[发明专利]一种基于集成学习的注塑机堵料异常检测方法

说明书

本发明涉及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，在特征值提取阶段，首先从样本库中提取处各模块工作电压的时域特征，然后对这些特征值输入二级异常分类器进行训练，首先构建三个基分类器，将三个基分类器的结果采用投票法选择出现频率最高的结果作为新增的特征列结合原有的特征数据集传入第二级强分类器，最后，强分类器的结果就是注塑机堵料异常的检测值。本发明能够准确快速地发现注塑机堵料的异常状况，克服了原有检测方式精确度不高的特点，本发明实施步骤简单便捷，能及时对注塑机堵料进行检测，有助于注塑机设备的正常运转，延长设备的使用寿命。

技术领域

本发明涉及机器学习算法的应用和注塑机堵料异常检测相关技术，尤其涉及一种基于集成学习的注塑机堵料异常检测方法。

背景技术

近年来，互联网技术的不断发展，机器学习算法开始在各行各业的应用领域愈渐广泛，在工业领域中，机器学习相关算法更多的是应用在机器异常检测或者故障分类之中；注塑机是塑料加工领域中使用最为常见的设备，在实际运行过程中，注塑机经常会在供料过程中出现堵料的问题，由此提升产品的不合格率，堵料时间一久还会对注塑机本身造成损伤，因此，如何将机器学习相关算法应用到注塑机堵料异常检测之中很有现实意义。

目前机器学习算法主要分为四类，分别为监督学习、无监督学习、半监督学习和强化学习，在故障检测中应用的是有监督学习算法，其包括K-邻近算法、决策树、朴素贝叶斯、SVM算法和决策树算法，但是目前针对异常检测方式都是采取单一的检测监督学习术研发，导致最终结果的精确度低。

发明内容

针对上述现有技术的现状，本发明所要解决的技术问题在于提供一种可以提升检测结果精确度的基于集成学习的注塑机堵料异常检测方法。

本发明解决上述技术问题所采用的技术方案为：一种基于集成学习的注塑机堵料异常检测方法，其特征在于，该方法包括以下步骤：

1)原始数据采集

将模块电压采集器安装到注塑机的各个工作模块上，并在设定时长内定时采集各个工作模块上的工作电压作为原始数据存储到数据库中；

2)数据预处理

对数据库中存储的各工作模块在指定工作时间内的工作电压各组数据依次采用数据清洗方法、数据归一化方法预处理；

3)特征值提取

对步骤2得到预处理后的数据提取特征值，组成带有时域特征（均值、方差、标准差、中位数、峰值、谷值）的数据集，并存储到数据集文件中；

4)生成数据集正、负样本

将数据文件中的新数据集分成堵料异常数据集和正常工作数据集，并采用合成少数类过采样技术（SMOTE）增加堵料异常情况的数据集，平衡数据集中的正、负样本；

5)构建堵料异常分类器

在步骤4的基础上构建二级分类器，第一级为三个基分类器，第二级为一个分类器，第一级的三个基分类器分别为Logistic分类器、SVM分类器和决策树分类器，第二级分类器为Logistic分类器。

进一步地，所述步骤1中在设定时长区间内定时地采集注塑机各个工作模块的电压数据时，需要实时记录注塑机生产的产品状况，一旦出现堵料异常的时间段标记为1，其余正常工作标记为0。

进一步地，所述步骤2中的数据清洗方法为对各个工作模块的各组数据中存在的异常值、噪声值、冗余值进行剔除，并计算各组数据的均值，将该均值替换原来的异常值和噪声值；所述数据归一化方法是先计算各组数据的标准差，再将各组数据的每个数据减去该组数据的均值，然后除以该组数据集的标准差，将数据映射到[0，1]区间之内。