基于边缘计算的注塑模具剩余寿命在线自适应预测方法与流程

摘要: 本发明涉及注塑模具寿命预测和边缘计算,具体为基于边缘计算的注塑模具剩余寿命在线自适应预测方法。背景技术:1、注塑模具在连续大批量生产过程中,其关键部件逐渐累积疲...
基于边缘计算的注塑模具剩余寿命在线自适应预测方法与流程

本发明涉及注塑模具寿命预测和边缘计算,具体为基于边缘计算的注塑模具剩余寿命在线自适应预测方法。

背景技术:

1、注塑模具在连续大批量生产过程中,其关键部件逐渐累积疲劳损伤,剩余使用寿命直接影响排产计划与产品质量。现有剩余寿命预测方案多依赖云端集中式处理,将模具生产过程中采集的多源传感数据全部上传至云端进行分析。在云端可部署深度神经网络和高斯过程等复杂模型,利用海量历史数据训练得到精度较高的预测模型。然而,注塑车间通常部署大量模具与传感器,持续产生高频时序数据,全部上传云端不仅占用大量网络带宽,还会引入可观的传输延迟,无法满足模具健康状态在线快速响应的需求。

2、部分方案尝试将轻量化的预测模型直接部署于本地嵌入式设备或边缘网关,通过简单的回归模型或固定阈值进行剩余寿命推算。这类方案中,模型一旦训练完毕,其参数便固化,不再随生产工况和模具退化模式的演变而调整。注塑模具受原料批次、工艺参数调整、环境温度变化等因素影响,退化轨迹呈现非稳态、非线性的特点,固定模型难以长期维持预测精度。本地化部署的模型还受限于计算和存储资源,难以同时兼顾高维时序特征提取与概率化预测输出,以致预测结果缺乏对不确定性的合理量化,操作人员在决策时无法获知预测的可靠程度。

3、如何在边缘侧实现兼具高精度特征抽取与不确定性量化的剩余寿命预测,并在工况变化时以极低的资源开销完成模型在线自适应,是现有方案未能解决的难题。这要求将复杂特征学习网络与概率预测模型协同部署于资源受限的边缘设备,并设计一种数据驱动的触发机制,仅在预测质量下降时对模型局部进行轻量更新,避免全模型重训练带来的计算负荷和延迟。

技术实现思路

1、针对注塑模具剩余寿命预测在边缘端部署中面临的预测模型难以自适应控制退化工况变化、难以在低资源消耗下同时提供高精度点估计和可靠不确定性指标的问题,本发明提供一种基于边缘计算的注塑模具剩余寿命在线自适应预测方法,通过深度核映射网络与在线稀疏变分高斯过程模型的协同工作,以及基于预测不确定性衰减趋势和实时预测误差联合触发的在线更新策略,实现在边缘侧的自适应、低功耗、概率化剩余寿命预测。

2、为了实现上述目的,本发明提供如下技术方案:本发明提供一种基于边缘计算的注塑模具剩余寿命在线自适应预测方法,包括以下步骤:

3、获取注塑模具在连续生产周期中的多源传感数据,在边缘计算节点上对所述多源传感数据进行时间序列分段与特征归一化处理,生成标准化时序片段;

4、将所述标准化时序片段输入预训练的深度核映射网络,所述深度核映射网络由堆叠的膨胀残差块构成,输出具有强表征能力的高维核特征向量,以深度提取模具退化相关信息并滤除工况噪声;

5、调用部署于边缘服务器的在线稀疏变分高斯过程模型对所述高维核特征向量进行剩余寿命回归预测,生成剩余寿命均值与剩余寿命方差,在给出预测值的同时提供预测不确定性的量化指标;

6、基于所述剩余寿命均值的实时预测误差以及所述剩余寿命方差的衰减趋势,触发所述在线稀疏变分高斯过程模型的诱导点集合动态维护与核参数梯度更新,实现模型对模具退化模式变化及其不确定度变化的在线自适应,在不依赖云端重训练的条件下维持预测性能。

7、作为本发明的一种优选技术方案,所述多源传感数据包括模腔温度、注射压力、锁模力、顶出速度及螺杆位移;所述对多源传感数据进行时间序列分段与特征归一化处理,具体为:

8、对每个生产周期的多源传感数据进行滑动窗口切割,窗口长度固定为预设的工步持续时间,窗口步长设置为工步持续时间的1/4,得到重叠子序列集合;

9、对每个重叠子序列使用基于中位数绝对偏差的异常值剔除规则,将超出中位数±3倍绝对偏差的数据点替换为线性插值,得到清洗子序列;该规则对局部工况波动具有鲁棒性,并能有效保留退化趋势信息;

10、对所述清洗子序列进行z-score标准化,减去该子序列均值后除以标准差,生成所述标准化时序片段,消除量纲差异对后续特征映射的影响。

11、作为本发明的一种优选技术方案,所述深度核映射网络由堆叠的膨胀残差块构成,具体结构为:

12、第一层残差块包含膨胀因子为1的空洞卷积核,后接批归一化与relu激活函数,输出第一残差特征;

13、第二层残差块膨胀因子为2,对所述第一残差特征进行空洞卷积,经批归一化与relu后与所述第一残差特征跳跃连接,输出第二残差特征;

14、第三层残差块膨胀因子为4,对所述第二残差特征进行空洞卷积,经批归一化与relu后与所述第二残差特征跳跃连接,输出第三残差特征;

15、将所述第三残差特征依次通过全局平均池化层与全连接层,生成所述高维核特征向量。

16、该结构通过指数增长的感受野捕捉多尺度时间依赖,跳跃连接保障深层梯度流动,有效提取模具退化的长程时序模式与局部突变特征,提高后续高斯过程回归的输入质量。

17、作为本发明的一种优选技术方案,所述调用部署于边缘服务器的在线稀疏变分高斯过程模型对所述高维核特征向量进行剩余寿命回归预测,具体为:

18、将所述高维核特征向量与当前诱导点集合中的诱导点特征进行核函数计算,所述核函数采用自动相关性确定内核,能够自适应学习各输入维度对预测的贡献权重;

19、基于核矩阵与稀疏变分推断公式,计算后验高斯分布的均值与方差,将所述均值作为剩余寿命预测值,将所述方差作为预测不确定性指标;将所述剩余寿命预测值与预测不确定性指标组合输出,为模具维护决策提供置信度参考。

20、作为本发明的一种优选技术方案,所述基于所述剩余寿命均值的实时预测误差以及所述剩余寿命方差的衰减趋势,触发模型的在线自适应,具体为:

21、在滑动时间窗口内跟踪所述剩余寿命方差的差分序列,若差分序列连续下降且下降幅度超过预设的方差衰减阈值,则判定预测不确定度过度收缩、模型可能对当前退化状态过拟合;

22、同时计算当前时刻预测的剩余寿命均值与前一时刻预测值的绝对差异作为实时预测误差,若该误差超过误差容忍上限,则判定实时预测误差异常;

23、当衰减趋势成立且实时预测误差异常同时满足时,表明模型已不适应当前工况或退化模式变化,触发所述在线稀疏变分高斯过程模型的诱导点集合动态维护与核参数梯度更新。

24、作为本发明的一种优选技术方案,所述触发在线稀疏变分高斯过程模型的诱导点集合动态维护与核参数梯度更新,包括:

25、计算当前剩余寿命预测值与实际失效时间或预设校准标签的偏差,当偏差连续三个时间步超过阈值时,进入模型更新模式;

26、在模型更新模式下,基于kl散度最小化原则从新到达的高维核特征向量中挑选候选诱导点,将候选诱导点与现有诱导点集合合并,采用基于最优实验设计的贪婪修剪算法删除对后验贡献最小的诱导点,保持诱导点总数不变;同时,使用adam优化器对核参数进行梯度下降更新,梯度方向由新数据点的对数边际似然相对于核参数的导数确定,学习率随更新次数指数衰减。

27、该机制使得模型能够持续纳入新到达的有效信息、淘汰冗余表示,并以轻量级梯度更新调整核映射,在保持较低边缘计算开销的前提下,提升剩余寿命预测的长期稳定性和泛化性。

28、作为本发明的一种优选技术方案,所述基于kl散度最小化原则从新到达的高维核特征向量中挑选候选诱导点,进一步包括:

29、计算每个新到达的高维核特征向量与现有诱导点集合中每一诱导点的核相似度,生成相似度向量;

30、将所述相似度向量的最大值作为该新特征的冗余度指标,设定冗余度阈值,将冗余度低于所述阈值的新特征标记为潜在候选点;

31、对潜在候选点集合中每个点,计算将其加入诱导点集合后模型后验与不含该点时的后验之间的kl散度增量,选取kl散度增量最大的预设数量个点作为所述候选诱导点。

32、该过程优先选择携带丰富新信息且不引起后验剧烈偏移的特征点,保持诱导点集合的紧凑性和表达能力。

33、作为本发明的一种优选技术方案,所述自动相关性确定内核的长度尺度参数通过离线训练阶段在云端服务器使用所有历史高维核特征向量进行最大化对数边际似然优化得到,并将参数固化存储于边缘服务器作为初始值;在所述在线稀疏变分高斯过程模型进行剩余寿命回归预测时,所述长度尺度参数作为核参数的一部分参与后续的梯度更新,实现从离线知识到在线场景的平滑过渡。

34、作为本发明的一种优选技术方案,所述深度核映射网络与所述在线稀疏变分高斯过程模型在云端服务器使用历史多源传感数据与对应的实际剩余寿命标签进行联合预训练,预训练完成后将模型权重和诱导点集合下发至边缘服务器;边缘服务器在在线自适应过程中仅更新诱导点集合和核参数,不更新深度核映射网络的权重。

35、该方式将高计算成本的特征学习任务保留在云端,边缘端仅执行轻量推理与局部参数调整,大幅降低边缘计算节点功耗、保障推理实时性,并利用在线更新适应同型号不同模具个体的差异及工况漂移。

36、在上述技术方案中,本发明提供的技术效果和优点:

37、深度核映射网络采用堆叠的膨胀残差块结构,各残差块以逐层增大的膨胀因子对标准化时序片段进行空洞卷积。膨胀因子递增的残差连接使得网络在不增加大量参数的前提下获得指数级扩大的感受野,能够从较长的生产周期多源传感数据中捕获跨时间步的退化模式,同时保持对局部瞬变特征的敏感性。该网络将多源时序数据映射至高维核特征空间,所输出的高维核特征向量作为后续高斯过程的输入,有效替代了传统核函数需要手动设计特征工程的环节。网络权重在云端预训练完成后固化于边缘服务器,在线预测阶段仅涉及前向推理,不进行深度网络权重更新,边缘计算节点功耗被显著压缩。

38、在线稀疏变分高斯过程模型接收高维核特征向量后,利用诱导点集合对后验高斯分布进行近似推断,同时输出剩余寿命均值与表征预测不确定性的方差。通过跟踪滑动时间窗口内剩余寿命方差的连续下降幅度,以及实时预测的剩余寿命均值与前一步预测值的绝对偏差,构造双重触发条件。仅当方差衰减趋势与预测误差同时超出预设阈值时,才启动诱导点集合的动态维护与核参数梯度更新。该机制避免了每收到一个新样本就执行模型更新的高频率开销,使更新集中在预测质量出现恶化的时刻。在模型更新过程中,基于kl散度最小化原则从新到达的高维核特征向量中挑选候选诱导点,并以贪婪修剪方式剔除对后验贡献最小的旧诱导点,保持诱导点总数恒定,从而控制稀疏高斯过程的推理和更新计算量始终处于边缘服务器可承受范围内。核参数更新仅依靠新数据点的对数边际似然梯度,并采用学习率指数衰减的adam优化器,无需回溯全部历史数据,存储和计算开销极低。

39、深度网络与高斯过程的组合架构实现了特征提取与概率预测的分治部署与联合推理,深度网络负责在边缘端将原始传感数据转化为强表达力的核特征,高斯过程负责在低维特征空间完成概率预测和不确定性校准。两者的在线更新权限被严格限定于高斯过程的诱导点集合和核参数,深度网络权重维持不变。该设计在不牺牲预测精度和不确定性表达能力的前提下,将边缘侧的持续运行功耗、计算延迟以及模型更新所需的存储计算增量均收敛于一个极小量级,使得每一副注塑模具都可以单独绑定一对边缘计算节点与边缘服务器,完成独立的、在线的、自适应的剩余寿命预测。