监测的智能自愈方法
CN108237670A (zh) 用于优化用于成型机的过程优化系统的方法
CN1964833A (zh) 参数化的喷射模塑系统和方法
CN110262450B (zh) 面向汽轮机的多种故障特性协同分析的故障预测方法
CN104699075B (zh) 一种基于不等长时段自动有序划分的过程监测方法
Brodsky et al. Analysis and optimization in smart manufacturing based on a reusable knowledge base for process performance models
Hopmann et al. Combined learning processes for injection moulding based on simulation and experimental data
CN115384017A (zh) 注塑生产调试系统及方法
Wang et al. A novel sensing feature extraction based on mold temperature and melt pressure for plastic injection molding quality assessment
Zeaiter et al. Multivariate regression modeling for monitoring quality of injection moulding components using cavity sensor technology: Application to the manufacturing of pharmaceutical device components
CN112659501B (zh) 用于确认理论值曲线的方法
CN111428329A (zh) 基于模型的机器学习系统
US20230241826A1 (en) Method and device for reducing the amount of reworking required on mold cavities prior to their use in series production
CN112906155A (zh) 一种用于注塑品信息的虚拟量测方法
CN109932908B (zh) 一种基于报警信度融合的多向主元分析过程监测方法
Pabst et al. A new approach to dynamic forecasting of cavity pressure and temperature throughout the injection molding process
Belkadi et al. Real-time adaptive fault detection and isolation on a high-speed multi-injection molding machine
Yang et al. Overall control system for injection molding process
KR101263410B1 (ko) 제품의 품질 추론 방법 및 시스템
Petrova et al. Incorporation of phenomenological models in a hybrid neural network for quality control of injection molding
Berger-Weber et al. S. The Injection Mold as a Cyber Physical System. Using Simulation to Train Its Artificial Intelligence

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant