一種塑料注塑過程的在線工況過程監(jiān)控方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明屬于工業(yè)監(jiān)控和故障診斷領(lǐng)域，更具體地，涉及一種基于擴(kuò)散映射和誤差 反向傳播神經(jīng)網(wǎng)絡(luò)的塑料注塑過程在線工況過程監(jiān)控方法。
【背景技術(shù)】
[0002] 隨著工業(yè)自動化的不斷推進(jìn)，系統(tǒng)設(shè)備的集成和復(fù)雜度不斷增加，依靠人工的過 程監(jiān)測和故障診斷越來越難以滿足現(xiàn)代工業(yè)的需求。傳感器的廣泛應(yīng)用使得過程監(jiān)測和故 障診斷的自動化成為可能。
[0003] 目前，主流的方法是利用傳感器采集的過程數(shù)據(jù)建立監(jiān)測模型。根據(jù)模型是否線 性分為以主成分分析(Principal Component Analysis，PCA)為主的線性模型和以神經(jīng)網(wǎng) 絡(luò)、支持向量機(jī)為代表的非線性模型。實(shí)際生產(chǎn)中，變量與目標(biāo)值之間存在非線性，強(qiáng)耦合 的關(guān)系，因此，PCA模型的合理性很難保證。
[0004] 對于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)為代表的機(jī)器學(xué)習(xí)方法，它們在處理大規(guī)模高維數(shù)的 數(shù)據(jù)樣本時，很容易陷入過擬合。另外，隨著傳感器的采樣頻率越來越高，維數(shù)越來越高，維 數(shù)災(zāi)難越來越引起關(guān)注。因此，如何有效的處理過程監(jiān)測和故障診斷成為學(xué)術(shù)界和工業(yè)界 的關(guān)注熱點(diǎn)之一。

【發(fā)明內(nèi)容】

[0005] 針對目前方法在處理工業(yè)高維數(shù)據(jù)速度慢，成本高的現(xiàn)狀，提供一種基于擴(kuò)散映 射降維和誤差反向傳播神經(jīng)網(wǎng)絡(luò)建模的工況監(jiān)測和故障診斷的方法，通過利用擴(kuò)散映射降 低過程變量維數(shù)，其保留了過程變量之間的關(guān)系，提取有效的過程變量的特征，對各個工況 建立神經(jīng)網(wǎng)絡(luò)監(jiān)控模型，提高了監(jiān)測準(zhǔn)確率，因而達(dá)到了準(zhǔn)確監(jiān)控的目的。
[0006] 為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個方面，提供了一種塑料注塑過程的在線工況 過程監(jiān)控方法，包括如下步驟：
[0007] S1:利用傳感器收集各個工況下的數(shù)據(jù)，組成建模用的訓(xùn)練樣本集X，
[0009] 其中，Xij eRm，，為向量，m表示過程變量Xij的維數(shù)，m為自然數(shù)，m的具體數(shù)值由當(dāng) 前采樣系統(tǒng)確定，η表示每個采樣工況的樣本數(shù)，n = l，2,…，N，q表示采樣工況種類，q=l， 2，-"Q，i取值為1 < i < q，j取值為1 < j < n，
[0010] 以Xk表示訓(xùn)練樣本集X的第k行向量，也稱為第k個樣本，1 q*n，以Xki表示第k 個樣本的第1維的數(shù)值，1 < 1
[0011] S2:進(jìn)行數(shù)據(jù)預(yù)處理和歸一化，使得訓(xùn)練樣本集X的均值為0，方差為1，得到矩陣 X'，X' = {XkZ }，其中，k=l，2，··，q*n，1 = 1，2，· · ·，m，
[0012] Xki7 =(Xki-yi)/〇i
[0013] 其中，μι表示均值，〇1表示方差，具體的，
[0016] 其中，q表示采樣工況種類，q=l，2, ···〇，!!表示每個采樣工況的樣本數(shù)，η = 1， 2,…，Ν;
[0017] S3:根據(jù)所述矩陣f，應(yīng)用高斯核函數(shù)計算獲得距離矩陣W，
[0018] ff= {Wkik2}, 1 < kl ,k2 < q*n
[0019] 其中，所述高斯核函數(shù)的表達(dá)式為：
[0021] 其中，Xkl，Xk2為所述矩陣X'中的第kl，k2個樣本，|卜| |2表示向量2范數(shù)計算，σ為 高斯方差，高斯方差的具體值可以根據(jù)實(shí)際數(shù)據(jù)特征分布進(jìn)行確定，默認(rèn)為l，exp( ·)表示 指數(shù)運(yùn)算
[0022] S4:對所述距離矩陣W進(jìn)行標(biāo)準(zhǔn)化，獲得馬爾科夫矩陣P(1)，
[0024]
k3為自然數(shù)，Pklk2(1 >表示從樣本k 1到k2的一次轉(zhuǎn)移概 率，則從樣本kl到k2的t次轉(zhuǎn)移概率P(t)為：
[0025] ρ") = (ρ ⑴)t
[0026] 對所述t次轉(zhuǎn)移概率P(t)進(jìn)行譜分解，得到下式：
[0027] p(t)v = AtV
[0028] 其中，λ是特征值，V是特征向量，t是轉(zhuǎn)移次數(shù)，由于所有的樣本數(shù)據(jù)是全鏈接，所 以最大特征值心(心=1)是平凡解，舍去，根據(jù)實(shí)際實(shí)驗(yàn)數(shù)據(jù)特征分布和實(shí)際需要選定保留 的特征值數(shù)量d，保留d個特征值{λ 2，λ3, . . .，Ad+1}和特征值對應(yīng)的特征向量{V2，V3,...， Vd+1}，則經(jīng)擴(kuò)散映射獲得的特征矩陣X〃為：
[0029] X〃 = {入2乂2，入3乂3，· · ·，^d+lVd+l}
[0030] S5:將所述特征矩陣X〃以及各個樣本對應(yīng)的工況Tq成對輸入誤差反向傳播神經(jīng)網(wǎng) 絡(luò)(又稱為BP神經(jīng)網(wǎng)絡(luò))進(jìn)行訓(xùn)練，訓(xùn)練進(jìn)行多次，每次在訓(xùn)練誤差e小于10- 4或者迭代次數(shù) 等于1000次時，終止該次訓(xùn)練，保留預(yù)測準(zhǔn)確率最高的神經(jīng)網(wǎng)絡(luò)模型作為監(jiān)測所用的模型；
[0031] S6:進(jìn)行實(shí)際監(jiān)控，具體為，在線采集和步驟S1中所述訓(xùn)練樣本集X相同的實(shí)際過 程變量，按照步驟S1至步驟S4所述方法計算獲得所述實(shí)際過程變量特征矩陣，將所述實(shí)際 過程變量輸入至步驟S5獲得的監(jiān)測所用模型中，獲得預(yù)測值Ρ，將所述預(yù)測值Ρ與設(shè)定工況 進(jìn)行比較，判斷當(dāng)前工況是否處于正常狀態(tài)。
[0032]以上發(fā)明構(gòu)思中，步驟S3和步驟S4是對矩陣f進(jìn)行擴(kuò)散映射降維，步驟S5是利用 采用BP神經(jīng)網(wǎng)絡(luò)在擴(kuò)散映射降維所獲得的特征矩陣上進(jìn)行建模，從而獲得工況監(jiān)測模型。 進(jìn)行實(shí)際監(jiān)控時，根據(jù)在線采集和步驟S1中所述訓(xùn)練樣本集X相同的實(shí)際過程變量，可獲得 當(dāng)前工況的預(yù)測值P。
[0033] 進(jìn)一步的，所述過程變量包括注塑機(jī)傳感器中采集獲得的注射階段的螺桿位置和 系統(tǒng)壓力，還包括注塑機(jī)傳感器中采集獲得的保壓階段的螺桿位置和系統(tǒng)壓力。實(shí)際情況， 過程變量還可能包括型腔壓力、噴嘴壓力、冷卻時間、注射時間、料筒溫度、噴嘴溫度、模具 溫度和螺桿轉(zhuǎn)速。
[0034] 進(jìn)一步的，步驟S5中，所述神經(jīng)網(wǎng)絡(luò)為三層網(wǎng)絡(luò)結(jié)構(gòu)，所述神經(jīng)網(wǎng)絡(luò)中間隱層的神 經(jīng)元數(shù)量由以下公式計算獲得，
[0036] 其中，Nh表示隱層神經(jīng)元數(shù)量，Νι表示輸入向量維數(shù)，Ni = d，d為步驟S4中的所述特 征值數(shù)量d，No表示輸出層神經(jīng)元數(shù)量，No = 1，a為調(diào)整量，a-般取值范圍在1~10。
[0037] 總體而言，通過本發(fā)明所構(gòu)思的以上技術(shù)方案與現(xiàn)有技術(shù)相比，能夠取得下列有 益效果：
[0038] 本發(fā)明利用擴(kuò)散映射降低過程變量維數(shù)的基礎(chǔ)上，保留了數(shù)據(jù)樣本之間的關(guān)系， 提取有效的特征，對各個工況數(shù)據(jù)建立神經(jīng)網(wǎng)絡(luò)分類模型，提高了監(jiān)測準(zhǔn)確率，達(dá)到了準(zhǔn)確 監(jiān)控的目的。
【附圖說明】
[0039] 圖1是本發(fā)明實(shí)施例中塑料注塑過程在線工況監(jiān)控方法的流程示意圖；
[0040] 圖2是本發(fā)明實(shí)施例中神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)示意圖。
[0041 ]圖3是本發(fā)明實(shí)施例中BP神經(jīng)網(wǎng)絡(luò)算法說明圖；
