一种基于改进MKECA方法的注塑机异常检测方法及系统

一种基于改进mkeca方法的注塑机异常检测方法及系统
技术领域
1.本发明涉及注塑机异常检测领域，更具体地，涉及一种基于改进mkeca 方法的注塑机异常检测方法及系统。


背景技术：

2.为保证高分子材料在注塑机内部顺利完成注塑过程，需要为注塑机提供苛 刻的高温、高压环境。注塑行业每年消耗大量电能，是典型的高能耗、低能效 产业。传统注塑机结构复杂，高度耦合，一旦在运行过程各种出现异常工况， 会导致注塑机功率低下，能耗激增。近年来，“智能制造”、“绿色生产”是 制造业发展的主旋律，注塑机行业也面临着产业更新换代之挑战，提高产品质 量精度、减少能源消耗、保证安全可靠生产是注塑行业的关注重点以及研究热 点。因此，采用异常检测和定位方法对注塑成型过程中的异常工况进行及时有 效的监测，对于提高注塑机智能化水平、提高企业生产效率、减少因异常工况 造成的能耗，具有重要意义。
3.在kpca的基础上，jessen提出了一种新的非线性特征提取算法——核熵 成分分析(kernel entropy component analysis，keca)，该算法从瑞丽熵损失最 小的角度提取过程变量之间的非线性特征信息，在数据结构特征提取上具有一 定的优势而引起学术界关注，并被引入间歇生产过程，即是多向核熵成分分析 方法(multi-way kernel entropy component analysis，mkeca)。研究结果表明， mkeca方法具有比mkpca方法更好的监测性能，但mkeca没有考虑到复 杂工业过程具有的多模态和非高斯特性,异常检测性能有待提高。ma根据不同 模态数据均值和标准差存在差异的特点，提出局部近邻标准化取代全局标准化 策略对数据进行预处理，一定程度上解决了复杂工业过程存在的多模态问题。 顾幸生等将局部近邻标准化(local neighbor standardization，lns)和
4.mkeca相结合进行特征提取，但其忽略了数据的非高斯特性。mkeca对 降维后的数据建立t2和q统计量进行异常检测，由于工业过程数据往往难以服 从多元正态分布，检测效果受限。
5.现有技术中公开了一种基于高斯混合模型的注塑机能耗异常检测方法及系 统，该方法具体为：通过对第一注塑机的能耗数据进行实时采集，获得第一实 时能耗数据；通过对所述第一实时能耗数据进行数据预处理，获得第二实时能 耗数据；将所述第二实时能耗数据输入高斯混合模型中进行聚类特征学习，获 得第一聚类数据集并生成第一标记训练数据集；根据所述第一标记训练数据集 进行模型训练，获得第一异常检测模型；将所述第一注塑机的第一测试训练数 据集输入所述第一异常检测模型中，获得第一输出信息。该方案的缺陷是，采 用的是对数据分布有要求的实时数据，不能解决多模态和非高斯分布特性数据 的检测问题。
6.为此，结合以上需求和现有技术缺陷，本技术提出了一种基于改进 mkeca方法的注塑机异常检测方法及系统。


技术实现要素：

7.本发明提供了一种基于改进mkeca方法的注塑机异常检测方法及系统， 能够对注塑成型过程中出现的强非线性、变量混合分布、多模态特性等数据类 型进行异常检测。
8.本发明的首要目的是为解决上述技术问题，本发明的技术方案如下：
9.本发明第一方面提供了一种基于改进mkeca方法的注塑机异常检测方法， 本方法包括以下步骤：
10.s1、收集注塑机正常工作时的数据作为训练集，对训练集数据进行预处理： 将训练集的三维数据沿批次-变量方向展开并进行局部近邻标准化，得到服从单 一模态的二维数据。
11.s2、采用核熵成分分析方法对预处理后的数据进行非线性特征提取。
12.s3、对提取的数据特征采用支持向量数据描述svdd建立包裹正常样本的 超球体，根据超球体的半径确定控制限和阈值范围。
13.s4、在线收集测试样本，对测试样本进行预处理，计算预处理后的测试样 本的统计量d，判断统计量d是否超出阈值范围，超出则视为检测到注塑机出 现异常，未超出则表明注塑机正常运行。
14.进一步的，所述训练集数据的维度包括有：时间、批次、过程；所述训练 集数据能够用三维矩阵x(i
×j×
