CN116494493A - 一种注塑集中供料***智能监测方法 - Google Patents
一种注塑集中供料***智能监测方法 Download PDFInfo
- Publication number
- CN116494493A CN116494493A CN202310745705.5A CN202310745705A CN116494493A CN 116494493 A CN116494493 A CN 116494493A CN 202310745705 A CN202310745705 A CN 202310745705A CN 116494493 A CN116494493 A CN 116494493A
- Authority
- CN
- China
- Prior art keywords
- interference
- temperature data
- sensor
- reference sensor
- sensors
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001746 injection moulding Methods 0.000 title claims abstract description 24
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000009499 grossing Methods 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000035945 sensitivity Effects 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 5
- 230000035772 mutation Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/78—Measuring, controlling or regulating of temperature
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种注塑集中供料***智能监测方法,包括:采集温度数据;进行干扰段划分;计算每个参考传感器的干扰置信度;得到每个参考传感器的干扰权重值;得到每个干扰段的干扰贡献度;得到每个目标传感器的平滑参数;利用平滑参数对噪声进行平滑并检测。本发明通过对多个传感器之间的温度数据进行分析,根据其余多个传感器的温度数据对同时刻下某个传感器的平滑参数进行自适应。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种注塑集中供料***智能监测方法。
背景技术
注塑产品在日常生活中的应用越来越广泛,因此其产品的质量以及生产效率等方面越来越受到重视,而由于注塑机中的多个位置处的温度都存在差异,而这一差异会导致原料的处理不佳,进而影响生产质量以及效率,因此对于这一情况,通常采用的措施为在多个局部位置处设置多个温度传感器,并对同时刻监测到的温度数据进行融合,从而得到整个注塑机内部的温度评估或异常情况的及时发现,而由于传感器在信号传输过程中不可避免的会存在噪声信号,因此需要对数据进行去噪平滑预处理后,才能进行观察。
常规的移动平均法进行去噪时,其局部范围内的传感器的平滑参数都是相同的,但是由于传感器之间除正常的噪声信号外,还会由于传感器的数据变化引起其余传感器的变化,而这一干扰是基于其余传感器的数据变化大小所得到的,因此数据中存在的噪声程度大小并不相同,是随时改变的,因此无法取得较好的结果。
发明内容
本发明提供一种注塑集中供料***智能监测方法,以解决现有的问题。
本发明的一种注塑集中供料***智能监测方法采用如下技术方案:
本发明一个实施例提供了一种注塑集中供料***智能监测方法,该方法包括以下步骤:
获取所有传感器的历史温度数据以及传感器之间的距离;
将任意一个传感器记为目标传感器,将目标传感器之外的所有传感器记为参考传感器;
根据目标传感器的历史温度数据得到目标传感器的干扰段;
根据每个参考传感器的历史温度数据得到每个干扰段内每个参考传感器的干扰置信度;
根据所有参考传感器的历史温度数据和目标传感器与每个参考传感器之间的距离得到每个干扰段内每个参考传感器的干扰敏感度;
在每个干扰段中,根据每个参考传感器的干扰置信度和干扰敏感度以及其余参考传感器的干扰置信度和干扰敏感度得到每个干扰段的干扰权重值;
利用每个干扰段的干扰权重值和每个干扰段内温度数据的标准差得到每个干扰段对参考传感器的干扰贡献度;
根据每个干扰段对参考传感器的干扰贡献度得到目标传感器在任意时刻下的平滑参数;
基于所述平滑参数对所对应的历史温度数据进行平滑处理获得平滑后的温度数据,对所述平滑后的温度数据进行检测获得异常温度数据。
优选的,所述根据目标传感器的历史温度数据得到目标传感器的干扰段,包括的具体步骤如下:
将任意时刻之后的预设数量L个时刻作为任意时刻的初始窗口;获取目标传感器的历史温度数据中最靠前的时刻作为初始时刻,以及初始时刻的窗口内的温度数据的标准差,以当前初始窗口内的标准差作为判定阈值,向更靠后的时刻进行迭代外扩,得到一系列窗口的具体过程为:将初始时刻的初始窗口外扩一个时刻;将外扩之后的窗口内的标准差记为/>;若/>,然后再次计算外扩之后的窗口内的标准差记为/>,如果,那么继续扩充窗口,依次类推,直至当外扩到第/>次时,外扩之后的窗口内的标准差/>时,停止外扩并记录此时的窗口为第一个窗口;接着以第一个窗口中最后一个时刻的下一时刻为新的初始时刻,用初始时刻的初始窗口进行外扩得到第二个窗口,以此类推,得到目标传感器历史温度数据的所有窗口,记为全窗口,在全窗口内计算温度数据的标准差,根据每个窗口中标准差的大小进行从大到小的降序排序,忽略在排序中靠后的百分之七十的窗口内的温度数据,将剩余的窗口记为干扰段,将得到的干扰段个数记为/>,其中第/>个干扰段用/>进行表示,其中/>。
优选的,所述根据每个参考传感器的历史温度数据得到每个干扰段内每个参考传感器的干扰置信度的具体计算公式如下:
其中,是第/>个分段中第/>个参考传感器的干扰置信度,/>表示第/>个参考传感器在第/>个干扰段内第/>时刻的温度数据,/>表示第/>个干扰段中所有时刻的参考传感器的温度数据均值,/>是第/>个干扰段中包含的时刻总数,/>是第/>个干扰段中时刻的标号,且有/>,/>是第/>个干扰段对应的时序范围内第/>个参考传感器某个时刻的温度数据与相邻两侧温度数据的夹角,/>表示对/>进行线性归一化。
优选的,所述根据所有参考传感器的历史温度数据和目标传感器与每个参考传感器之间的距离得到每个干扰段内每个参考传感器的干扰敏感度的具体计算公式如下:
其中,是第/>个干扰段内第/>个参考传感器的干扰敏感度,/>表示第/>个参考传感器第/>个干扰段内第/>时刻符合条件的参考传感器数量,/>表示第/>个干扰段中的第/>时刻下第/>个参考传感器与第/>个参考传感器的温度数据的斜率夹角的线性归一化的值,/>表示/>个参考传感器之中除了第/>个参考传感器之外的第/>至/>个参考传感器,且有/>,/>表示对第/>个参考传感器与第/>个参考传感器之间的距离/>进行线性归一化。
优选的,所述符合条件的参考传感器数量指的是:
在第个干扰段对应的时序范围内,将第/>个参考传感器之外的其余所有参考传感器均记为参考传感器/>;计算第/>个参考传感器在第/>时刻的温度数据的初始斜率,记为第一斜率,计算每个参考传感器/>在第/>时刻的温度数据的初始斜率,记为第二斜率;判定第一斜率与第二斜率是否满足正负同号条件,若满足,将参考传感器/>记为符合条件的参考传感器,统计第/>时刻符合条件的所有参考传感器的数量,记为/>。
优选的,所述在每个干扰段中,根据每个参考传感器的干扰置信度和干扰敏感度以及其余参考传感器的干扰置信度和干扰敏感度得到每个干扰段的干扰权重值,包括的具体步骤如下:
将每个干扰段中参考传感器的干扰置信度与其余参考传感器的干扰置信度在所有干扰段中进行归一化得到第一归一化结果,将每个干扰段中参考传感器的干扰敏感度与其余参考传感器的干扰敏感度在所有干扰段中进行归一化得到第二归一化结果,将第一归一化结果和第二归一化结果进行相乘得到每个干扰段的干扰权重值。
优选的,所述利用每个干扰段的干扰权重值和每个干扰段内温度数据的标准差得到每个干扰段对参考传感器的干扰贡献度,包括的具体步骤如下:
将每个参考传感器在每个干扰段中的干扰权重值与所有参考传感器的干扰权重值的累加值的比值作为每个干扰段的占比,累加所有干扰段的占比得到权重和值,并通过归一化操作将每一个参考传感器的权重和值进行缩放得到每个干扰段对参考传感器的干扰贡献度。
优选的,所述根据每个干扰段对参考传感器的干扰贡献度得到目标传感器在任意时刻下的平滑参数,包括的具体步骤如下:
首先,对每个参考传感器第时刻温度数据与每个目标传感器第/>时刻温度数据的差异值进行线性归一化得到第一权重;
其次,将每个干扰段对参考传感器的干扰贡献度记为干扰因子,利用第一权重对干扰因子进行加权求和得到第时刻的数据受干扰的程度;
最后,用1减去第时刻的数据受干扰的程度得到目标传感器在第/>时刻下的平滑参数。
本发明的技术方案的有益效果是:常规的对于传感器温度数据的平滑去噪方法是设定固定的阈值,对所有的数据进行同样大小的平滑,但是由于传感器之间存在互相影响,而这一互相影响的大小是基于传感器的变化大小得到的,因此每一时刻下存在的噪声大小都不相同,即固定的平滑参数无法取到较好的效果。而本发明通过对历史数据中多个传感器之间的变化关系进行分析,对多个传感器对某一个传感器存在的干扰进行分析,并基于实际情况对其中每个传感器的温度数据进行置信度判定,增大判定准确性后,得到同时刻下每一个传感器对某一个传感器的干扰贡献度后,再基于同时刻下其余传感器的波动值得到任意时刻下该传感器下可能受到的干扰后,进行平滑参数自适应,从而保证平滑的效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种注塑集中供料***智能监测方法的步骤流程图;
图2为每个干扰段对应的时序范围内任意时刻的温度数据与相邻两侧温度数据的夹角说明图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种注塑集中供料***智能监测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种注塑集中供料***智能监测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种注塑集中供料***智能监测方法的步骤流程图,该方法包括以下步骤:
步骤S001:获取所有传感器的历史温度数据以及传感器之间的距离。
本实施例从注塑集中供料***中获取实时的多个温度传感器的历史监测数据,同时得到每一个传感器在注塑机中的分布位置以及互相之间的距离。
步骤S002:根据目标传感器的历史温度数据得到温度数据的标准差,并利用标准差对历史温度数据进行划分得到目标传感器的干扰段。
本实施例通过分析历史数据中多个传感器之间的噪声干扰程度,即当某一个传感器的数据发生幅值发生变化时,其余传感器的信号是否存在由噪声引起的波动干扰特征,因此首先基于这一特征,确定当前分析的传感器,将其记为目标传感器,将除了当前分析的目标传感器的另外所有个传感器用/>指代其中的第/>个传感器,记为第/>个参考传感器,则对于一个目标传感器,共有/>个参考传感器,且有/>。
需要说明的是,本实施例中温度传感器每个时刻采集一个温度数据,其中以0.2秒为两个时刻之间的间隔。
获取当前目标传感器的每个时刻的温度数据,获取每个时刻的初始窗口,具体方法为:以第个时刻为例,获取第/>时刻之后的/>个时刻的温度数据(包括第/>时刻本身的温度数据),将这/>个时刻的温度数据作为第/>个时刻的初始窗口;本实施例中以L=16为例进行叙述,本实施例不进行具体限定,该数值可根据具体实施情况而定。
计算目标传感器在时刻的初始窗口内的温度数据的标准差,记为/>。当这一标准差越大时,表征当前这一窗口内的温度数据的波动越强烈,即此时越呈现受干扰引起的噪声特征。但是,虽然标准差越大时,窗口内的温度数据越偏向受干扰,但是由于每一个传感器发生变化时,会引起一定时间范围内的变化,但是当连续的出现多个传感器都发生了变化的时候,则对应的目标传感器的温度数据便可能会持续的发生变化。本实施例中连续的意思是指:当某一个传感器造成的干扰持续了2秒钟但是在第二秒还没结束时,另一个传感器发生了变化,即同样产生了干扰,则此时干扰的连续波动便会持续更久。
因此获取目标传感器的历史温度数据中最靠前的时刻作为初始时刻,初始时刻的初始窗口内的温度数据的标准差,以当前初始窗口内的标准差作为判定阈值,向更靠后的时刻进行迭代外扩;
具体的,对初始时刻的初始窗口进行外扩的具体过程为:将初始时刻的初始窗口外扩一个时刻,即外扩之后的窗口包含的是初始时刻之后的个时刻(包括初始时刻在内)的温度数据;将外扩之后的窗口内的标准差记为/>;若/>,则表示当窗口向外外扩了一个时序的长度后,标准差没有变小,则认为此时仍受到干扰,此时需要将窗口再外扩一个时序,然后再次计算外扩之后的窗口内的标准差记为/>,如果/>,那么继续扩充窗口,依次类推,将扩充第/>次后,窗口内的标准差记为/>,当外扩到第/>次时,外扩之后的窗口内的标准差/>时,停止外扩并记录此时的窗口为第一个窗口(如果扩充到目标传感器的历史温度数据中最后一个时刻时也停止扩充)。
接着以第一个窗口中最后一个时刻的下一时刻为新的初始时刻,并获得新的初始时刻的初始窗口,然后利用上述的方法继续对初始时刻的初始窗口进行外扩,得到第二个窗口,以此类推,将目标传感器的所有历史温度数据都进行外扩,得到所有的窗口。
在上述得到的所有窗口内计算温度数据的标准差,根据每个窗口中标准差的大小进行从大到小的降序排序,本实施例认为在排序中靠后的百分之七十的窗口内的温度数据并不存在受干扰引起的噪声数据,因此忽略这部分窗口,将剩余的窗口记为干扰段,将得到的干扰段个数记为,其中第/>个干扰段用/>进行表示,其中/>。
至此,完成了对目标传感器的历史温度数据中干扰段的划分。
步骤S003:根据每个参考传感器的历史温度数据得到每个干扰段内每个参考传感器的干扰置信度。
在一个干扰段中,其余参考传感器的温度数据变化越大,认为其引起的电压信号越大,则产生的干扰越大,但是在部分情况下,会存在第时刻下部分受到干扰的目标传感器的温度数据也会呈现变化值,此时,若不对干扰引起的数据与实际增长的数据进行区分的话,则得到的结果也不够准确。因此本实施例对所有传感器中除了目标传感器之外的所有/>个参考传感器的温度数据进行置信度的评估,评估过程如下:
