CN111967489B - 一种基于质量数据流形特征的制造过程异常监测方法 - Google Patents

一种基于质量数据流形特征的制造过程异常监测方法 Download PDF

Info

Publication number
CN111967489B
CN111967489B CN202010601588.1A CN202010601588A CN111967489B CN 111967489 B CN111967489 B CN 111967489B CN 202010601588 A CN202010601588 A CN 202010601588A CN 111967489 B CN111967489 B CN 111967489B
Authority
CN
China
Prior art keywords
data
matrix
monitoring
manufacturing process
process data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010601588.1A
Other languages
English (en)
Other versions
CN111967489A (zh
Inventor
张发平
张家伦
阎艳
武锴
张云贺
李伊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202010601588.1A priority Critical patent/CN111967489B/zh
Publication of CN111967489A publication Critical patent/CN111967489A/zh
Application granted granted Critical
Publication of CN111967489B publication Critical patent/CN111967489B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明公开的一种基于质量数据流形特征的制造过程异常监测方法，属于制造过程监控领域。本发明利用传感设备获取训练过程数据，考虑寻求数据方差最大低维表征，获取训练过程数据集的全局特征矩阵G；考虑局部结构的保持，利用基于流形距离的K近邻法划分邻域，获取训练过程数据集的局部特征矩阵L，将全局特征与局部特征相融合，获得降维矩阵P。融合机理模型与测量数据获得过程数据参考值后构建过程数据残差，根据过程数据残差计算监测统计量及其控制限。当发现异常后，结合预设的已知异常模式下的监测统计量，利用贝叶斯推断确定异常模式，实现异常分离，即基于质量数据流形特征实现制造过程异常监测。本发明具备客观性更强、准确性更高、更全面的优点。

Description

一种基于质量数据流形特征的制造过程异常监测方法
技术领域
本发明属于制造过程监控领域，涉及一种基于质量数据流形特征的制造过程异常监测方 法。
背景技术
近年来，随着制造水平及传感技术的发展，现代制造逐渐呈现出高品质、小批量和高个 性化的特点，并且追求生产过程零缺陷来最大限度地提高产品质量和合格率。因此，对制造 过程进行监控，监测加工过程中的意外异常尤为重要。一般而言常见的基于流形的制造过程 监测方法分为数据降维、数据特征融合、计算监测统计量、在线监测四个步骤，但是这些方 法在这四个步骤中存在不同程度的不足，导致监测不准确的问题。具体来说：
现有的利用于基于流形的制造过程监测的数据降维方法通常利用流形学习进行降维。在 流形学习中利用K近邻法划分邻域是关键的一步，虽然考虑了数据的局部特征，但是也存在 一个问题：普通的K近邻方法基于欧式距离划分邻域。当在进行离线建模的过程中，过程数 据可能由于噪声等不稳定因素，导致数据发生变异，利用欧式距离可能会导致相似度高的数 据点并不能处在相同的邻域，造成鲁棒性降低，如图2所示。
在获取数据集的局部特征、全局特征后，需要对两数据特征进行融合。现有方法通常对 两数据特征分配调节参数后进行线性相加。而调节参数的确定涉及到局部特征、全局特征在 最终降维结果中的影响程度，该系数目前的确定方法大多需要进行多次试验后进行确定，严 重影响降维效果与计算效率。
当制造过程发生异常时，必然会引起加工数据的变动，为识别加工数据引起的数据特征 的变化，需要构建监测统计量。目前监测统计量均基于降维后的数据直接构建，然而监测统 计量基于的高斯假设不易满足，导致监控效果不理想。
对制造过程监测的目的是及时监测到异常并分离异常，从而修复异常，保证制造过程的 平稳运行。目前的制造过程监测方法仅仅利用监测统计量监测到异常，而没有对异常进行分 离。
发明内容
相较于其他传统的制造过程监测方法，本发明公开的一种基于质量数据流形特征的制造 过程异常监测方法要解决的技术问题是：基于质量数据流形特征实现制造过程异常监测，具 备客观性更强、准确性更高、更全面的优点。
本发明的目的是通过下述技术方案实现的：
本发明公开的一种基于质量数据流形特征的制造过程异常监测方法，利用传感设备获取 训练过程数据后，考虑寻求数据方差最大的低维表征，获取训练过程数据集的全局特征矩阵 G；考虑局部结构的保持，利用基于流形距离的K近邻法划分邻域，获取训练过程数据集的 局部特征矩阵L，并将全局特征与局部特征相融合，获得降维矩阵P。利用机理模型与测量 数据相融合的方法获得过程数据参考值后构建过程数据残差，并根据过程数据残差计算监测 统计量及其控制限，实现制造过程的异常监控。当发现异常后，结合预设的已知异常模式下 的监测统计量，利用贝叶斯推断方法确定异常模式，实现异常分离，即基于质量数据流形特 征实现制造过程异常监测。
本发明公开的一种基于质量数据流形特征的制造过程异常监测方法，包括如下步骤：
步骤一：利用传感设备获取训练过程数据，对所述训练过程数据进行归一化处理，构成 训练过程数据集Xtrain＝[x1,x2,…,xn]，其中n为测量次数；xi∈Rm,i＝1,2,…,n为第i次测 量获得的过程数据组成的列向量；m为每次测量的加工状态数据个数。
步骤二：考虑寻求数据方差最大的低维表征，获取训练过程数据集的全局特征矩阵G； 考虑局部结构的保持，利用基于流形距离的K近邻法划分邻域，获取训练过程数据集的局部 特征矩阵L，即基于流形距离的K近邻法将流形距离替代欧氏距离，防止由于噪声导致原始 数据空间相距较远的数据点划分至同一邻域，有利于提高邻域划分的准确性，便于提高步骤 三中降维矩阵P的精度，提高降维的鲁棒性。
步骤2.1：考虑寻求数据方差最大的低维表征，获取训练过程数据集的全局特征矩阵G。
为使降维后的数据集与原始数据集具有相似的外形，利用主成分分析方法，寻求数据方 差最大的低维表征，即寻求映射w1使全局目标函数Jg(w1)最大化：
Figure BDA0002558713270000021
其中
Figure BDA0002558713270000022
为训练过程数据集Xtrain的协方差矩阵。
定义矩阵G为训练过程数据集的全局数据特征矩阵。
步骤2.2：考虑局部结构的保持，利用基于流形距离的K近邻法划分邻域，获取训练过 程数据集的局部特征矩阵L。
首先，利用基于流形距离的K近邻法划分邻域。利用基于流形距离的K近邻法防止由于 噪声导致原始数据空间相距较远的数据点划分至同一邻域，提高邻域划分的准确性。
计算所有数据点之间的流形距离，选取与测量点xi最近的K个数据点，构成邻域NK(xi)。
流形距离获取方法如下：
将数据点看作是图Q＝(V,E)的顶点，V是顶点集合，E是边集，Pi,j为图上连接数据点xi与 xj所有路径的集合，Pk,k＝1,2,…,K为连接数据点xi与xj所经过的数据点，则xi与xj之间的流 形距离通过下式计算：
Figure BDA0002558713270000031
其中MD(xi,xj)为xi与xj之间的流形距离；p∈Pi,j；
Figure BDA0002558713270000032
dist(Pk,Pk+1)为Pk与Pk+1之间的欧氏距离，ρ>0为伸缩因子。/>
构建相似度矩阵：
Figure BDA0002558713270000033
其中Sij为邻域内观察的xi,xj之间的相似度，t为调节参数。
寻求映射w2使局部目标函数Jl(w)最小化：
Figure BDA0002558713270000034
