[发明专利]一种塑料注塑过程的在线工况过程监控方法

摘要

本发明公开了一种塑料注塑过程的在线工况过程监控方法，属于工业监控和故障诊断领域。其包括如下步骤S1利用传感器收集各个工况下的数据，组成建模用的训练样本集X；S2进行数据预处理和归一化，使得训练样本集X的均值为0，方差为1，得到矩阵X′；S3根据所述矩阵X′，应用高斯核函数计算获得距离矩阵W；S4对所述距离矩阵W进行标准化，获得马尔科夫矩阵P(1)，将P(1)经过t次游走获得P(t)并在P(t)基础上经谱分解获得的特征矩阵X″；S5将所述特征矩阵X″以及各个样本对应的工况Tq成对输入误差反向传播神经网络进行训练,保留预测准确率最高的神经网络模型作为监测所用的模型；S6进行实际监控。本发明方法成功实现了高维数据在线监测。

主权项

一种塑料注塑过程的在线工况过程监控方法，其特征在于，包括如下步骤：S1：利用传感器收集各个工况下的数据，组成建模用的训练样本集X，X=X11X12...X1nX21X22...X2n...Xij...Xqn]]>其中，Xij∈Rm，Rm为向量，m表示过程变量Xij的维数，m为自然数，m的具体数值由当前采样系统确定，n表示每个采样工况的样本数，n＝1,2,…,N，q表示采样工况种类，q＝1,2,…Q，i取值为1≤i≤q，j取值为1≤j≤n，以Xk表示训练样本集X的第k行向量，也称为第k个样本，1≤k≤q*n，以Xkl表示第k个样本的第l维的数值，1≤l≤m；S2：进行数据预处理和归一化，使得训练样本集X的均值为0，方差为1，得到矩阵X′，X′＝{Xkl′}，其中，k＝1,2,..,q*n，l＝1,2,...,m，Xkl′＝(Xkl‑μl)/σl其中，μl表示均值，σl表示方差，具体的，μl=1q*nΣk=1q*nXkl,]]>σl=1q*n-1(Xkl-μl)2]]>其中，q表示采样工况种类，q＝1,2,…Q，n表示每个采样工况的样本数，n＝1,2,…,N；S3：根据所述矩阵X′，应用高斯核函数计算获得距离矩阵W，W＝{Wk1k2}，1≤k1,k2≤q*n其中，所述高斯核函数的表达式为：Wk1k2=exp(-||Xk1′-Xk2′||22σ2)]]>其中，Xk1,Xk2为所述矩阵X′中的第k1，k2个样本，||·||2表示向量2范数计算，σ为高斯方差，高斯方差的具体值可以根据实际数据特征分布进行确定，默认为1，exp(·)表示指数运算e(·)；S4：对所述距离矩阵W进行标准化，获得马尔科夫矩阵P(1)，P(1)={Pk1k2(1)},1≤k1,k2≤q*n]]>其中，k3为自然数，Pk1k2(1)表示从样本k1到k2的一次转移概率，则从样本k1到k2的t次转移概率P(t)为：P(t)＝(P(1))t对所述t次转移概率P(t)进行谱分解，得到下式：P(t)V＝λtV其中，λ是特征值，V是特征向量，t是转移次数，由于所有的样本数据是全链接，所以最大特征值λ1＝1是平凡解，舍去，根据实际实验数据特征分布和实际需要选定保留的特征值数量d，保留d个特征值{λ2,λ3,...,λd+1}和特征值对应的特征向量{V2,V3,...,Vd+1}，则经扩散映射获得的特征矩阵X″为：X″＝{λ2V2,λ3V3,...,λd+1Vd+1}S5：将所述特征矩阵X″以及各个样本对应的工况Tq成对输入误差反向传播神经网络进行训练，训练进行多次，每次在训练误差e小于10‑4或者迭代次数等于1000次，终止该次训练，保留预测准确率最高的神经网络模型作为监测所用的模型；S6：进行实际监控，具体为，在线采集和步骤S1中所述训练样本集X相同的实际过程变量，按照步骤S1至步骤S4所述方法计算获得所述实际过程变量特征矩阵，将所述实际过程变量输入至步骤S5获得的监测所用模型中，获得预测值P，将所述预测值P与设定工况进行比较，判断当前工况是否处于正常状态。