一种塑料注塑过程的在线工况过程监控方法

摘要

本发明公开了一种塑料注塑过程的在线工况过程监控方法，属于工业监控和故障诊断领域。其包括如下步骤：S1利用传感器收集各个工况下的数据，组成建模用的训练样本集X；S2进行数据预处理和归一化，使得训练样本集X的均值为0，方差为1，得到矩阵X′；S3根据所述矩阵X′，应用高斯核函数计算获得距离矩阵W；S4对所述距离矩阵W进行标准化，获得马尔科夫矩阵P⁽¹⁾，将P⁽¹⁾经过t次游走获得P^(t)并在P^(t)基础上经谱分解获得的特征矩阵X″；S5将所述特征矩阵X″以及各个样本对应的工况T_q成对输入误差反向传播神经网络进行训练,保留预测准确率最高的神经网络模型作为监测所用的模型；S6进行实际监控。本发明方法成功实现了高维数据在线监测。

主权项

一种塑料注塑过程的在线工况过程监控方法，其特征在于，包括如下步骤：S1：利用传感器收集各个工况下的数据，组成建模用的训练样本集X，$X=\left\{\begin{array}{c}{X}_{11}\\ X_{12}\\ \mathrm{...}\\ X_{1n}\\ X_{21}\\ X_{22}\\ \mathrm{...}\\ X_{2n}\\ \mathrm{...}\\ X_{ij}\\ \mathrm{...}\\ X_{qn}\end{array}\right\}$其中，X_ij∈R^m，R^m为向量，m表示过程变量X_ij的维数，m为自然数，m的具体数值由当前采样系统确定，n表示每个采样工况的样本数，n＝1,2,工况的，q表示采样工况种类，q＝1,2,种类，i取值为1≤i≤q，j取值为1≤j≤n，以X_k表示训练样本集X的第k行向量，也称为第k个样本，1≤k≤q*n，以X_kl表示第k个样本的第l维的数值，1≤l≤m；S2：进行数据预处理和归一化，使得训练样本集X的均值为0，方差为1，得到矩阵X′，X′＝{X_kl′}，其中，k＝1,2,..,q*n，l＝1,2,...,m，X_kl′＝(X_kl‑μ_l)/σ_l其中，μ_l表示均值，σ_l表示方差，具体的，${\mu }_l=\frac{1}{q*n}\underset{k=1}{\overset{q*n}{\Sigma }}{X}_{kl},$${\sigma }_l=\sqrt{\frac{1}{q*n-1}{(X_{kl}-{\mu }_l)}^2}$其中，q表示采样工况种类，q＝1,2,…Q，n表示每个采样工况的样本数，n＝1,2,…,N；S3：根据所述矩阵X′，应用高斯核函数计算获得距离矩阵W，W＝{W_k1k2}，1≤k1,k2≤q*n其中，所述高斯核函数的表达式为：$W_{k1k2}=\exp \left(\frac{-\left|\right|X_{k1}^{\prime }-X_{k2}^{\prime }|{|}^2}{2{\sigma }^2}\right)$其中，X_k1,X_k2为所述矩阵X′中的第k1，k2个样本，||·||²表示向量2范数计算，σ为高斯方差，高斯方差的具体值可以根据实际数据特征分布进行确定，默认为1，exp(·)表示指数运算e^(·)；S4：对所述距离矩阵W进行标准化，获得马尔科夫矩阵P⁽¹⁾，$P^{\left(1\right)}=\left\{P_{k1k2}^{\left(1\right)}\right\},1\le k1,k2\le q*n$其中，k3为自然数，P_k1k2⁽¹⁾表示从样本k1到k2的一次转移概率，则从样本k1到k2的t次转移概率P^(t)为：P^(t)＝(P⁽¹⁾)^t对所述t次转移概率P^(t)进行谱分解，得到下式：P^(t)V＝λ^tV其中，λ是特征值，V是特征向量，t是转移次数，由于所有的样本数据是全链接，所以最大特征值λ₁(λ₁＝1)是平凡解，舍去，根据实际实验数据特征分布和实际需要选定保留的特征值数量d，保留d个特征值{λ₂,λ₃,...,λ_d+1}和特征值对应的特征向量{V₂,V₃,...,V_d+1}，则经扩散映射获得的特征矩阵X″为：X″＝{λ₂V₂,λ₃V₃,...,λ_d+1V_d+1}S5：将所述特征矩阵X″以及各个样本对应的工况T_q成对输入误差反向传播神经网络进行训练，训练进行多次，每次在训练误差e小于10^‑4或者迭代次数等于1000次，终止该次训练，保留预测准确率最高的神经网络模型作为监测所用的模型；S6：进行实际监控，具体为，在线采集和步骤S1中所述训练样本集X相同的实际过程变量，按照步骤S1至步骤S4所述方法计算获得所述实际过程变量特征矩阵，将所述实际过程变量输入至步骤S5获得的监测所用模型中，获得预测值P，将所述预测值P与设定工况进行比较，判断当前工况是否处于正常状态。