CN114872290A - 一种注塑件的自适应生产异常监测方法 - Google Patents

Abstract

本发明公开一种注塑件的自适应生产异常监测方法，包括以下步骤：S1：采集生产线上依次生产的N个工件的监测数据作为工件样本，并提取每一工件样本监测数据的K个特征值；S2：构建孤立森林模型，将S1中提取的每一工件样本监测数据的K个特征值输入该模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度。本发明采用孤立森林模型和随机森林模型相结合的方式，可对工件生产的K个特征值进行重要性排序，当工件生产异常时，即可根据该排序的特征值，快速定位产品生产异常的原因，以便工作人员及时调整，进而提高工作效率。

Description

一种注塑件的自适应生产异常监测方法

技术领域

本发明涉及注塑件异常监测技术领域，尤其涉及一种注塑件的自适应生产异常监测方法。

背景技术

目前，注塑企业对于注塑成型工件尺寸的监测模式，大多是对生产的工件进行抽检，即以一定比例的抽检工件来代表大批量工件的尺寸质量，这种抽样评估整体的可信度存在不合理的问题，且无法及时挑选出批量的异常工件。

也有少部分企业是基于机器学习构建异常监测模型，进而可对生产的每一工件进行实时判定，但基本是采用无监督模型进行工件异常的监测，当该模型判断生产出来的工件异常时，却无法给出异常的原因，导致工作人员无法及时分析调整，进而降低工作效率。

发明内容

本发明的目的是提供一种注塑件的自适应生产异常监测方法，以解决上述问题。

为实现上述目的，采用以下技术方案：

一种注塑件的自适应生产异常监测方法，包括以下步骤：

S1：采集生产线上依次生产的N个工件的监测数据作为工件样本，并提取每一工件样本监测数据的K个特征值；

S2：构建孤立森林模型，将S1中提取的每一工件样本监测数据的K个特征值输入该模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度；

S3：构建随机森林模型，并从第N个工件样本开始向前数m个工件样本，作为该随机森林模型的训练集，并依据S2获取的工件样本的正常、异常标签，分别生成这m个工件样本的每一特征值的置信值，并依据该置信值的大小，分别对这m个工件样本中的K个特征值进行重要性排序；

S4：采集新生产的工件的监测数据，并以该工件为起点重新向前数N个工件，并以该N个工件的监测数据作为新的工件样本，并提取每一工件样本监测数据的K个特征值；

S5：基于S2构建的孤立森林模型，获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度；

S6：从S4中新生产的工件为起点，重新向前数m个工件样本，作为S3构建的随机森林模型的新的训练集，并依据S5获取的工件样本的正常、异常标签，生成新工件的每一特征值的置信值，并依据该置信值的大小，对该新工件的K个特征值进行重要性排序；

S7：继续生产新工件时，循环S4至S6。

进一步地，所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本，具体包括以下步骤：

S11：预先在模具上安装以下高频传感器：模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器；

S12：预先在模温机上安装以下高频传感器：冷水温度传感器、热水温度传感器、回水温度传感器；

S13：通过安装于模具、模温机上的若干传感器采集工件的实时监测数据。

进一步地，所述S1中提取每一工件样本监测数据的K个特征值包括：最大值、最小值、有效值、均值、方根幅值、方差。

进一步地，所述S1中在提取每一工件样本监测数据的K个特征值之前，首先对数据进行清洗，数据清洗具体包括以下步骤：

S14：基于动态时间规整算法，将数据进行时间对齐；

S15：基于箱线图切分法，抓取数据中的异常值；

S16：采用滑动平均法将抓取的异常值消除；

S17：基于高通滤波法，将数据清洗降噪。

进一步地，所述S2中的孤立森林模型生成的工件样本正常标签为0，异常标签为1；所述孤立森林模型输出正常、异常判定的置信度的范围为0~100%，且当置信度为0时，工件样本标签为0，当置信度为100%时，工件样本标签为1。

进一步地，所述S5中使用孤立森林模型计算S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度时，孤立森林模型的contamination参数中的a的计算公式如下：

当新生产的工件为正常标签，且以该新工件为起点向前第N-1个工件样本为异常标签时：

当新生产的工件为异常标签，且以该新工件为起点向前第N-1个工件样本为正常标签时：

其中，

为上一个工件样本的contamination参数中的a的值。

采用上述方案，本发明的有益效果是：

1）该方法采用孤立森林模型和随机森林模型相结合的方式，可对工件生产的K个特征值进行重要性排序，当工件生产异常时，即可根据该排序的特征值，快速定位产品生产异常的原因，以便工作人员及时调整，进而提高工作效率；

2）由于对每个生产出来的工件都利用其之前的N个样本，使用孤立森林模型进行异常的判断，依据孤立森林模型的特点，使得其会更加符合注塑生产的实际情况；

3）由于孤立森林模型需要设置contamination参数才能进行应用，而如果一直采用某一固定值，则会导致每次孤立森林模型计算的结果中，都会出现固定的N*a个样本被标记为异常，而该方法则是根据实际生产状况，对contamination参数中的a值进行自适应调整，提高了孤立森林模型对N个样本分布的适应性，使得其更加符合实际生产情况；

4）该方法提供了部分参数可供工作人员，依据实际生产情况进行调整，适应性强。

附图说明

图1为本发明的流程性框图。

具体实施方式

以下结合附图和具体实施例，对本发明进行详细说明。

参照图1所示，本发明提供一种注塑件的自适应生产异常监测方法，包括以下步骤：

S1：采集生产线上依次生产的N个工件的监测数据作为工件样本，并提取每一工件样本监测数据的K个特征值；

S2：构建孤立森林模型，将S1中提取的每一工件样本监测数据的K个特征值输入该模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度；

S3：构建随机森林模型，并从第N个工件样本开始向前数m个工件样本，作为该随机森林模型的训练集，并依据S2获取的工件样本的正常、异常标签，分别生成这m个工件样本的每一特征值的置信值，并依据该置信值的大小，分别对这m个工件样本中的K个特征值进行重要性排序；

S4：采集新生产的工件的监测数据，并以该工件为起点重新向前数N个工件，并以该N个工件的监测数据作为新的工件样本，并提取每一工件样本监测数据的K个特征值；

S5：基于S2构建的孤立森林模型，获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度；

S6：从S4中新生产的工件为起点，重新向前数m个工件样本，作为S3构建的随机森林模型的新的训练集，并依据S5获取的工件样本的正常、异常标签，生成新工件的每一特征值的置信值，并依据该置信值的大小，对该新工件的K个特征值进行重要性排序；

S7：继续生产新工件时，循环S4至S6。

其中，所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本，具体包括以下步骤：

S11：预先在模具上安装以下高频传感器：模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器；

S12：预先在模温机上安装以下高频传感器：冷水温度传感器、热水温度传感器、回水温度传感器；

S13：通过安装于模具、模温机上的若干传感器采集工件的实时监测数据。

所述S1中提取每一工件样本监测数据的K个特征值包括：最大值、最小值、有效值、均值、方根幅值、方差；所述S1中在提取每一工件样本监测数据的K个特征值之前，首先对数据进行清洗，数据清洗具体包括以下步骤：

S14：基于动态时间规整算法，将数据进行时间对齐；

S15：基于箱线图切分法，抓取数据中的异常值；

S16：采用滑动平均法将抓取的异常值消除；

S17：基于高通滤波法，将数据清洗降噪。

所述S2中的孤立森林模型生成的工件样本正常标签为0，异常标签为1；所述孤立森林模型输出正常、异常判定的置信度的范围为0~100%，且当置信度为0时，工件样本标签为0，当置信度为100%时，工件样本标签为1。

所述S5中使用孤立森林模型计算S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度时，孤立森林模型的contamination参数中的a的计算公式如下：

当新生产的工件为正常标签，且以该新工件为起点向前第N-1个工件样本为异常标签时：

当新生产的工件为异常标签，且以该新工件为起点向前第N-1个工件样本为正常标签时：

其中，

为上一个工件样本的contamination参数中的a的值。

本发明工作原理：

继续参照图1所示，该方法可应用于注塑工件生产领域中，可对生产的注塑件进行实时判定，当判定异常时，可依据生成的并排序后的特征值，快速定位产品生产异常的原因，以便工作人员及时调整，进而提高工作效率，具体地：

第一阶段：首先需要进行初始样本数据的积累，因此，需要采集一段时间范围内，生产线上生产的工件的监测数据，而现有的工件注塑成型系统一般由注塑成型机和模温机组成，故需要预先在模具上安装如下传感器：模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器；在模温机上安装以下高频传感器：冷水温度传感器、热水温度传感器、回水温度传感器；通过上述传感器采集工件生产过程中的模具温度、压力等各项参数，在数据采集完毕后，为避免因传感器异常等原因而影响采集的实时监测数据的精确性，需要对其进行清洗，首先通过动态时间规整算法（DWT）将数据进行时间对齐，以解决因传感器数据采集开始时间不统一的问题，随后，基于箱线图切分法，抓取数据中的异常值，再利用滑动平均法去除异常值，最后，再通过高通滤波法，将数据清洗降噪。

随后，提取清洗后每一工件监测数据的K个特征值，该特征值包括平均值特征（如模内温度、压力的平均值）、最大最小值（如模内温度、压力的最大、最小值等）、有效值、方根幅值、方差、峰峰值、偏态指标、峭度指标、峰值指标、波形指标、脉冲指标、裕度指标和变异系数等等；本实施例中，初始样本的数量N≥500，在特征值获取完毕后，将该N个工件样本中每一样本的K个特征值输入至预先构建的孤立森林模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度，其中，孤立森林模型初始的contamination参数的a取值为

，为工作人员根据经验、具体生产环境自由设置（参照表1）的参数，该实施例中，工件正常的标签为0，工件异常的标签为1，且孤立森林模型也会输出正常、异常判断的置信度（0~100%），当置信度为0时，样本标签为0，当置信度为100%时，样本标签为1。

由于孤立森林模型无法产出特征值的重要性，进而无法对当前生产的工件异常的主要原因进行判断，因此，构建了随机森林模型，并从第N个工件样本开始向前数m个工件样本，作为该随机森林模型的训练集，该实施例中，

，其标签为孤立森林模型输出的这N个工件样本的正常、异常标签（1或0），分别生成这m个工件样本的每一特征值的置信值，并依据该置信值的大小，分别对这m个工件样本中的K个特征值进行重要性排序，如表2所示，由该表格可知，若该工件生产异常，则根据该工件的特征值的重要性排序，即可定位该工件异常的原因（如表2中，模内熔融液压力的置信值为62.4%，排序第1），则工作人员可快速定位工件生产时，模内熔融液压有问题，则可对应调整解决。

第二阶段：基于上述样本积累后，当加工新的工件时，可采集新生产的工件的监测数据，并以该工件为起点重新向前数N个工件，并以该N个工件的监测数据作为新的工件样本，并提取每一工件样本监测数据的K个特征值，然后将其输入孤立森林模型，获取新的N个工件样本的正常、异常标签及正常、异常判定的置信度，其中，在计算新的N个工件样本的正常、异常标签及正常、异常判定的置信度时，孤立森林模型的contamination参数中的a的计算公式如下：

当新生产的工件为正常标签，且以该新工件为起点向前第N-1个工件样本为异常标签时：

当新生产的工件为异常标签，且以该新工件为起点向前第N-1个工件样本为正常标签时：

其中，

为上一个工件样本的contamination参数中的a的值，同时，a也需要满足

。

由于孤立森林模型需要设置contamination参数才能进行应用，而如果一直采用某一固定值，则会导致每次孤立森林模型计算的结果中，都会出现固定的N*a个样本被标记为异常，而根据上述，该方法则是根据实际生产状况，对contamination参数中的a值进行自适应调整，提高了孤立森林模型对N个样本分布的适应性，使得其更加符合实际生产情况。

在计算完新的N个工件样本的正常、异常标签及正常、异常判定的置信度后，排列在最后的工件的标签及置信度，即为新生产工件的判定结果，随后，以该新生产的工件为起点，重新向前数m个工件样本，作为随机森林模型的新的训练集，其标签为孤立森林模型生成的这N个工件样本的正常、异常标签（1或0），进而生成新工件的每一特征值的置信值，并依据该置信值的大小，对该新工件的K个特征值进行重要性排序，如表2所示，若该工件标签异常，则可根据其特征值的重要性排序，快速定位该工件异常的原因，以便及时调整。

随后，继续加工，每加工一次，重复上述第二阶段，即可对每一生产的工件异常的原因进行判定，以便快速调整，提高工作效率，此外，因每次加工，都会利用之前的参数进行模型训练，因此，参数每次调整，都可实施应用，且采用此种方法的特点是，参数调整可实时在判定结果中反馈，其可调参数如表1所示，提高了方法的适应性。

表1 该方法中的可调参数表

表2 某工件的特征值重要性排序表

以上仅为本发明的较佳实施例而已，并不用于限制本发明，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 (6)

1.一种注塑件的自适应生产异常监测方法，其特征在于，包括以下步骤：

S1：采集生产线上依次生产的N个工件的监测数据作为工件样本，并提取每一工件样本监测数据的K个特征值；

S2：构建孤立森林模型，将S1中提取的每一工件样本监测数据的K个特征值输入该模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度；

S3：构建随机森林模型，并从第N个工件样本开始向前数m个工件样本，作为该随机森林模型的训练集，并依据S2获取的工件样本的正常、异常标签，分别生成这m个工件样本的每一特征值的置信值，并依据该置信值的大小，分别对这m个工件样本中的K个特征值进行重要性排序；

S4：采集新生产的工件的监测数据，并以该工件为起点重新向前数N个工件，并以该N个工件的监测数据作为新的工件样本，并提取每一工件样本监测数据的K个特征值；

S5：基于S2构建的孤立森林模型，获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度；

S6：从S4中新生产的工件为起点，重新向前数m个工件样本，作为S3构建的随机森林模型的新的训练集，并依据S5获取的工件样本的正常、异常标签，生成新工件的每一特征值的置信值，并依据该置信值的大小，对该新工件的K个特征值进行重要性排序；

S7：继续生产新工件时，循环S4至S6。

2.根据权利要求1所述的注塑件的自适应生产异常监测方法，其特征在于，所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本，具体包括以下步骤：

S11：预先在模具上安装以下高频传感器：模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器；

S12：预先在模温机上安装以下高频传感器：冷水温度传感器、热水温度传感器、回水温度传感器；

S13：通过安装于模具、模温机上的若干传感器采集工件的实时监测数据。

3.根据权利要求1所述的注塑件的自适应生产异常监测方法，其特征在于，所述S1中提取每一工件样本监测数据的K个特征值包括：最大值、最小值、有效值、均值、方根幅值、方差。

4.根据权利要求3所述的注塑件的自适应生产异常监测方法，其特征在于，所述S1中在提取每一工件样本监测数据的K个特征值之前，首先对数据进行清洗，数据清洗具体包括以下步骤：

S14：基于动态时间规整算法，将数据进行时间对齐；

S15：基于箱线图切分法，抓取数据中的异常值；

S16：采用滑动平均法将抓取的异常值消除；

S17：基于高通滤波法，将数据清洗降噪。

5.根据权利要求1所述的注塑件的自适应生产异常监测方法，其特征在于，所述S2中的孤立森林模型生成的工件样本正常标签为0，异常标签为1；所述孤立森林模型输出正常、异常判定的置信度的范围为0~100%，且当置信度为0时，工件样本标签为0，当置信度为100%时，工件样本标签为1。

6.根据权利要求1所述的注塑件的自适应生产异常监测方法，其特征在于，所述S5中使用孤立森林模型计算S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度时，孤立森林模型的contamination参数中的a的计算公式如下：

当新生产的工件为正常标签，且以该新工件为起点向前第N-1个工件样本为异常标签时：

当新生产的工件为异常标签，且以该新工件为起点向前第N-1个工件样本为正常标签时：

其中，

为上一个工件样本的contamination参数中的a的值。

Images