【技术实现步骤摘要】
本专利技术涉及人工智能深度学习，具体为一种基于自编码器的切粒机熔体异常检测方法及系统。
技术介绍
1、在聚酯切片生产领域，切粒机的作用至关重要，它集成了聚酯熔体挤出拉条、降温冷却、切粒以及干燥等关键工序，然而，熔体异常，尤其是在挤出拉条环节，一直是制约切粒机效率和产品质量的主要问题，熔体异常通常表现为熔体抖动、并带和披挂等状态，其中披挂是最严重的异常形态，可能导致熔体在导流槽内堆积，严重时需停机处理，这些异常的发生主要由上游工艺参数波动、铸带头堵塞或设备异常振动等因素引起，目前，行业内普遍采用的熔体异常监测方法是视频监控，由操作人员通过观察监控画面来识别异常，然而，这种方法存在明显的不足，首先，人工监控的可靠性和准确性较差，容易受到人为因素的影响；其次，响应速度慢，无法实现实时监测和快速响应；最后，这种方法劳动强度大，效率低下，且无法充分利用现代自动化和智能化技术的优势。
2、本专利技术中通过对采集到的切粒机数据样本进行增强处理，以提高数据的代表性和多样性，设计自编码器结构，并建立了相应的误差函数，这种结构能够有效地学习和提取熔体状态的关键特征，基于正则化损失函数构建的熔体异常检测误差函数，能够更准确地识别熔体异常状态，对自编码器进行迭代训练，得到的模型能够实时监测切粒机熔体状态，及时发现异常。
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：现有的熔体异常检测方法存在可靠性低，响应慢，效率低，以及如何实现聚酯
3、为解决上述技术问题，本专利技术提供如下技术方案：一种基于自编码器的切粒机熔体异常检测方法，包括采集切粒机数据样本，对样本进行增强处理；设计自编码器结构并建立自编码器误差函数；基于正则化损失函数构建切粒机熔体异常检测误差函数；通过增强处理后的样本对自编码器进行迭代训练，训练后的自编码器作为切粒机熔体异常检测模型对切粒机熔体状态进行检测。
4、作为本专利技术所述的基于自编码器的切粒机熔体异常检测方法的一种优选方案，其中：所述切粒机数据样本包括将切粒机运行时，监控选出的不同时段的图像作为数据集的正样本；切粒机熔体披挂事故中提取出包含熔体异常的图像作为数据集的负样本。
5、作为本专利技术所述的基于自编码器的切粒机熔体异常检测方法的一种优选方案，其中：所述增强处理包括在每轮训练迭代中，图像亮度在±20％内随机变化，图像对比度在±20％内随机变化，图像饱和度在±20％内随机变化，图像旋转在±3°内随机变化。
6、作为本专利技术所述的基于自编码器的切粒机熔体异常检测方法的一种优选方案，其中：所述自编码器结构包括自编码器通过特征提取由输入图像解码输入至输入层，通过训练让隐藏层进行参数学习，输出层输出后通过特征融合由编码器重构融合图像；设置隐藏层的激活函数，表示为：
7、relu(x)＝max(0,x)
8、其中，relu(x)为隐含层的非线性激活函数。
9、作为本专利技术所述的基于自编码器的切粒机熔体异常检测方法的一种优选方案，其中：所述建立自编码器误差函数包括处理距离误差和异常值图像平均值误差；距离误差包括实际图像基于多层卷积神经网络的输出图像与自编码器重构图像欧拉距离的计算均值误差，表示为：
10、
11、
12、其中，loss1(i)为第i层图像的距离误差，n为实际图像经多层卷积神经网络后的输出图像中单层图像中的元素个数，output1为实际图像经多层卷积神经网络后的输出图像，output2为自编码器重构图像，j为图像序列，loss1为距离误差的计算均值误差，m为output1的网络层数；异常值图像平均值误差包括实际图像基于多层卷积神经网络后的输出图像与自编码器重构图像的差值图像的平方，经过维度压缩和双线性插值放大后的异常值图像的像素点平均值，表示为：
13、
14、其中，diff_image(i)为第i层实际图像经多层卷积神经网络后的输出图像与自编码器重构图像的差值图像的平方，经过维度压缩和双线性插值放大后的异常值图像，loss2为diff_image(i)的均值误差，g为diff_image(i)图像中的元素个数。
15、作为本专利技术所述的基于自编码器的切粒机熔体异常检测方法的一种优选方案，其中：所述构建切粒机熔体异常检测误差函数包括引入正则化损失函数r_lossα(w)表示为：
16、
17、其中，k为整个网络中权值的个数，wk为第k个权值对应的数值，α为可调参数；构建切粒机熔体异常检测误差函数表示为：
18、loss＝loss1+loss2+r_lossα(w)
19、其中，loss为切粒机熔体异常检测误差函数。
20、作为本专利技术所述的基于自编码器的切粒机熔体异常检测方法的一种优选方案，其中：所述迭代训练包括通过增强处理的切粒机数据样本，通过adam优化器，设置训练参数，对自编码器结构进行训练，训练后的自编码器作为切粒机熔体异常检测模型，diff_image(i)计算的loss2值作为图像异常判断的依据，对切粒机熔体状态进行检测。
21、本专利技术的另外一个目的是提供一种基于自编码器的切粒机熔体异常检测系统，其能通过增强处理后的样本对自编码器进行迭代训练，训练后的自编码器作为切粒机熔体异常检测模型对切粒机熔体状态进行检测，解决了目前的熔体异常检测技术含有可靠性低的问题。
22、作为本专利技术所述的基于自编码器的切粒机熔体异常检测系统的一种优选方案，其中：包括数据采集模块，自编码器构建模块，误差分析模块，异常检测模块；所述数据采集模块用于采集切粒机数据样本，对样本进行增强处理；所述自编码器构建模块用于设计自编码器结构并建立自编码器误差函数；所述误差分析模块用于基于正则化损失函数构建切粒机熔体异常检测误差函数；所述异常检测模块用于通过增强处理后的样本对自编码器进行迭代训练，训练后的自编码器作为切粒机熔体异常检测模型对切粒机熔体状态进行检测。
23、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序是实现基于自编码器的切粒机熔体异常检测方法的步骤。
24、一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现基于自编码器的切粒机熔体异常检测方法的步骤。
25、本专利技术的有益效果：本专利技术提供的基于自编码器的切粒机熔体异常检测方法通过采集正常运行和异常状态下的切粒机图像数据，对这些图像进行增强处理，可以模拟不同的操作环境和条件，从而提高模型对实际工作环境的适应性；通过设计自编码器结构并建立相应的误差函数，可以有效地学习和提取切粒机图像数据中的关键特征，提高了异常检测的准确性和效率；通过基于正则化损失函数构建切粒机熔体异常检测误差函数，防止模型过拟合，提高模型的泛化能力，提高了模型在实际应用中的稳定性和可靠性；通过增本文档来自技高网...
【技术保护点】
1.一种基于自编码器的切粒机熔体异常检测方法，其特征在于，包括：
2.如权利要求1所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述切粒机数据样本包括将切粒机运行时，监控选出的不同时段的图像作为数据集的正样本；
3.如权利要求2所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述增强处理包括在每轮训练迭代中，图像亮度在±20％内随机变化，图像对比度在±20％内随机变化，图像饱和度在±20％内随机变化，图像旋转在±3°内随机变化。
4.如权利要求3所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述自编码器结构包括自编码器通过特征提取由输入图像解码输入至输入层，通过训练让隐藏层进行参数学习，输出层输出后通过特征融合由编码器重构融合图像；
5.如权利要求4所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述建立自编码器误差函数包括处理距离误差和异常值图像平均值误差；
6.如权利要求5所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述构建切粒机熔体异常检测误差函数包括引入正则化损失函
7.如权利要求6所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述迭代训练包括通过增强处理的切粒机数据样本，通过Adam优化器，设置训练参数，对自编码器结构进行训练，训练后的自编码器作为切粒机熔体异常检测模型，Diff_image(i)计算的Loss2值作为图像异常判断的依据，对切粒机熔体状态进行检测。
8.一种采用如权利要求1～7任一所述的基于自编码器的切粒机熔体异常检测方法的系统，其特征在于：包括数据采集模块，自编码器构建模块，误差分析模块，异常检测模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的基于自编码器的切粒机熔体异常检测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的基于自编码器的切粒机熔体异常检测方法的步骤。
...【技术特征摘要】
1.一种基于自编码器的切粒机熔体异常检测方法，其特征在于，包括：
2.如权利要求1所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述切粒机数据样本包括将切粒机运行时，监控选出的不同时段的图像作为数据集的正样本；
3.如权利要求2所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述增强处理包括在每轮训练迭代中，图像亮度在±20％内随机变化，图像对比度在±20％内随机变化，图像饱和度在±20％内随机变化，图像旋转在±3°内随机变化。
4.如权利要求3所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述自编码器结构包括自编码器通过特征提取由输入图像解码输入至输入层，通过训练让隐藏层进行参数学习，输出层输出后通过特征融合由编码器重构融合图像；
5.如权利要求4所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述建立自编码器误差函数包括处理距离误差和异常值图像平均值误差；
6.如权利要求5所述的基于自编码器的切粒机熔体异常检测方法，其特征在于：所述构建切粒机...
【专利技术属性】
技术研发人员：张广明，朱明祥，周小熊，史志寒，吕筱东，
申请(专利权)人：南京工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。