其中D为n×n的对角矩阵，Dii＝∑jSij；S为Sij构成的矩阵；
Figure BDA0002558713270000035
定义矩阵L为训练过程数据集的局部数据特征矩阵。
步骤2.1与2.2得到训练过程数据集的全局数据特征矩阵G与局部数据特征矩阵L。
步骤三：基于特征矩阵谱半径分析法确定调节参数η，进行局部特征与全局特征的融合， 获得过程数据集的降维矩阵P。基于特征矩阵谱半径分析法确定调节参数η能够降低调节参 数η确定过程计算量，提高调解参数η确定精度，且调节参数η客观性强。
步骤3.1：基于特征矩阵谱半径分析方法确定调节参数η。
将Sg和Sl分别定义为矩阵G与矩阵L的谱半径。为统一全局与局部数据特征，令
ηSg＝(1-η)Sl
调节参数η由下式计算：
Figure BDA0002558713270000036
即基于特征矩阵谱半径分析确定调节参数η。
步骤3.2：对训练数据集的局部特征与全局特征进行融合，获得过程数据集的降维矩阵P。
为有效提取制造过程数据的内蕴信息，需找到一个融合局部信息、全局信息的映射w， 将高维数据投影到低维空间。寻求最优映射的问题通过最大化以下目标函数求得：
J(w)＝ηJg(w)-(1-η)Jl(w)
令特征向量w＝{I1,I2,…,Im}为上式的解，并且其特征值分别为λ1,λ2,…λm，通过比较特 征值的大小，将特征向量进行排序，保留前l(l<m)个特征向量，构成降维矩阵P∈Rm ×l。
即获得过程数据集的降维矩阵P。
利用步骤3.1与3.2，获得调节参数η、融合局部信息与全局信息的降维矩阵P。
步骤四：利用机理模型与测量数据相融合的方法获得过程数据参考值。预设已知异常情 况相对应的模型，并利用所述模型采集已知异常模式过程数据，结合过程数据参考值计算已 知异常模式过程数据残差，并计算监测统计量。利用残差计算监测统计量能够改善监测统计 量计算过程中高斯假设不足的问题，提高监测精度。
作为优选，步骤四中监测统计量包括
Figure BDA0002558713270000041
与SPEf。
步骤4.1：利用机理模型与测量数据相融合的方法获得过程数据参考值
Figure BDA0002558713270000042
/>
Figure BDA0002558713270000043
为提高建模精度，对相同加工状态下的测量数据进行加权处理。相同加工状态下q次测 量数据为X＝{x1,x2,…,xq}，其中
Figure BDA0002558713270000044
为第c次测量的m种加工 状态数据组成的数据集；利用该状态下的机理模型获得仿真数据
Figure BDA0002558713270000045
过程数 据参考值计算方法如下：
各测量点的中值差Δxc为：
Figure BDA0002558713270000046
则各测量数据的权值pi为
Figure BDA0002558713270000047
则
Figure BDA0002558713270000048
即获得融合机理模型与测量数据的过程数据参考值
Figure BDA0002558713270000049
步骤4.2：计算已知异常模式数据残差矩阵。
已知异常模式有F(F>0)种，则在第f(f＝1,2,…,F)种异常模式下，采集q组数据并进行 归一化处理，形成已知异常模式数据集Xf＝[xf,1,xf,2,…,xf,q]
计算已知异常模式数据残差矩阵Cf
Cf＝Xf-x0
即获得已知异常模式数据残差Cf。
步骤4.3：计算每种异常模式下的监测统计量。
对于预设的已知异常模式数据残差矩阵Cf，
Figure BDA00025587132700000410
统计量计算公式如下：
Figure BDA0002558713270000051
其中Λ为步骤3.2中前l个特征值组成的对角矩阵；
Figure BDA0002558713270000052
为矩阵
Figure BDA0002558713270000053
中元 素的均值。
对于预设的已知异常模式数据残差矩阵Cf，SPEnef统计量计算公式如下：
Figure BDA0002558713270000054
其中
Figure BDA0002558713270000055
为矩阵/>
Figure BDA0002558713270000056
中元素的均值。
即得到第f种异常模式下的监测统计量
Figure BDA0002558713270000057
和SPEnef。
重复步骤4.2与4.3，计算F种已知异常模式下的监测统计量。
即获得每种异常模式下的监测统计量
步骤五：计算监测统计量的控制限。
作为优选，步骤四监测统计量包括
Figure BDA0002558713270000058
与SPEnew，对应监测统计量的控制限为Tα与Qα。
Figure BDA0002558713270000059
统计量的控制限计算公式如下：
Figure BDA00025587132700000510
其中，l为降维矩阵P的列数，n为训练过程数据的测量次数，1-α为置信度；Fα(l,n-l) 是服从第一自由度为l，第二自由度为n-l的F分布。
SPEnew统计量控制限计算公式如下：
Figure BDA00025587132700000511
其中：
Figure BDA00025587132700000512
Figure BDA00025587132700000513
vα为标准正态分布的置信极限，满足如下公式：
Figure BDA00025587132700000514
即得到监测统计量的控制限Tα和Qα。
步骤六：对制造过程进行实时监控。利用传感设备获取制造过程的实时数据，对所述实 时数据进行数据集的归一化处理，得到实时数据xnew，计算实时数据残差cnew，并计算监测 统计量。利用所述监测统计量与步骤五中获得的监测统计量控制限进行比较，若两个监测统 计量均未超出限制则制造过程无异常，反之有异常。
作为优选，步骤六监测统计量包括
Figure BDA0002558713270000061
与SPEnew。
步骤6.1：计算监测统计量包括
Figure BDA0002558713270000062
与SPEnew。
计算实时数据残差cnew：
cnew＝xnew-x0
计算监测统计量
Figure BDA0002558713270000063
与SPEnew
Figure BDA0002558713270000064
Figure BDA0002558713270000065
步骤6.2：判定制造过程是否发生异常。
若
Figure BDA0002558713270000066
并且SPEnew≤Qα，则制造过程无异常发生；反之，制造过程发生异常。
步骤七：在发现异常后，将步骤六出现的异常模式与步骤四中预设的异常模式对比，并 通过贝叶斯推理方法计算步骤六中出现的异常模式对应步骤四中预设的异常模式的概率值。
根据贝叶斯推理，步骤六中出现的异常模式属于步骤四中预设的异常模式中第f种的后验 概率由下式计算：
Figure BDA0002558713270000067
其中P(i)是每种异常模式的先验概率，根据历史发生异常情况的频率确定或分配相同值； P(Cnew|f)是每种特定异常模式下异常数据样本的条件概率，并由下式计算：
Figure BDA0002558713270000068
Figure BDA0002558713270000069
Figure BDA00025587132700000610
其中0≤ω≤1是T2和SPE统计信息之间的加权参数。
即获得步骤六中出现的异常模式对应步骤五中预设的异常模式的概率值。
步骤八：依据步骤七中各预设异常模式的概率值确定步骤六中异常的异常模式，实现基 于质量数据流形特征的制造过程异常监测。
有益效果：
1、本发明公开的一种基于质量数据流形特征的制造过程异常监测方法，将流形距离、特 征矩阵谱半径分析应用于制造过程数据的特征提取；将残差应用于监测统计量的构建；将贝 叶斯推断应用于异常诊断，能够克服现有技术制造过程监测方法存在的参数选择的客观性不 强、监控不全面、鲁棒性低等问题，因此，本发明具有客观性更强、准确性更高、更全面的 优点。
2、本发明公开的一种基于质量数据流形特征的制造过程异常监测方法，基于流形距离的 K近邻邻域划分方式相较于传统K近邻划分方式，将流形距离替代欧氏距离，防止由于噪声 导致原始数据空间相距较远的数据点划分至同一邻域，提高邻域划分的准确性，进而提高降 维的鲁棒性。
3、传统调节参数η通过交叉验证、经验判断等方式进行确定，计算量大、主观性强、对 于经验依赖较高。本发明公开的一种基于质量数据流形特征的制造过程异常监测方法，基于 特征矩阵谱半径分析法确定调节参数η，进行局部特征与全局特征的融合，获得过程数据集的 降维矩阵，实现过程数据集的降维。基于特征矩阵谱半径分析确定调节参数能够降低调节参 数确定过程计算量，提高调解参数确定精度，且调节参数客观性强。
4、本发明公开的一种基于质量数据流形特征的制造过程异常监测方法，利用正常工况下 的多组过程数据集获得过程数据参考值，并对过程数据集进行处理得到制造过程数据的残差。 根据已知异常模式数据残差构造已知异常模式的监测统计量，根据实时数据残差计算实时监 测统计量。利用残差构建监测统计量能够改善监测统计量构建过程中高斯假设不足的问题， 提高监测精度。
附图说明
图1为本发明公开的一种基于质量数据流形特征的制造过程异常监测方法流程图；
图2为基于流形距离的邻域划分方法与基于欧式距离的邻域划分方法对比图；
图3为金属带材卷成管件示意图；
图4为本发明方法对制造过程的监测结果图；
图5为PCA法对制造过程的监测结果图；
图6为所发现的异常为各个已知异常的概率示意图。
具体实施方式
为了更好的说明本发明的目的和优点，下面结合附图和实施例对本发明作进一步说明。
实施例1：
在航空航天领域中，在轨建造技术通过基元的在轨原位制造及在轨装配完成超大型空间 ***的在轨建造。卫星超长基天线在轨建造技术，需要利用金属带材卷成管件，如图3所示， 装配成天线支架，进而安装天线。管件的制造精度与制造稳定性对天线支架精度具有巨大的 影响。准确地监控制造过程是否发生异常，并对异常模式进行识别，为制造过程地控制提供 基础是具有重要意义的。本发明以金属带材卷成管件制造过程为例进行了理论验证。通过与 PCA监测方法进行对比验证本发明的准确性。
如图1所示，本实施例公开的一种基于质量数据流形特征的制造过程异常监测方法，具 体实现步骤如下：
步骤一：利用传感设备获取100组正常工作状态下金属带材卷成管件制造过程数据作为 训练过程数据，其中每组数据包含5种加工状态数据，对所述训练过程数据进行归一化处理， 构成训练过程数据集Xtrain＝[x1,x2,…,x100]；xi∈R5,i＝1,2,…,100为第i次测量获得的过程 数据组成的列向量。
步骤二：考虑寻求数据方差最大的低维表征，获取训练过程数据集的全局特征矩阵G； 考虑局部结构的保持，利用基于流形距离的K近邻划分方法，获取训练过程数据集的局部特 征矩阵L，即基于流形距离的K近邻划分方法将流形距离替代欧氏距离，防止由于噪声导致 原始数据空间相距较远的数据点划分至同一邻域，有利于提高邻域划分的准确性，便于提高 步骤三中降维矩阵P的精度，提高降维的鲁棒性。
