CN109101988A - 一种基于贝叶斯网络的不合格注塑成型产品的分析方法 - Google Patents

Abstract

本发明公开了一种基于贝叶斯网络的不合格注塑成型产品的分析方法，其特征在于，包括下述步骤：S1，确定注塑产品不合格的现象及其影响因素，建立贝叶斯网络节点X＝{X₁,X₂,…,X_n}，该节点由注塑产品不合格的现象、附加信息和主要原因三类节点组成；S2，通过调取注塑成型系统数据库中对应的历史数据获得不合格注塑成型产品的历史数据集D＝{D₁,D₂,…,D_m}；本发明利用贝叶斯网络模型的推理和运算，得出造成注塑成型产品不合格的主要影响因素，与传统方法相比减少了对人经验的依赖性，而且通过数据学习构建贝叶斯网络的方法能有效提高分析的效率以及分析的准确性。

Description

一种基于贝叶斯网络的不合格注塑成型产品的分析方法

技术领域

本发明涉及注塑成型产品分析技术领域，具体涉及一种基于贝叶斯网络的不合格注塑成型产品的分析方法。

背景技术

智能制造是国家战略核心，也是未来制造业的趋势。面对制造业尤其是塑料行业中的生产问题，如何采集制造过程中的各种信息并加以分析，是提升生产设备技术，提高设备智能性的首要前提。因此，有必要对不合格注塑成型产品现象加以分析，找出造成产品不合格的原因，从而才能有效找准生产过程中的薄弱环节并对症下药，最终得以实现智能制造的目的。

注塑成型装备作为塑料产业的工作母机，支撑了家电、汽车、消费电子等支柱性产业的发展。但是，整个塑料行业仍然属于劳动密集型产业，其信息化、智能化水平落后，核心原因在于注塑成型装备的智能化和信息化水平不足，导致整个塑料行业的自动化水平不高。每一台注塑机需要1-3名员工同时协同生产，生产水平低下，产品品质不稳定。在现有的技术背景中，通常依赖有经验的注塑成型工艺工程师对不合格产品的现象进行分析并对生产过程作相应的调节。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于贝叶斯网络的不合格注塑成型产品的分析方法，该方法减少了对人经验的依赖性，能有效提高分析的效率以及分析的准确性。

本发明的目的通过下述技术方案实现：

一种基于贝叶斯网络的不合格注塑成型产品的分析方法，其特征在于，包括下述步骤：

S1，确定注塑产品不合格的现象及其影响因素，建立贝叶斯网络节点X＝{X₁,X₂,…,X_n}，该节点由注塑产品不合格的现象、附加信息和主要原因三类节点组成；

S2，通过调取注塑成型系统数据库中对应的历史数据获得不合格注塑成型产品的历史数据集D＝{D₁,D₂,…,D_m}；

所述调取注塑成型系统数据库中对应的历史数据，具体步骤如下：

S2.1，按标准描述方式对非结构化、描述各异的文字数据进行转换；

S2.2，利用均匀量化器对数值数据进行量化；

S2.3，剔除无效数据；

S3，利用结构EM算法对贝叶斯节点进行结构性学习，形成贝叶斯网络；

所述结构EM算法具体步骤如下：

S3.1，设初始迭代次数t＝0，初始网络结构为S⁰，初始网络参数为θ⁰；

S3.2，对每一时刻t中的网络参数θ^t进行R次迭代：

其中， X_i表示X＝{X₁,X₂,…,X_n}中的第i个节点，π(X_i)表示X_i的父节点，j表示π(X_i)的取值为j，k表示X_i的取值为k；

S3.3，对贝叶斯网络S^t进行一次增边、减边或者转边操作，得出修改后的候选贝叶斯网络结构集合L；

S3.4，计算候选贝叶斯网络结构集合L中任一贝叶斯网络结构S′^t的似然函数：

其中，q_i表示π(X_i)的取值总数，r_i表示X_i的取值总数，从而找出能使Q(S′^t,θ|S^t,θ^t,R)达到最大值的贝叶斯网络(S^t+1,θ^t+1,0)；

