一种注塑件的自适应生产异常监测方法技术

本发明专利技术公开一种注塑件的自适应生产异常监测方法，包括以下步骤：S1：采集生产线上依次生产的N个工件的监测数据作为工件样本，并提取每一工件样本监测数据的K个特征值；S2：构建孤立森林模型，将S1中提取的每一工件样本监测数据的K个特征值输入该模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度。本发明专利技术采用孤立森林模型和随机森林模型相结合的方式，可对工件生产的K个特征值进行重要性排序，当工件生产异常时，即可根据该排序的特征值，快速定位产品生产异常的原因，以便工作人员及时调整，进而提高工作效率。进而提高工作效率。进而提高工作效率。

【技术实现步骤摘要】
一种注塑件的自适应生产异常监测方法


[0001]本专利技术涉及注塑件异常监测
，尤其涉及一种注塑件的自适应生产异常监测方法。

技术介绍

[0002]目前，注塑企业对于注塑成型工件尺寸的监测模式，大多是对生产的工件进行抽检，即以一定比例的抽检工件来代表大批量工件的尺寸质量，这种抽样评估整体的可信度存在不合理的问题，且无法及时挑选出批量的异常工件。
[0003]也有少部分企业是基于机器学习构建异常监测模型，进而可对生产的每一工件进行实时判定，但基本是采用无监督模型进行工件异常的监测，当该模型判断生产出来的工件异常时，却无法给出异常的原因，导致工作人员无法及时分析调整，进而降低工作效率。

技术实现思路

[0004]本专利技术的目的是提供一种注塑件的自适应生产异常监测方法，以解决上述问题。
[0005]为实现上述目的，采用以下技术方案：一种注塑件的自适应生产异常监测方法，包括以下步骤：S1：采集生产线上依次生产的N个工件的监测数据作为工件样本，并提取每一工件样本监测数据的K个特征值；S2：构建孤立森林模型，将S1中提取的每一工件样本监测数据的K个特征值输入该模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度；S3：构建随机森林模型，并从第N个工件样本开始向前数m个工件样本，作为该随机森林模型的训练集，并依据S2获取的工件样本的正常、异常标签，分别生成这m个工件样本的每一特征值的置信值，并依据该置信值的大小，分别对这m个工件样本中的K个特征值进行重要性排序；S4：采集新生产的工件的监测数据，并以该工件为起点重新向前数N个工件，并以该N个工件的监测数据作为新的工件样本，并提取每一工件样本监测数据的K个特征值；S5：基于S2构建的孤立森林模型，获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度；S6：从S4中新生产的工件为起点，重新向前数m个工件样本，作为S3构建的随机森林模型的新的训练集，并依据S5获取的工件样本的正常、异常标签，生成新工件的每一特征值的置信值，并依据该置信值的大小，对该新工件的K个特征值进行重要性排序；S7：继续生产新工件时，循环S4至S6。
[0006]进一步地，所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本，具体包括以下步骤：S11：预先在模具上安装以下高频传感器：模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器；
S12：预先在模温机上安装以下高频传感器：冷水温度传感器、热水温度传感器、回水温度传感器；S13：通过安装于模具、模温机上的若干传感器采集工件的实时监测数据。
[0007]进一步地，所述S1中提取每一工件样本监测数据的K个特征值包括：最大值、最小值、有效值、均值、方根幅值、方差。
[0008]进一步地，所述S1中在提取每一工件样本监测数据的K个特征值之前，首先对数据进行清洗，数据清洗具体包括以下步骤：S14：基于动态时间规整算法，将数据进行时间对齐；S15：基于箱线图切分法，抓取数据中的异常值；S16：采用滑动平均法将抓取的异常值消除；S17：基于高通滤波法，将数据清洗降噪。
[0009]进一步地，所述S2中的孤立森林模型生成的工件样本正常标签为0，异常标签为1；所述孤立森林模型输出正常、异常判定的置信度的范围为0~100%，且当置信度为0时，工件样本标签为0，当置信度为100%时，工件样本标签为1。
[0010]进一步地，所述S5中使用孤立森林模型计算S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度时，孤立森林模型的contamination参数中的a的计算公式如下：当新生产的工件为正常标签，且以该新工件为起点向前第N
‑
1个工件样本为异常标签时：当新生产的工件为异常标签，且以该新工件为起点向前第N
‑
1个工件样本为正常标签时：其中，为上一个工件样本的contamination参数中的a的值。
[0011]采用上述方案，本专利技术的有益效果是：1）该方法采用孤立森林模型和随机森林模型相结合的方式，可对工件生产的K个特征值进行重要性排序，当工件生产异常时，即可根据该排序的特征值，快速定位产品生产异常的原因，以便工作人员及时调整，进而提高工作效率；2）由于对每个生产出来的工件都利用其之前的N个样本，使用孤立森林模型进行异常的判断，依据孤立森林模型的特点，使得其会更加符合注塑生产的实际情况；3）由于孤立森林模型需要设置contamination参数才能进行应用，而如果一直采
用某一固定值，则会导致每次孤立森林模型计算的结果中，都会出现固定的N*a个样本被标记为异常，而该方法则是根据实际生产状况，对contamination参数中的a值进行自适应调整，提高了孤立森林模型对N个样本分布的适应性，使得其更加符合实际生产情况；4）该方法提供了部分参数可供工作人员，依据实际生产情况进行调整，适应性强。
附图说明
[0012]图1为本专利技术的流程性框图。
具体实施方式
[0013]以下结合附图和具体实施例，对本专利技术进行详细说明。
[0014]参照图1所示，本专利技术提供一种注塑件的自适应生产异常监测方法，包括以下步骤：S1：采集生产线上依次生产的N个工件的监测数据作为工件样本，并提取每一工件样本监测数据的K个特征值；S2：构建孤立森林模型，将S1中提取的每一工件样本监测数据的K个特征值输入该模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度；S3：构建随机森林模型，并从第N个工件样本开始向前数m个工件样本，作为该随机森林模型的训练集，并依据S2获取的工件样本的正常、异常标签，分别生成这m个工件样本的每一特征值的置信值，并依据该置信值的大小，分别对这m个工件样本中的K个特征值进行重要性排序；S4：采集新生产的工件的监测数据，并以该工件为起点重新向前数N个工件，并以该N个工件的监测数据作为新的工件样本，并提取每一工件样本监测数据的K个特征值；S5：基于S2构建的孤立森林模型，获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度；S6：从S4中新生产的工件为起点，重新向前数m个工件样本，作为S3构建的随机森林模型的新的训练集，并依据S5获取的工件样本的正常、异常标签，生成新工件的每一特征值的置信值，并依据该置信值的大小，对该新工件的K个特征值进行重要性排序；S7：继续生产新工件时，循环S4至S6。
[0015]其中，所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本，具体包括以下步骤：S11：预先在模具上安装以下高频传感器：模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器；S12：预先在模温机上安装以下高频传感器：冷水温度传感器、热水温度传感器、回水温度传感器；S13：通过安装于模具、模温机上的若干传感器采集工件的实时监测数据。
[0016]所述S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种注塑件的自适应生产异常监测方法，其特征在于，包括以下步骤：S1：采集生产线上依次生产的N个工件的监测数据作为工件样本，并提取每一工件样本监测数据的K个特征值；S2：构建孤立森林模型，将S1中提取的每一工件样本监测数据的K个特征值输入该模型，以获取这N个工件样本的正常、异常标签，并输出正常、异常判定的置信度；S3：构建随机森林模型，并从第N个工件样本开始向前数m个工件样本，作为该随机森林模型的训练集，并依据S2获取的工件样本的正常、异常标签，分别生成这m个工件样本的每一特征值的置信值，并依据该置信值的大小，分别对这m个工件样本中的K个特征值进行重要性排序；S4：采集新生产的工件的监测数据，并以该工件为起点重新向前数N个工件，并以该N个工件的监测数据作为新的工件样本，并提取每一工件样本监测数据的K个特征值；S5：基于S2构建的孤立森林模型，获取S4中新的N个工件样本的正常、异常标签及正常、异常判定的置信度；S6：从S4中新生产的工件为起点，重新向前数m个工件样本，作为S3构建的随机森林模型的新的训练集，并依据S5获取的工件样本的正常、异常标签，生成新工件的每一特征值的置信值，并依据该置信值的大小，对该新工件的K个特征值进行重要性排序；S7：继续生产新工件时，循环S4至S6。2.根据权利要求1所述的注塑件的自适应生产异常监测方法，其特征在于，所述S1中采集生产线上依次生产的N个工件的监测数据作为工件样本，具体包括以下步骤：S11：预先在模具上安装以下高频传感器：模内压力传感器、模内温度传感器、模温机来水流流量计、实际螺杆传感器、熔融液体射出压力传感器、模仁温度传感器；S12：预先在模温机上安装以下高频传感器：冷水...

【专利技术属性】
技术研发人员：张建宇，杜冬冬，成建洪，冯建设，
申请(专利权)人：深圳市信润富联数字科技有限公司，
类型：发明
国别省市：