k)表示，其中i代表生产批次，代表j过程变 量，k代表采样点。
15.进一步的，所述将训练集的三维数据沿批次-变量方向展开成二维数据的过 程，具体为：首先将注塑机正常工作时的数据x(i
×j×
k)沿批次展开为 x(i
×
(j
×
k))，对其进行局部近邻标准化化后再沿变量方向展开为二维矩阵 x((i
×
j)
×
k)。
16.其中，采用批次-变量法展开三维数据的原因是，在实际生产过程中，直接 对三维数据进行建模存在困难，因此先将三维数据利用批次-变量展开法展开为 二维数据再进行建模。
17.其中，沿批次展开后传统上使用z-score标准化处理，但由于数据注塑成 型过程是一个多工况过程，数据具有多模态特性，因此采用局部近邻标准化方 法以解决数据的多模态特性对异常检测效果的影响。
18.进一步的，进行局部近邻标准化的过程，具体为：根据欧氏距离公式得出 样本xi与训练集中其他样本的距离，并选取前k个近邻样本组成样本xi的近邻 集其次计算出样本xi近邻集n(xi)的均值和标准差，然后 再进行局部近邻标准化处理；其数学表达形式为：
[0019][0020][0021][0022]
其中，m(n(xi))表征样本xi近邻集n(xi)的均值，s(n(xi))表征样本xi近邻 集n(xi)的标准差，采用局部近邻标准化能够将不同分布、不同中心的多模态数 据聚合为离散程度
和中心近似相同的单模态数据。
[0023]
进一步的，所述步骤s2具体为：采用瑞利熵对数据信息进行定量度量，利 用均值对v(p)进行估计，能够通过样本核矩阵k求出瑞利熵h(p)，对核矩阵 k进行特征值分解并代入v(p)得到每一个特征值及对应特征向量对瑞利熵的贡 献度，将瑞利熵贡献度从大到小排序，选取前a项对应的特征向量组成投影矩 阵。
[0024]
其中，所述采用瑞利熵对数据信息进行定量度量的数学表达形式为：
[0025]
h(p)＝-log∫p2(x)dx
[0026]
v(p)＝∫p2(x)dx
[0027]
其中，h(p)为瑞利熵，p(x)为中心化后的样本x的概率密度函数，通过对 v(p)的估计能够求得瑞利熵h(p)，而p(x)则通过parzen密度估计法进行估计；
[0028][0029][0030]
其中，为p(x)的估计，xi为数据集d＝{x1,x2,...,xn}n个样本中的第i 个样本，n为样本总数，k
σ
(x,xi)为中心为σ，宽度为xi的径向基核函数；
[0031][0032]
k＝ede
t
[0033][0034][0035]
其中，为v(x)的估计，i为(n
×
1)的单位列向量，k为维数是(n
×
n) 的核矩阵，对核矩阵k进行特征值分解，其中d＝diag(λ1,...,λn)为特征值对角 阵，e＝[e1,...,en]为特征向量矩阵，将分解后的核矩阵k代入中， 代表每一个特征值及对应特征向量对瑞利熵的贡献度；
[0036][0037]
其中，将瑞利熵贡献度从大到小排序，并选取前a项对应的特征向量组成 投影矩阵，ti即为任一非线性映射样本φ(x)在特征向量ei的核熵投影。
[0038]
进一步的，步骤s3中所述采用支持向量数据描述svdd建立包裹正常样 本的超球体，具体为：将数据映射到高维特征空间，在高维特征空间构造一个 包含几乎全部目标数据的体积最小的超球体，样本落在超球体内部及表面的数 据则被认为是正常数据，落在超球体外部的数据则为异常数据；采用支持向量 数据描述svdd建立一个中心为a，半径为r的超球体，其数学表达形式为：
[0039]
[0040][0041][0042][0043]
其中，xi(i＝1,2,...,n)为目标数据，ξi是松弛变量；c为惩罚系数；通过引 入拉格朗日乘子αi、αj以及核策略，将采用svdd建立超球体的最优化问题转 化为对偶问题。
[0044]
进一步的，所述根据超球体的半径确定控制限和阈值范围具体为：
[0045][0046][0047]
d＝||z-a||2≤r2[0048]
其中，xk是支持向量，d是样本z属于目标样本集时的统计量， ||z-a||2≤r2是判断注塑机正常工作的阈值范围。
[0049]
进一步的，步骤s4中所述计算预处理后的测试样本的统计量d，具体为： 通过在主元空间和残差空间分别建立t2和q统计量，一旦t2或者q大于对应 的阈值，则说明出现异常；t2统计量和q统计量的数学表达形式为：
[0050]
t2＝[t1,t2,...ta]∧-1
[t1,t2,...ta]
t
[0051][0052]
其中，ti代表主元向量，∧-1
代表由选取的前a个特征值组成的对角阵的逆 阵；
[0053][0054][0055][0056][0057]
其中，为t2的统计量阈值，q
α
为q的统计量阈值，f
α
(a,n-a)代表 带有a和(n-k)个自由度、置信水平为α的f分布的临界值，θi、h0、c
α
为 高斯分布(1-α)％的置信限。
[0058]
本发明第二方面提供了一种基于改进mkeca方法的注塑机异常检测系统， 包括存储器、处理器，所述存储器中包括基于改进mkeca方法的注塑机异常 检测程序，所述基于改进mkeca方法的注塑机异常检测程序被所述处理器执 行时实现如下步骤：
[0059]
s1、收集注塑机正常工作时的数据作为训练集，对训练集数据进行预处理： 将训
练集的三维数据沿批次-变量方向展开成二维数据，并进行局部近邻标准化 得到服从单一模态的数据。
[0060]
s2、采用核熵成分分析方法对预处理后的数据进行非线性特征提取。
[0061]
s3、对提取的数据特征采用支持向量数据描述svdd建立包裹正常样本的 超球体，根据超球体的半径确定控制限和阈值范围。
[0062]
s4、在线收集测试样本，对测试样本进行预处理，计算预处理后的测试样 本的统计量d，判断统计量d是否超出阈值范围，超出则视为检测到注塑机出 现异常，未超出则表明注塑机正常运行。
[0063]
与现有技术相比，本发明技术方案的有益效果是：
[0064]
本发明提供了一种基于改进mkeca方法的注塑机异常检测方法及系统， 通过局部近邻标准化将多模态数据统一为单一模态，采用keca进行特征提取， 借助支持向量数据描述进行异常检测，解决了注塑机异常检测精度低的问题， 实现了对注塑成型过程中出现的强非线性、变量混合分布、多模态特性等数据 的异常检测。
附图说明
[0065]
图1为本发明一种基于改进mkeca方法的注塑机异常检测方法的流程图。
[0066]
图2为本发明一个实施例中三维数据的展开过程。
[0067]
图3为本发明一个实施例中svdd模型的示意图。
[0068]
图4为本发明一种基于改进mkeca方法的注塑机异常检测系统的示意图。
[0069]
图5-图6为本发明一个实施例中mkeca算法对异常1的检测结果。
[0070]
图7-图8为本发明一个实施例中mkeca-svdd算法对异常1的检测结果。
[0071]
图9为本发明一个实施例中lns-mkeca-svdd算法对异常1的检测结果。
[0072]
图10-图11为本发明一个实施例中mkeca算法对异常2的检测结果。
[0073]
图12-图13为本发明一个实施例中mkeca-svdd算法对异常2的检测结 果。
[0074]
图14为本发明一个实施例中lns-mkeca-svdd算法对异常2的检测结 果。
[0075]
图15-图16为本发明一个实施例中mkeca算法对异常3的检测结果。
[0076]
图17-图18为本发明一个实施例中mkeca-svdd算法对异常3的检测结 果。
[0077]
图19为本发明一个实施例中lns-mkeca-svdd算法对异常3的检测结 果。
具体实施方式
[0078]
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和 具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情 况下，本技术的实施例及实施例中的特征可以相互组合。
[0079]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发 明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范 围并不受下面公开的具体实施例的限制。
[0080]
实施例1
[0081]
如图1所示，本发明提供了一种基于改进mkeca方法的注塑机异常检测 方法，本方法包括以下步骤：
