注塑工艺故障深度学习诊断系统及其控制方法与流程

摘要: 本发明涉及智能制造与工业过程自动化诊断,具体涉及注塑工艺故障深度学习诊断系统及其控制方法。背景技术:1、深度学习技术广泛应用于工业注塑工艺的故障诊断领域,其技术...
注塑工艺故障深度学习诊断系统及其控制方法与流程

本发明涉及智能制造与工业过程自动化诊断,具体涉及注塑工艺故障深度学习诊断系统及其控制方法。

背景技术:

1、深度学习技术广泛应用于工业注塑工艺的故障诊断领域,其技术实质是将模腔内传感器获取的时序数据输入预设的神经网络模型中,通过前向传播提取具备高维语义的动态特征表示,进而输出故障诊断结果并持续更新网络权重。

2、现有一些基于神经网络的故障诊断方法主要依赖纯数据驱动的特征拟合与持续学习机制进行状态监测;这类方法在理想工况下能够有效提取特征,但在医疗级特种聚合物接头的精密注塑生产流程中,系统常面临复杂的车间环境与外部干扰;目前的纯数据驱动模型在应对微电网波动或环境湿度剧变等复合环境扰动噪声时,存在偏离基本物理准则的风险,易将外部干扰产生的非对称物理噪声视为有效信号进行拟合。

3、目前对于涉及严苛质量要求的精密注塑业务场景,要求模型在极端干扰环境下依然能够依据底层物理规律输出可靠的诊断结论;因此,如何解决由环境剧变诱发的非物理伪特征拟合问题,防止模型发生参数退化与物理逻辑丢失,成为基于特定数学模型的计算管线中有待解决的技术问题。

技术实现思路

1、本发明的目的在于提供注塑工艺故障深度学习诊断系统及其控制方法,解决以下技术问题:解决医疗级特种聚合物接头生产中因微电网波动或环境湿度剧变诱发的非物理伪特征拟合问题,且能在干扰环境下依据物理底线输出可靠的诊断结论,实现追求高良品率与提升生产设备运行安全性的统一。

2、本发明的目的可以通过以下技术方案实现:注塑工艺故障深度学习诊断系统的控制方法,包括:获取注塑设备模腔内的传感器时序数据;将所述传感器时序数据输入预设的持续学习图神经网络模型,提取动态特征表示;将所述动态特征表示映射至预设的隐空间,在所述隐空间中计算所述动态特征表示的分布与预设的基于高分子流变学与热力学构建的确定性物理边界模型定义的刚性约束数据分布之间的散度值,将所述散度值作为物理-数据发散熵;判断所述物理-数据发散熵与预设的发散阈值的大小关系;响应于所述物理-数据发散熵小于所述发散阈值,通过所述持续学习图神经网络模型的分类层,依据所述动态特征表示输出故障诊断结果,并基于所述传感器时序数据更新所述持续学习图神经网络模型的网络权重;响应于所述物理-数据发散熵大于或等于所述发散阈值,激活预设的物理规则惩罚项,冻结所述持续学习图神经网络模型中表征所述确定性物理边界模型的浅层特征提取节点对应的部分网络权重,并通过所述分类层输出所述故障诊断结果。

3、进一步的,获取注塑设备模腔内的传感器时序数据,包括:采集所述注塑设备在运行周期内的多维传感器反馈信号;对所述多维传感器反馈信号进行预处理,滤除复合环境扰动噪声,生成所述传感器时序数据。

4、进一步的,将所述传感器时序数据输入预设的持续学习图神经网络模型,提取动态特征表示,包括:构建所述传感器时序数据的拓扑图结构;通过所述持续学习图神经网络模型的图卷积层对所述拓扑图结构进行节点特征聚合,生成所述动态特征表示。

5、进一步的,基于所述传感器时序数据更新所述持续学习图神经网络模型的网络权重,包括:获取所述注塑设备当前运行周期的真实故障标签;计算所述故障诊断结果与所述真实故障标签之间的预测损失;基于所述预测损失,采用梯度下降算法在线更新所述持续学习图神经网络模型的所述网络权重。

6、进一步的,激活预设的物理规则惩罚项,冻结所述持续学习图神经网络模型中表征所述确定性物理边界模型的浅层特征提取节点对应的部分网络权重,包括:将所述物理规则惩罚项附加至所述持续学习图神经网络模型的损失函数中;识别所述持续学习图神经网络模型中,表征所述确定性物理边界模型的所述浅层特征提取节点;锁定所述浅层特征提取节点对应的所述部分网络权重,停止所述部分网络权重的在线更新。

7、进一步的,在所述响应于所述物理-数据发散熵大于或等于所述发散阈值之后,还包括:计算所述物理-数据发散熵与预设的系统失效边界阈值的差值,将所述差值与预设归一化系数的乘积作为风险贡献率;判断所述风险贡献率与预设的风险阈值的大小关系;响应于所述风险贡献率大于所述风险阈值,输出设备停机指令;响应于所述风险贡献率小于或等于所述风险阈值,维持当前运行状态。

8、注塑工艺故障深度学习诊断系统,包括:数据采集模块,用于获取注塑设备模腔内的传感器时序数据;特征提取模块,用于将所述传感器时序数据输入预设的持续学习图神经网络模型,提取动态特征表示;发散评估模块,用于将所述动态特征表示映射至预设的隐空间,在所述隐空间中计算所述动态特征表示的分布与预设的基于高分子流变学与热力学构建的确定性物理边界模型定义的刚性约束数据分布之间的散度值,将所述散度值作为物理-数据发散熵;自适应控制模块,用于判断所述物理-数据发散熵与预设的发散阈值的大小关系;所述自适应控制模块,还用于响应于所述物理-数据发散熵小于所述发散阈值,通过所述持续学习图神经网络模型的分类层,依据所述动态特征表示输出故障诊断结果,并基于所述传感器时序数据更新所述持续学习图神经网络模型的网络权重;所述自适应控制模块,还用于响应于所述物理-数据发散熵大于或等于所述发散阈值,激活预设的物理规则惩罚项,冻结所述持续学习图神经网络模型中表征所述确定性物理边界模型的浅层特征提取节点对应的部分网络权重,并通过所述分类层输出所述故障诊断结果。

9、进一步的,传感器时序数据为注塑模腔内的高频传感器反馈数据;所述故障诊断结果用于生成注塑过程的补偿参数。

10、本发明的有益效果:

11、1)本发明通过计算动态特征表示与刚性约束分布间的物理数据发散熵,在发散熵超标时冻结表征确定性边界模型的浅层网络权重;这防止了系统对环境剧变诱发的非物理伪特征进行拟合,避免了模型参数退化,确保极端干扰下仍能输出可靠诊断结论。

12、2)本发明构建传感器时序数据的拓扑图结构并通过图卷积层进行节点特征聚合,利用相邻节点的物理关联对异常点进行平滑约束;这使得特征自发遵循热力学规律,削弱了非对称物理噪声影响,增强了模型面对局部传感器漂移时的稳定性。

13、3)本发明在发散熵超标后进一步计算其与失效边界阈值的差值得出风险贡献率,并在风险过高时自动输出停机指令;这一停机保护控制机制为高价值模具提供了物理层面的安全保护屏障,有效降低了因预测偏离引发机械损伤事故的概率。

14、4)本发明对采集的多维传感器信号进行预处理以滤除复合环境扰动噪声,在前端削弱非对称物理噪声;这为模型提供了高信噪比的数据基础,延缓了发散熵的异常累积速度,显著提升了系统在面临微电网波动等复杂车间环境时的鲁棒性。

1.注塑工艺故障深度学习诊断系统的控制方法,其特征在于,包括:

2.根据权利要求1所述的注塑工艺故障深度学习诊断系统的控制方法,其特征在于,所述获取注塑设备模腔内的传感器时序数据,包括:

3.根据权利要求1所述的注塑工艺故障深度学习诊断系统的控制方法,其特征在于,所述将所述传感器时序数据输入预设的持续学习图神经网络模型,提取动态特征表示,包括:

4.根据权利要求1所述的注塑工艺故障深度学习诊断系统的控制方法,其特征在于,所述基于所述传感器时序数据更新所述持续学习图神经网络模型的网络权重,包括:

5.根据权利要求1所述的注塑工艺故障深度学习诊断系统的控制方法,其特征在于,所述激活预设的物理规则惩罚项,冻结所述持续学习图神经网络模型中表征所述确定性物理边界模型的浅层特征提取节点对应的部分网络权重,包括:

6.根据权利要求1所述的注塑工艺故障深度学习诊断系统的控制方法,其特征在于,在所述响应于所述物理-数据发散熵大于或等于所述发散阈值之后,还包括:

7.注塑工艺故障深度学习诊断系统,其特征在于,包括:

8.根据权利要求7所述的注塑工艺故障深度学习诊断系统,其特征在于,所述传感器时序数据为注塑模腔内的高频传感器反馈数据;所述故障诊断结果用于生成注塑过程的补偿参数。