步骤2.1：考虑寻求训练过程数据方差最大的低维表征，获取训练过程数据集的全局特征 矩阵G。
Figure BDA0002558713270000081
步骤2.2：考虑训练过程数据局部结构的保持，利用基于流形距离的K近邻划分方法， 获取训练过程数据集的局部特征矩阵L。
利用流形距离的K近邻划分方法划分局部区域：
Figure BDA0002558713270000082
其中K＝7；t＝2。
计算训练过程数据集的局部特征矩阵L：
Figure BDA0002558713270000083
其中：MD(xi,xj)为xi与xj的流形距离；D为100×100的对角矩阵，Dii＝∑jSij；S为Sij构成的矩阵；
步骤三：基于特征矩阵谱半径分析法确定调节参数η，进行局部特征与全局特征的融合， 获得过程数据集的降维矩阵P。基于特征矩阵谱半径分析法确定调节参数η能够降低调节参 数η确定过程计算量，提高调解参数η确定精度，且调节参数η客观性强。
步骤3.1：基于特征矩阵谱半径分析法确定调节参数η。
Figure BDA0002558713270000091
Sg和Sl分别定义为矩阵G与矩阵L的谱半径。
即求得调节参数η＝0.62
步骤3.2：获得过程数据集的降维矩阵P。
最大化以下目标函数求得：
J(w)＝ηJg(w)-(1-η)Jl(w)
特征向量w＝{I1；I1；…；I5}为上式的解，并且其特征值分别为λ1,λ2,…λ5，通过比较特 征值的大小，将特征向量进行排序，保留前3个特征向量，构成降维矩阵P∈R5×3。
即求得降维矩阵P:
Figure BDA0002558713270000092
步骤四：利用机理模型与测量数据相融合的方法获得过程数据参考值。预设已知异常情 况相对应的模型，并利用所述模型采集已知异常模式过程数据，结合过程数据参考值计算已 知异常模式过程数据残差，并构建监测统计量。利用残差构建监测统计量能够改善监测统计 量构建过程中高斯假设不足的问题，提高监测精度。
步骤4.1：利用机理模型与测量数据相融合的方法获得过程数据参考值
Figure BDA0002558713270000093
步骤4.2：金属带材卷成管件制造过程的已知异常模式有六种，开发已知异常模式相对应 的模型，并利用所述模型采集已知异常模式过程数据计算已知异常模式数据残差矩阵，第f 种异常模式数据残差矩阵为Cf,f＝1,2,…,6，则:
Cf＝Xf-x0
步骤4.3：计算每种异常模式下的数据样本的监测统计量，第f种异常模式数据样本的监 测统计量为：
Figure BDA0002558713270000094
Figure BDA0002558713270000095
即求得6种异常模式下的监测统计量如表1所示。
表1异常模式下的监测统计量
Figure BDA0002558713270000096
步骤五：计算监测统计量的控制限。
步骤5.1：计算
Figure BDA0002558713270000101
统计量的控制限Tα，取置信度为99％，则：
Figure BDA0002558713270000102
其中l＝3；n＝5；α＝0.01。
步骤5.2：计算SPEnew统计量控制限Qα，取置信度为95％，则：
Figure BDA0002558713270000103
即求得控制限Tα＝8.3465；控制限Qα＝0.8786。
步骤六：对金属带材卷管制造过程进行实时监控，监控过程如下：
步骤6.1：计算监测统计量包括
Figure BDA0002558713270000104
与SPEnew。
计算实时数据残差cnew：
cnew＝xnew-x0
计算监测统计量
Figure BDA0002558713270000105
与SPEnew
Figure BDA0002558713270000106
Figure BDA0002558713270000107
步骤6.2：判定制造过程是否发生异常。
若
Figure BDA0002558713270000108
并且SPEnew≤Qα，则制造过程无异常发生；反之，制造过程发生异常。
监控结果如图4所示，其中红色线代表控制限，黑色线代表过程数据监测统计量计算值。 从中可以看出，设备自第51个测样点后出现异常。
步骤七：计算步骤六中出现的异常模式对应步骤四中预设的异常模式的概率值。
Figure BDA0002558713270000109
计算结果如图6所示。
步骤八：依据步骤七中各预设异常模式的概率值确定步骤六中异常的异常模式，实现基 于质量数据流形特征的制造过程异常监测。
从图6可以看出，步骤六中出现的异常属于异常模式2。
结合计算结果与实验数据，说明本发明的正确性。另利用PCA监测方法对步骤六中的数 据进行监测，监测结果如图5所示，通过对比图4与图5，说明本方法的精度更高，更易发 现制造过程中的异常。通过该方法能够准确、灵敏地监测制造过程中出现的异常，并对异常 进行分离，为制造过程控制提供基础，为保证制造过程稳定运行提供一种理论方法。
以上所述的具体描述，对发明的目的、技术方案和有益效果进行了进一步详细说明，所 应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡 在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保 护范围之内。

