一种基于改进MLLE的注塑机异常检测方法技术

本发明专利技术公开了基于改进MLLE的注塑机异常检测方法，包括以下步骤：采集注塑机正常工况下的样本，沿变量展开为二维矩阵，得到样本集X，计算各样本点之间的灰色关联度，再求取样本点X

【技术实现步骤摘要】
一种基于改进MLLE的注塑机异常检测方法
本专利技术涉及注塑成型
，更具体地，涉及一种基于改进MLLE的注塑机异常检测方法。
技术介绍
目前，塑料、混凝土、钢筋和木材是四大工业材料，注塑机是我国塑料机械行业产量最大、产值最高、出口最多的第一大类产品。生产塑料的注塑成型过程是一个包括注射、冷却、保压等多个阶段在内的典型间歇工业生产过程，具有多时段、非线性、动态性、多工况等特点，且注射成型的过程数据具有批次、时间、变量三个维度。由于过程复杂，注塑机工作环境恶劣以及设备自然损坏等原因，注塑成型过程可能存在各种设备异常状况，一旦注塑机的某个部位发生异常，将会产生连锁反应，导致整台注塑机故障，最终给企业带来经济损失。注塑成型过程机理复杂，难以对其建立精准有效的机理模型进行异常监测，为了保证生产安全性和稳定性，迫切需要建立一种基于数据驱动的异常检测方案来对注塑机生产过程进行有效、及时的监控。中国专利申请，公开号为：CN109145948A公开了一种基于集成学习的注塑机堵料异常检测方法，包括原始数据采集、数据预处理、特征值提取、构建堵料异常分类器，在特本文档来自技高网...

【技术保护点】
1.一种基于改进MLLE的注塑机异常检测方法，其特征在于，包括以下步骤：/nS1：采集注塑机正常工况下的样本，所述样本包括批次I、变量J以及时间K三个维度，将该三维矩阵展开并标准化处理，然后沿变量J展开为二维矩阵，得到样本集X，用X

【技术特征摘要】
1.一种基于改进MLLE的注塑机异常检测方法，其特征在于，包括以下步骤：
S1：采集注塑机正常工况下的样本，所述样本包括批次I、变量J以及时间K三个维度，将该三维矩阵展开并标准化处理，然后沿变量J展开为二维矩阵，得到样本集X，用Xi表示样本集X中的一个样本点；
S2：计算出各样本点之间的灰色关联度，再通过knn算法求取样本点Xi的k个近邻点，K个所述近邻点构成样本点Xi的局部邻域集；
S3：根据样本点Xi的局部邻域集，计算样本点Xi的重构权值向量ωij，其构成样本集X的重构权值矩阵W；
S4：根据步骤S3得到的重构权值矩阵W，将所有样本点从高维空间映射到低维空间计算低维嵌入，得到低维矩阵Y；
S5：定义映射矩阵A，使其满足Y＝AX，并求得该映射矩阵A；
S6：根据统计学原理以及样本集X，得到统计量T2的阈值以及统计量SPE的阈值SPEα；
S7:采集注塑机待检测工况下的样本，待检测工况下的样本也包括批次、变量以及时间三个维度，将该三维样本展开并标准化处理，然后沿变量展开为二维样本，得到新样本集Xnew；
S8：根据公式Ynew＝AXnew，求得新样本集Xnew降维后的低维矩阵Ynew；
S9：根据低维矩阵Ynew，求得待检测样本的统计量T2以及统计量SPE；
S10：如果或SPE＞SPEα，则表明注塑机出现异常工况，进行步骤S11定位引起注塑机异常的变量，否则返回至步骤S7；
S11:利用统计量贡献值进行异常变量的定位，将新样本集Xnew中的各个变量的贡献值绘制为直方图，数值高的变量被认为是造成注塑机异常的变量。


2.根据权利要求1所述的基于改进MLLE的注塑机异常检测方法，其特征在于，所述步骤S1具体包括以下步骤：
s11：首将三维矩阵X(I×J×K)按批次方向展开为二维矩阵X(I×JK)，其中



其中，代表第i批次采集到的数据中，第k个采样时刻得到的j变量的测量值；
s12：对二维矩阵X(I×JK)进行数据标准化处理，即



其中代表二维矩阵X(I×JK)中所有行向量的均值，代表二维矩阵X(I×JK)中所有行向量的标准差代表经过标准化后的数据；
s13：将经标准化后的二维矩阵沿着变量方向展开，即



Xi表示X(KI×J)的每一行数据，即代表一个样本点。


3.根据权利要求2所述的基于改进MLLE的注塑机异常检测方法，其特征在于，所述步骤S2具体包括以下步骤：
s21：设X(KI×J)共有N个样本点，每个样本点有j个变量，则任意一个样本点X0与其它任意样本对象Xi关于第k个属性的灰色相关系数为：



其中ρ∈(0，1)，是分辨系数，i∈(1,ki)，ki为样本数目，k∈(1,j)，m为样本属性的数目，GRC(X0k,Xik)∈(0，1)，其代表样本X0和Xk第k个属性的相似程度；
s22：样本之间的灰色关联度采用样本之间的各个属性的灰色相关系数的均值表示，以反映样本之间的关联系数，记为：



s23：根据步骤s22计算出的各样本点之间的灰色关联度后，再通过knn算法求取样本点Xi的k个近邻点，样本点Xi的k个近邻点为样本点Xi的局部邻域集Ni，
Ni＝knn(Xi,k)
Ni＝[Xi1...,Xik]
其中，Xi1～Xik表示与样本点Xi的灰色关联度最大的前k个近邻点。


4.根据权利要求3所述的基于改进MLLE的注塑机异常检...

【专利技术属性】
技术研发人员：杨海东，黄梓伟，徐康康，朱成就，印四华，金熹，王弦楷，余炳圳，匡先云，王中琰，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44