S3.5，根据贝叶斯信息准则计算(S^t+1,θ^t+1,0)与(S^t,θ^t,R)的评分；

S3.6，若(S^t,θ^t,R)的评分更高，输出(S^t,θ^t,R)；否则，令t＝t+1并返回步骤S3.2；

S4，以不合格注塑成型产品现象的实时数据为驱动，利用贝叶斯网络的推理能力计算注塑成型产品不合格主要原因的后验概率，从而达到分析的目的。

优选地，所述注塑产品不合格的现象及其影响因素包括机器与设备、材料与配件、生产作业或者工艺参数方面。

优选地，所述S3.5中的贝叶斯信息准则为

优选地，所述S4中的后验概率通过贝叶斯公式从先验概率和条件概率得到。

本发明与现有技术相比具有以下的有益效果：

本发明利用贝叶斯网络模型的推理和运算，得出造成注塑成型产品不合格的主要影响因素，与传统方法相比减少了对人经验的依赖性，而且通过数据学习构建贝叶斯网络的方法能有效提高分析的效率以及分析的准确性。

附图说明

图1为本发明利用结构EM算法对贝叶斯网络构进行构建的流程图；

图2为本发明利用贝叶斯网络建立的一个不合格注塑成型产品的原因分析网络拓扑图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本发明提供了一种基于贝叶斯网络的不合格注塑成型产品的分析方法，旨在通过分析注塑成型产品的不合格现象，得出造成该现象的主要原因。首先，结合制造经验和历史研究确定注塑成型产品不合格的现象及主要原因，并将其作为贝叶斯网络的节点；其次，通过系统数据库获得注塑成型产品的历史数据；再次，结合历史数据，利用结构EM算法对贝叶斯网络节点进行结构学习和参数学习，获得稳定的贝叶斯网络；最后将不合格注塑成型产品的现象输入贝叶斯网络，得出可靠的分析结果。该方法结合最大期望算法，在缺失不合格注塑成型产品部分数据情况下具有很大优势。

贝叶斯网络是一个有向无环图，包括网络拓扑结构S以及网络参数θ，S中的节点代表随机变量，节点间的边代表变量之间的直接依赖关系，θ表示节点的概率分布，其中，根节点所附的是边缘分布P(X)，非根节点所附的是条件概率分布P(X|π(X))。

具体来说，如图1～2所示，一种基于贝叶斯网络的不合格注塑成型产品的分析方法，其特征在于，包括下述步骤：

S1，确定注塑产品不合格的现象及其影响因素，建立贝叶斯网络节点X＝{X₁,X₂,…,X_n}，该节点由注塑产品不合格的现象、附加信息和主要原因三类节点组成；所述注塑产品不合格的现象及其影响因素包括机器与设备、材料与配件、生产作业或者工艺参数方面；

对塑料制品的注塑成型过程进行深入剖析，结合注塑成型工艺工程师的知识、现场操作人员的经验以及历史研究结果等，归纳造成注塑成型产品不合格的主要原因，并与不合格注塑成型产品的现象一起作为贝叶斯网络的节点X＝{X₁,X₂,…,X_n}，每个节点代表不合格注塑产品的一个现象(如凹陷、气泡、熔接痕、烧伤、尺寸不稳、填充不足、溢边等)或一个原因(注射压力过高/低、注射时间过长/短、注射速度过快/慢、模具排气不良、浇口位置不恰当、模具温度过高/低等)；

S2，通过调取注塑成型系统数据库中对应的历史数据获得不合格注塑成型产品的历史数据集D＝{D₁,D₂,…,D_m}；

所述调取注塑成型系统数据库中对应的历史数据，具体步骤如下：

S2.1，按标准描述方式对非结构化、描述各异的文字数据进行转换；

S2.2，利用均匀量化器对数值数据进行量化；

S2.3，剔除无效数据；

S3，利用结构EM算法对贝叶斯节点进行结构性学习，形成贝叶斯网络；

所述结构EM算法具体步骤如下：

S3.1，设初始迭代次数t＝0，初始网络结构为S⁰，初始网络参数为θ⁰；

S3.2，对每一时刻t中的网络参数θ^t进行R次迭代：

其中， X_i表示X＝{X₁,X₂,…,X_n}中的第i个节点，π(X_i)表示X_i的父节点，j表示π(X_i)的取值为j，k表示X_i的取值为k；

S3.3，对贝叶斯网络S^t进行一次增边、减边或者转边操作，得出修改后的候选贝叶斯网络结构集合L；

S3.4，计算候选贝叶斯网络结构集合L中任一贝叶斯网络结构S′^t的似然函数：

其中，q_i表示π(X_i)的取值总数，r_i表示X_i的取值总数，从而找出能使Q(S′^t,θ|S^t,θ^t,R)达到最大值的贝叶斯网络(S^t+1,θ^t+1,0)；

S3.5，根据贝叶斯信息准则计算(S^t+1,θ^t+1,0)与(S^t,θ^t,R)的评分；所述贝叶斯信息准则为

S3.6，若(S^t,θ^t,R)的评分更高，输出(S^t,θ^t,R)；否则，令t＝t+1并返回步骤S3.2；

S4，以不合格注塑成型产品现象的实时数据为驱动，利用贝叶斯网络的推理能力计算注塑成型产品不合格主要原因的后验概率，从而达到分析的目的；所述后验概率通过贝叶斯公式从先验概率和条件概率得到。

本发明利用贝叶斯网络模型的推理和运算，得出造成注塑成型产品不合格的主要影响因素，与传统方法相比减少了对人经验的依赖性，而且通过数据学习构建贝叶斯网络的方法能有效提高分析的效率以及分析的准确性。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一种基于贝叶斯网络的不合格注塑成型产品的分析方法，其特征在于，包括下述步骤：

S1，确定注塑产品不合格的现象及其影响因素，建立贝叶斯网络节点X＝{X₁，X₂，...，X_n}，该节点由注塑产品不合格的现象、附加信息和主要原因三类节点组成；

S2，通过调取注塑成型系统数据库中对应的历史数据获得不合格注塑成型产品的历史数据集D＝{D₁，D₂，...，D_m}；

所述调取注塑成型系统数据库中对应的历史数据，具体步骤如下：

S2.1，按标准描述方式对非结构化、描述各异的文字数据进行转换；

S2.2，利用均匀量化器对数值数据进行量化；

S2.3，剔除无效数据；

S3，利用结构EM算法对贝叶斯节点进行结构性学习，形成贝叶斯网络；

所述结构EM算法具体步骤如下：

S3.1，设初始迭代次数t＝0，初始网络结构为S⁰，初始网络参数为θ⁰；

S3.2，对每一时刻t中的网络参数θ^t进行R次迭代：

其中，r＝0，...，R-1，i∈{1，2，...，n}，X_i表示X＝{X₁，X₂，...，X_n}中的第i个节点，π(X_i)表示X_i的父节点，j表示π(X_i)的取值为j，k表示X_i的取值为k；

S3.3，对贝叶斯网络S^t进行一次增边、减边或者转边操作，得出修改后的候选贝叶斯网络结构集合L；

S3.4，计算候选贝叶斯网络结构集合L中任一贝叶斯网络结构S′^t的似然函数：

其中，q_i表示π(X_i)的取值总数，r_i表示X_i的取值总数，从而找出能使Q(S′^t，θ|S^t，θ^t，R)达到最大值的贝叶斯网络(S^t+1，θ^t+1，0)；

S3.5，根据贝叶斯信息准则计算(S^t+1，θ^t+1，0)与(S^t，θ^t，R)的评分；

S3.6，若(S^t，θ^t，R)的评分更高，输出(S^t，θ^t，R)；否则，令t＝t+1并返回步骤S3.2；

S4，以不合格注塑成型产品现象的实时数据为驱动，利用贝叶斯网络的推理能力计算注塑成型产品不合格主要原因的后验概率，从而达到分析的目的。

2.根据权利要求1所述的基于贝叶斯网络的不合格注塑成型产品的分析方法，其特征在于，所述注塑产品不合格的现象及其影响因素包括机器与设备、材料与配件、生产作业或者工艺参数方面。

3.根据权利要求1所述的基于贝叶斯网络的不合格注塑成型产品的分析方法，其特征在于，所述S3.5中的贝叶斯信息准则为

4.根据权利要求1所述的基于贝叶斯网络的不合格注塑成型产品的分析方法，其特征在于，所述S4中的后验概率通过贝叶斯公式从先验概率和条件概率得到。