一種塑料注塑過程的在線工況過程監控方法
【技術領域】
[0001 ]本發明屬于工業監控和故障診斷領域，更具體地，涉及一種基于擴散映射和誤差 反向傳播神經網絡的塑料注塑過程在線工況過程監控方法。
【背景技術】
[0002] 隨著工業自動化的不斷推進，系統設備的集成和復雜度不斷增加，依靠人工的過 程監測和故障診斷越來越難以滿足現代工業的需求。傳感器的廣泛應用使得過程監測和故 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據建立監測模型。根據模型是否線 性分為以主成分分析(Principal Component Analysis，PCA)為主的線性模型和以神經網 絡、支持向量機為代表的非線性模型。實際生產中，變量與目標值之間存在非線性，強耦合 的關系，因此，PCA模型的合理性很難保證。
[0004] 對于神經網絡和支持向量機為代表的機器學習方法，它們在處理大規模高維數的 數據樣本時，很容易陷入過擬合。另外，隨著傳感器的采樣頻率越來越高，維數越來越高，維 數災難越來越引起關注。因此，如何有效的處理過程監測和故障診斷成為學術界和工業界 的關注熱點之一。
【發明內容】
[0005] 針對目前方法在處理工業高維數據速度慢，成本高的現狀，提供一種基于擴散映 射降維和誤差反向傳播神經網絡建模的工況監測和故障診斷的方法，通過利用擴散映射降 低過程變量維數，其保留了過程變量之間的關系，提取有效的過程變量的特征，對各個工況 建立神經網絡監控模型，提高了監測準確率，因而達到了準確監控的目的。
[0006] 為實現上述目的，按照本發明的一個方面，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據，組成建模用的訓練樣本集X，
[0009] 其中，Xij eRm，，為向量，m表示過程變量Xij的維數，m為自然數，m的具體數值由當 前采樣系統確定，η表示每個采樣工況的樣本數，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維的數值，1 < 1
[0011] S2:進行數據預處理和歸一化，使得訓練樣本集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，η = 1， 2,…，Ν;
[0017] S3:根據所述矩陣f，應用高斯核函數計算獲得距離矩陣W，
[0018] ff= {Wkik2}, 1 < kl ,k2 < q*n
[0019] 其中，所述高斯核函數的表達式為：
[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范數計算，σ為 高斯方差，高斯方差的具體值可以根據實際數據特征分布進行確定，默認為l，exp( ·)表示 指數運算
[0022] S4:對所述距離矩陣W進行標準化，獲得馬爾科夫矩陣P(1)，
[0024]
k3為自然數，Pklk2(1 >表示從樣本k 1到k2的一次轉移概 率，則從樣本kl到k2的t次轉移概率P(t)為：
[0025] ρ") = (ρ ⑴)t
[0026] 對所述t次轉移概率P(t)進行譜分解，得到下式：
[0027] p(t)v = AtV
[0028] 其中，λ是特征值，V是特征向量，t是轉移次數，由于所有的樣本數據是全鏈接，所 以最大特征值心(心=1)是平凡解，舍去，根據實際實驗數據特征分布和實際需要選定保留 的特征值數量d，保留d個特征值{λ 2，λ3, . . .，Ad+1}和特征值對應的特征向量{V2，V3,...， Vd+1}，則經擴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〃以及各個樣本對應的工況Tq成對輸入誤差反向傳播神經網 絡(又稱為BP神經網絡)進行訓練，訓練進行多次，每次在訓練誤差e小于10- 4或者迭代次數 等于1000次時，終止該次訓練，保留預測準確率最高的神經網絡模型作為監測所用的模型；
[0031] S6:進行實際監控，具體為，在線采集和步驟S1中所述訓練樣本集X相同的實際過 程變量，按照步驟S1至步驟S4所述方法計算獲得所述實際過程變量特征矩陣，將所述實際 過程變量輸入至步驟S5獲得的監測所用模型中，獲得預測值Ρ，將所述預測值Ρ與設定工況 進行比較，判斷當前工況是否處于正常狀態。
[0032]以上發明構思中，步驟S3和步驟S4是對矩陣f進行擴散映射降維，步驟S5是利用 采用BP神經網絡在擴散映射降維所獲得的特征矩陣上進行建模，從而獲得工況監測模型。 進行實際監控時，根據在線采集和步驟S1中所述訓練樣本集X相同的實際過程變量，可獲得 當前工況的預測值P。
[0033] 進一步的，所述過程變量包括注塑機傳感器中采集獲得的注射階段的螺桿位置和 系統壓力，還包括注塑機傳感器中采集獲得的保壓階段的螺桿位置和系統壓力。實際情況， 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 溫度和螺桿轉速。
[0034] 進一步的，步驟S5中，所述神經網絡為三層網絡結構，所述神經網絡中間隱層的神 經元數量由以下公式計算獲得，
[0036] 其中，Nh表示隱層神經元數量，Νι表示輸入向量維數，Ni = d，d為步驟S4中的所述特 征值數量d，No表示輸出層神經元數量，No = 1，a為調整量，a-般取值范圍在1~10。
[0037] 總體而言，通過本發明所構思的以上技術方案與現有技術相比，能夠取得下列有 益效果：
[0038] 本發明利用擴散映射降低過程變量維數的基礎上，保留了數據樣本之間的關系， 提取有效的特征，對各個工況數據建立神經網絡分類模型，提高了監測準確率，達到了準確 監控的目的。
【附圖說明】
[0039] 圖1是本發明實施例中塑料注塑過程在線工況監控方法的流程示意圖；
[0040] 圖2是本發明實施例中神經網絡模型結構示意圖。
[0041 ]圖3是本發明實施例中BP神經網絡算法說明圖；
[0042]圖4是本發明實施例中采用原材料和回用料制備同樣產品時，模具溫度均為40°C 時，系統壓力隨時間變化圖，從圖可知，原料的改變會對系統壓力產生影響；
[0043]圖5是本發明實施例中采用原材料和回用料制備同樣產品時，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小；
【具體實施方式】
[0044] 為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對 本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅用以解釋本發明，并不 用于限定本發明。此外，下面所描述的本發明各個實施方式中所涉及到的技術特征只要彼 此之間未構成沖突就可以相互組合。
[0045] 本發明方法針對現有技術中數據維數過高，過程監控困難的問題，提出了一種全 新的在線工況監控方法，首先采集所有正常工況下過程變量，從而建立一個訓練樣本集(又 可稱為數據庫），然后基于數據庫利用擴散映射(Diffusion Maps，DM)降維，提取有效的特 征，最后使用神經網絡建立工況監測模型。
[0046] 圖1是本發明實施例中塑料注塑過程在線工況監控方法的流程示意圖，由圖可知， 本發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據，組成建模用的訓練樣本集X，
[0049]其中，Xij eRm，，為向量，m表示過程變量Xij的維數，m為自然數，m的具體數值由當 前采樣系統確定，η表示每個采樣工況的樣本數，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維的數值，1 < 1 <m，
[0051] 所述傳感器可以是注塑機上的，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傳感器中采集獲得的注射階段的螺桿位置和系統壓力， 還包括注塑機傳感器中采集獲得的保壓階段的螺桿位置和系統壓力。實際情況，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 桿轉速。
[0053] S2:進行數據預處理和歸一化，使得訓練樣本集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，η = 1， 2,…，Ν;
[0059]執行完數據預處理和歸一化后，避免了由量綱和數量級引起的誤差。
[0060] S3:根據所述矩陣f，應用高斯核函數計算獲得距離矩陣W，
[0061] ff= {Wkik2}, 1 < kl ,k2 < q*n
[0062] 其中，所述高斯核函數的表達式為：
[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范數計算，σ為 高斯方差，高斯方差的具體值可以根據實際數據特征分布進行確定，默認為l，exp( ·)表示 指數運算
[0065] S4:對所述距離矩陣W進行標準化，獲得馬爾科夫矩陣P(1)，
[0067]
k3為自然數，Pklk2(1)表示從樣本kl到k2的一次轉移概 率，則從樣本kl到k2的t次轉移概率P(t)為：
[0068] p ⑴=(p ⑴）t
[0069] 對所述t次轉移概率P(t)進行譜分解，得到下式：
[0070] p(t)v = AtV
[007