[0042]圖4是本發(fā)明實(shí)施例中采用原材料和回用料制備同樣產(chǎn)品時，模具溫度均為40°C 時，系統(tǒng)壓力隨時間變化圖，從圖可知，原料的改變會對系統(tǒng)壓力產(chǎn)生影響；
[0043]圖5是本發(fā)明實(shí)施例中采用原材料和回用料制備同樣產(chǎn)品時，模具溫度均為40°C 時，螺桿位置隨時間變化圖，從圖可知，原料的改變對螺桿位置的影響較??；
【具體實(shí)施方式】
[0044] 為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對 本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不 用于限定本發(fā)明。此外，下面所描述的本發(fā)明各個實(shí)施方式中所涉及到的技術(shù)特征只要彼 此之間未構(gòu)成沖突就可以相互組合。
[0045] 本發(fā)明方法針對現(xiàn)有技術(shù)中數(shù)據(jù)維數(shù)過高，過程監(jiān)控困難的問題，提出了一種全 新的在線工況監(jiān)控方法，首先采集所有正常工況下過程變量，從而建立一個訓(xùn)練樣本集(又 可稱為數(shù)據(jù)庫），然后基于數(shù)據(jù)庫利用擴(kuò)散映射(Diffusion Maps，DM)降維，提取有效的特 征，最后使用神經(jīng)網(wǎng)絡(luò)建立工況監(jiān)測模型。
[0046] 圖1是本發(fā)明實(shí)施例中塑料注塑過程在線工況監(jiān)控方法的流程示意圖，由圖可知， 本發(fā)明方法主要包括如下幾個步驟：
[0047] S1:利用傳感器收集各個工況下的數(shù)據(jù)，組成建模用的訓(xùn)練樣本集X，
[0049]其中，Xij eRm，，為向量，m表示過程變量Xij的維數(shù)，m為自然數(shù)，m的具體數(shù)值由當(dāng) 前采樣系統(tǒng)確定，η表示每個采樣工況的樣本數(shù)，n = l，2,…，N，q表示采樣工況種類，q=l， 2，-"Q，i取值為1 < i < q，j取值為1 < j < n，
[0050] 以Xk表示訓(xùn)練樣本集X的第k行向量，也稱為第k個樣本，1 <k<q*n，以Xki表示第k 個樣本的第1維的數(shù)值，1 < 1 <m，
[0051] 所述傳感器可以是注塑機(jī)上的，也可以是外接的，傳感器可以包括壓力傳感器、溫 度傳感器、位移傳感器等。
[0052] 所述過程變量包括注塑機(jī)傳感器中采集獲得的注射階段的螺桿位置和系統(tǒng)壓力， 還包括注塑機(jī)傳感器中采集獲得的保壓階段的螺桿位置和系統(tǒng)壓力。實(shí)際情況，過程變量 還可能包括型腔壓力、噴嘴壓力、冷卻時間、注射時間、料筒溫度、噴嘴溫度、模具溫度和螺 桿轉(zhuǎn)速。
[0053] S2:進(jìn)行數(shù)據(jù)預(yù)處理和歸一化，使得訓(xùn)練樣本集X的均值為0,方差為1，得到矩陣 X'，X' = {XkZ }，其中，k=l，2，··，q*n，1 = 1，2，· · ·，m，
[0054] Xki7 =(Xki-yi)/〇i
[0055] 其中，μι表示均值，σι表示方差，具體的，
[0058]其中，q表示采樣工況種類，q=l，2, ···〇，!!表示每個采樣工況的樣本數(shù)，η = 1， 2,…，Ν;
[0059]執(zhí)行完數(shù)據(jù)預(yù)處理和歸一化后，避免了由量綱和數(shù)量級引起的誤差。
[0060] S3:根據(jù)所述矩陣f，應(yīng)用高斯核函數(shù)計算獲得距離矩陣W，
[0061] ff= {Wkik2}, 1 < kl ,k2 < q*n
[0062] 其中，所述高斯核函數(shù)的表達(dá)式為：
[0064] 其中，Xkl，Xk2為所述矩陣X'中的第kl，k2個樣本，|卜| |2表示向量2范數(shù)計算，σ為 高斯方差，高斯方差的具體值可以根據(jù)實(shí)際數(shù)據(jù)特征分布進(jìn)行確定，默認(rèn)為l，exp( ·)表示 指數(shù)運(yùn)算
[0065] S4:對所述距離矩陣W進(jìn)行標(biāo)準(zhǔn)化，獲得馬爾科夫矩陣P(1)，
[0067]
k3為自然數(shù)，Pklk2(1)表示從樣本kl到k2的一次轉(zhuǎn)移概 率，則從樣本kl到k2的t次轉(zhuǎn)移概率P(t)為：
[0068] p ⑴=(p ⑴）t
[0069] 對所述t次轉(zhuǎn)移概率P(t)進(jìn)行譜分解，得到下式：
[0070] p(t)v = AtV
[007