Claims (5)

1.一种基于质量数据流形特征的制造过程异常监测方法，其特征在于：包括如下步骤，
步骤一：利用传感设备获取训练过程数据，对所述训练过程数据进行归一化处理，构成训练过程数据集Xtrain＝[x1，x2，...，xn]，其中n为测量次数；xi∈Rm，i＝1,2，...，n为第i次测量获得的过程数据组成的列向量；m为每次测量的加工状态数据个数；
步骤二：考虑寻求数据方差最大的低维表征，获取训练过程数据集的全局特征矩阵G；考虑局部结构的保持，利用基于流形距离的K近邻法划分邻域，获取训练过程数据集的局部特征矩阵L，即基于流形距离的K近邻法将流形距离替代欧氏距离；
步骤二实现方法为，
步骤2.1：考虑寻求数据方差最大的低维表征，获取训练过程数据集的全局特征矩阵G；
为使降维后的数据集与原始数据集具有相似的外形，利用主成分分析方法，寻求数据方差最大的低维表征，即寻求映射w1使全局目标函数Jg(w1)最大化：
Figure FDA0004180445730000011
其中
Figure FDA0004180445730000012
为训练过程数据集Xtrain的协方差矩阵；
定义矩阵G为训练过程数据集的全局数据特征矩阵；
步骤2.2：考虑局部结构的保持，利用基于流形距离的K近邻法划分邻域，获取训练过程数据集的局部特征矩阵L；
首先，利用基于流形距离的K近邻法划分邻域；
计算所有数据点之间的流形距离，选取与测量点xi最近的K个数据点，构成邻域NK(xi)；流形距离获取方法如下：
将数据点看作是图Q＝(V，E)的顶点，V是顶点集合，E是边集，Pi,j为图上连接数据点xi与xj所有路径的集合，Pk，k＝1,2，...，K为连接数据点xi与xj所经过的数据点，则xi与xj之间的流形距离通过下式计算：
Figure FDA0004180445730000013
其中MD(xi，xj)为xi与xj之间的流形距离；p∈Pi,j；
Figure FDA0004180445730000014
dist(Pk，Pk+1)为Pk与Pk+1之间的欧氏距离，ρ＞0为伸缩因子；
构建相似度矩阵：
Figure FDA0004180445730000015
其中Sij为邻域内观察的xi，xj之间的相似度，t为调节参数；
寻求映射w2使局部目标函数Jl(w2)最小化：
Figure FDA0004180445730000021
其中D为n×n的对角矩阵，Dii＝∑jSij；S为Sij构成的矩阵；
Figure FDA0004180445730000022
定义矩阵L为训练过程数据集的局部数据特征矩阵；
步骤2.1与2.2得到训练过程数据集的全局数据特征矩阵G与局部数据特征矩阵L；
步骤三：基于特征矩阵谱半径分析法确定调节参数η，进行局部特征与全局特征的融合，获得过程数据集的降维矩阵P；基于特征矩阵谱半径分析法确定调节参数η能够降低调节参数η确定过程计算量；
步骤三实现方法为，
步骤3.1：基于特征矩阵谱半径分析法确定调节参数n；
将Sg和Sl分别定义为矩阵G与矩阵L的谱半径；为统一全局与局部数据特征，令
ηSg＝(1-η)Sl
调节参数η由下式计算：
Figure FDA0004180445730000023
即基于特征矩阵谱半径分析法确定调节参数η；
步骤3.2：对训练数据集的局部特征与全局特征进行融合，获得过程数据集的降维矩阵P；
为有效提取制造过程数据的内蕴信息，需找到一个融合局部信息、全局信息的映射w，将高维数据投影到低维空间；寻求最优映射的问题通过最大化以下目标函数求得：
J(w)＝ηJg(w)-(1-η)Jl(w)
令特征向量w＝{I1，I2，...，Im}为上式的解，并且其特征值分别为λ1，λ2，...λm，通过比较特征值的大小，将特征向量进行排序，保留前l(l＜m)个特征向量，构成降维矩阵P∈rm×l；
即获得过程数据集的降维矩阵P；
利用步骤3.1与3.2，获得调节参数n、融合局部信息与全局信息的降维矩阵P；
步骤四：利用机理模型与测量数据相融合的方法获得过程数据参考值；预设已知异常情况相对应的模型，并利用所述模型采集已知异常模式过程数据，结合过程数据参考值计算已知异常模式过程数据残差，并计算监测统计量；
步骤五：计算监测统计量的控制限；
步骤六：对制造过程进行实时监控；利用传感设备获取制造过程的实时数据，对所述实时数据进行数据集的归一化处理，得到实时数据xnew，计算实时数据残差cnew，并计算监测统计量；利用所述监测统计量与步骤五中获得的监测统计量控制限进行比较，若两个监测统计量均未超出限制则制造过程无异常，反之有异常；
步骤七：在发现异常后，将步骤六出现的异常模式与步骤四中预设的异常模式对比，并通过贝叶斯推理方法计算步骤六中出现的异常模式对应步骤四中预设异常模式的概率值；
步骤八：依据步骤七中各预设异常模式的概率值确定步骤六中异常的异常模式，实现基于质量数据流形特征的制造过程异常监测。
2.如权利要求1所述的一种基于质量数据流形特征的制造过程异常监测方法，其特征在于：步骤四计算监测统计量包括
Figure FDA0004180445730000031
与SPEf；
步骤4.1：利用机理模型与测量数据相融合的方法获得过程数据参考值
Figure FDA0004180445730000032
为提高建模精度，对相同加工状态下的测量数据进行加权处理；相同加工状态下q次测量数据为X＝{x1，x2，...，xq}，其中/>
Figure FDA0004180445730000033