[0082]
s1、收集注塑机正常工作时的数据作为训练集，对训练集数据进行预处理： 将训练集的三维数据沿批次-变量方向展开并进行局部近邻标准化，得到服从单 一模态的二维数据。
[0083]
s2、采用核熵成分分析方法对预处理后的数据进行非线性特征提取。
[0084]
s3、对提取的数据特征采用支持向量数据描述svdd建立包裹正常样本的 超球体，根据超球体的半径确定控制限和阈值范围。
[0085]
s4、在线收集测试样本，对测试样本进行预处理，计算预处理后的测试样 本的统计量d，判断统计量d是否超出阈值范围，超出则视为检测到注塑机出 现异常，未超出则表明注塑机正常运行。
[0086]
进一步的，所述训练集数据的维度包括有：时间、批次、过程；所述训练 集数据能够用三维矩阵x(i
×j×
k)表示，其中i代表生产批次，代表j过程变 量，k代表采样点。
[0087]
进一步的，所述将训练集的三维数据沿批次-变量方向展开成二维数据的过 程，如图2所示，具体为：首先将注塑机正常工作时的数据x(i
×j×
k)沿批次 展开为x(i
×
(j
×
k))，对其进行局部近邻标准化化后再沿变量方向展开为二维 矩阵x((i
×
j)
×
k)。
[0088]
其中，采用批次-变量法展开三维数据的原因是，在实际生产过程中，直接 对三维数据进行建模存在困难，因此先将三维数据利用批次-变量展开法展开为 二维数据再进行建模。
[0089]
其中，沿批次展开后传统上使用z-score标准化处理，但由于数据注塑成 型过程是一个多工况过程，数据具有多模态特性，因此采用局部近邻标准化方 法以解决数据的多模态特性对异常检测效果的影响。
[0090]
进一步的，进行局部近邻标准化的过程，具体为：根据欧氏距离公式得出 样本xi与训练集中其他样本的距离，并选取前k个近邻样本组成样本xi的近邻 集其次计算出样本xi近邻集n(xi)的均值和标准差，然后 再进行局部近邻标准化处理；其数学表达形式为：
[0091][0092][0093][0094]
其中，m(n(xi))表征样本xi近邻集n(xi)的均值，s(n(xi))表征样本xi近邻 集n(xi)的标准差，采用局部近邻标准化能够将不同分布、不同中心的多模态数 据聚合为离散程度和中心近似相同的单模态数据。
[0095]
进一步的，所述步骤s2具体为：采用瑞利熵对数据信息进行定量度量，利 用均值对v(p)进行估计，能够通过样本核矩阵k求出瑞利熵h(p)，对核矩阵 k进行特征值分解并代入v(p)得到每一个特征值及对应特征向量对瑞利熵的贡 献度，将瑞利熵贡献度从大到小排序，选取前a项对应的特征向量组成投影矩 阵。
[0096]
其中，所述采用瑞利熵对数据信息进行定量度量的数学表达形式为：
[0097]
h(p)＝-log∫p2(x)dx
[0098]
v(p)＝∫p2(x)dx
[0099]
其中，h(p)为瑞利熵，p(x)为中心化后的样本x的概率密度函数，通过对 v(p)的估计能够求得瑞利熵h(p)，而p(x)则通过parzen密度估计法进行估计；
[0100][0101][0102]
其中，为p(x)的估计，xi为数据集d＝{x1,x2,...,xn}n个样本中的第i 个样本，n为样本总数，k
σ
(x,xi)为中心为σ，宽度为xi的径向基核函数；
[0103][0104]
k＝ede
t
[0105][0106][0107]
其中，为v(x)的估计，i为(n
×
1)的单位列向量，k为维数是(n
×
n) 的核矩阵，对核矩阵k进行特征值分解，其中d＝diag(λ1,
…
,λn)为特征值对角 阵，e＝[e1,
…
,en]为特征向量矩阵，将分解后的核矩阵k代入中， 代表每一个特征值及对应特征向量对瑞利熵的贡献度；
[0108][0109]
其中，将瑞利熵贡献度从大到小排序，并选取前a项对应的特征向量组成 投影矩阵，ti即为任一非线性映射样本φ(x)在特征向量ei的核熵投影。
[0110]
进一步的，步骤s3中所述采用支持向量数据描述svdd建立包裹正常样 本的超球体，如图4所示，具体为：将数据映射到高维特征空间，在高维特征 空间构造一个包含几乎全部目标数据的体积最小的超球体，样本落在超球体内 部及表面的数据则被认为是正常数据，落在超球体外部的数据则为异常数据； 采用支持向量数据描述svdd建立一个中心为a，半径为r的超球体，其数学 表达形式为：
