CN115302728B - 一种注塑机的加热系统的异常监测方法 - Google Patents
一种注塑机的加热系统的异常监测方法 Download PDFInfo
- Publication number
- CN115302728B CN115302728B CN202211248975.7A CN202211248975A CN115302728B CN 115302728 B CN115302728 B CN 115302728B CN 202211248975 A CN202211248975 A CN 202211248975A CN 115302728 B CN115302728 B CN 115302728B
- Authority
- CN
- China
- Prior art keywords
- time window
- current
- index
- torque
- sequence corresponding
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及注塑机的加热系统的异常监测技术领域,具体涉及一种注塑机的加热系统的异常监测方法。方法包括:基于注塑产品加工过程中注塑机的加热元件在各时间窗口对应的电流序列、转矩序列、距离序列和透光率序列,构建各时间窗口对应的状态向量;基于各时间窗口对应的状态向量预测未来时间窗口对应的状态向量;基于当前时间窗口对应的状态向量和未来时间窗口对应的状态向量,判断当前时间段以及未来时间段注塑机的加热系统是否出现异常;若当前时间段未出现异常、未来时间段出现异常,则计算未来时间窗口内马达转矩的变化指标,进而判断注塑机的加热系统的异常来源。本发明通过监测实时数据并对未来数据进行预测,及时识别出异常并找到异常来源。
Description
技术领域
本发明涉及注塑机的加热系统的异常监测技术领域,具体涉及一种注塑机的加热系统的异常监测方法。
背景技术
注塑是一种发展迅速的塑料加工方法,注塑产品的性能跟生产工艺参数有着很大的关系,在注塑过程中,必须要加强对工艺参数的控制,规范工艺操作。其中注塑机加热系统的加热温度对产品质量的影响较大,注塑机在工作过程中需要保持加热元件、测温元件的工作状态均正常,然而在注塑产品的加工过程中,注塑机加热系统的加热元件(加热圈)及测温元件容易发生热松弛现象以及测温元件测温不准确等情况,这些问题均存在于设备内部,技术人员很难直接发现,通常只有在设备出现故障时,才进行拆机维修,一旦发生故障,将会造成更大的停产损失、产生更多的维护费用。为了减少注塑机发生故障的概率,提高注塑机设备的稳定性和可靠性,维修师傅需要定期进行停机检修,检修结果往往依据检修师傅的经验,并不一定能够达到较好的效果,检测精度较低,而且检修过程繁琐,费时费力,耽误生产,影响生产效率。因此如何在注塑产品加工过程中自动化的预测未来时间段注塑机加热系统是否会出现异常并找到异常来源是一个重要的问题。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种注塑机的加热系统的异常监测方法,所采用的技术方案具体如下:
本发明提供了一种注塑机的加热系统的异常监测方法,该方法包括以下步骤:
获取注塑产品加工过程中注塑机的加热元件在各时间窗口对应的电流序列、马达在各时间窗口对应的转矩序列、各时间窗口对应的距离序列和各时间窗口对应的透光率序列;所述距离序列中的元素为成品注塑件各区域与测距仪的垂直距离;
基于所述各时间窗口对应的电流序列,得到各时间窗口对应的电流的变化幅度指数、常用电流和电流中值;基于所述各时间窗口对应的转矩序列,得到各时间窗口对应的转矩的变化幅度指数和转矩均值;基于所述各时间窗口对应的距离序列,得到各时间窗口对应的缺陷指标;基于所述各时间窗口对应的透光率序列,得到各时间窗口对应的透光指数;
基于各时间窗口对应的电流的变化幅度指数、常用电流、电流中值、转矩的变化幅度指数、转矩均值、缺陷指标和透光指数,构建各时间窗口对应的状态向量;基于所述各时间窗口对应的状态向量和训练好的神经网络预测未来时间窗口对应的状态向量;分别将当前时间窗口对应的状态向量和所述未来时间窗口对应的状态向量输入到训练好的分类器中,判断当前时间段以及未来时间段注塑机的加热系统是否出现异常;所述当前时间窗口为与当前时刻的时间间隔不超过预设时长的历史采集时刻构成的时间窗口;
若当前时间段注塑机的加热系统未出现异常、未来时间段注塑机的加热系统出现异常,则基于当前时间窗口对应的状态向量和未来时间窗口对应的状态向量,计算未来时间窗口内马达转矩的变化指标;基于所述变化指标,判断注塑机的加热系统的异常来源。
优选的,所述获取注塑产品加工过程中注塑机的加热元件在各时间窗口对应的电流序列、马达在各时间窗口对应的转矩序列、各时间窗口对应的距离序列和各时间窗口对应的透光率序列,包括:
获取注塑产品加工过程中注塑机的加热元件在各时间窗口内各采集时刻的电流和马达在各时间窗口内各采集时刻的转矩;根据所述加热元件在各时间窗口内各采集时刻的电流,构建加热元件在各时间窗口对应的电流序列;根据所述马达在各时间窗口内各采集时刻的转矩,构建马达在各时间窗口对应的转矩序列;
获取注塑产品加工过程中各时间窗口内生产出的成品注塑件的各区域与测距仪的垂直距离和各区域的透光率;根据所述各区域与测距仪的垂直距离,构建各时间窗口对应的距离序列;根据所述各区域的透光率,构建各时间窗口对应的透光率序列。
优选的,所述基于所述各时间窗口对应的电流序列,得到各时间窗口对应的电流的变化幅度指数、常用电流和电流中值,包括:
对于任一时间窗口:
根据该时间窗口对应的电流序列中元素的极差和方差,计算该时间窗口对应的电流的变化幅度指数;
若该时间窗口对应的电流序列中元素的众数的个数为1,则将该时间窗口对应的电流序列中元素的众数作为该时间窗口对应的常用电流;若该时间窗口对应的电流序列中元素的众数的个数不为1,则将该时间窗口对应的电流序列中与该时间窗口对应的电流序列中元素的均值差异最小的众数作为该时间窗口对应的常用电流;
将该时间窗口对应的电流序列中元素的中值作为该时间窗口对应的电流中值。
优选的,根据该时间窗口对应的电流序列中元素的极差和方差,计算该时间窗口对应的电流的变化幅度指数,包括:
计算该时间窗口对应的电流序列中元素的极差与1的和,作为第一指标;计算该时间窗口对应的电流序列中元素的方差与1的和,作为第二指标;将所述第一指标和所述第二指标的乘积作为该时间窗口对应的电流的变化幅度指数。
优选的,所述基于所述各时间窗口对应的转矩序列,得到各时间窗口对应的转矩的变化幅度指数和转矩均值,包括:
对于任一时间窗口:
计算该时间窗口对应的转矩序列中元素的极差与1的和,作为第三指标;计算该时间窗口对应的转矩序列中元素的方差与1的和,作为第四指标;将所述第三指标和所述第四指标的乘积作为该时间窗口对应的转矩的变化幅度指数;
计算该时间窗口对应的转矩序列中元素的均值,作为该时间窗口对应的转矩均值。
优选的,基于所述各时间窗口对应的状态向量和训练好的神经网络预测未来时间窗口对应的状态向量,包括:
根据各时间窗口对应的状态向量,构建状态向量序列;
将所述状态向量序列输入到训练好的神经网络中,预测未来时间窗口对应的状态向量。
优选的,基于当前时间窗口对应的状态向量和未来时间窗口对应的状态向量,计算未来时间窗口内马达转矩的变化指标,包括:
根据马达在当前时间窗口内各采集时刻对应的转矩,构建当前时间窗口对应的转矩序列;
获取未来时间窗口对应的状态向量中各时刻对应的转矩,根据所述未来时间窗口对应的状态向量中各时刻对应的转矩,构建未来时间窗口对应的转矩序列;
计算当前时间窗口对应的转矩序列和未来时间窗口对应的转矩序列的DTW距离,以自然常数e为底数,以负的所述DTW距离为指数的指数函数的值作为未来时间窗口内马达转矩的变化指标。
优选的,所述基于所述变化指标,判断注塑机的加热系统的异常来源,包括:
若所述变化指标小于变化指标阈值,则判定加热系统的测温元件在未来时间段有逐渐失效的情况;若所述变化指标大于等于变化指标阈值,则判定加热系统的加热元件在未来时间段有逐渐失效的情况。
优选的,所述基于所述各时间窗口对应的距离序列,得到各时间窗口对应的缺陷指标;基于所述各时间窗口对应的透光率序列,得到各时间窗口对应的透光指数,包括:对于任一时间窗口:
计算该时间窗口对应的距离序列中元素的极差和该时间窗口对应的距离序列中元素的方差;计算自然常数1与该时间窗口对应的距离序列中元素的方差的和,作为第一特征指标;以自然常数e为底数,以该时间窗口对应的距离序列中元素的极差为指数函数的值作为第二特征指标;计算所述第一特征指标与所述第二特征指标的乘积,作为该时间窗口对应的缺陷指标;
计算该时间窗口对应的透光率序列中元素的均值和该时间窗口对应的透光率序列中元素的方差;计算自然常数1与该时间窗口对应的透光率序列中元素的方差的和,作为第一特征值,将1与所述第一特征值的比值作为第三特征指标;计算所述第三特征指标与所述该时间窗口对应的透光率序列中元素的均值的乘积,作为该时间窗口对应的透光指数。
本发明具有如下有益效果:
本发明基于注塑产品加工过程中各时间窗口对应的电流的变化幅度指数、常用电流、电流中值、转矩的变化幅度指数、转矩均值、缺陷指标和透光指数,构建各时间窗口对应的状态向量,进而基于训练好的神经网络预测未来时间窗口对应的状态向量,基于未来时间窗口对应的状态向量判断未来时间段注塑机的加热系统是否会出现异常,若出现异常,则基于当前时间窗口对应的状态向量和未来时间窗口对应的状态向量,计算未来时间窗口内马达转矩的变化指标,再基于未来时间窗口内马达转矩的变化指标,准确找到注塑机的加热系统的异常来源,能够给维修人员合理安排维修时间,节省维修人员寻找异常来源的时间,降低注塑机加热系统异常带来的生产损失,能够保证注塑产品的生产量,有效地提高注塑产品的质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明提供的一种注塑机的加热系统的异常监测方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种注塑机的加热系统的异常监测方法进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种注塑机的加热系统的异常监测方法的具体方案。
一种注塑机的加热系统的异常监测方法实施例:
本实施例提出了一种注塑机的加热系统的异常监测方法,如图1所示,本实施例的一种注塑机的加热系统的异常监测方法包括以下步骤:
步骤S1,获取注塑产品加工过程中注塑机的加热元件在各时间窗口对应的电流序列、马达在各时间窗口对应的转矩序列、各时间窗口对应的距离序列和各时间窗口对应的透光率序列;所述距离序列中的元素为成品注塑件各区域与测距仪的垂直距离。
注塑产品在加工时,注塑机的加热系统若出现异常,会严重影响注塑产品的质量。注塑机的加热系统包括测温元件和加热元件。加热系统的测温元件是用于测量温度的;加热系统的加热元件是依靠电流的变化来改变其加热能力的,其加热量是根据测温元件所测量到的温度来改变的,若测温元件未出现异常,所测温度准确,则加热元件的电流也是正常的;若测温元件出现异常,则其反馈给加热元件的温度是不准确的,加热元件随之调节的温度也是非常不准确的。
利用电流计采集注塑产品加工过程中加热元件的电流,本实施例设置每15秒采集一次,基于采集到的电流构建电流序列,构建电流序列时采用滑动窗口的方式,时间窗口的长度为5分钟,电流序列1分钟更新一次,因此每隔4个采集时刻更新一次电流序列,得到各时间窗口对应的电流序列,假设第1个时间窗口对应的电流序列中的数据为前5分钟采集到的电流,那么第2个时间窗口对应的电流序列中的数据为从第2分钟开始到第6分钟结束时采集到的电流,第3个时间窗口对应的电流序列中的数据为从第3分钟开始到第7分钟结束时采集到的电流,以此类推。
若塑料长时间在较高温度下加热,原材料会出现分解的现象,熔体出现强度低、比较稀的状态,更严重时可能出现似水状的流体,在挤出机螺杆的推动下,高温高压的塑料熔融流体瞬间喷射而出,此时螺杆所受阻力较小,提供转动动力的马达的负载会变小,马达的转矩就会随之减小;若塑料的加热温度过低,原材料中的塑料小球未完全融化,塑料熔体未达到可以流动的状态,此时在挤出机螺杆的强力推动下,机头与挤出机连接螺栓或连接螺纹有可能出现松动或是断裂的情况,严重时可能引发机械事故,在此过程中,螺杆会承受较大的阻力,此时马达的负载会变大,马达的转矩就会随之增大。
利用转速功率采集仪采集注塑产品加工过程中马达的转速和功率,基于转速和功率计算马达的转矩,本实施例设置转速、功率的采集频率与电流的采集频率相同,均为15秒采集一次,基于转速和功率计算转矩的方法为现有技术,此处不再赘述。基于每个采集时刻马达的转矩构建转矩序列,构建转矩序列时同样采用滑动窗口的方式,时间窗口的长度为5分钟,转矩序列1分钟更新一次,因此每隔4个采集时刻更新一次序列,得到各时间窗口对应的转矩序列,假设第1个时间窗口对应的转矩序列中的数据为前5分钟采集到的转矩,那么第2个时间窗口对应的转矩序列中的数据为从第2分钟开始到第6分钟结束时采集到的转矩,第3个时间窗口对应的转矩序列中的数据为从第3分钟开始到第7分钟结束时采集到的转矩,以此类推。
塑料原料的温度高低会影响最终的成品质量,在注塑其余整体工艺流程保持正常的情况下,塑料原料的温度过低会导致注塑件成品收缩、表面凹陷、缺料等情况,温度过高会使注塑件表面色泽变深。故可以通过最终的成品情况分析反应加热模块是否出现异常。因此,本实施例利用测距仪测量同一高度距注塑件距表面的距离:将生产出的成品在流水线上经过测距仪扫描,得到注塑件各个位置到测距仪的垂直距离,即将注塑件表面等分成τ个区域,测量每个区域到测距仪的垂直距离,基于各成品注塑件各区域到测距仪的垂直距离,获得成品注塑件对应的距离序列,构建距离序列时同样采用滑动窗口的方式,时间窗口的长度为5分钟,转矩序列1分钟更新一次,因此每隔4个采集时刻更新一次序列,得到各时间窗口对应的距离序列,其中,距离序列中的各元素分别为成品注塑件的各子区域到测距仪的垂直距离。同时,使用透光仪测量每个成品注塑件的透光率,透光率的检测方法同距离的测量方法相同,最终得到每个成品注塑件的各区域的透光率,基于各成品注塑件各区域的透光率,获得各成品注塑件对应的透光率序列,构建透光率序列时同样采用滑动窗口的方式,时间窗口的长度为5分钟,透光率序列1分钟更新一次,因此每隔4个采集时刻更新一次序列,得到各时间窗口对应的透光率序列,其中,透光率序列中的各元素分别为成品注塑件的各区域的透光率。τ的取值实施者可自行设置。
至此,得到了注塑产品加工过程中注塑机的加热元件在各时间窗口对应的电流序列、马达在各时间窗口对应的转矩序列、各时间窗口对应的距离序列和各时间窗口对应的透光率序列。在具体应用中,实施者可自行设置时间窗口的长度以及各指标的采集频率。
步骤S2,基于所述各时间窗口对应的电流序列,得到各时间窗口对应的电流的变化幅度指数、常用电流和电流中值;基于所述各时间窗口对应的转矩序列,得到各时间窗口对应的转矩的变化幅度指数和转矩均值;基于所述各时间窗口对应的距离序列,得到各时间窗口对应的缺陷指标;基于所述各时间窗口对应的透光率序列,得到各时间窗口对应的透光指数。
考虑到当测温元件出现异常时,读取到的温度数值时高时低,与正常情况下读取的温度数值有很大的偏差,若将此时读取到的温度数值反馈给加热元件,则加热元件的加热电流也会随之变化;当测温元件正常时,电流的波动程度是非常小的,电流的数值通常稳定在一个范围内。因此接下来分析各时间窗口对应的电流序列的波动情况。
对于任一时间窗口:
该时间窗口对应的电流序列中元素的极差和方差能够表征该时间窗口内加热元件电流的变化情况,因此本实施例计算该时间窗口对应的电流序列中元素的极差与1的和,作为第一指标,计算该时间窗口对应的电流序列中元素的方差与1的和,作为第二指标,将第一指标和第二指标的乘积作为该时间窗口对应的电流的变化幅度指数;当该时间窗口对应的电流序列中元素的极差和方差都较大时,说明该时间窗口内加热元件电流波动程度较大,即该时间窗口对应的电流的变化幅度指数较大;当该时间窗口对应的电流序列中元素的极差和方差都较小时,说明该时间窗口内加热元件电流波动程度较小,即该时间窗口对应的电流的变化幅度指数较小。
该时间窗口对应的电流序列中的众数为该时间窗口对应的电流序列中出现次数最多的元素,考虑到电流序列中的众数能够反映测温元件所获取的温度的情况,若该时间窗口对应的电流序列中的众数相较于正常情况下的数值较小,则说明该时间窗口内测温元件读取的温度相较于正常情况下较低;若该时间窗口对应的电流序列中的众数相较于正常情况下的数值较大,则说明该时间窗口内测温元件读取的温度相较于正常情况下较高。基于此,获取该时间窗口对应的电流序列中的众数,将众数作为该时间窗口对应的常用电流,若该时间窗口对应的电流序列中众数的个数不止一个,则将与该时间窗口对应的电流序列中元素的均值的差异最小的众数作为该时间窗口对应的常用电流。同时,获取该时间窗口对应的电流序列中元素的中值,作为该时间窗口对应的电流中值,该时间窗口内加热元件的电流在电流中值左右波动。
采用上述方法,能够得到各时间窗口对应的电流的变化幅度指数、常用电流和电流中值。
考虑到一个时间窗口对应的转矩序列中元素的波动程度能够表征对应时间段塑料的加热温度的稳定情况,若加热温度时高时低,则塑料的加热程度也会随之发生变化,最终熔体状态也会随之发生变化,进而导致马达的转矩也会出现变化,马达的转矩的波动程度越大,表征加热温度的波动程度越大,测温元件所测的温度的波动程度越大。因此接下来分析各时间窗口对应的转矩序列的波动情况。
对于任一时间窗口:
该时间窗口对应的转矩序列中元素的极差和方差能够表征该时间窗口内马达转矩的变化情况,因此本实施例计算该时间窗口对应的转矩序列中元素的极差与1的和,作为第三指标,计算该时间窗口对应的转矩序列中元素的方差与1的和,作为第四指标,将第三指标和第四指标的乘积作为该时间窗口对应的转矩的变化幅度指数;当该时间窗口对应的转矩序列中元素的极差和方差都较大时,说明该时间窗口内马达的转矩波动程度较大,即该时间窗口对应的转矩的变化幅度指数较大;当该时间窗口对应的转矩序列中元素的极差和方差都较小时,说明该时间窗口内马达的转矩波动程度较小,即该时间窗口对应的转矩的变化幅度指数较小。
考虑到该时间窗口对应的转矩序列中元素的均值能够表征该时间窗口内塑料溶胶的加热温度的平均水平,当塑料溶胶的加热温度过高时,塑料熔体就会变稀,此时螺杆所承受的阻力就会变小,进而导致该时间段内马达的转矩的均值偏小;当塑料溶胶的加热的温度较低时,塑料熔体相对较粘稠,螺杆所承受的阻力就会偏大,进而导致该时间段内马达的转矩的均值偏大。基于此,计算该时间窗口对应的转矩序列中元素的均值,作为该时间窗口对应的转矩均值。
考虑到注塑机出现异常时,生产出来的成品注塑件会存在质量问题,较明显的特征为注塑件表面不平整,呈现出凹凸不平的特征,此外,生产完毕的成品注塑件的透光率也能够在一定程度上反映注塑机是否出现异常。因此,接下来本实施例将基于各时间窗口对应的距离序列和透光率序列,分析注塑机的加热系统是否出现异常。
对于任一时间窗口:
该时间窗口对应的距离序列中元素的极差和方差能够表征该时间窗口内成品注塑件的表面的平整情况,若距离序列中元素的极差和方差都较大,则说明注塑件表面越不平整,因此本实施例根据该时间窗口对应的距离序列,计算该时间窗口对应的缺陷指标,即:
其中,为该时间窗口对应的缺陷指标,为该时间窗口对应的距离序列,为取极差函数,为取方差函数,为该时间窗口对应的距离序列中元素的极差,为该时间窗口对应的距离序列中元素的方差,为以自然常数e为底数的指数函数;当该时间窗口对应的距离序列中元素的极差和方差都较大时,说明该时间窗口内生产出来的注塑件产品的表面的凹凸程度较大,即该时间窗口对应的缺陷指标较大;当该时间窗口对应的距离序列中元素的极差和方差都较小时,说明该时间窗口内生产出来的注塑件产品的表面的凹凸程度较小,即该时间窗口对应的缺陷指标较小。
接下来本实施例根据该时间窗口对应的透光率序列,计算该时间窗口对应的透光指数,即:
其中,为该时间窗口对应的透光指数,为该时间窗口对应的透光率序列,为该时间窗口对应的透光率序列中元素的方差,为该时间窗口对应的透光率序列中元素的均值;当该时间窗口对应的透光率序列中元素的方差较大、该时间窗口对应的透光率序列中元素的均值较小时,说明该时间窗口内生产出来的注塑件产品的透光率较小,说明生产出来的注塑产品的质量较差,即该时间窗口对应的透光指数较小;当该时间窗口对应的透光率序列中元素的方差较小、该时间窗口对应的透光率序列中元素的均值较大时,说明该时间窗口内生产出来的注塑件产品的透光率较大,说明生产出来的注塑产品的质量较好,即该时间窗口对应的透光指数较大。
采用上述方法,能够得到各时间窗口对应的转矩的变化幅度指数、转矩均值、缺陷指标和透光指数。
步骤S3,基于各时间窗口对应的电流的变化幅度指数、常用电流、电流中值、转矩的变化幅度指数、转矩均值、缺陷指标和透光指数,构建各时间窗口对应的状态向量;基于所述各时间窗口对应的状态向量和训练好的神经网络预测未来时间窗口对应的状态向量;分别将当前时间窗口对应的状态向量和所述未来时间窗口对应的状态向量输入到训练好的分类器中,判断当前时间段以及未来时间段注塑机的加热系统是否出现异常;所述当前时间窗口为与当前时刻的时间间隔不超过预设时长的历史采集时刻构成的时间窗口。
注塑机的加热系统的测温元件和加热元件的异常形式均包括突然失效以及逐渐失效,其中,突然失效是指在某一时刻因外界情况或自身因素导致的不工作或工作性能不正常,逐渐失效是指在异常环境中或自身设备逐渐老化,造成了其工作性能逐渐偏离正常状态,逐渐失效在短期内虽然已经有了异常趋势,但还是很难发现,因此若采用传统的注塑机异常检测方法就难以保证在设备异常初期就能及时发现异常,若在初期不能及时发现异常会导致设备的异常程度越来越严重,不仅会影响注塑产品的生产质量,还会降低生产效率,严重时还需要重新更换设备。
根据各时间窗口对应的电流的变化幅度指数、常用电流、电流中值、转矩的变化幅度指数、转矩均值、缺陷指标和透光指数,构建各时间窗口对应的状态向量,对于任一时间窗口,其对应的状态向量为,其中,为该时间窗口对应的状态向量,为该时间窗口对应的电流的变化幅度指数,为该时间窗口对应的常用电流,为该时间窗口对应的电流中值,为该时间窗口对应的转矩的变化幅度指数,为该时间窗口对应的转矩均值,为该时间窗口对应的缺陷指标,为该时间窗口对应的透光指数。
首先根据各时间窗口对应的状态向量,构建状态向量序列,状态向量序列中的元素为注塑产品加工过程中24个小时对应的各时间窗口对应的状态向量,状态向量序列中的元素每2小时更新一次,即若第k个状态向量序列中的元素为注塑产品加工过程中第t个小时到第t+23个小时内各时间窗口对应的状态向量,则第k+1个状态向量序列中的元素为注塑产品加工过程中第t+2个小时到第t+25个小时内各时间窗口对应的状态向量,至此,得到注塑产品加工过程中对应的多个状态向量序列。接下来根据注塑产品加工过程中对应的状态向量序列,预测未来的状态向量序列,利用LSTM神经网络模型预测状态向量序列。
具体的,将各样本注塑机在加工注塑产品的过程中对应的状态向量序列作为训练数据集,对LSTM神经网络模型进行训练,LSTM神经网络模型的训练过程为:将各样本注塑机在某一时间段之前对应的状态向量序列作为一个训练数据输入到LSTM神经网络模型中,将各样本注塑机下一时间段对应的状态向量作为对应的标签来训练LSTM神经网络模型,使得LSTM神经网络模型能够学习到下一时间窗口注塑机对应的状态向量,完成对LSTM神经网络模型的训练,训练好的LSTM神经网络模型用于预测下一时间窗口对应的状态向量。LSTM神经网络模型的训练过程为现有技术,此处不再过多赘述。
将注塑产品加工过程中对应的状态向量序列输入到训练好的LSTM神经网络模型中,预测未来24小时对应的状态向量,得到未来24小时内各时间窗口对应的状态向量,本实施例设置每隔2个小时预测一次未来24小时内对应的多个状态向量,每5分钟对应一个状态向量,因此每次预测未来多个时间窗口对应的状态向量。
为了判断注塑机的加热系统是否失效,若失效,是突然失效还是逐渐失效,本实施例将利用One-Class SVM模型对其进行判断。One-Class SVM模型是一种单分类器,在本实施例中的作用是基于状态向量判断注塑机的加热系统是否出现了异常,其中,One-ClassSVM模型的输入为状态向量,输出为注塑机的加热系统是否出现了异常。One-Class SVM模型的构建过程、参数设计及训练过程均为公知技术,此处不再赘述。
将当前时间窗口对应的状态向量输入到训练好的One-Class SVM模型中,判断当前时间段注塑机的加热系统是否出现了异常,所述当前时间窗口为与当前时刻的时间间隔不超过5分钟的历史采集时刻构成的时间窗口。考虑到若当前时间段注塑机的加热系统出现了异常,则未来时间段注塑机的加热系统也是异常的,需要及时提醒技术人员进行检修;若当前时间段注塑机的加热系统正常,则将未来时间窗口对应的状态向量输入到训练好的One-Class SVM模型中,预测未来时间段注塑机的加热系统的状态类别。
通过One-Class SVM模型的输出结果可知注塑机的加热系统是突然失效还是逐渐失效。
步骤S4,若当前时间段注塑机的加热系统未出现异常、未来时间段注塑机的加热系统出现异常,则基于当前时间窗口对应的状态向量和未来时间窗口对应的状态向量,计算未来时间窗口内马达转矩的变化指标;基于所述变化指标,判断注塑机的加热系统的异常来源。
通过上述过程,对注塑机的加热系统的失效类别进行了判断,若注塑机的加热系统是突然失效,则需要技术人员及时查看检修,若注塑机的加热系统是逐渐失效,则需要进一步分析是测温元件先出现了问题还是加热元件先出现了问题。需要说明的是,注塑机在实际工作过程中,加热元件与测温元件同时出现问题的可能几乎不存在,因此本实施例只分析是测温元件先出现了问题还是加热元件先出现了问题,减少技术人员排查的时间。
当加热系统的加热元件未出现问题,测温元件出现问题时,共分为三种情况,第一种是测温元件所测温度比实际温度高,第二种是测温元件所测温度比实际温度低,第三种是测温元件所测温度时高时低、变化不定,该种情况往往是由于测温元件内部电路接触不良或与外界接触不良造成,属于突然失效,不在此分析范围内,在逐渐失效的情况下,只会出现测温元件所测温度比实际温度高或测温元件所测温度比实际温度低两种情况。当测温元件所测温度比实际温度高时,加热元件认为外界温度较高,加热电流就会偏低,造成加热量减少,塑料没有加热到理想的熔体状态,较为粘稠,马达的转矩就会偏大;当测温元件所测温度比实际温度低时,加热元件认为外界温度较低,加热电流就会偏高,造成加热量过大,塑料的熔体过于流散,马达的转矩就会偏小。
当加热系统的加热元件出现问题,测温元件未出现问题时,共分为两种情况,一种是加热量比实际低,另一种是加热量比实际高。需要说明的是:加热元件几乎不会出现时高时低的情况,因此不考虑该情况。当加热量比实际低时,测温元件所测温度较低,反馈给加热电流就会使加热电流增大,使其达到温度正常状态,马达转矩不变;当加热量比实际高时,测温元件所测温度较高,反馈给加热电流就会使电流减小,使其达到温度正常状态,马达转矩不变。
通过上述分析可知,当测温元件出现问题时,马达的转矩会发生变化;当加热元件出现问题时,马达的转矩不会发生变化;因此可以通过马达转矩的变化情况来判断注塑机加热系统的哪一元件出现了问题。根据马达在当前时间窗口内各采集时刻对应的转矩,构建当前时间窗口对应的转矩序列;获取未来时间窗口对应的状态向量中各时刻对应的转矩,根据未来时间窗口对应的状态向量中各时刻对应的转矩,构建未来时间窗口对应的转矩序列;根据当前时间窗口对应的转矩序列和未来时间窗口对应的转矩序列,计算未来时间窗口内马达转矩的变化指标,即:
其中,为未来时间窗口内马达转矩的变化指标,为以自然常数e为底的指数函数,为动态时间规整距离,为当前时间窗口对应的转矩序列,为未来时间窗口对应的转矩序列。当未来时间窗口对应的转矩序列和当前时间窗口对应的转矩序列的DTW距离较小时,说明这两个序列较相似,马达转矩的变化程度越小,未来时间窗口内马达转矩的变化指标越大;当未来时间窗口对应的转矩序列和当前时间窗口对应的转矩序列的DTW距离较大时,说明这两个序列较不相似,马达转矩的变化程度越大,未来时间窗口内马达转矩的变化指标越小。
若未来时间窗口内马达转矩的变化指标越接近于0,则说明测温元件在未来时间段有逐渐失效的情况;若未来时间窗口内马达转矩的变化指标越接近于1,则说明加热元件在未来时间段有逐渐失效的情况;本实施例设置变化指标阈值,判断未来时间窗口内马达转矩的变化指标是否小于,若小于,则判定加热系统的测温元件在未来时间段有逐渐失效的情况,若大于等于,则判定加热系统的加热元件在未来时间段有逐渐失效的情况。本实施例设置的值为0.5,在具体应用中,实施者可自行设置。至此,能够预测未来时间段加热系统中的测温元件以及加热元件是否会出现异常,若预测到未来时间段加热系统中的测温元件或加热元件会出现异常,则及时提醒工作人员,合理安排时间进行停机检修,以保证产品的合格率。
本实施例基于注塑产品加工过程中各时间窗口对应的电流的变化幅度指数、常用电流、电流中值、转矩的变化幅度指数、转矩均值、缺陷指标和透光指数,构建各时间窗口对应的状态向量,进而基于训练好的神经网络预测未来时间窗口对应的状态向量,基于未来时间窗口对应的状态向量判断未来时间段注塑机的加热系统是否会出现异常,若出现异常,则基于当前时间窗口对应的状态向量和未来时间窗口对应的状态向量,计算未来时间窗口内马达转矩的变化指标,再基于未来时间窗口内马达转矩的变化指标,准确找到注塑机的加热系统的异常来源,能够给维修人员合理安排维修时间,节省维修人员寻找异常来源的时间,降低注塑机加热系统异常带来的生产损失,能够保证注塑产品的生产量,有效地提高注塑产品的质量。
需要说明的是:以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种注塑机的加热系统的异常监测方法,其特征在于,该方法包括以下步骤:
获取注塑产品加工过程中注塑机的加热元件在各时间窗口对应的电流序列、马达在各时间窗口对应的转矩序列、各时间窗口对应的距离序列和各时间窗口对应的透光率序列;所述距离序列中的元素为成品注塑件各区域与测距仪的垂直距离;
基于所述各时间窗口对应的电流序列,得到各时间窗口对应的电流的变化幅度指数、常用电流和电流中值;基于所述各时间窗口对应的转矩序列,得到各时间窗口对应的转矩的变化幅度指数和转矩均值;基于所述各时间窗口对应的距离序列,得到各时间窗口对应的缺陷指标;基于所述各时间窗口对应的透光率序列,得到各时间窗口对应的透光指数;
基于各时间窗口对应的电流的变化幅度指数、常用电流、电流中值、转矩的变化幅度指数、转矩均值、缺陷指标和透光指数,构建各时间窗口对应的状态向量;基于所述各时间窗口对应的状态向量和训练好的神经网络预测未来时间窗口对应的状态向量;分别将当前时间窗口对应的状态向量和所述未来时间窗口对应的状态向量输入到训练好的分类器中,判断当前时间段以及未来时间段注塑机的加热系统是否出现异常;所述当前时间窗口为与当前时刻的时间间隔不超过预设时长的历史采集时刻构成的时间窗口;
若当前时间段注塑机的加热系统未出现异常、未来时间段注塑机的加热系统出现异常,则基于当前时间窗口对应的状态向量和未来时间窗口对应的状态向量,计算未来时间窗口内马达转矩的变化指标;基于所述变化指标,判断注塑机的加热系统的异常来源;
所述基于所述各时间窗口对应的电流序列,得到各时间窗口对应的电流的变化幅度指数、常用电流和电流中值,包括:
对于任一时间窗口:
根据该时间窗口对应的电流序列中元素的极差和方差,计算该时间窗口对应的电流的变化幅度指数;
若该时间窗口对应的电流序列中元素的众数的个数为1,则将该时间窗口对应的电流序列中元素的众数作为该时间窗口对应的常用电流;若该时间窗口对应的电流序列中元素的众数的个数不为1,则将该时间窗口对应的电流序列中与该时间窗口对应的电流序列中元素的均值差异最小的众数作为该时间窗口对应的常用电流;
将该时间窗口对应的电流序列中元素的中值作为该时间窗口对应的电流中值;
根据该时间窗口对应的电流序列中元素的极差和方差,计算该时间窗口对应的电流的变化幅度指数,包括:
计算该时间窗口对应的电流序列中元素的极差与1的和,作为第一指标;计算该时间窗口对应的电流序列中元素的方差与1的和,作为第二指标;将所述第一指标和所述第二指标的乘积作为该时间窗口对应的电流的变化幅度指数;
所述基于所述各时间窗口对应的转矩序列,得到各时间窗口对应的转矩的变化幅度指数和转矩均值,包括:
对于任一时间窗口:
计算该时间窗口对应的转矩序列中元素的极差与1的和,作为第三指标;计算该时间窗口对应的转矩序列中元素的方差与1的和,作为第四指标;将所述第三指标和所述第四指标的乘积作为该时间窗口对应的转矩的变化幅度指数;
计算该时间窗口对应的转矩序列中元素的均值,作为该时间窗口对应的转矩均值;
基于当前时间窗口对应的状态向量和未来时间窗口对应的状态向量,计算未来时间窗口内马达转矩的变化指标,包括:
根据马达在当前时间窗口内各采集时刻对应的转矩,构建当前时间窗口对应的转矩序列;
获取未来时间窗口对应的状态向量中各时刻对应的转矩,根据所述未来时间窗口对应的状态向量中各时刻对应的转矩,构建未来时间窗口对应的转矩序列;
计算当前时间窗口对应的转矩序列和未来时间窗口对应的转矩序列的DTW距离,以自然常数e为底数,以负的所述DTW距离为指数的指数函数的值作为未来时间窗口内马达转矩的变化指标;
所述基于所述变化指标,判断注塑机的加热系统的异常来源,包括:
若所述变化指标小于变化指标阈值,则判定加热系统的测温元件在未来时间段有逐渐失效的情况;若所述变化指标大于等于变化指标阈值,则判定加热系统的加热元件在未来时间段有逐渐失效的情况。
2.根据权利要求1所述的一种注塑机的加热系统的异常监测方法,其特征在于,所述获取注塑产品加工过程中注塑机的加热元件在各时间窗口对应的电流序列、马达在各时间窗口对应的转矩序列、各时间窗口对应的距离序列和各时间窗口对应的透光率序列,包括:
获取注塑产品加工过程中注塑机的加热元件在各时间窗口内各采集时刻的电流和马达在各时间窗口内各采集时刻的转矩;根据所述加热元件在各时间窗口内各采集时刻的电流,构建加热元件在各时间窗口对应的电流序列;根据所述马达在各时间窗口内各采集时刻的转矩,构建马达在各时间窗口对应的转矩序列;
获取注塑产品加工过程中各时间窗口内生产出的成品注塑件的各区域与测距仪的垂直距离和各区域的透光率;根据所述各区域与测距仪的垂直距离,构建各时间窗口对应的距离序列;根据所述各区域的透光率,构建各时间窗口对应的透光率序列。
3.根据权利要求1所述的一种注塑机的加热系统的异常监测方法,其特征在于,基于所述各时间窗口对应的状态向量和训练好的神经网络预测未来时间窗口对应的状态向量,包括:
根据各时间窗口对应的状态向量,构建状态向量序列;
将所述状态向量序列输入到训练好的神经网络中,预测未来时间窗口对应的状态向量。
4.根据权利要求1所述的一种注塑机的加热系统的异常监测方法,其特征在于,所述基于所述各时间窗口对应的距离序列,得到各时间窗口对应的缺陷指标;基于所述各时间窗口对应的透光率序列,得到各时间窗口对应的透光指数,包括:
对于任一时间窗口:
计算该时间窗口对应的距离序列中元素的极差和该时间窗口对应的距离序列中元素的方差;计算自然常数1与该时间窗口对应的距离序列中元素的方差的和,作为第一特征指标;以自然常数e为底数,以该时间窗口对应的距离序列中元素的极差为指数函数的值作为第二特征指标;计算所述第一特征指标与所述第二特征指标的乘积,作为该时间窗口对应的缺陷指标;
计算该时间窗口对应的透光率序列中元素的均值和该时间窗口对应的透光率序列中元素的方差;计算自然常数1与该时间窗口对应的透光率序列中元素的方差的和,作为第一特征值,将1与所述第一特征值的比值作为第三特征指标;计算所述第三特征指标与所述该时间窗口对应的透光率序列中元素的均值的乘积,作为该时间窗口对应的透光指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248975.7A CN115302728B (zh) | 2022-10-12 | 2022-10-12 | 一种注塑机的加热系统的异常监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211248975.7A CN115302728B (zh) | 2022-10-12 | 2022-10-12 | 一种注塑机的加热系统的异常监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115302728A CN115302728A (zh) | 2022-11-08 |
CN115302728B true CN115302728B (zh) | 2022-12-30 |
Family
ID=83867894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211248975.7A Active CN115302728B (zh) | 2022-10-12 | 2022-10-12 | 一种注塑机的加热系统的异常监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115302728B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115855886B (zh) * | 2022-11-25 | 2023-08-01 | 广东汇发塑业科技有限公司 | 一种多层共挤制膜的均匀性检测方法 |
CN116499419B (zh) * | 2023-06-27 | 2023-10-20 | 西安高商智能科技有限责任公司 | 一种舵机旋转角度异常检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109648816A (zh) * | 2018-12-03 | 2019-04-19 | 武汉市衡德实业有限公司 | 一种塑料注塑过程中监控注塑机工况的方法及系统 |
