[發明專利]一種塑料注塑過程的在線工況過程監控方法

有效

• 申請號: 201610038855.2
• 申請日: 2016-01-21
• 公開（公告）號: CN105574587B
• 公開（公告）日: 2017-03-08
• 發明（設計）人: 周華民;張云;喬海玉;黃志高;楊志明;李德群;付洋;毛霆
• 申請（專利權）人: 華中科技大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G06F17/30;G06Q50/04
• 代理公司: 華中科技大學專利中心42201
• 代理人: 李智

1.一種塑料注塑過程的在線工況過程監控方法，其特征在于，包括如下步驟：

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，

$X=\left\{\begin{array}{c}{X}_{11}\\ X_{12}\\ \mathrm{...}\\ X_{1n}\\ X_{21}\\ X_{22}\\ \mathrm{...}\\ X_{2n}\\ \mathrm{...}\\ X_{ij}\\ \mathrm{...}\\ X_{qn}\end{array}\right\}$

其中，X_ij∈R^m，R^m為向量，m表示過程變量X_ij的維數，m為自然數，m的具體數值由當前采樣系統確定，n表示每個采樣工況的樣本數，n＝1,2,…,N，q表示采樣工況種類，q＝1,2,…Q，i取值為1≤i≤q，j取值為1≤j≤n，以X_k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X_kl表示第k個樣本的第l維的數值，1≤l≤m；

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′＝{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，具體的，

${\mathrm{\μ}}_l=\frac{1}{q*n}\underset{k=1}{\overset{q*n}{\Σ}}{X}_{kl},$

${\mathrm{\σ}}_l=\sqrt{\frac{1}{q*n-1}{(X_{kl}-{\mathrm{\μ}}_l)}^2}$

其中，q表示采樣工況種類，q＝1,2,…Q，n表示每個采樣工況的樣本數，n＝1,2,…,N；

S3：根據所述矩陣X′，應用高斯核函數計算獲得距離矩陣W，

W＝{W_k1k2}，1≤k1,k2≤q*n

其中，所述高斯核函數的表達式為：

$W_{k1k2}=\exp \left(\frac{-\left|\right|X_{k1}^{\′}-X_{k2}^{\′}|{|}^2}{2{\mathrm{\σ}}^2}\right)$

其中，X_k1,X_k2為所述矩陣X′中的第k1，k2個樣本，||·||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1，exp(·)表示指數運算e^(·)；

S4：對所述距離矩陣W進行標準化，獲得馬爾科夫矩陣P⁽¹⁾，

$P^{\left(1\right)}=\left\{P_{k1k2}^{\left(1\right)}\right\},1\≤k1,k2\≤q*n$

其中，k3為自然數，P_k1k2⁽¹⁾表示從樣本k1到k2的一次轉移概率，則從樣本k1到k2的t次轉移概率P^(t)為：

P^(t)＝(P⁽¹⁾)^t

對所述t次轉移概率P^(t)進行譜分解，得到下式：

P^(t)V＝λ^tV

其中，λ是特征值，V是特征向量，t是轉移次數，由于所有的樣本數據是全鏈接，所以最大特征值λ₁＝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{λ₂,λ₃,...,λ_d+1}和特征值對應的特征向量{V₂,V₃,...,V_d+1}，則經擴散映射獲得的特征矩陣X″為：

X″＝{λ₂V₂,λ₃V₃,...,λ_d+1V_d+1}

S5：將所述特征矩陣X″以及各個樣本對應的工況T_q成對輸入誤差反向傳播神經網絡進行訓練，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，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；

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P，將所述預測值P與設定工況進行比較，判斷當前工況是否處于正常狀態。