CN112749623B - 注塑成型工艺高频传感器数据的处理和特征提取方法及*** - Google Patents
注塑成型工艺高频传感器数据的处理和特征提取方法及*** Download PDFInfo
- Publication number
- CN112749623B CN112749623B CN202011422892.6A CN202011422892A CN112749623B CN 112749623 B CN112749623 B CN 112749623B CN 202011422892 A CN202011422892 A CN 202011422892A CN 112749623 B CN112749623 B CN 112749623B
- Authority
- CN
- China
- Prior art keywords
- data
- information
- frequency
- feature extraction
- acquiring
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Discrete Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明提供了一种注塑成型工艺高频传感器数据的处理和特征提取方法及***,包括:步骤S1:获取高频数据信息;步骤S2:获取数据预处理信息;步骤S3:获取数据分段信息;步骤S4:获取特征提取信息、特征筛选信息;步骤S5:获取特征数据增强信息;步骤S6:根据特征数据增强信息,获取评价指标信息;步骤S7:获取高频数据采集有效性评估信息。本发明对注塑成型工艺中四大指标特征:压力指标、温度指标、位置指标、流量指标提取的高频数据进行分析和评估,创新性的结合调机数据,进行分段和进一步特征构造,为注塑工艺分析优化的高频数据分析提供了参考和思路。
Description
技术领域
本发明涉及数据的特征分段构造与筛选技术领域,具体地,涉及一种注塑成型工艺高频传感器数据的处理和特征提取方法及***。
背景技术
注塑成型过程是一个非稳态具有周期性的一个过程。非稳态是指在整个注塑过程中注塑的状态是随时间不断变化的,周期性是指注塑成型过程在一定的时间范围内可以重复出现。注塑成形的周期时间根据塑料材料的性质、注塑机所设定的参数、注塑件的壁厚及重量的改变而改变。注塑成型过程主要包括塑化、填充、保压、冷却、脱模5个部分。对于传统的注塑成型健康状态监测和工艺优化,人们通常依靠提高注塑模模具表面精度和注塑机的性能,并在工艺人员的经验上通过试错法,对模具精度和注塑成型工艺上进行调整来改善注塑件质量。对注塑加工中的复杂过程的分析和研究较少,比如当非牛顿假塑性的塑料熔体在外界压力驱动下,通过注塑***流向温度较低的模具型腔时,熔体受模具传热而快速冷却过程,因模具对塑料熔体的剪切产热过程,以及注塑件在型腔内会产生体积收缩变形过程、分子取向和结晶过程等等,没有进行有效的监测和状态判断,并且传统优化方法耗时耗力,可复用性差。面对产品日益更新,和对产品质量更高的要求,现有的工艺优化速度和工艺优化效果不尽如人意。利用传感器来提取注塑工艺过程的信息和特征是一个有效的解决思路。但是如何评估高频数据来源,采集特征是否有效或者相关性,如何利用收集到的数据进行有效的特征提取和特征筛选与预测,成了现在工业界的难题。
专利CN202010618860.7(公开号:CN111783880A)该发明公开了一种基于工业物联网的复杂传动链预测性维护***,其硬件设备包括高频传感器网络、高频信号处理装置、智能硬件,高频传感器网络用于实时或周期性采集工作信号,高频信号处理装置用于对工作信号进行预处理,智能硬件利用小波特性提取算法在本地端进行数据处理并上传至云端;云端用于验证、存储数据,并利用带特征提取的智能算法分析数据,最终输出相应的故障特征状态。针对复杂振动信号的特点,通过特征提取在边缘侧完成高频数据降维,与云端算法结合构建了设备状态劣化分析边云数据架构,该方法在实现对于复杂传动链机构的预测性维护上仍然有待提高的空间。
随着试验设计方法、优化算法、智能算法等方法的不断发展与应用,对注塑工艺理解和预测以及参数优化提供了理论基础和研究思路。研究人员从最初单一的注塑件表面质量,逐步朝着多目标、多学科方向发展,从注塑件的力学性能、经济性、模具加工性能等多方面来综合考虑注塑件在实际生产中怎样达到较高的生产效率,同时又具有优良的产品表面质量和力学性能以及较少的能源消耗的设计目标。但是现有的很多算法和优化设计,主要从模拟层面进行,聚焦于提取的工艺参数数据,通过设计实验参数进行模拟,但是对于高频数据的提取和特征评估相对较少。
发明内容
针对现有技术中的缺陷,本发明的目的是提供一种注塑成型工艺高频传感器数据的处理和特征提取方法及***。
根据本发明提供的一种注塑成型工艺高频传感器数据的处理和特征提取方法,包括:
步骤S1:根据高频数据获取控制信息,获取高频数据信息;
步骤S2:根据高频数据信息,获取数据预处理信息;
步骤S3:根据数据预处理信息,获取数据分段信息;
步骤S4:根据数据分段信息,获取特征提取信息、特征筛选信息;
步骤S5:根据特征提取信息、特征筛选信息,获取特征数据增强信息;
步骤S6:根据特征数据增强信息,获取评价指标信息;
步骤S7:根据评价指标信息,获取高频数据采集有效性评估信息。
优选地,所述步骤S1包括:
步骤S1.2:从关模开始到下一模次开始进行数据记录,记录高频数据对应的成型机动作阶段和时间。
所述步骤S2包括:
步骤S2.1:对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据(不同行也对数据要求不同,为此处理缺失值方式可多种);
步骤S2.2:缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除。对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步的数据分段做好准备。
优选地,所述步骤S3包括:
步骤S3.1:利用调机数据对高频数据进行分组和权重赋值,对分组后的数据进行进一步的特征提取;
所述步骤S4包括:
步骤S4.1:提取数据的时域特征和频域特征;
所述数据的时域特征包括以下任意一种:
-波形;
-峰度;
-峰值;
-均方根;
-均值;
-脉冲;
-偏度;
-峭度;
-裕度;
所述数据的频域特征包括以下任意一种:
-功率谱标准差;
-功率谱和;
-功率谱均值;
-功率谱偏度;
-功率谱峭度;
-功率谱相对峰值;
-最大幅值频率;
优选地,所述步骤S5包括:
步骤S5.1:利用MIX UP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性;
优选地,所述步骤S6包括:
步骤S6.1:使用XGBoost模型对训练数据进行学习,利用五折交叉验证验证来进行模型训练与测试,在未进行进一步的参数优化和模型融合的情况下,产生较好的预测结果;
所述步骤S7包括:
步骤S7.1:利用MAE,MSE损失函数进行模型判定。
根据本发明提供的一种注塑成型工艺高频传感器数据的处理和特征提取***,包括:
步骤S1:根据高频数据获取控制信息,获取高频数据信息;
步骤S2:根据高频数据信息,获取数据预处理信息;
步骤S3:根据数据预处理信息,获取数据分段信息;
步骤S4:根据数据分段信息,获取特征提取信息、特征筛选信息;
步骤S5:根据特征提取信息、特征筛选信息,获取特征数据增强信息;
步骤S6:根据特征数据增强信息,获取评价指标信息;
步骤S7:根据评价指标信息,获取高频数据采集有效性评估信息。
优选地,所述步骤S1包括:
步骤S1.2:从关模开始到下一模次开始进行数据记录,记录高频数据对应的成型机动作阶段和时间。
所述步骤S2包括:
步骤S2.1:对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据(不同行也对数据要求不同,为此处理缺失值方式可多种);
步骤S2.2:缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除。对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步的数据分段做好准备。
优选地,所述步骤S3包括:
步骤S3.1:利用调机数据对高频数据进行分组和权重赋值,对分组后的数据进行进一步的特征提取;
所述步骤S4包括:
步骤S4.1:提取数据的时域特征和频域特征;
所述数据的时域特征包括以下任意一种:
-波形;
-峰度;
-峰值;
-均方根;
-均值;
-脉冲;
-偏度;
-峭度;
-裕度;
所述数据的频域特征包括以下任意一种:
-功率谱标准差;
-功率谱和;
-功率谱均值;
-功率谱偏度;
-功率谱峭度;
-功率谱相对峰值;
-最大幅值频率;
优选地,所述步骤S5包括:
步骤S5.1:利用MIX UP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性;
优选地,所述步骤S6包括:
步骤S6.1:使用XGBoost模型对训练数据进行学习,利用五折交叉验证验证来进行模型训练与测试,在未进行进一步的参数优化和模型融合的情况下,产生较好的预测结果;
所述步骤S7包括:
步骤S7.1:利用MAE,MSE损失函数进行模型判定。
与现有技术相比,本发明具有如下的有益效果:
1、本发明对注塑成型过程的高频数据相关工艺参数的提取和进一步挖掘,以及特征有效性进行了研究,并利用决策提升树在对实际工况检测中的尺寸进行了预测,并且反过来指导更好的高频数据特征提取和进一步优化,以证明本方案特征提取和特征工程与优化的有效性;
2、本发明提出的注塑成型工艺高频传感器数据的处理和特征提取方法,不仅综合了信号处理方向的三大分析方法,包括频域分析中的快速傅里叶变换(fast Fouriertransform,FFT)和希尔伯特变换(Hilbert transform,HT)、时域分析中的均值(mean),峰值(peak),均方误差(root mean squre,RMS),峰度(kurtosis)和偏度(skewness)、时频分析中的短时傅里叶变换(short-time Fourier transform,STFT),小波分解(wavelettransform)及其变体,Wigner–Ville分布以及希尔伯特-黄变换(Hilbert-Huangtransform,HHT),对数据特征进行分析,挖掘和进一步特征构造,还创造性的结合调机数据,对数据进行进一步切分和进一步分段后聚合以构造全新特征,提取出可以有效反应和预测注塑成型工艺当前状态的特征,并且通过后续的实际工况检测中的工艺尺寸预测作为例子,验证了其有效性;
3、本发明聚焦于对注塑成型工艺中四大指标特征:压力指标、温度指标、位置指标、流量指标提取的高频数据进行分析和评估,创新性的结合调机数据,进行分段和进一步特征构造,为注塑工艺分析优化的高频数据分析提供了参考和思路。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1为本发明的整体流程示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明,但不以任何形式限制本发明。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变化和改进。这些都属于本发明的保护范围。
一种注塑成型工艺高频传感器数据的处理和特征提取方法及***包括:
1.高频数据获取
本发明使用的高频数据均来自实际工业现场,从关模开始到下一模次开始进行记录,包括:压力数据:模内压力,喷头射出压力,温度数据:模内温度,还有恒温温度,冷热水温度,回水温度等反应模温机的实际温度的数据,公模母模温度;流量数据:模温机水流流量计实际流量,包括单循环总量,单循环冷水总量,单循环热水总量等;位置数据:实际螺杆位置等数据,并且记录高频数据对应的成型机动作阶段和时间。
2.数据预处理
对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据(不同行也对数据要求不同,为此处理缺失值方式可多种)。缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除。对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步分段做好准备。
3.数据分段
高频数据的需要通过有效的特征提取方法和分段进行进一步的聚合和特征提取。本次处理利用调机数据对高频数据进行分组和权重赋值,对分组后的数据进行进一步的特征提取。
4.特征提取和筛选
提取数据的时域和频域特征,其中,时域特征为:波形、峰度、峰值、均方根、均值、脉冲、偏度、峭度、裕度;频域特征为:功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大幅值频率等。提取后,为了选择出有效的指标表征预测的适用性,我们设定一组指标用来评估提取特征有效特征,包括相关性,单调度,特征分布相关程度等,对提取后的特征进行了筛选。
5.特征数据增强
对于上述分段后特征,利用MIX UP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性,减少了在预测未见数据时的不确定性,提高特征提取***的泛化能力。
5.特征有效性验证
对于我们提取和筛选后的高频特征,我们对注塑成型工艺中的尺寸预测任务进行回归预测,以此验证特征的有效性。发现,使用XGBoost模型对训练数据进行学习,利用五折交叉验证验证来进行模型训练与测试,在未进行进一步的参数优化和模型融合的情况下,产生较好的预测结果,证实了预测结果的有效性。另外
6.评价指标
利用MAE,MSE损失函数进行模型判定。
7.高频数据采集有效性评估
通过对于高频数据的特征提取和特征筛选,与预测任务的验证,反过来我们来分析高频数据提取的有效性,我们发现压力、温度指标的有效性,和关键指标,可以考虑在多维度增加对于该特征的采集和进一步优化,并且也发现了部分高频数据的采集存在重复性,或者数据本身特征反应不明显或者无变化,可以考虑删除,以此可以优化高频数据的采集和提取。
具体地,在一个实施例中,一种注塑成型工艺高频传感器数据的处理和特征提取方法及***包括:
1.高频数据分段方法
创新利用了调机数据对高频数据进行分组和权重赋值,在原有单一元件的高频数据分析的基础上,进一步分组和组合,对分组后的数据进行进一步的特征提取,并将分组前后的特征都进行了评估。
2.高频数据特征提取方法
提取数据的时域和频域特征,其中,时域特征为:波形、峰度、峰值、均方根、均值、脉冲、偏度、峭度、裕度;频域特征为:功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大幅值频率等。提取后,为了选择出有效的指标表征预测的适用性,我们设定一组指标用来评估提取特征有效特征,包括相关性,单调度,特征分布相关程度等,对提取后的特征进行了筛选。
3.高频数据的特征筛选方法
我们设定一组指标用来评估提取特征有效特征,包括相关性,单调度,特征分布相关程度等,对提取后的特征进行了筛选。
4.高频数据的特征增强方法
对于上述分段后特征,利用MIX UP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性,减少了在预测未见数据时的不确定性,提高特征提取***的泛化能力。
5.高频数据采集有效性的评估
根据整个特征提取过程的特征有效性和结果指标重要性排序进行分析,提出对于压力、温度指标的有效性等关键指标的进一步采集,和对部分重复性或者特征不明显的高频数据的采集考虑删除,优化高频数据的采集和提取。
在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变化或修改,这并不影响本发明的实质内容。在不冲突的情况下,本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种注塑成型工艺高频传感器数据的处理和特征提取方法,其特征在于,包括:
步骤S1:根据高频数据获取高频数据记录信息;
步骤S2:根高频数据记录信息,获取数据预处理信息;
步骤S3:根据数据预处理信息,获取数据分段信息;
步骤S4:根据数据分段信息,获取特征提取信息、特征筛选信息;
步骤S5:根据特征提取信息、特征筛选信息,获取特征数据增强信息;
步骤S6:根据特征数据增强信息,获取评价指标信息;
步骤S7:根据评价指标信息,获取高频数据采集有效性评估信息;
所述高频数据包括:压力数据、温度数据、流量数据及位置数据;
所述压力数据包括:模内压力数据,喷头射出压力数据;
所述温度数据包括:模内温度数据、恒温温度数据、冷热水温度数据、公模母模温度数据以及回水温度数据;
所述流量数据包括:单循环总量数据、单循环冷水总量数据以及单循环热水总量数据;
所述位置数据:实际螺杆位置数据;
所述数据预处理信息是由数据预处理过程获得的信息;
所述数据预处理过程是指:指对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据,缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除,对缺失值和唯一值处理好的数据进行特征缩放,获取数据预处理信息;所述数据分段信息是指根据数据预处理信息,经数据分段过程获得的信息;
所述数据分段过程是指:通过有效的特征提取方法和分段进行聚合和特征提取;
所述特征提取是指基于特征提取过程获得的信息;
所述特征提取过程是指:提取数据的时域和频域特征;
其中,时域特征包括:波形、峰度、峰值、均方根、均值、脉冲、偏度、峭度、裕度;
频域特征包括:功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大幅值频率;
所述特征筛选信息是指基于特征筛选过程获得的信息;
所述特征筛选过程是指:为选择出有效的指标表征预测的适用性,设定一组指标用来评估提取特征有效特征,对提取后的特征进行筛选;
所述特征数据增强信息是指基于特征数据增强过程获得的信息;
所述特征数据增强过程是指:根据数据分段信息,利用MIX UP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性。
2.根据权利要求1所述的注塑成型工艺高频传感器数据的处理和特征提取方法,其特征在于,所述步骤S1包括:
步骤S1.1:从关模开始到下一模次开始进行数据记录,记录高频数据对应的成型机动作阶段和时间;
所述步骤S2包括:
步骤S2.1:对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据;
步骤S2.2:缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除;对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步的数据分段做好准备。
3.根据权利要求1所述的注塑成型工艺高频传感器数据的处理和特征提取方法,其特征在于,所述步骤S3包括:
步骤S3.1:利用调机数据对高频数据进行分组和权重赋值,对分组后的数据进行进一步的特征提取;
所述步骤S4包括:
步骤S4.1:提取数据的时域特征和频域特征;
所述数据的时域特征包括以下任意一种:
-波形;
-峰度;
-峰值;
-均方根;
-均值;
-脉冲;
-偏度;
-峭度;
-裕度;
所述数据的频域特征包括以下任意一种:
-功率谱标准差;
-功率谱和;
-功率谱均值;
-功率谱偏度;
-功率谱峭度;
-功率谱相对峰值;
-最大幅值频率。
4.根据权利要求1所述的注塑成型工艺高频传感器数据的处理和特征提取方法,其特征在于,所述步骤S5包括:
步骤S5.1:利用MIX UP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性。
5.根据权利要求1所述的注塑成型工艺高频传感器数据的处理和特征提取方法,其特征在于,所述步骤S6包括:
步骤S6.1:使用XGBoost模型对训练数据进行学习,利用五折交叉验证验证来进行模型训练与测试,在未进行进一步的参数优化和模型融合的情况下,产生较好的预测结果;
步骤S6.2:利用MAE,MSE损失函数进行模型判定。
6.一种注塑成型工艺高频传感器数据的处理和特征提取***,其特征在于,包括:
模块M1:根据高频数据获取高频数据记录信息;
模块M2:根据高频数据记录信息,获取数据预处理信息;
模块M3:根据数据预处理信息,获取数据分段信息;
模块M4:根据数据分段信息,获取特征提取信息、特征筛选信息;
模块M5:根据特征提取信息、特征筛选信息,获取特征数据增强信息;
模块M6:根据特征数据增强信息,获取评价指标信息;
模块M7:根据评价指标信息,获取高频数据采集有效性评估信息;
所述高频数据包括:压力数据、温度数据、流量数据及位置数据;
所述压力数据包括:模内压力数据,喷头射出压力数据;
所述温度数据包括:模内温度数据、恒温温度数据、冷热水温度数据、公模母模温度数据以及回水温度数据;
所述流量数据包括:单循环总量数据、单循环冷水总量数据以及单循环热水总量数据;
所述位置数据:实际螺杆位置数据;
所述数据预处理信息是由数据预处理过程获得的信息;
所述数据预处理过程是指:指对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据,缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除,对缺失值和唯一值处理好的数据进行特征缩放,获取数据预处理信息;所述数据分段信息是指根据数据预处理信息,经数据分段过程获得的信息;
所述数据分段过程是指:通过有效的特征提取方法和分段进行聚合和特征提取;
所述特征提取是指基于特征提取过程获得的信息;
所述特征提取过程是指:提取数据的时域和频域特征;
其中,时域特征包括:波形、峰度、峰值、均方根、均值、脉冲、偏度、峭度、裕度;
频域特征包括:功率谱标准差、功率谱和、功率谱均值、功率谱偏度、功率谱峭度、功率谱相对峰值、最大幅值频率;
所述特征筛选信息是指基于特征筛选过程获得的信息;
所述特征筛选过程是指:为选择出有效的指标表征预测的适用性,设定一组指标用来评估提取特征有效特征,对提取后的特征进行筛选;
所述特征数据增强信息是指基于特征数据增强过程获得的信息;
所述特征数据增强过程是指:根据数据分段信息,利用MIX UP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性。
7.根据权利要求6所述的注塑成型工艺高频传感器数据的处理和特征提取***,其特征在于,所述模块M1包括:
模块M1.1:从关模开始到下一模次开始进行数据记录,记录高频数据对应的成型机动作阶段和时间;
所述模块M2包括:
模块M2.1:对传入的数据首先进行缺失值处理,若存在缺失值则利用合适的数据补齐方式补齐数据;
模块M2.2:缺失值处理后进行唯一值判断,对于全部为唯一值,或者数据中90%以上为相同值的数据进行筛除;对缺失值和唯一值处理好的数据进行特征缩放,然后为进入下一步的数据分段做好准备。
8.根据权利要求6所述的注塑成型工艺高频传感器数据的处理和特征提取***,其特征在于,所述模块M3包括:
模块M3.1:利用调机数据对高频数据进行分组和权重赋值,对分组后的数据进行进一步的特征提取;
所述模块M4包括:
模块M4.1:提取数据的时域特征和频域特征;
所述数据的时域特征包括以下任意一种:
-波形;
-峰度;
-峰值;
-均方根;
-均值;
-脉冲;
-偏度;
-峭度;
-裕度;
所述数据的频域特征包括以下任意一种:
-功率谱标准差;
-功率谱和;
-功率谱均值;
-功率谱偏度;
-功率谱峭度;
-功率谱相对峰值;
-最大幅值频率。
9.根据权利要求6所述的注塑成型工艺高频传感器数据的处理和特征提取***,其特征在于,所述模块M5包括:
模块M5.1:利用MIX UP方法进行线性增强,对特征和目标值进行线性组合,完善数据集的多样性。
10.根据权利要求6所述的注塑成型工艺高频传感器数据的处理和特征提取***,其特征在于,所述模块M6包括:
模块M6.1:使用XGBoost模型对训练数据进行学习,利用五折交叉验证验证来进行模型训练与测试,在未进行进一步的参数优化和模型融合的情况下,产生较好的预测结果;
模块M6.2:利用MAE,MSE损失函数进行模型判定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011422892.6A CN112749623B (zh) | 2020-12-08 | 2020-12-08 | 注塑成型工艺高频传感器数据的处理和特征提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011422892.6A CN112749623B (zh) | 2020-12-08 | 2020-12-08 | 注塑成型工艺高频传感器数据的处理和特征提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749623A CN112749623A (zh) | 2021-05-04 |
CN112749623B true CN112749623B (zh) | 2023-04-07 |
Family
ID=75649083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011422892.6A Active CN112749623B (zh) | 2020-12-08 | 2020-12-08 | 注塑成型工艺高频传感器数据的处理和特征提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749623B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113642253B (zh) * | 2021-08-30 | 2024-04-02 | 佛山众陶联供应链服务有限公司 | 一种陶瓷砖半成品在加工中的损耗判断方法和*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764597A (zh) * | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
CN111176894A (zh) * | 2019-12-27 | 2020-05-19 | 柏科数据技术(深圳)股份有限公司 | 一种用于数据存储及数据灾备的存储分层技术 |
CN111231251A (zh) * | 2020-01-09 | 2020-06-05 | 杭州电子科技大学 | 注塑机的产品检测方法、设备及*** |
CN111783999A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 数据处理方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6787971B2 (ja) * | 2018-10-25 | 2020-11-18 | ファナック株式会社 | 状態判定装置及び状態判定方法 |
-
2020
- 2020-12-08 CN CN202011422892.6A patent/CN112749623B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764597A (zh) * | 2018-04-02 | 2018-11-06 | 华南理工大学 | 一种基于集成学习的产品质量控制方法 |
CN111176894A (zh) * | 2019-12-27 | 2020-05-19 | 柏科数据技术(深圳)股份有限公司 | 一种用于数据存储及数据灾备的存储分层技术 |
CN111231251A (zh) * | 2020-01-09 | 2020-06-05 | 杭州电子科技大学 | 注塑机的产品检测方法、设备及*** |
CN111783999A (zh) * | 2020-07-01 | 2020-10-16 | 北京知因智慧科技有限公司 | 数据处理方法及装置 |
Non-Patent Citations (1)
Title |
---|
注塑模具零件的特征提取与实例工艺推理技术;张海明;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑》;20130215;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112749623A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106872509A (zh) | 一种基于红外成像的注塑制品质量在线检测装置与方法 | |
CN103116306B (zh) | 一种自动的步进式有序时段划分方法 | |
CN112749623B (zh) | 注塑成型工艺高频传感器数据的处理和特征提取方法及*** | |
EP2520994A3 (en) | Automated system and method for implementing statistical comparison of power plant operations | |
Zhang et al. | An intelligent system for low-pressure die-cast process parameters optimization | |
US20200202235A1 (en) | Model-based machine learning system | |
CN109460890B (zh) | 一种基于强化学习与控制性能监测的智能自愈方法 | |
CN103777627A (zh) | 一种基于少量批次的批次过程在线监测方法 | |
CN101995437B (zh) | 一种拉深件裂纹声发射信号的特征提取方法 | |
CN110750931A (zh) | 一种高效的型材挤压模具设计方法 | |
CN105574587A (zh) | 一种塑料注塑过程的在线工况过程监控方法 | |
TWI709922B (zh) | 基於模型之機器學習系統 | |
CN103310095A (zh) | 间歇过程质量指标软测量方法 | |
CN113919601A (zh) | 基于产品性能和过程数据模型的树脂工艺预测方法及装置 | |
CN112172128A (zh) | 基于双指标正交试验结合支持向量机快速优化聚乳酸熔融沉积成型工艺的方法 | |
CN114872290B (zh) | 一种注塑件的自适应生产异常监测方法 | |
CN114770891B (zh) | 一种注塑机异常分析方法及*** | |
CN102601951A (zh) | 基于超声信号的塑料注射过程模腔压力检测方法 | |
CN104809514A (zh) | 一种浮选过程浮精品位的动态预测方法及*** | |
CN109470400A (zh) | 通过超声波手段间接测量注塑机型腔压力的方法及装置 | |
CN114701135B (zh) | 基于虚拟量测模型的注塑工件尺寸预测方法 | |
CN112677438B (zh) | 基于注塑成型和调机数据特征分段构造与筛选方法及*** | |
CN112508464B (zh) | 基于注塑成型的产品检测方法和装置 | |
CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
Marhöfer et al. | Validation of precision powder injection molding process simulations using a spiral test geometry |
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 |