一种塑料注塑过程的在线工况过程监控方法技术

本发明专利技术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Tq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。本发明专利技术方法成功实现了高维数据在线监测。

【技术实现步骤摘要】
一种塑料注塑过程的在线工况过程监控方法
本专利技术属于工业监控和故障诊断领域，更具体地，涉及一种基于扩散映射和误差反向传播神经网络的塑料注塑过程在线工况过程监控方法。
技术介绍
随着工业自动化的不断推进，系统设备的集成和复杂度不断增加，依靠人工的过程监测和故障诊断越来越难以满足现代工业的需求。传感器的广泛应用使得过程监测和故障诊断的自动化成为可能。目前，主流的方法是利用传感器采集的过程数据建立监测模型。根据模型是否线性分为以主成分分析(PrincipalComponentAnalysis,PCA)为主的线性模型和以神经网络、支持向量机为代表的非线性模型。实际生产中，变量与目标值之间存在非线性，强耦合的关系，因此，PCA模型的合理性很难保证。对于神经网络和支持向量机为代表的机器学习方法，它们在处理大规模高维数的数据样本时，很容易陷入过拟合。另外，随着传感器的采样频率越来越高，维数越来越高，维数灾难越来越引起关注。因此，如何有效的处理过程监测和故障诊断成为学术界和工业界的关注热点之一。
技术实现思路
针对目前方法在处理工业高维数据速度慢，成本高的现状，提供一种基于扩散映射降维和误差反向传播神本文档来自技高网...

【技术保护点】
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=X11X12...X1nX21X22...X2n...Xij...Xqn]]>其中，Xij∈Rm，Rm为向量，m表示过程变量Xij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Xk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Xkl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...

【技术特征摘要】
1.一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，其中，Xij∈Rm，Rm为向量，m表示过程变量Xij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,…,N，q表示采样工况种类，q＝1,2,…Q，i取值为1≤i≤q，j取值为1≤j≤n，以Xk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Xkl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′＝{Xkl′}，其中，k＝1,2,..,q*n，l＝1,2,...,m，Xkl′＝(Xkl-μl)/σl其中，μl表示均值，σl表示方差，具体的，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＝{Wk1k2}，1≤k1,k2≤q*n其中，所述高斯核函数的表达式为：其中，Xk1,Xk2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)，

【专利技术属性】
技术研发人员：周华民，张云，乔海玉，黄志高，杨志明，李德群，付洋，毛霆，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42