一种基于高斯混合模型的注塑机能耗异常检测方法及系统技术方案

本发明专利技术公开了一种基于高斯混合模型的注塑机能耗异常检测方法及系统，其包括：通过对第一注塑机的能耗数据进行实时采集，获得第一实时能耗数据；通过对所述第一实时能耗数据进行数据预处理，获得第二实时能耗数据；将所述第二实时能耗数据输入高斯混合模型中进行聚类特征学习，获得第一聚类数据集并生成第一标记训练数据集；根据所述第一标记训练数据集进行模型训练，获得第一异常检测模型；将所述第一注塑机的第一测试训练数据集输入所述第一异常检测模型中，获得第一输出信息。解决了现有技术中存在工业注塑机能耗异常检测时，由于数据特征不够全面和完善，多维数据分类不够准确，误报率较高，导致检测精度不高的技术问题。导致检测精度不高的技术问题。导致检测精度不高的技术问题。

【技术实现步骤摘要】
一种基于高斯混合模型的注塑机能耗异常检测方法及系统


[0001]本专利技术涉及计算机相关领域，尤其涉及一种基于高斯混合模型的注塑机能耗异常检测方法及系统。

技术介绍

[0002]注塑机是塑料制品生产的关键设备，传统全液压驱动的注塑机在其行业中占主导地位，该类型注塑机动力主要来源于三相异步电机恒定转速驱动的定量泵，注塑过程的各个阶段依靠液压系统阀控完成，而各个阶段所需要流量与压力不断变化，导致严重的高压节流及溢流损失，从而使全液压驱动型注塑机能耗较大。因此，节能、高效和精密是当前注塑机发展的趋势。经济全球化的环境下，低污染、低能耗的生产方式逐渐成为制造业的重点发展方向，传统液压注塑机生产过程能源利用率较低的问题越来越突出，因此对注塑机动力驱动技术的节能改造具有重要的社会意义。
[0003]但本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术至少存在如下技术问题：
[0004]现有技术中存在工业注塑机能耗异常检测时，由于数据特征不够全面和完善，多维数据分类不够准确，误报率较高，导致检测精度不高的技术问题。

技术实现思路

[0005]本申请实施例通过提供一种基于高斯混合模型的注塑机能耗异常检测方法及系统，解决了现有技术中存在工业注塑机能耗异常检测时，由于数据特征不够全面和完善，多维数据分类不够准确，误报率较高，导致检测精度不高的技术问题，达到了通过提取数据分类的最优特征，进而提高对注塑机能耗的异常检测精度、降低误报率的技术效果。
[0006]鉴于上述问题，提出了本申请实施例提供一种基于高斯混合模型的注塑机能耗异常检测方法及系统。
[0007]第一方面，本申请实施例提供了一种基于高斯混合模型的注塑机能耗异常检测方法，所述方法包括：通过对第一注塑机的能耗数据进行实时采集，获得第一实时能耗数据；通过对所述第一实时能耗数据进行数据预处理，获得第二实时能耗数据；将所述第二实时能耗数据输入高斯混合模型中进行聚类特征学习，获得第一聚类数据集；根据所述第一聚类数据集，生成第一标记训练数据集；根据所述第一标记训练数据集进行模型训练，获得第一异常检测模型；获得所述第一注塑机的第一测试训练数据集；将所述第一测试训练数据集输入所述第一异常检测模型中，获得第一输出信息，其中，所述第一输出信息包括异常检测分类结果。
[0008]另一方面，本申请还提供了一种基于高斯混合模型的注塑机能耗异常检测系统，所述系统包括：第一获得单元，所述第一获得单元用于通过对第一注塑机的能耗数据进行实时采集，获得第一实时能耗数据；第二获得单元，所述第二获得单元用于通过对所述第一实时能耗数据进行数据预处理，获得第二实时能耗数据；第一输入单元，所述第一输入单元
用于将所述第二实时能耗数据输入高斯混合模型中进行聚类特征学习，获得第一聚类数据集；第一生成单元，所述第一生成单元用于根据所述第一聚类数据集，生成第一标记训练数据集；第三获得单元，所述第三获得单元用于根据所述第一标记训练数据集进行模型训练，获得第一异常检测模型；第四获得单元，所述第四获得单元用于获得所述第一注塑机的第一测试训练数据集；第五获得单元，所述第五获得单元用于将所述第一测试训练数据集输入所述第一异常检测模型中，获得第一输出信息，其中，所述第一输出信息包括异常检测分类结果。
[0009]第三方面，本专利技术提供了一种基于高斯混合模型的注塑机能耗异常检测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现第一方面所述方法的步骤。
[0010]本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
[0011]由于采用了通过对注塑机的实时能耗数据进行采集，从而对实时的采集数据进行数据预处理，进一步的，再基于高斯混合模型
–
线性判别分析(GMM
‑
LDA)对经过预处理后的数据进行特征聚合，并根据聚合结果进行数据标记，再通过获得注塑机的原始测试数据，将标记的数据作为训练数据训练SVM模型，并通过PSO算法优化SVM模型来获得最优模型，将原始测试数据作为基准数据输入经过优化的最优模型中，进而输出异常检测分类结果的方式，达到了通过提取数据分类的最优特征，进而提高对注塑机能耗的异常检测精度、降低误报率的技术效果。
[0012]上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
[0013]图1为本申请实施例一种基于高斯混合模型的注塑机能耗异常检测方法的流程示意图；
[0014]图2为本申请实施例一种基于高斯混合模型的注塑机能耗异常检测方法的聚类特征学习流程示意图；
[0015]图3为本申请实施例一种基于高斯混合模型的注塑机能耗异常检测方法的检测模型优化流程示意图；
[0016]图4为本申请实施例一种基于高斯混合模型的注塑机能耗异常检测方法的数据质量评估流程示意图；
[0017]图5为本申请实施例一种基于高斯混合模型的注塑机能耗异常检测系统的结构示意图；
[0018]图6为本申请实施例示例性电子设备的结构示意图。
[0019]附图标记说明：第一获得单元11，第二获得单元12，第一输入单元13，第一生成单元14，第三获得单元15，第四获得单元16，第五获得单元17，计算设备90，存储器91，处理器92，输入输出接口93。
具体实施方式
[0020]本申请实施例通过提供一种基于高斯混合模型的注塑机能耗异常检测方法及系统，解决了现有技术中存在工业注塑机能耗异常检测时，由于数据特征不够全面和完善，多维数据分类不够准确，误报率较高，导致检测精度不高的技术问题，达到了通过提取数据分类的最优特征，进而提高对注塑机能耗的异常检测精度、降低误报率的技术效果。下面，将参考附图详细的描述根据本申请的示例实施例。显然，所描述的实施例仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
[0021]申请概述
[0022]注塑机是塑料制品生产的关键设备，传统全液压驱动的注塑机在其行业中占主导地位，该类型注塑机动力主要来源于三相异步电机恒定转速驱动的定量泵，注塑过程的各个阶段依靠液压系统阀控完成，而各个阶段所需要流量与压力不断变化，导致严重的高压节流及溢流损失，从而使全液压驱动型注塑机能耗较大。因此，节能、高效和精密是当前注塑机发展的趋势。经济全球化的环境下，低污染、低能耗的生产方式逐渐成为制造业的重点发展方向，传统液压注塑机生产过程能源利用率较低的问题越来越突出，因此对注塑机动力驱动技术的节能改造具有重要的社会意义。但现有技术中存在工业注塑机能耗异常检测时，由于数据特征不够全面和完善，多维数据分类不够准确，误报率较高，导致检测精度不高的技术问题。
[0023]针对上述技术问题，本申请提供的技术方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于高斯混合模型的注塑机能耗异常检测方法，其中，所述方法包括：通过对第一注塑机的能耗数据进行实时采集，获得第一实时能耗数据；通过对所述第一实时能耗数据进行数据预处理，获得第二实时能耗数据；将所述第二实时能耗数据输入高斯混合模型中进行聚类特征学习，获得第一聚类数据集；根据所述第一聚类数据集，生成第一标记训练数据集；根据所述第一标记训练数据集进行模型训练，获得第一异常检测模型；获得所述第一注塑机的第一测试训练数据集；将所述第一测试训练数据集输入所述第一异常检测模型中，获得第一输出信息，其中，所述第一输出信息包括异常检测分类结果。2.如权利要求1所述的方法，其中，所述将所述第二实时能耗数据输入高斯混合模型中进行聚类特征学习，获得第一聚类数据集，所述方法还包括：通过对所述第二实时能耗数据的正常能耗数据和异常能耗数据进行分类，生成第一正常数据库和第一异常数据库；根据所述第一正常数据库和所述第一异常数据库进行高斯混合模型中进行聚类操作，获得第一聚类结果，所述第一聚类结果为聚类最优特征；根据所述第一聚类结果，生成所述第一聚类数据集。3.如权利要求2所述的方法，其中，所述根据所述第一聚类结果，生成所述第一聚类数据集，所述方法还包括：基于LDA算法对所述第一聚类结果进行评估，获得第一评估指标；判断所述第一评估指标是否处于预设评估条件中；当所述第一评估指标处于所述预设评估条件中，获得第一输出指令；根据所述第一输出指令，获得第一最优聚类特征；将所述第一最优聚类特征作为所述第一聚类数据集。4.如权利要求1所述的方法，其中，所述将所述第一标记训练数据集和所述第一测试训练数据集作为输入数据进行模型训练，获得第一异常检测模型，所述方法还包括：将所述第一标记训练数据集作为输入数据训练进行SVM模型的训练，获得第一SVM模型；通过PSO算法获得第一模型优化参数；根据所述第一模型优化参数对所述第一SVM模型进行优化，获得第二SVM模型；将所述第二SVM模型作为所述第一异常检测模型。5.如权利要求4所述的方法，其中，所述通过PSO算法获得第一模型优化参数，所述方法还包括：通过对所述第一SVM模型进行模型验证，获得第一验证结果，其中，所述第一验证结果包括第一结果和第二结果，所述第一结果为验...

【专利技术属性】
技术研发人员：谢永良，王喜开，
申请(专利权)人：乐创达投资广东有限公司，
类型：发明
国别省市：