为第c次测量的m种加工状态数据组成的数据集；利用该状态下的机理模型获得仿真数据
Figure FDA0004180445730000034
过程数据参考值计算方法如下：
各测量点的中值差Δxc为：
Figure FDA0004180445730000035
则各测量数据的权值pi为
Figure FDA0004180445730000036
则
Figure FDA0004180445730000037
即获得融合机理模型与测量数据的过程数据参考值
Figure FDA0004180445730000038
步骤4.2：计算已知异常模式数据残差矩阵；
已知异常模式有F(F＞0)种，则在第f(f＝1，2，...，F)种异常模式下，采集q组数据并进行归一化处理，形成已知异常模式数据集Xf＝[xf，1，xf，2，...，xf，q]
计算已知异常模式数据残差矩阵Cf
Cf＝Xf-x0
即获得已知异常模式数据残差Cf；
步骤4.3：计算每种异常模式下的监测统计量；
对于预设的已知异常模式数据残差矩阵Cf，
Figure FDA0004180445730000039
统计量计算公式如下：
Figure FDA0004180445730000041
其中Λ为步骤3.2中前l个特征值组成的对角矩阵；
Figure FDA0004180445730000042
为矩阵/>
Figure FDA0004180445730000043
中元素的均值；
对于预设的已知异常模式数据残差矩阵Cf，SPEf统计量计算公式如下：
Figure FDA0004180445730000044
其中
Figure FDA0004180445730000045
为矩阵/>
Figure FDA0004180445730000046
中元素的均值；
即得到第f种异常模式下的监测统计量
Figure FDA0004180445730000047
和SPEf；
重复步骤4.2与4.3，计算F种已知异常模式下的监测统计量；
即获得每种异常模式下的监测统计量。
3.如权利要求2所述的一种基于质量数据流形特征的制造过程异常监测方法，其特征在于：步骤四构造监测统计量包括
Figure FDA0004180445730000048
与SPEnew，对应监测统计量的控制限为Tα与Qα；
Figure FDA0004180445730000049
统计量的控制限计算公式如下：
Figure FDA00041804457300000410
其中，l为降维矩阵P的列数，n为训练过程数据的测量次数，1-α为置信度；Fα(l，n--l)是服从第一自由度为l，第二自由度为n-l的F分布；
SPEnew统计量控制限计算公式如下：
Figure FDA00041804457300000411
其中：
Figure FDA00041804457300000412
Figure FDA00041804457300000413
vα为标准正态分布的置信极限，满足如下公式：
Figure FDA00041804457300000414
即得到监测统计量的控制限Tα和Qα。
4.如权利要求3所述的一种基于质量数据流形特征的制造过程异常监测方法，其特征在于：步骤六实现方法为，
步骤6.1：监测统计量包括
Figure FDA00041804457300000415
与SPEnew；
计算实时数据残差cnew：
cnew＝xnew-x0
计算监测统计量
Figure FDA0004180445730000051
与SPEnew
Figure FDA0004180445730000052
Figure FDA0004180445730000053
步骤6.2：判定制造过程是否发生异常；
若
Figure FDA0004180445730000054
并且SPEnew≤Qα，则制造过程无异常发生；反之，制造过程发生异常。
5.如权利要求4所述的一种基于质量数据流形特征的制造过程异常监测方法，其特征在于：步骤七实现方法为，
根据贝叶斯推理，步骤六中出现的异常模式属于步骤四中预设的异常模式中第f种的后验概率由下式计算：
Figure FDA0004180445730000055
其中P(i)是每种异常模式的先验概率，根据历史发生异常情况的频率确定或分配相同值；P(Cnew|f)是每种特定异常模式下异常数据样本的条件概率，并由下式计算：
Figure FDA0004180445730000056
Figure FDA0004180445730000057
Figure FDA0004180445730000058
其中0≤ω≤1是T2和SPE统计信息之间的加权参数；
即获得步骤六中出现的异常模式对应步骤五中预设的异常模式的概率值。
CN202010601588.1A 2020-06-28 2020-06-28 一种基于质量数据流形特征的制造过程异常监测方法 Active CN111967489B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010601588.1A CN111967489B (zh) 2020-06-28 2020-06-28 一种基于质量数据流形特征的制造过程异常监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010601588.1A CN111967489B (zh) 2020-06-28 2020-06-28 一种基于质量数据流形特征的制造过程异常监测方法