[0111][0112][0113]
[0114][0115]
其中，xi(i＝1,2,...,n)为目标数据，ξi是松弛变量；c为惩罚系数；通过引 入拉格朗日乘子αi、αj以及核策略，将采用svdd建立超球体的最优化问题转 化为对偶问题。
[0116]
其中，svdd适用于不均衡数据的异常检测，不要求数据服从高斯分布， 并且其结构的监控统计量对异常比较敏感，因此采用svdd进行异常检测。
[0117]
进一步的，所述根据超球体的半径确定控制限和阈值范围具体为：
[0118][0119][0120]
d＝||z-a||2≤r2[0121]
其中，xk是支持向量，d是样本z属于目标样本集时的统计量， ||z-a||2≤r2是判断注塑机正常工作的阈值范围。
[0122]
进一步的，步骤s4中所述计算预处理后的测试样本的统计量d，具体为： 通过在主元空间和残差空间分别建立t2和q统计量，一旦t2或者q大于对应 的阈值，则说明出现异常；t2统计量和q统计量的数学表达形式为：
[0123]
t2＝[t1,t2,...ta]∧-1
[t1,t2,...ta]
t
[0124][0125]
其中，ti代表主元向量，∧-1
代表由选取的前a个特征值组成的对角阵的逆 阵；
[0126][0127][0128][0129][0130]
其中，为t2的统计量阈值，q
α
为q的统计量阈值，f
α
(a,n-a)代表 带有a和(n-k)个自由度、置信水平为α的f分布的临界值，θi、h0、c
α
为 高斯分布(1-α)％的置信限。
[0131]
实施例2
[0132]
如图4所示，本发明还提供了一种基于改进mkeca方法的注塑机异常检 测系统，所述存储器中包括基于改进mkeca方法的注塑机异常检测程序，所 述基于改进mkeca方法的注塑机异常检测真程序被所述处理器执行时实现如 下步骤：
[0133]
s1、收集注塑机正常工作时的数据作为训练集，对训练集数据进行预处理： 将训练集的三维数据沿批次-变量方向展开成二维数据，并进行局部近邻标准化 得到服从单一
模态的数据。
[0134]
s2、采用核熵成分分析方法对预处理后的数据进行非线性特征提取。
[0135]
s3、对提取的数据特征采用支持向量数据描述svdd建立包裹正常样本的 超球体，根据超球体的半径确定控制限和阈值范围。
[0136]
s4、在线收集测试样本，对测试样本进行预处理，计算预处理后的测试样 本的统计量d，判断统计量d是否超出阈值范围，超出则视为检测到注塑机出 现异常，未超出则表明注塑机正常运行。
[0137]
进一步的，所述训练集数据的维度包括有：时间、批次、过程；所述训练 集数据能够用三维矩阵x(i
×j×
k)表示，其中i代表生产批次，代表j过程变 量，k代表采样点。
[0138]
进一步的，所述将训练集的三维数据沿批次-变量方向展开成二维数据的过 程，具体为：首先将注塑机正常工作时的数据x(i
×j×
k)沿批次展开为 x(i
×
(j
×
k))，对其进行局部近邻标准化化后再沿变量方向展开为二维矩阵 x((i
×
j)
×
k)。
[0139]
其中，采用批次-变量法展开三维数据的原因是，在实际生产过程中，直接 对三维数据进行建模存在困难，因此先将三维数据利用批次-变量展开法展开为 二维数据再进行建模。
[0140]
其中，沿批次展开后传统上使用z-score标准化处理，但由于数据注塑成 型过程是一个多工况过程，数据具有多模态特性，因此采用局部近邻标准化方 法以解决数据的多模态特性对异常检测效果的影响。
[0141]
进一步的，进行局部近邻标准化的过程，具体为：根据欧氏距离公式得出 样本xi与训练集中其他样本的距离，并选取前k个近邻样本组成样本xi的近邻 集其次计算出样本xi近邻集n(xi)的均值和标准差，然后 再进行局部近邻标准化处理；其数学表达形式为：
[0142][0143][0144][0145]