CN111098463A (zh) * | 2018-10-27 | 2020-05-05 | 泰瑞机器股份有限公司 | 一种注塑机故障诊断系统及诊断方法 |
CN114925752A (zh) * | 2022-04-24 | 2022-08-19 | 南通透灵信息科技有限公司 | 基于物联网的线切割机床板材切割异常监测方法 |
CN115157601A (zh) * | 2022-09-06 | 2022-10-11 | 南通飞旋智能科技有限公司 | 一种注塑机及其检测方法 |
-
2022
- 2022-10-12 CN CN202211248975.7A patent/CN115302728B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111098463A (zh) * | 2018-10-27 | 2020-05-05 | 泰瑞机器股份有限公司 | 一种注塑机故障诊断系统及诊断方法 |
CN109648816A (zh) * | 2018-12-03 | 2019-04-19 | 武汉市衡德实业有限公司 | 一种塑料注塑过程中监控注塑机工况的方法及系统 |
CN114925752A (zh) * | 2022-04-24 | 2022-08-19 | 南通透灵信息科技有限公司 | 基于物联网的线切割机床板材切割异常监测方法 |
CN115157601A (zh) * | 2022-09-06 | 2022-10-11 | 南通飞旋智能科技有限公司 | 一种注塑机及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115302728A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115302728B (zh) | 一种注塑机的加热系统的异常监测方法 | |
JP6787971B2 (ja) | 状態判定装置及び状態判定方法 | |
US20210008774A1 (en) | Method for the Automatic Process Monitoring and Process Diagnosis of a Piece-Based Process (batch production), in Particular an Injection-Moulding Process, and Machine That Performs the Process or Set of Machines that Performs the Process | |
CN103838202A (zh) | 参数控制方法和参数控制系统 | |
CN110920009B (zh) | 状态判定装置以及状态判定方法 | |
CN109741927B (zh) | 微型变压器生产线的设备故障和潜在不良品智能预测系统 | |
JP6975188B2 (ja) | 状態判定装置及び状態判定方法 | |
CN115081966B (zh) | 异常状态监控方法及应用该方法的铝合金挤压工艺控制器 | |
CN110962316A (zh) | 状态判断装置以及状态判断方法 | |
CN115157601A (zh) | 一种注塑机及其检测方法 | |
CN115600910A (zh) | 一种电力数据资产分析系统 | |
CN116238176A (zh) | 一种人造石英石板原料配置控制系统 | |
US9934677B2 (en) | Method and apparatus for determination of sensor health | |
KR20230132812A (ko) | 이상 검지 시스템, 성형기 시스템, 이상 검지 장치,이상 검지 방법 및 컴퓨터 프로그램 | |
CN117382129A (zh) | 注塑机数据分析系统和电子设备 | |
CN117607780A (zh) | 一种电能计量装置异常分析系统及其分析方法 | |
US20240009905A1 (en) | State determination device and state determination method | |
JPS6024915A (ja) | 成形機の監視方法 | |
CN113189417B (zh) | 基于线损动态分析的线损异常判断装置及方法 | |
JPH10301619A (ja) | 燃料電池発電プラント診断装置 | |
KR20230147626A (ko) | 정보 처리 방법, 정보 처리 장치, 성형기 시스템 및 컴퓨터 프로그램 | |
CN116234674A (zh) | 状态判定装置及状态判定方法 | |
CN109630503B (zh) | 一种液压泵健康诊断系统及其诊断方法 | |
CN209875614U (zh) | 一种液压泵健康诊断系统 | |
JP7184997B2 (ja) | 状態判定装置及び状態判定方法 |
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 |