[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

技術領域

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

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。

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。

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

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。

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：

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，

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，

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：

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⁾，

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