其中，m(n(xi))表征样本xi近邻集n(xi)的均值，s(n(xi))表征样本xi近邻 集n(xi)的标准差，采用局部近邻标准化能够将不同分布、不同中心的多模态数 据聚合为离散程度和中心近似相同的单模态数据。
[0146]
进一步的，所述步骤s2具体为：采用瑞利熵对数据信息进行定量度量，利 用均值对v(p)进行估计，能够通过样本核矩阵k求出瑞利熵h(p)，对核矩阵 k进行特征值分解并代入v(p)得到每一个特征值及对应特征向量对瑞利熵的贡 献度，将瑞利熵贡献度从大到小排序，选取前a项对应的特征向量组成投影矩 阵。
[0147]
其中，所述采用瑞利熵对数据信息进行定量度量的数学表达形式为：
[0148]
h(p)＝-log∫p2(x)dx
[0149]
v(p)＝∫p2(x)dx
[0150]
其中，h(p)为瑞利熵，p(x)为中心化后的样本x的概率密度函数，通过对 v(p)的估计能够求得瑞利熵h(p)，而p(x)则通过parzen密度估计法进行估计；
[0151][0152][0153]
其中，为p(x)的估计，xi为数据集d＝{x1,x2,...,xn}n个样本中的第i 个样本，n为样本总数，k
σ
(x,xi)为中心为σ，宽度为xi的径向基核函数；
[0154][0155]
k＝ede
t
[0156][0157][0158]
其中，为v(x)的估计，i为(n
×
1)的单位列向量，k为维数是(n
×
n) 的核矩阵，对核矩阵k进行特征值分解，其中d＝diag(λ1,...,λn)为特征值对角 阵，e＝[e1,...,en]为特征向量矩阵，将分解后的核矩阵k代入中， 代表每一个特征值及对应特征向量对瑞利熵的贡献度；
[0159][0160]
其中，将瑞利熵贡献度从大到小排序，并选取前a项对应的特征向量组成 投影矩阵，ti即为任一非线性映射样本φ(x)在特征向量ei的核熵投影。
[0161]
进一步的，步骤s3中所述采用支持向量数据描述svdd建立包裹正常样 本的超球体，具体为：将数据映射到高维特征空间，在高维特征空间构造一个 包含几乎全部目标数据的体积最小的超球体，样本落在超球体内部及表面的数 据则被认为是正常数据，落在超球体外部的数据则为异常数据；采用支持向量 数据描述svdd建立一个中心为a，半径为r的超球体，其数学表达形式为：
[0162][0163][0164][0165][0166]
其中，xi(i＝1,2,...,n)为目标数据，ξi是松弛变量；c为惩罚系数；通过引 入拉格
朗日乘子αi、αj以及核策略，将采用svdd建立超球体的最优化问题转 化为对偶问题。
[0167]
进一步的，所述根据超球体的半径确定控制限和阈值范围具体为：
[0168][0169][0170]
d＝||z-a||2≤r2[0171]
其中，xk是支持向量，d是样本z属于目标样本集时的统计量， ||z-a||2≤r2是判断注塑机正常工作的阈值范围。
[0172]
进一步的，步骤s4中所述计算预处理后的测试样本的统计量d，具体为： 通过在主元空间和残差空间分别建立t2和q统计量，一旦t2或者q大于对应 的阈值，则说明出现异常；t2统计量和q统计量的数学表达形式为：
[0173]
t2＝[t1,t2,...ta]∧-1
[t1,t2,...ta]
t
[0174][0175]
其中，ti代表主元向量，∧-1
代表由选取的前a个特征值组成的对角阵的逆 阵；
[0176][0177][0178][0179][0180]
其中，为t2的统计量阈值，q
α
为q的统计量阈值，f
α
(a,n-a)代表 带有a和(n-k)个自由度、置信水平为α的f分布的临界值，θi、h0、c
α
为 高斯分布(1-α)％的置信限。
[0181]
实施例3
[0182]
基于上述实施例1，结合图5-图19，本实施例中采用h企业注塑成型过程 中采集的实际数据作为训练集和测试集，选择rs485作为传输介质，数据通信 协议采用modbus，详细阐述本方法对于注塑机料筒温度异常和模具型腔压力异 常、螺杆转速异常三种典型的注塑机异常数据的检测效果。
[0183]
在一个具体的实施例中，选择包括温度、压力、螺杆转速等共13个变量用 于过程建模，数据为24s内采集，传感器采样周期为20ms，采集30个正常批 次作为模型的训练集建立异常检测模型，每个批次包括13个变量，1200个采 样点，构成三维数据训练集x(30