需要说明的是,第个参考传感器的历史温度数据中并不是真实存在干扰段的,只是由于时间是相通的,将目标传感器历史数据中的第/>个干扰段所包含的时序范围对应到第/>个参考传感器对应的时序范围内,将其视为第/>个参考传感器的第/>个干扰段。于是计算第/>个参考传感器中第/>个干扰段对应的时序范围内第t时刻的温度数据与相邻两侧温度数据的夹角即/>,为方便说明,本实施例给出图2对/>进行说明,其中/>表征第/>个参考传感器在第/>个干扰段内第/>时刻的温度数据。于是在第/>个参考传感器在第/>个干扰段内计算标准差,并基于每一时刻数据与相邻时刻数据的夹角作为权重,得到第/>个参考传感器中第/>个干扰段的波动程度即干扰置信度的公式如下:
其中,表示第/>个参考传感器在第/>个干扰段内第/>时刻的温度数据,/>表示第/>个参考传感器第/>个干扰段中所有时刻的参考传感器的温度数据均值,/>是第/>个干扰段中包含的时刻总数,/>是第/>个参考传感器中第/>个干扰段中时刻的标号,且有/>。通过计算第/>个参考传感器在该干扰段中的标准差,用以表征此时该参考传感器的温度数据变化的波动程度。但由于当实际温度发生变化时,其温度数据在短时间内通常是呈单调变化,而标准差中每一项的差异值是基于每一项与标准值的差值,当温度单调增长时,会存在与上下波动的数据曲线的标准差相差较小的情况,因此本实施例通过对每一项数据与其相邻两侧数据的夹角作为每一项数据的突变程度,即当该数据若是噪声数据时,则说明其与实际温度数据并不相同,当数据值发生突变后,又会变回或趋近实际的值,则此时的夹角通常较小,而实际的温度变化引起的数据变化通常是连续的同向的单调变化,因此通过增加这一权重值对两种数据曲线的情况进行区分。同时,这里的归一化方式即/>是通过对所有/>个参考传感器在第/>个干扰段中的第/>时刻的温度数据中的夹角进行线性归一化,取值范围为/>,越接近1,则其夹角越小,即突变程度越强。最终计算得到的/>越大,则当前这一干扰段对应的时序范围内,第/>个参考传感器的温度数据中发生的变化,受干扰的程度更大,则置信度越高,则其在后续用于判定对目标传感器的干扰程度时的权重越小。
步骤S004:根据所有参考传感器的历史温度数据和每个参考传感器之间的距离得到每个干扰段内每个参考传感器的干扰敏感度。
由于传感器之间的距离较近,则热传导效应会导致在温度变化范围内的多个传感器共同变化,这会导致部分传感器其在受到干扰的同时实际上确实存在温度变化,而对应的便会导致在上述标准差中每一个数据的权重表现出来的差异不会太大,因此仍可能无法将两种情况完全分开。故还需根据每一个传感器的温度数据的变化结合传感器之间的距离分布信息对每一个传感器在当前分段内的实际变化情况进一步分析,从而对每一个目标传感器的标准差特征给予不同的敏感值。在本实施例中,对于除了目标传感器和第个参考传感器在内的其余/>个参考传感器,记其中每个参考传感器为第/>个参考传感器,且有。故对于第/>个干扰段对应的时序范围内的第/>个参考传感器的第/>时刻的温度数据/>的斜率即/>,判定/>与其余/>个参考传感器中第/>时刻的温度数据对应的斜率/>的方向是否相同,即是否满足/>,若满足,则此时温度数据变化趋势相同,并计算同一时刻的斜率夹角即/>(小于九十度的锐角),并统计当前第t时刻符合条件的参考传感器数量即/>。则此时基于第/>个参考传感器温度数据在第/>个干扰段中与其余/>个参考传感器的每一时刻温度数据的变化差值,并基于参考传感器之间的距离作为权重得到第v个干扰段时序范围内第/>个参考传感器用于调节置信度的敏感度如下:
其中,是第v个干扰段时序范围内第/>个参考传感器的干扰敏感度,/>表示当前第v个干扰段中第t时刻下符合条件的参考传感器数量,/>表示第v个干扰段中的第t时刻下第n个参考传感器与第/>个参考传感器的温度数据的斜率夹角的线性归一化的值,当这一夹角越大,则该时刻下,两个参考传感器的温度变化趋势差异越大,那么该时刻下,因此通过累加第/>个参考传感器与其余参考传感器同时刻下的温度变化趋势差异,当这一累加值越大,则传感器/>的温度数据与当前所在的局部环境的实际温度变化情况越不相似。而由于温度变化是在局部范围内较为相似,因此通过将第/>个参考传感器与第n个参考传感器之间的距离/>进行线性归一化,记为/>,当其取值越接近1时,表示该参考传感器与第n个参考传感器的距离越近,从而由这一参考传感器计算得到的温度变化趋势差异的可信度越高,依此得到第/>个干扰段时序范围内第/>个参考传感器用于调节置信度的敏感度。但是对于该时刻下第/>个参考传感器自身的温度数据并不确定是否是实际的温度信息,因此通过将该时刻下符合条件的参考传感器的数量作为权重值,此时与其变化趋势相同的参考传感器越多则权重值越真实,最终得到第/>个干扰段时序范围内第/>个参考传感器用于调节置信度的敏感度,这一值越大,本实施例认为此时第/>个参考传感器中对温度数据的影响越真实,存在对噪声信息可能越少,当前第/>个分段内第/>个参考传感器对目标传感器的干扰的可信度越高。
步骤S005:利用每个参考传感器的历史温度数据在每个干扰段中与其余所有参考传感器的每一时刻的温度数据得到每个干扰段的干扰权重值。
根据第个参考传感器在干扰段/>中的置信度/>以及在这一干扰段中的敏感度,得到此时第/>个参考传感器在判定对目标传感器的干扰判断时中,在第/>个干扰段中的权重值即:
公式表示将第个干扰段中第/>个参考传感器的干扰置信度以及干扰敏感度分别与其余参考传感器的干扰置信度以及干扰敏感度在/>个干扰段中进行归一化,记为/>、,表征互相之间的大小之比后,将两者进行相乘从而表征第/>个参考传感器在第v个分段中参与后续干扰判断时的权重值。当这一值越大,则在当前干扰段中判定其造成的干扰的参与度越高。同时,由于/>是对/>的调节,因此这里采用相乘的组合方式。
步骤S006:利用每个干扰段的干扰权重值和每个干扰段内温度数据的标准差得到每个干扰段对参考传感器的干扰贡献度。
根据第个参考传感器在第/>个干扰段的权重值,并基于第/>个干扰段自身的标准差作为其受干扰导致的波动程度进行统计,从而得到实际的第/>个参考传感器对第v个干扰段的干扰贡献度即:
其中,表示在第/>个干扰段中所有传感器历史温度数据的标准差,这一值越大,则认为其受干扰的程度越强。/>表示第/>个参考传感器在第/>个干扰段中的权重值在所有/>个参考传感器的权重值的累加值中的比值,将其作为占比后,再累加所有干扰段中的占比,从而表征在所有的V个干扰段中,第n个参考传感器总共给予的干扰值。需要说明的是,本实施例中所用的/>模型仅用于表示负相关关系和约束模型输出的结果处于[0,1)区间内,具体实施时可替换成具有同样目的的其他模型,本实施例只是以/>模型为例进行叙述,不进行具体限定,其中x表示该模型的输入,本实例中/>。
步骤S007:根据每个参考传感器对干扰段的干扰贡献度得到每个目标传感器在任意时刻下的平滑参数。
对于第个传感器的第/>时刻的数据在后续进行曲线平滑时,对第n个参考传感器第t时刻温度数据与目标传感器第t时刻温度数据的差值/>进行线性归一化,并根据归一化结果以及第n个参考传感器对于目标传感器的干扰贡献度得到目标传感器的第/>时刻的数据的平滑参数的计算公式如下:
其中,为目标传感器的第/>时刻的平滑参数,/>表示对第n个参考传感器第t时刻温度数据与目标传感器第t时刻温度数据的差值/>进行线性归一化,/>表示第n个参考传感器对于目标传感器的干扰贡献度,得到第/>时刻的数据受干扰的程度,由于受干扰程度越大,则后续进行平滑时,平滑的程度越大,则其自身的平滑参数越小,故将参数取相反数并加1以保持参数区间在0-1之内且符合平滑参数和平滑程度的负相关关系。
至此,通过对多个参考传感器的历史温度数据进行分析,确定某一个参考传感器的历史温度数据中的干扰段后,基于每一个参考传感器在当前干扰段时序范围内的可信度,以及该干扰段的波动程度,得到每一个参考传感器根据历史数据得到的对于参考传感器的干扰权重占比,并最终对目标传感器的平滑参数设定根据参考多个参考传感器的突变情况以及干扰权重,得到该目标传感器在任意时刻下的平滑参数。
步骤S008:基于所述数据平滑参数对所对应的历史温度数据进行平滑处理获得平滑后的温度数据,对所述平滑后的温度数据进行检测获得异常温度数据。
在注塑集中供料***中获取***工作时的额定温度,记为。根据目标传感器此时的温度数据得到任意时刻下的平滑参数,利用移动平均法对目标传感器的温度数据进行平滑获得平滑后的温度数据,也即对温度数据进行了去噪处理,得到平滑后的温度数据更趋近于实际的温度数据,将其输出给监测人员,辅助其观察是否发生异常情况,或根据获取的***工作时的额定温度T进行异常温度的判定,当平滑后的温度数据超过***工作时的额定温度T时,判定结果为异常,否则判定结果为正常,依据不同判定结果及时对该传感器所在的局部位置进行相关操作。可将对目标传感器的分析进行一般化处理,即所有传感器的平滑去噪后的更趋近于实际温度的数据都可以根据本实施例先前的步骤进行分析、计算并进行判定,完成检测。
需要说明的是,移动平均法是公知技术,该技术需要设置平滑参数,本实施例利用计算出的平滑参数进行移动平均法运行和实施,该算法的具体运行和实施过程本实施例不再进行赘述。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种注塑集中供料***智能监测方法,其特征在于,该方法包括以下步骤:
获取所有传感器的历史温度数据以及传感器之间的距离;
将任意一个传感器记为目标传感器,将目标传感器之外的所有传感器记为参考传感器;
根据目标传感器的历史温度数据得到目标传感器的干扰段;
根据每个参考传感器的历史温度数据得到每个干扰段内每个参考传感器的干扰置信度;
根据所有参考传感器的历史温度数据和目标传感器与每个参考传感器之间的距离得到每个干扰段内每个参考传感器的干扰敏感度;
在每个干扰段中,根据每个参考传感器的干扰置信度和干扰敏感度以及其余参考传感器的干扰置信度和干扰敏感度得到每个干扰段的干扰权重值;
利用每个干扰段的干扰权重值和每个干扰段内温度数据的标准差得到每个干扰段对参考传感器的干扰贡献度;
根据每个干扰段对参考传感器的干扰贡献度得到目标传感器在任意时刻下的平滑参数;
基于所述平滑参数对所对应的历史温度数据进行平滑处理获得平滑后的温度数据,对所述平滑后的温度数据进行检测获得异常温度数据。
2.根据权利要求1所述一种注塑集中供料***智能监测方法,其特征在于,所述根据目标传感器的历史温度数据得到目标传感器的干扰段,包括的具体步骤如下:
将任意时刻之后的预设数量个时刻作为任意时刻的初始窗口;获取目标传感器的历史温度数据中最靠前的时刻作为初始时刻,以及初始时刻的窗口内的温度数据的标准差,以当前初始窗口内的标准差作为判定阈值,向更靠后的时刻进行迭代外扩,得到一系列窗口的具体过程为:将初始时刻的初始窗口外扩一个时刻;将外扩之后的窗口内的标准差记为/>;若/>,然后再次计算外扩之后的窗口内的标准差记为/>,如果,那么继续扩充窗口,依次类推,直至当外扩到第/>次时,外扩之后的窗口内的标准差/>时,停止外扩并记录此时的窗口为第一个窗口;接着以第一个窗口中最后一个时刻的下一时刻为新的初始时刻,用初始时刻的初始窗口进行外扩得到第二个窗口,以此类推,得到目标传感器历史温度数据的所有窗口,记为全窗口,在全窗口内计算温度数据的标准差,根据每个窗口中标准差的大小进行从大到小的降序排序,忽略在排序中靠后的百分之七十的窗口内的温度数据,将剩余的窗口记为干扰段,将得到的干扰段个数记为/>,其中第/>个干扰段用/>进行表示,其中/>。
3.根据权利要求1所述一种注塑集中供料***智能监测方法,其特征在于,所述根据每个参考传感器的历史温度数据得到每个干扰段内每个参考传感器的干扰置信度的具体计算公式如下:
其中,是第/>个分段中第/>个参考传感器的干扰置信度,/>表示第/>个参考传感器在第/>个干扰段内第/>时刻的温度数据,/>表示第/>个干扰段中所有时刻的参考传感器的温度数据均值,/>是第/>个干扰段中包含的时刻总数,/>是第/>个干扰段中时刻的标号,且有,/>是第/>个干扰段对应的时序范围内第/>个参考传感器某个时刻的温度数据与相邻两侧温度数据的夹角,/>表示对/>进行线性归一化。
4.根据权利要求1所述一种注塑集中供料***智能监测方法,其特征在于,所述根据所有参考传感器的历史温度数据和目标传感器与每个参考传感器之间的距离得到每个干扰段内每个参考传感器的干扰敏感度的具体计算公式如下:
其中,是第/>个干扰段内第/>个参考传感器的干扰敏感度,/>表示第/>个参考传感器第/>个干扰段内第/>时刻符合条件的参考传感器数量,/>表示第/>个干扰段中的第/>时刻下第/>个参考传感器与第/>个参考传感器的温度数据的斜率夹角的线性归一化的值,表示/>个参考传感器之中除了第/>个参考传感器之外的第/>至/>个参考传感器,且有,/>表示对第/>个参考传感器与第/>个参考传感器之间的距离/>进行线性归一化。
5.根据权利要求4所述一种注塑集中供料***智能监测方法,其特征在于,所述符合条件的参考传感器数量指的是:
在第个干扰段对应的时序范围内,将第/>个参考传感器之外的其余所有参考传感器均记为参考传感器/>;计算第/>个参考传感器在第/>时刻的温度数据的初始斜率,记为第一斜率,计算每个参考传感器/>在第/>时刻的温度数据的初始斜率,记为第二斜率;判定第一斜率与第二斜率是否满足正负同号条件,若满足,将参考传感器/>记为符合条件的参考传感器,统计第/>时刻符合条件的所有参考传感器的数量,记为/>。
6.根据权利要求1所述一种注塑集中供料***智能监测方法,其特征在于,所述在每个干扰段中,根据每个参考传感器的干扰置信度和干扰敏感度以及其余参考传感器的干扰置信度和干扰敏感度得到每个干扰段的干扰权重值,包括的具体步骤如下:
将每个干扰段中参考传感器的干扰置信度与其余参考传感器的干扰置信度在所有干扰段中进行归一化得到第一归一化结果,将每个干扰段中参考传感器的干扰敏感度与其余参考传感器的干扰敏感度在所有干扰段中进行归一化得到第二归一化结果,将第一归一化结果和第二归一化结果进行相乘得到每个干扰段的干扰权重值。
7.根据权利要求1所述一种注塑集中供料***智能监测方法,其特征在于,所述利用每个干扰段的干扰权重值和每个干扰段内温度数据的标准差得到每个干扰段对参考传感器的干扰贡献度,包括的具体步骤如下:
将每个参考传感器在每个干扰段中的干扰权重值与所有参考传感器的干扰权重值的累加值的比值作为每个干扰段的占比,累加所有干扰段的占比得到权重和值,并通过归一化操作将每一个参考传感器的权重和值进行缩放得到每个干扰段对参考传感器的干扰贡献度。
8.根据权利要求1所述一种注塑集中供料***智能监测方法,其特征在于,所述根据每个干扰段对参考传感器的干扰贡献度得到目标传感器在任意时刻下的平滑参数,包括的具体步骤如下:
首先,对每个参考传感器第时刻温度数据与每个目标传感器第/>时刻温度数据的差异值进行线性归一化得到第一权重;
其次,将每个干扰段对参考传感器的干扰贡献度记为干扰因子,利用第一权重对干扰因子进行加权求和得到第时刻的数据受干扰的程度;
最后,用1减去第时刻的数据受干扰的程度得到目标传感器在第/>时刻下的平滑参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745705.5A CN116494493B (zh) | 2023-06-25 | 2023-06-25 | 一种注塑集中供料***智能监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310745705.5A CN116494493B (zh) | 2023-06-25 | 2023-06-25 | 一种注塑集中供料***智能监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116494493A true CN116494493A (zh) | 2023-07-28 |
CN116494493B CN116494493B (zh) | 2023-08-22 |
Family
ID=87325023
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310745705.5A Active CN116494493B (zh) | 2023-06-25 | 2023-06-25 | 一种注塑集中供料***智能监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116494493B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776094A (zh) * | 2023-08-22 | 2023-09-19 | 山东盈动智能科技有限公司 | 一种晶振温度测试数据智能分析存储*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4668939A (en) * | 1982-08-27 | 1987-05-26 | Nittan Company, Limited | Apparatus for monitoring disturbances in environmental conditions |
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
CN114234361A (zh) * | 2021-12-14 | 2022-03-25 | 北京工业大学 | 一种基于双重降噪和模糊指标的中央空调传感器故障检测方法 |
CN115167366A (zh) * | 2022-07-29 | 2022-10-11 | 上海工业自动化仪表研究院有限公司 | 基于传感器信号残差序列加权平方和的板卡故障诊断方法 |
CN116225102A (zh) * | 2023-05-06 | 2023-06-06 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种移动式的储能通信温升自动监控***及装置 |
CN116304956A (zh) * | 2023-05-15 | 2023-06-23 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种芯片温度异常在线检测方法 |
-
2023
- 2023-06-25 CN CN202310745705.5A patent/CN116494493B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4668939A (en) * | 1982-08-27 | 1987-05-26 | Nittan Company, Limited | Apparatus for monitoring disturbances in environmental conditions |
US20110167025A1 (en) * | 2008-07-24 | 2011-07-07 | Kourosh Danai | Systems and methods for parameter adaptation |