Publications (2)

Publication Number Publication Date
CN111967489A CN111967489A (zh) 2020-11-20
CN111967489B true CN111967489B (zh) 2023-06-06

Family

ID=73360853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010601588.1A Active CN111967489B (zh) 2020-06-28 2020-06-28 一种基于质量数据流形特征的制造过程异常监测方法

Country Status (1)

Country Link
CN (1) CN111967489B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117852972B (zh) * 2024-02-01 2024-06-18 宝应县鑫龙铸造有限公司 一种基于铸造过程监控数据的铸造质量控制***及方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605889A (zh) * 2013-11-13 2014-02-26 浙江工业大学 一种基于数据全局-局部结构保持投影的数据降维方法
CN105425779A (zh) * 2015-12-24 2016-03-23 江南大学 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法
CN107092923A (zh) * 2017-03-22 2017-08-25 东北大学 基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法
CN111340072A (zh) * 2020-02-12 2020-06-26 江南大学 一种基于数据整体信息和邻域结构的工业过程故障检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120209575A1 (en) * 2011-02-11 2012-08-16 Ford Global Technologies, Llc Method and System for Model Validation for Dynamic Systems Using Bayesian Principal Component Analysis

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103605889A (zh) * 2013-11-13 2014-02-26 浙江工业大学 一种基于数据全局-局部结构保持投影的数据降维方法
CN105425779A (zh) * 2015-12-24 2016-03-23 江南大学 基于局部邻域标准化和贝叶斯推断的ica-pca多工况故障诊断方法
CN107092923A (zh) * 2017-03-22 2017-08-25 东北大学 基于改进监督核局部线性嵌入法的电熔镁炉过程监测方法
CN111340072A (zh) * 2020-02-12 2020-06-26 江南大学 一种基于数据整体信息和邻域结构的工业过程故障检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合PCA和ESN的交通流周期预测模型;李慧等;《西安电子科技大学学报》;20190228;全文 *

Also Published As

Publication number Publication date
CN111967489A (zh) 2020-11-20

Similar Documents

Publication Publication Date Title
CN107844799B (zh) 一种集成svm机制的冷水机组故障诊断方法
CN111546854B (zh) 一种智能列车空调机组在途识别与诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN113838054B (zh) 基于人工智能的机械零件表面损伤检测方法
CN109085805B (zh) 一种基于多采样率因子分析模型的工业过程故障检测方法
CN109409425B (zh) 一种基于近邻成分分析的故障类型识别方法
CN111209967A (zh) 一种基于支持向量机的轧制过程板凸度预测方法
CN108804740A (zh) 基于集成改进ica-krr算法的长输管道压力监测方法
CN108830006B (zh) 基于线性评价因子的线性-非线性工业过程故障检测方法
CN111967489B (zh) 一种基于质量数据流形特征的制造过程异常监测方法
CN114757269A (zh) 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法
CN110427019B (zh) 一种基于多变量判别分析的工业过程故障分类方法及控制装置
CN114817228A (zh) 一种湖泊水位长时间序列监测数据的异常值剔除方法
CN117876382B (zh) 一种汽车轮胎胎面花纹缺陷检测***和方法
CN115496108A (zh) 一种基于流形学习和大数据分析的故障监测方法及***
CN115655717A (zh) 一种基于深度领域泛化网络的轴承故障诊断方法
CN110084301B (zh) 一种基于隐马尔可夫模型的多工况过程工况辨识方法
CN114611067A (zh) 一种基于典型变量相异性分析的化工过程缓变故障检测方法
CN114492614A (zh) 一种基于集成学习的带钢热轧过程故障分类方法及装置
Liu et al. Sensor data anomaly detection and correction for improving the life prediction of cutting tools in the slot milling process
CN109389313B (zh) 一种基于加权近邻决策的故障分类诊断方法
CN109214268B (zh) 一种基于集成流形学习的填料塔液泛状态在线监测方法
CN105631231A (zh) 一种对热轧过程温度实测值进行修正的方法
CN116451554A (zh) 考虑多种气象因子的电网气象风险预测方法
CN112966449B (zh) 基于变量选择和概率神经网络的制造过程质量缺陷根源诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant