一种基于改进MKECA方法的注塑机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改进MKECA方法的注塑机异常检测方法与系统，包括以下步骤：S1、收集注塑机正常工作时的数据作为训练集，对训练集数据进行预处理；S2、采用核熵成分分析方法对预处理后的数据进行非线性特征提取；S3、对提取的数据特征采用支持向量数据描述SVDD建立包裹正常样本的超球体，根据超球体的半径确定阈值范围；S4、在线收集测试样本，对测试样本进行预处理，计算预处理后的测试样本的统计量，判断统计量是否超出阈值范围，超出则视为检测到注塑机出现异常。本方法与传统注塑机异常检测技术相比，解决了注塑机异常检测精度低的问题，实现了对注塑成型过程中出现的强非线性、变量混合分布、多模态特性等数据的异常检测。测。测。

【技术实现步骤摘要】
一种基于改进MKECA方法的注塑机异常检测方法及系统


[0001]本专利技术涉及注塑机异常检测领域，更具体地，涉及一种基于改进MKECA 方法的注塑机异常检测方法及系统。

技术介绍

[0002]为保证高分子材料在注塑机内部顺利完成注塑过程，需要为注塑机提供苛 刻的高温、高压环境。注塑行业每年消耗大量电能，是典型的高能耗、低能效 产业。传统注塑机结构复杂，高度耦合，一旦在运行过程各种出现异常工况， 会导致注塑机功率低下，能耗激增。近年来，“智能制造”、“绿色生产”是 制造业发展的主旋律，注塑机行业也面临着产业更新换代之挑战，提高产品质 量精度、减少能源消耗、保证安全可靠生产是注塑行业的关注重点以及研究热 点。因此，采用异常检测和定位方法对注塑成型过程中的异常工况进行及时有 效的监测，对于提高注塑机智能化水平、提高企业生产效率、减少因异常工况 造成的能耗，具有重要意义。
[0003]在KPCA的基础上，Jessen提出了一种新的非线性特征提取算法——核熵 成分分析(Kernel Entropy Component Analysis，KECA)，该算法从瑞丽熵损失最 小的角度提取过程变量之间的非线性特征信息，在数据结构特征提取上具有一 定的优势而引起学术界关注，并被引入间歇生产过程，即是多向核熵成分分析 方法(Multi
‑
way Kernel Entropy Component Analysis，MKECA)。研究结果表明， MKECA方法具有比MKPCA方法更好的监测性能，但MKECA没有考虑到复 杂工业过程具有的多模态和非高斯特性,异常检测性能有待提高。Ma根据不同 模态数据均值和标准差存在差异的特点，提出局部近邻标准化取代全局标准化 策略对数据进行预处理，一定程度上解决了复杂工业过程存在的多模态问题。 顾幸生等将局部近邻标准化(Local Neighbor Standardization，LNS)和
[0004]MKECA相结合进行特征提取，但其忽略了数据的非高斯特性。MKECA对 降维后的数据建立T2和Q统计量进行异常检测，由于工业过程数据往往难以服 从多元正态分布，检测效果受限。
[0005]现有技术中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，该方法具体为：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。该方案的缺陷是，采 用的是对数据分布有要求的实时数据，不能解决多模态和非高斯分布特性数据 的检测问题。
[0006]为此，结合以上需求和现有技术缺陷，本申请提出了一种基于改进 MKECA方法的注塑机异常检测方法及系统。

技术实现思路

[0007]本专利技术提供了一种基于改进MKECA方法的注塑机异常检测方法及系统， 能够对注塑成型过程中出现的强非线性、变量混合分布、多模态特性等数据类 型进行异常检测。
[0008]本专利技术的首要目的是为解决上述技术问题，本专利技术的技术方案如下：
[0009]本专利技术第一方面提供了一种基于改进MKECA方法的注塑机异常检测方法， 本方法包括以下步骤：
[0010]S1、收集注塑机正常工作时的数据作为训练集，对训练集数据进行预处理： 将训练集的三维数据沿批次
‑
变量方向展开并进行局部近邻标准化，得到服从单 一模态的二维数据。
[0011]S2、采用核熵成分分析方法对预处理后的数据进行非线性特征提取。
[0012]S3、对提取的数据特征采用支持向量数据描述SVDD建立包裹正常样本的 超球体，根据超球体的半径确定控制限和阈值范围。
[0013]S4、在线收集测试样本，对测试样本进行预处理，计算预处理后的测试样 本的统计量D，判断统计量D是否超出阈值范围，超出则视为检测到注塑机出 现异常，未超出则表明注塑机正常运行。
[0014]进一步的，所述训练集数据的维度包括有：时间、批次、过程；所述训练 集数据能够用三维矩阵X(I
×
J
×
K)表示，其中I代表生产批次，代表J过程变 量，K代表采样点。
[0015]进一步的，所述将训练集的三维数据沿批次
‑
变量方向展开成二维数据的过 程，具体为：首先将注塑机正常工作时的数据X(I
×
J
×
K)沿批次展开为 X(I
×
(J
×
K))，对其进行局部近邻标准化化后再沿变量方向展开为二维矩阵 X((I
×
J)
×
K)。
[0016]其中，采用批次
‑
变量法展开三维数据的原因是，在实际生产过程中，直接 对三维数据进行建模存在困难，因此先将三维数据利用批次
‑
变量展开法展开为 二维数据再进行建模。
[0017]其中，沿批次展开后传统上使用z
‑
score标准化处理，但由于数据注塑成 型过程是一个多工况过程，数据具有多模态特性，因此采用局部近邻标准化方 法以解决数据的多模态特性对异常检测效果的影响。
[0018]进一步的，进行局部近邻标准化的过程，具体为：根据欧氏距离公式得出 样本x
i
与训练集中其他样本的距离，并选取前k个近邻样本组成样本x
i
的近邻 集其次计算出样本x
i
近邻集N(x
i
)的均值和标准差，然后 再进行局部近邻标准化处理；其数学表达形式为：
[0019][0020][0021][0022]其中，m(N(x
i
))表征样本x
i
近邻集N(x
i
)的均值，s(N(x
i
))表征样本x
i
近邻 集N(x
i
)的标准差，采用局部近邻标准化能够将不同分布、不同中心的多模态数 据聚合为离散程度
和中心近似相同的单模态数据。
[0023]进一步的，所述步骤S2具体为：采用瑞利熵对数据信息进行定量度量，利 用均值对V(p)进行估计，能够通过样本核矩阵K求出瑞利熵H(p)，对核矩阵 K进行特征值分解并代入V(p)得到每一个特征值及对应特征向量对瑞利熵的贡 献度，将瑞利熵贡献度从大到小排序，选取前A项对应的特征向量组成投影矩 阵。
[0024]其中，所述采用瑞利熵对数据信息进行定量度量的数学表达形式为：
[0025]H(p)＝
‑
log∫p2(x)dx
[0026]V(p)＝∫p2(x)dx
[0027]其中，H(p)为瑞利熵，p(x本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进MKECA方法的注塑机异常检测方法，其特征在于，包括以下步骤：S1、收集注塑机正常工作时的数据作为训练集，对训练集数据进行预处理：将训练集的三维数据沿批次
‑
变量方向展开并进行局部近邻标准化，得到服从单一模态的二维数据；S2、采用核熵成分分析方法对预处理后的数据进行非线性特征提取；S3、对提取的数据特征采用支持向量数据描述SVDD建立包裹正常样本的超球体，根据超球体的半径确定控制限和阈值范围；S4、在线收集测试样本，对测试样本进行预处理，计算预处理后的测试样本的统计量D，判断统计量D是否超出阈值范围，超出则视为检测到注塑机出现异常，未超出则表明注塑机正常运行。2.根据权利要求1所述的一种基于改进MKECA方法的注塑机异常检测方法，其特征在于，所述训练集数据的维度包括有：时间、批次、过程；所述训练集数据能够用三维矩阵X(I
×
J
×
K)表示，其中I代表生产批次，代表J过程变量，K代表采样点。3.根据权利要求2所述的一种基于改进MKECA方法的注塑机异常检测方法，其特征在于，所述将训练集的三维数据沿批次
‑
变量方向展开成二维数据的过程，具体为：首先将注塑机正常工作时的数据X(I
×
J
×
K)沿批次展开为X(I
×
(J
×
K))，对其进行局部近邻标准化化后再沿变量方向展开为二维矩阵X((I
×
J)
×
K)。4.根据权利要求3所述的一种基于改进MKECA方法的注塑机异常检测方法，其特征在于，进行局部近邻标准化的过程，具体为：根据欧氏距离公式得出样本x
i
与训练集中其他样本的距离，并选取前k个近邻样本组成样本x
i
的近邻集其次计算出样本x
i
近邻集N(x
i
)的均值和标准差，然后再进行局部近邻标准化处理；其数学表达形式为：)的均值和标准差，然后再进行局部近邻标准化处理；其数学表达形式为：)的均值和标准差，然后再进行局部近邻标准化处理；其数学表达形式为：其中，m(N(x
i
))表征样本x
i
近邻集N(x
i
)的均值，s(N(x
i
))表征样本x
i
近邻集N(x
i
)的标准差，采用局部近邻标准化能够将不同分布、不同中心的多模态数据聚合为离散程度和中心近似相同的单模态数据。5.根据权利要求1所述的一种基于改进MKECA方法的注塑机异常检测方法，其特征在于，所述步骤S2具体为：采用瑞利熵对数据信息进行定量度量，利用均值对V(p)进行估计，能够通过样本核矩阵K求出瑞利熵H(p)，对核矩阵K进行特征值分解并代入V(p)得到每一个特征值及对应特征向量对瑞利熵的贡献度，将瑞利熵贡献度从大到小排序，选取前A项对应的特征向量组成投影矩阵。6.根据权利要求5所述的一种基于改进MKECA方法的注塑机异常检测方法，其特征在于，所述采用瑞利熵对数据信息进行定量度量的数学表达形式为：H(p)＝
‑
log∫p2(x)dxV(p)＝∫p2(x)dx
其中，H(p)为瑞利熵，p(x)为中心化后的样本x的概率密度函数，通过对V(p)的估计能够求得瑞利熵H(p)，而p(x)则通过Parzen密度估计法进行估计；够求得瑞利熵H(p)，而p(x)则通过Parzen密度估计法进行估计；其中，为p(x)的估计，x
i
为数据集D＝{x1,x2,
…
,x
n
}n个样本中的第i个样本，N为样本总数，k
σ
(x,x
i
)为中心为σ，宽度为x
i
的径向基核函数；K＝EDE
TT
其中，为V...

【专利技术属性】
技术研发人员：杨海东，胡洋，黄梓伟，印四华，张卓勤，杜嘉灏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：