CN113134956A - 一种基于改进mlle的注塑机异常检测方法 - Google Patents
一种基于改进mlle的注塑机异常检测方法 Download PDFInfo
- Publication number
- CN113134956A CN113134956A CN202110444348.XA CN202110444348A CN113134956A CN 113134956 A CN113134956 A CN 113134956A CN 202110444348 A CN202110444348 A CN 202110444348A CN 113134956 A CN113134956 A CN 113134956A
- Authority
- CN
- China
- Prior art keywords
- matrix
- sample
- new
- injection molding
- molding machine
- 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
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76973—By counting
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了基于改进MLLE的注塑机异常检测方法,包括以下步骤:采集注塑机正常工况下的样本,沿变量展开为二维矩阵,得到样本集X,计算各样本点之间的灰色关联度,再求取样本点Xi的k个近邻点;根据邻近点,得到Xi的重构权值矩阵W,并将样本点映射到低维空间计算低维嵌入,得到低维矩阵Y;定义映射矩阵A,使其满足Y=AX,求得矩阵A;依统计学及样本集X,得到统计量T2的阈值及统计量SPE的阈值SPEα;采集注塑机待检测工况下的样本,得到新样本集Xnew;依式Ynew=AXnew,得Xnew降维后的低维矩阵Ynew,然后求得待检测样本的统计量T2以及统计量SPE;如果或SPE>SPEα,表明注塑机出现异常工况,定位引起注塑机异常的变量。本发明能够实现更准确的数据重构,提高了注塑机异常检测的效率和精度。
Description
技术领域
本发明涉及注塑成型技术领域,更具体地,涉及一种基于改进MLLE的注塑 机异常检测方法。
背景技术
目前,塑料、混凝土、钢筋和木材是四大工业材料,注塑机是我国塑料机 械行业产量最大、产值最高、出口最多的第一大类产品。生产塑料的注塑成型 过程是一个包括注射、冷却、保压等多个阶段在内的典型间歇工业生产过程, 具有多时段、非线性、动态性、多工况等特点,且注射成型的过程数据具有批 次、时间、变量三个维度。由于过程复杂,注塑机工作环境恶劣以及设备自然 损坏等原因,注塑成型过程可能存在各种设备异常状况,一旦注塑机的某个部 位发生异常,将会产生连锁反应,导致整台注塑机故障,最终给企业带来经济 损失。注塑成型过程机理复杂,难以对其建立精准有效的机理模型进行异常监 测,为了保证生产安全性和稳定性,迫切需要建立一种基于数据驱动的异常检 测方案来对注塑机生产过程进行有效、及时的监控。中国专利申请,公开号为: CN109145948A公开了一种基于集成学习的注塑机堵料异常检测方法,包括原始 数据采集、数据预处理、特征值提取、构建堵料异常分类器,在特征值提取阶 段,首先从样本库中提取处各模块工作电压的时域特征,然后对这些特征值输 入二级异常分类器进行训练,首先构建三个基分类器,将三个基分类器的结果 采用投票法选择出现频率最高的结果作为新增的特征列结合原有的特征数据集 传入第二级强分类器,最后,强分类器的结果就是注塑机堵料异常的检测值。 本发明能够准确快速地发现注塑机堵料的异常状况,克服了原有检测方式精确 度不高的特点,本发明实施步骤简单便捷,能及时对注塑机堵料进行检测,有 助于注塑机设备的正常运转,延长设备的使用寿命。但是该公开的技术方案在 进行特征提取时,根据欧式距离衡量样本点之间的相似性,而欧式距离只表示 两个样本之间的直线距离,在高维空间中并不一定能反应数据间的真实空间分 布,导致样本近邻集选取不准确,进而导致设备异常检测效果不好。
发明内容
本发明为克服上述现有技术中对过程数据进行特征提取时,采用欧式距离 不能很好度量样本之间的相似性,从而导致特征提取过程中近邻集选取不准确 的问题,提供一种基于改进MLLE的注塑机异常检测方法。
为解决上述技术问题,本发明采用的技术方案是:一种基于改进MLLE的注 塑机异常检测方法,包括以下步骤:
S1:采集注塑机正常工况下的样本,所述样本包括批次I、变量J以及时间K 三个维度,将该三维矩阵展开并标准化处理,然后沿变量J展开为二维矩阵, 得到样本集X,用Xi表示样本集X中的一个样本点;
S2:计算出各样本点之间的灰色关联度,再通过knn算法求取样本点Xi的k个 近邻点,K个所述近邻点构成样本点Xi的局部邻域集;
S3:根据样本点Xi的局部邻域集,计算样本点Xi的重构权值向量ωij,其构成 样本集X的重构权值矩阵W;
S4:根据步骤S3得到的重构权值矩阵W,将所有样本点从高维空间映射到低维 空间计算低维嵌入,得到低维矩阵Y;
S5:定义映射矩阵A,使其满足Y=AX,并求得该映射矩阵A;
S7:采集注塑机待检测工况下的样本,待检测工况下的样本也包括批次、变量以及时间三个维度,将该三维样本展开并标准化处理,然后沿变量展开为二维样 本,得到新样本集Xnew;
S8:根据公式Ynew=AXnew,求得新样本集Xnew降维后的低维矩阵Ynew;
S9:根据低维矩阵Ynew,求得待检测样本的统计量T2以及统计量SPE;
S11:利用统计量贡献值进行异常变量的定位,将新样本集Xnew中的各个变量的 贡献值绘制为直方图,数值高的变量被认为是造成注塑机异常的变量。
优选地,所述步骤S1具体包括以下步骤:
s11:首将三维矩阵X(I×J×K)按批次方向展开为二维矩阵X(I×JK), 其中
s12:对二维矩阵X(I×JK)进行数据标准化处理,即
s13:将经标准化后的二维矩阵沿着变量方向展开,即
Xi表示X(KI×J)的每一行数据,即代表一个样本点。
优选地,所述步骤S2具体包括以下步骤:
s21:设X(KI×J)共有N个样本点,每个样本点有j个变量,则任意一个样本 点X0与其它任意样本对象Xi关于第k个属性的灰色相关系数为:
其中ρ∈(0,1),是分辨系数,i∈(1,ki),ki为样本数目,k∈(1,j),m为样本属 性的数目,GRC(X0k,Xik)∈(0,1),其代表样本X0和Xk第k个属性的相似程度;
s22:样本之间的灰色关联度采用样本之间的各个属性的灰色相关系数的均值表示,以反映样本之间的关联系数,记为:
s23:根据步骤s22计算出的各样本点之间的灰色关联度后,再通过knn算法求 取样本点Xi的k个近邻点,样本点Xi的k个近邻点为样本点Xi的局部邻域集 Ni,
Ni=knn(Xi,k)
Ni=[Xi1...,Xik]
其中,Xi1~Xik表示与样本点Xi的灰色关联度最大的前k个近邻点。
优选地,所述步骤S3具体包括以下步骤:
s31:重构权值向量ωij应遵循在高维空间中的采样点和线性组合权重,同样在 低维空间中保持不变,得到误差函数ε(W),其公式如下
s32:对误差函数进行最小化线性重构,其公式为:
Si=[Xi-Xi1,Xi-Xi2,…,Xi-Xik]T[Xi-Xi1,Xi-Xi2,…,Xi-Xik]。
优选地,所述步骤S4具体包括以下步骤:
s41:根据步骤S3得到的重构权值矩阵W,将样本集X中的所有样本点从高维 空间映射到低维空间计算低维嵌入,得到低维空间Y;
其中,I为单位矩阵,Yi、Yj均分别表示降维后的样本点;
s43:将优化后的问题转化为下式:
其中,Wi是矩阵W的第i列,Ii是单位矩阵的第i列,M=(I-W)(I-W)T, tr(YMYT)表示求矩阵YMYT的迹;
s44:为求解步骤s43中式子,引入拉格朗日算子,转化为求解MYT=λYT,得 到特征向量,取M中d个最小非零特征值所对应的特征向量时,应取第1~d+1 个特征值所对应的特征向量作为低维嵌入坐标Y,此时的Y即是X降维后的结 果。
优选地,所述步骤S5具体包括以下步骤:定义映射矩阵A,使其满足Y=AX, 则映射矩阵A中的每一个向量满足以下关系:
aj表示矩阵A的第j个向量,其中,Yi(j)表示Yi的第j个元素,1≤j≤d,通过 求解上式得到:A=YXT(XXT)-1。
优选地,在所述步骤S11中,基于SPE统计量的贡献值公式为:
与现有技术相比,本发明的有益效果是:本发明采用灰色关联度代替传统 欧式距离进行近邻集选取,避免了欧式距离不能准确描述高维流型数据分布, 进而导致近邻选取不准确的问题,实现更准确的数据重构,提高了注塑机异常 检测的效率和精度。本发明能有效地对注塑机生产过程进行过程监控,通过贡 献值图进行异常定位,可以快速定位引起注塑机异常的源头,节省故障排查时 间,减少维修成本,降低企业生产损失,保证产品质量。
附图说明
图1是本发明基于改进MLLE的注塑机异常检测方法的步骤图;
图2是本发明基于改进MLLE的注塑机异常检测方法的流程图;
图3是本发明基于改进MLLE的注塑机异常检测方法对正常数据的过程监 控结果图;
图4是本发明基于改进MLLE的注塑机异常检测方法对喷嘴压力异常检测 结果图;
图5是本发明基于改进MLLE的注塑机异常检测方法基于T2统计量对喷嘴 压力异常定位结果图;
图6是本发明基于改进MLLE的注塑机异常检测方法基于SPE统计量对喷 嘴压力异常定位结果图;
图7是传统LLE算法对喷嘴压力异常检测结果图;
图8是传统PCA算法对喷嘴压力异常检测结果图;
图9本发明基于改进MLLE的注塑机异常检测方法对喷嘴压力异常检测结 果图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实 施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于 本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。 附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发 明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”“长”“短” 等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描 述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方 位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性 说明,不能理解为对本专利的限制,对于本领域的普通技术人员而言,可以根 据具体情况理解上述术语的具体含义。
下面通过具体实施例,并结合附图,对本发明的技术方案作进一步的具体 描述:
实施例1
如图1、图2所示,一种基于改进MLLE的注塑机异常检测方法,包括以下 步骤:
S1:采集注塑机正常工况下的样本,所述样本包括批次I、变量J以及时间K 三个维度,将该三维矩阵展开并标准化处理,然后沿变量J展开为二维矩阵, 得到样本集X,用Xi表示样本集X中的一个样本点;
S2:计算出各样本点之间的灰色关联度,再通过knn算法求取样本点Xi的k个 近邻点,K个所述近邻点构成样本点Xi的局部邻域集;
S3:根据样本点Xi的局部邻域集,计算样本点Xi的重构权值向量ωij,其构成 样本集X的重构权值矩阵W;
S4:根据步骤S3得到的重构权值矩阵W,将所有样本点从高维空间映射到低维 空间计算低维嵌入,得到低维矩阵Y;
S5:定义映射矩阵A,使其满足Y=AX,并求得该映射矩阵A;
S7:采集注塑机待检测工况下的样本,待检测工况下的样本也包括批次、变量以及时间三个维度,将该三维样本展开并标准化处理,然后沿变量展开为二维样 本,得到新样本集Xnew;
S8:根据公式Ynew=AXnew,求得新样本集Xnew降维后的低维矩阵Ynew;
S9:根据低维矩阵Ynew,求得待检测样本的统计量T2以及统计量SPE;
S11:利用统计量贡献值进行异常变量的定位,将新样本集Xnew中的各个变量的 贡献值绘制为直方图,数值高的变量被认为是造成注塑机异常的变量。
需要说明的是,步骤S7的过程与步骤S1的过程原理类似,利用步骤S1中 的方法步骤可以得到新样本集Xnew。
在其中一个实施例中,所述步骤S1具体包括以下步骤:
s11:首将三维矩阵X(I×J×K)按批次方向展开为二维矩阵X(I×JK), 其中
s12:对二维矩阵X(I×JK)进行数据标准化处理,即
s13:将经标准化后的二维矩阵沿着变量方向展开,即
Xi表示X(KI×J)的每一行数据,即代表一个样本点。
在其中一个实施例中,传统LLE算法采用Knn算法选择距离样本点最近的 k个样本作为其线性重构的近邻集,而knn算法采用欧式距离作为样本的距离 度量来选取近邻集,欧式距离表示空间中两点之间的直线距离,无法真实有效 地反应高维数据的真实空间分布,当数据空间分布比较复杂可能发生越层现象 进而导致近邻选取不准确。本实施例引入灰色理论中的灰色关联度代替欧式距 离进行数据之间的相似性度量,此方法根据样本之间的灰色关联度大小确定样 本的近邻集,实现更准确的局部重构,具有更准确的近邻集选取能力和更强大 的特征提取能力。步骤S2具体包括以下步骤:
s21:设X(KI×J)共有N个样本点,每个样本点有j个变量,则任意一个样本 点X0与其它任意样本对象Xi关于第k个属性的灰色相关系数为:
其中ρ∈(0,1),是分辨系数,其值越小,则关联系数之间的差异越大,分辨能 力则越强,此处选为0.5,i∈(1,ki),ki为样本数目,k∈(1,j),m为样本属性 的数目,GRC(X0k,Xik)∈(0,1),其代表样本X0和Xk第k个属性的相似程度; 其值越大,说明样本X0和Xk在第k个属性值越接近。
s22:样本之间的灰色关联度采用样本之间的各个属性的灰色相关系数的均值表示,以反映样本之间的关联系数,记为:
s23:样本之间的灰色关联度衡量样本之间的相似程度,不受样本在空间中的分布影响,是一个统计特征量,改善了欧式距离选取近邻点不准确的问题,更好 地评价样本之间的紧邻关系,具有更强大的特征提取能力。根据步骤s22计算 出的各样本点之间的灰色关联度后,再通过knn算法求取样本点Xi的k个近邻 点,样本点Xi的k个近邻点为样本点Xi的局部邻域集Ni,
Ni=knn(Xi,k)
Ni=[Xi1...,Xik]
其中,Xi1~Xik表示与样本点Xi的灰色关联度最大的前k个近邻点。
在其中一个实施例中,所述步骤S3具体包括以下步骤:
s31:重构权值向量ωij应遵循在高维空间中的采样点和线性组合权重,同样在 低维空间中保持不变,得到误差函数ε(W),其公式如下
s32:对误差函数进行最小化线性重构,其公式为:
其中,Ik是k个元素都是1的单位列向量,Si是局部协方差矩阵,其计算公式 如下:
Si=[Xi-Xi1,Xi-Xi2,…,Xi-Xik]T[Xi-Xi1,Xi-Xi2,…,Xi-Xik]。
在其中一个实施例中,所述步骤S4具体包括以下步骤:
s41:根据步骤S3得到的重构权值矩阵W,将样本集X中的所有样本点从高维 空间映射到低维空间计算低维嵌入,得到低维空间Y;
其中,I为单位矩阵,Yi、Yj均分别表示降维后的样本点;
s43:将优化后的问题转化为下式:
其中,Wi是矩阵W的第i列,Ii是单位矩阵的第i列,M=(I-W)(I-W)T, tr(YMYT)表示求矩阵YMYT的迹;
s44:为求解步骤s43中式子,引入拉格朗日算子,转化为求解MYT=λYT,得 到特征向量,因为特征向量是由小到大的顺序排列的,并且通常最小特征值是 零,取M中d个最小非零特征值所对应的特征向量时,应取第1~d+1个特征值 所对应的特征向量作为低维嵌入坐标Y,此时的Y即是X降维后的结果。
在其中一个实施例中,所述步骤S5具体包括以下步骤:定义映射矩阵A, 使其满足Y=AX,则映射矩阵A中的每一个向量满足以下关系:
aj表示矩阵A的第j个向量,其中,Yi(j)表示Yi的第j个元素,1≤j≤d,通过 求解上式得到:A=YXT(XXT)-1。
在其中一个实施例中,LLE算法对间歇过程数据进行特征提取后,得到映 射矩阵A,并将过程数据分别投影到主元空间和残差空间两个子空间,通过在 主元空间中构造T2以及在残差空间中构造SPE统计量反应数据在这两个子空间 的工况波动情况。其中SPE指标代表样本在残差空间投影的变化,T2指标表示 变量在主元空间的变化。对于注塑机生产过程在线检测到的数据Xnew,其在特 征空间的映射为Ynew=AXnew,则待检测样本的统计量其中,Λ-1是矩阵Y的协方差矩阵;待检测样本的统计量SPE=||(I-ATA)Xnew||2其中, (I-ATA)Xnew是新样本xnew在残差空间的投影。
在其中一个实施例中,在所述步骤S11中,基于SPE统计量的贡献值公式 为:
其中表示新样本Xnew中第i个变量对统计量T2的贡献值,Λ是矩阵 Y的协方差矩阵;将各个变量的贡献值绘制为直方图,数值较高的变量被认为 是最有可能造成注塑机异常的变量,再由工作人员进行排查确认,可及时发生 注塑机异常。
实施例2
一种基于改进MLLE的注塑机异常检测方法,包括以下步骤:
A:采集注塑机生产过程数据并对数据进行预处理:通过利用安装在注塑机 各个位点的温度传感器、压力传感器、位移传感器等获取注塑机生产过程的数 据,其中包括模具温度、喷嘴压力、螺杆转速等变量,过程数据包含的变量及 其对应单位如下表所示。
变量 | 描述 | 单位 |
变量1 | 喷嘴压力 | Bar |
变量2 | 模腔压力 | Bar |
变量3 | 油缸压力 | Bar |
变量4 | 塑化压力 | Bar |
变量5 | 螺杆行程 | mm |
变量6 | 喷嘴温度 | ℃ |
变量7 | 模具温度 | ℃ |
变量8 | 电磁阀1开度 | % |
变量9 | 电磁阀2开度 | % |
变量10 | 螺杆转速 | RPM |
变量11 | 注射速度 | mm/sec |
共采集31批正常数据,1批异常数据,30批正常数据用于建模,1批次正 常数据和1批异常数据用于测试,每一批次包含1000个采样时间点,11个变 量,故采集到的建模数据为X(30×11×1000),并对X(30×11×1000)进行 数据预处理,得到用于建立过程监控模型的输入数据。
B、建立注塑成型过程监控模:由步骤A中的数据,按照流程图编程实现 MLLE算法,得到注塑机生产工程的过程监控模型,其中MLLE算法的k设置 为20,d设置为4,统计量的置信度α设为0.99。一旦生产过程中变量的统计 量(图3中的波状线)超过SPE和T2的阈值(图3中的平行线),说明注塑机 生产过程出现异常。将测试数据也进行数据预处理并进行测试,测试结果如图 3所示,可以看到注塑机在正常生产工况下,绝大部分正常工况样本的统计指 标SPE和T2都位于阈值以下,只有极少数样本点被误认为是异常公况,说明 本发明提出的算法能够较好地对注塑机进行过程监控。
C、异常检测和定位:为了验证本发明所提算法的有效性,调节对应的控制 阀,使注塑机的喷嘴压力在采样时刻300-500范围内出现压力过高异常,得到 一批次的异常数据集,并对异常数据集进行数据预处理,之后输入模型进行检 测,检测结果如下图4所示。可以看到该提算法能够及时检测到异常的出现和 消失,现异常漏报率和误报率都很低,具有优越的异常检测效果。如图5、图6 所示,根据T2和SPE贡献图可以发现变量1的贡献率最大,说明变量1所对应 的喷嘴压力最有可能是异常的源头,这和实际机理吻合,说明该算法可以快速 定位到异常源头。
D、与其它方法对比:为了验证本发明相对于传统MPCA和传统MLLE在异常 检测的优越性,将三种算法进行对比,如图7至图9所示,通过对比结果可知, 传统MPCA和传统MLLE算法的误报率和漏报率明显比本算法高,并且检测图结 果波动较大,而本发明算法由于充分提取了注塑机过程数据的特征,误报率和 漏报率相对传统方法较低,具有较好的异常检测效果,通过贡献图也能及时定 位到异常源头,有效节省注塑机异常排查时间,为企业减少经济损失。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并 非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述 说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有 的实施方式予以穷举。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,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于改进MLLE的注塑机异常检测方法,其特征在于,包括以下步骤:
S1:采集注塑机正常工况下的样本,所述样本包括批次I、变量J以及时间K三个维度,将该三维矩阵展开并标准化处理,然后沿变量J展开为二维矩阵,得到样本集X,用Xi表示样本集X中的一个样本点;
S2:计算出各样本点之间的灰色关联度,再通过knn算法求取样本点Xi的k个近邻点,K个所述近邻点构成样本点Xi的局部邻域集;
S3:根据样本点Xi的局部邻域集,计算样本点Xi的重构权值向量ωij,其构成样本集X的重构权值矩阵W;
S4:根据步骤S3得到的重构权值矩阵W,将所有样本点从高维空间映射到低维空间计算低维嵌入,得到低维矩阵Y;
S5:定义映射矩阵A,使其满足Y=AX,并求得该映射矩阵A;
S7:采集注塑机待检测工况下的样本,待检测工况下的样本也包括批次、变量以及时间三个维度,将该三维样本展开并标准化处理,然后沿变量展开为二维样本,得到新样本集Xnew;
S8:根据公式Ynew=AXnew,求得新样本集Xnew降维后的低维矩阵Ynew;
S9:根据低维矩阵Ynew,求得待检测样本的统计量T2以及统计量SPE;
S11:利用统计量贡献值进行异常变量的定位,将新样本集Xnew中的各个变量的贡献值绘制为直方图,数值高的变量被认为是造成注塑机异常的变量。
3.根据权利要求2所述的基于改进MLLE的注塑机异常检测方法,其特征在于,所述步骤S2具体包括以下步骤:
s21:设X(KI×J)共有N个样本点,每个样本点有j个变量,则任意一个样本点X0与其它任意样本对象Xi关于第k个属性的灰色相关系数为:
其中ρ∈(0,1),是分辨系数,i∈(1,ki),ki为样本数目,k∈(1,j),m为样本属性的数目,GRC(X0k,Xik)∈(0,1),其代表样本X0和Xk第k个属性的相似程度;
s22:样本之间的灰色关联度采用样本之间的各个属性的灰色相关系数的均值表示,以反映样本之间的关联系数,记为:
s23:根据步骤s22计算出的各样本点之间的灰色关联度后,再通过knn算法求取样本点Xi的k个近邻点,样本点Xi的k个近邻点为样本点Xi的局部邻域集Ni,
Ni=knn(Xi,k)
Ni=[Xi1...,Xik]
其中,Xi1~Xik表示与样本点Xi的灰色关联度最大的前k个近邻点。
4.根据权利要求3所述的基于改进MLLE的注塑机异常检测方法,其特征在于,所述步骤S3具体包括以下步骤:
s31:重构权值向量ωij应遵循在高维空间中的采样点和线性组合权重,同样在低维空间中保持不变,得到误差函数ε(W),其公式如下
s32:对误差函数进行最小化线性重构,其公式为:
其中,Ik是k个元素都是1的单位列向量,Si是局部协方差矩阵,其计算公式如下:
Si=[Xi-Xi1,Xi-Xi2,…,Xi-Xik]T[Xi-Xi1,Xi-Xi2,…,Xi-Xik]。
5.根据权利要求4所述的基于改进MLLE的注塑机异常检测方法,其特征在于,所述步骤S4具体包括以下步骤:
s41:根据步骤S3得到的重构权值矩阵W,将样本集X中的所有样本点从高维空间映射到低维空间计算低维嵌入,得到低维空间Y;
其中,I为单位矩阵,Yi、Yj均分别表示降维后的样本点;
s43:将优化后的问题转化为下式:
其中,Wi是矩阵W的第i列,Ii是单位矩阵的第i列,M=(I-W)(I-W)T,tr(YMYT)表示求矩阵YMYT的迹;
s44:为求解步骤s43中式子,引入拉格朗日算子,转化为求解MYT=λYT,得到特征向量,取M中d个最小非零特征值所对应的特征向量时,应取第1~d+1个特征值所对应的特征向量作为低维嵌入坐标Y,此时的Y即是X降维后的结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110444348.XA CN113134956B (zh) | 2021-04-23 | 2021-04-23 | 一种基于改进mlle的注塑机异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110444348.XA CN113134956B (zh) | 2021-04-23 | 2021-04-23 | 一种基于改进mlle的注塑机异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113134956A true CN113134956A (zh) | 2021-07-20 |
CN113134956B CN113134956B (zh) | 2023-02-24 |
Family
ID=76811822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110444348.XA Active CN113134956B (zh) | 2021-04-23 | 2021-04-23 | 一种基于改进mlle的注塑机异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113134956B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114770891A (zh) * | 2022-06-17 | 2022-07-22 | 南通倍佳机械科技有限公司 | 一种注塑机异常分析方法及系统 |
CN115358297A (zh) * | 2022-07-27 | 2022-11-18 | 广东工业大学 | 一种基于改进mkeca方法的注塑机异常检测方法及系统 |
CN115392355A (zh) * | 2022-08-08 | 2022-11-25 | 哈尔滨工业大学 | 一种基于数据降维和重构的高超声速进气道不起动检测方法、系统及装置 |
CN116353008A (zh) * | 2023-03-02 | 2023-06-30 | 健大电业制品(昆山)有限公司 | 一种在线评估注塑机精度与稳定性的测量方法 |
CN113807396B (zh) * | 2021-08-12 | 2023-07-18 | 华南理工大学 | 一种物联网高维数据异常检测方法、系统、装置及介质 |
CN116577718A (zh) * | 2023-04-13 | 2023-08-11 | 中国电力科学研究院有限公司 | 一种对电容式电压互感器进行在线监测的方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526433A (zh) * | 2009-04-20 | 2009-09-09 | 江苏省交通科学研究院股份有限公司 | 监测系统故障自诊断方法 |
CN107818135A (zh) * | 2017-09-26 | 2018-03-20 | 广东电网有限责任公司电力调度控制中心 | 一种基于灰色关联法的维诺图电力大数据异常检测方法 |
CN108515678A (zh) * | 2018-03-28 | 2018-09-11 | 广西科技大学 | 基于rbf神经网络的注塑工艺优化方法 |
CN111949012A (zh) * | 2020-09-09 | 2020-11-17 | 兰州理工大学 | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 |
-
2021
- 2021-04-23 CN CN202110444348.XA patent/CN113134956B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101526433A (zh) * | 2009-04-20 | 2009-09-09 | 江苏省交通科学研究院股份有限公司 | 监测系统故障自诊断方法 |
CN107818135A (zh) * | 2017-09-26 | 2018-03-20 | 广东电网有限责任公司电力调度控制中心 | 一种基于灰色关联法的维诺图电力大数据异常检测方法 |
CN108515678A (zh) * | 2018-03-28 | 2018-09-11 | 广西科技大学 | 基于rbf神经网络的注塑工艺优化方法 |
CN111949012A (zh) * | 2020-09-09 | 2020-11-17 | 兰州理工大学 | 一种基于双权重多邻域保持嵌入算法的间歇过程故障检测方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113807396B (zh) * | 2021-08-12 | 2023-07-18 | 华南理工大学 | 一种物联网高维数据异常检测方法、系统、装置及介质 |
CN114770891A (zh) * | 2022-06-17 | 2022-07-22 | 南通倍佳机械科技有限公司 | 一种注塑机异常分析方法及系统 |
CN115358297A (zh) * | 2022-07-27 | 2022-11-18 | 广东工业大学 | 一种基于改进mkeca方法的注塑机异常检测方法及系统 |
CN115392355A (zh) * | 2022-08-08 | 2022-11-25 | 哈尔滨工业大学 | 一种基于数据降维和重构的高超声速进气道不起动检测方法、系统及装置 |
CN116353008A (zh) * | 2023-03-02 | 2023-06-30 | 健大电业制品(昆山)有限公司 | 一种在线评估注塑机精度与稳定性的测量方法 |
CN116353008B (zh) * | 2023-03-02 | 2024-01-05 | 健大电业制品(昆山)有限公司 | 一种在线评估注塑机精度与稳定性的测量方法 |
CN116577718A (zh) * | 2023-04-13 | 2023-08-11 | 中国电力科学研究院有限公司 | 一种对电容式电压互感器进行在线监测的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113134956B (zh) | 2023-02-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113134956B (zh) | 一种基于改进mlle的注塑机异常检测方法 | |
Shi et al. | Tool wear prediction via multidimensional stacked sparse autoencoders with feature fusion | |
KR101178235B1 (ko) | 에프에스브이알과 지엘알티를 이용한 발전소 계측기 성능감시 방법 및 시스템 | |
Wells et al. | Statistical process monitoring approach for high-density point clouds | |
Zhao et al. | An earth mover’s distance based multivariate generalized likelihood ratio control chart for effective monitoring of 3D point cloud surface | |
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 | |
JP2012058890A (ja) | 異常検知方法及びそのシステム | |
Ou et al. | Tool wear recognition based on deep kernel autoencoder with multichannel signals fusion | |
CN109298633A (zh) | 基于自适应分块非负矩阵分解的化工生产过程故障监测方法 | |
CN115358297A (zh) | 一种基于改进mkeca方法的注塑机异常检测方法及系统 | |
CN114494222A (zh) | 基于Vision Transformer的滚动轴承故障智能识别方法 | |
Wang et al. | Fault detection based on diffusion maps and k nearest neighbor diffusion distance of feature space | |
Chaowen et al. | Research on tool wear monitoring based on GRU-CNN | |
Dong et al. | Quality monitoring and root cause diagnosis for industrial processes based on Lasso-SAE-CCA | |
Lei et al. | Fault diagnosis of rotating machinery based on a new hybrid clustering algorithm | |
Dong et al. | A simple approach to multivariate monitoring of production processes with non-Gaussian data | |
CN110751217A (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
CN110673577B (zh) | 一种复杂化工生产过程的分布式监控与故障诊断方法 | |
Yassaie et al. | Data-Driven Fault Classification in Large-Scale Industrial Processes Using Reduced Number of Process Variables | |
CN112528548A (zh) | 一种自适应深度耦合卷积自编码多模态数据融合方法 | |
Yinghua et al. | Fault monitoring and classification of rotating machine based on PCA and KNN | |
Qi et al. | Improved batch process monitoring and diagnosis based on multiphase KECA | |
CN116956089A (zh) | 电器设备温度异常检测模型训练方法以及检测方法 | |
CN109523195B (zh) | 基于样本多模态分类的分层式非高斯算法的故障检测方法 | |
Gao et al. | Abnormal detection of blast furnace condition using PCA similarity and spectral clustering |
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 |