×
13
×
1200)。三种注塑机典型异常的详细情 况如下表所示：
[0184][0185][0186]
通过误报率far和检出率fdr对比各个算法的异常检测性能，其中far 和fdr的定义分别如下：
[0187][0188][0189]
由定义可知，far的值越小说明异常检测算法性能越好，fdr越大说明异 常检测算法性能越好。
[0190]
如图5-图9所示，为三种不同方法对异常1的检测结果，mkeca以及 mkeca-svdd算法采用t2和q统计量监控注塑过程，lns-mkeca-svdd采 用d统计量进行过程监控。根据核熵贡献率选取mkeca算法的主元个数是6， 核函数采用高斯核函数，核宽为250，lns的局部近邻数k取值15，各图中平 行虚线代表95％置信度的阈值。异常1在300～700样本点由于温度传感器故障 导致温度测量值发生阶跃型跳变。通过对比发现，q统计量比t2对异常工况更 为敏感，mkeca算法的q统计量虽然在异常1发生时能够及时检测出异常， 但在正常工况时，存在误报情况，而t2统计量对异常比较迟钝，在异常发生阶 段漏报率较高；lns-mkeca算法考虑到对多模态数据的单模态处理，检测性 能有所提升，但在正常阶段亦存在较多误报；lns-mkeca-svdd对异常1的 检测性能相比另外两种算法更好。
[0191]
如图10-图14所示，为各算法对异常2的对比检测结果，异常在800～1200 样本点引入，各算法超参数设置同上，对比检测结果可知，三种算法在异常发 生阶段都能检测到异常情况的发生，但是在q统计量的监测图中，mkeca和 lns-mkeca算法均在第200个样本点前后出现较多误报，而t2统计量对异常 不敏感导致异常检测效果并不理想，虽然三种算法对异常2的检测率都比较高， 但综合考虑，lns-mkeca-svdd算法只有0.063％的误报率，相比另外两种算 法综合性能更好。
[0192]
如图15-图19所示，为三种算法对异常3的检测结果，异常在500样本点 引入，在第900样本点结束，同样用以上种算法进行对比实验，各算法结果表 明，以上三种算法均能实现对异常3的检测，但mkeca算法由于没有考虑注 塑过程数据存在的多模态和非高斯分布特性，检测效率并不理想，而lns
‑ꢀ
mkeca算法虽然将多模态数据融合为单一模态，但由于有的数据并不符合非 高斯分布，导致其误报率较高，而lns-mkeca-svdd综合考虑了数据存在的 多模态和非高斯分布特性，采用对数据分布没有要求的svdd进行检测，检测 效率更为理想，相比mkeca和lns-mkeca算法，本文所提算法具有更高的 检测精度，更低的漏报率和误报率。
[0193]
以上三种算法对三类异常的检测结果数值表如下所示：
[0194][0195]
其中，对于同一组异常测试数据集，本文所提出算法在异常检出率、异常 误报率评价指标上都比单独的mkeca算法和lns-mkeca算法有优势。
[0196]
以上三种算法的时间复杂度量化对比结果如下表所示：
[0197][0198][0199]
其中，由表可知，各算法时间复杂度相差不大，均能较快完成异常识别， 其中lns-mkeca-svdd的平均计算时间相比mkeca多了1.87s，比lns
‑ꢀ
mkeca算法运行时间多了0.55s，其运算效率虽然没有优势，但综合表6-2的 检测结果来看，lns-mkeca-svdd算法在异常检测效率方面具有较大优势。
[0200]
附图中描述结构位置关系的图标仅用于示例性说明，不能理解为对本专利 的限制。
[0201]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并 非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述 说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有 的实施方式予以穷举。凡在本
发明的精神和原则之内所作的任何修改、等同替 换和改进等，均应包含在本发明权利要求的保护范围之内。