CN114234361A (zh) * | 2021-12-14 | 2022-03-25 | 北京工业大学 | 一种基于双重降噪和模糊指标的中央空调传感器故障检测方法 |
CN115167366A (zh) * | 2022-07-29 | 2022-10-11 | 上海工业自动化仪表研究院有限公司 | 基于传感器信号残差序列加权平方和的板卡故障诊断方法 |
CN116225102A (zh) * | 2023-05-06 | 2023-06-06 | 南方电网调峰调频发电有限公司信息通信分公司 | 一种移动式的储能通信温升自动监控***及装置 |
CN116304956A (zh) * | 2023-05-15 | 2023-06-23 | 济宁市质量计量检验检测研究院(济宁半导体及显示产品质量监督检验中心、济宁市纤维质量监测中心) | 一种芯片温度异常在线检测方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776094A (zh) * | 2023-08-22 | 2023-09-19 | 山东盈动智能科技有限公司 | 一种晶振温度测试数据智能分析存储*** |
CN116776094B (zh) * | 2023-08-22 | 2023-10-31 | 山东盈动智能科技有限公司 | 一种晶振温度测试数据智能分析存储*** |
Also Published As
Publication number | Publication date |
---|---|
CN116494493B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092582B (zh) | 一种基于残差后验的异常值在线检测及置信度评估方法 | |
CN108038044B (zh) | 一种面向连续被监测对象的异常检测方法 | |
CN116484307B (zh) | 基于云计算智能戒指远程控制方法 | |
CN116494493B (zh) | 一种注塑集中供料***智能监测方法 | |
CN103916896B (zh) | 基于多维Epanechnikov核密度估计的异常检测方法 | |
CN104994539B (zh) | 一种基于arima模型的无线传感器网络流量异常检测方法 | |
CN117009910B (zh) | 一种环境温度异常变化智能监测方法 | |
Raza et al. | Dataset shift detection in non-stationary environments using EWMA charts | |
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN115013865A (zh) | 基于工业大数据的暖气供热异常识别方法 | |
CN116772285B (zh) | 一种智能楼宇供暖负载安全实时监控方法 | |
CN116451014B (zh) | 一种无线无源设备内动部件温度实时监测方法 | |
CN112084461B (zh) | 一种基于历史洪水学习的knn实时校正方法 | |
CN116304963B (zh) | 一种适用于地质灾害预警的数据处理*** | |
Mulia et al. | A review on building occupancy estimation methods | |
CN114646664B (zh) | 新型复合门窗型材隔热性能质量监测方法与*** | |
CN115962551A (zh) | 用于楼宇自动控制的智能空调控制***和方法 | |
CN117313020B (zh) | 一种承载式张力传感器数据处理方法 | |
CN112700039B (zh) | 一种火电厂负荷运行数据的稳态检测与提取方法 | |
CN116448263B (zh) | 一种勃姆石生产设备运行状态检测方法 | |
CN108399415A (zh) | 一种基于设备所处生命周期阶段的自适应数据采集方法 | |
CN114897772A (zh) | 一种基于机器视觉的橡胶正硫化调控的方法 | |
Yu et al. | Design for an SPRT control scheme based on linguistic data | |
CN116861286B (zh) | 一种基于模糊计算的多模态滑坡位移智能预测方法 | |
Dash et al. | Outlier sensitive online change detection using convex combination of adaptive filters in sensor data streams |
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 |