CN117763977B - 一种基于主成分分析的涤纶长丝生产故障预测方法及*** - Google Patents
一种基于主成分分析的涤纶长丝生产故障预测方法及*** Download PDFInfo
- Publication number
- CN117763977B CN117763977B CN202410197839.2A CN202410197839A CN117763977B CN 117763977 B CN117763977 B CN 117763977B CN 202410197839 A CN202410197839 A CN 202410197839A CN 117763977 B CN117763977 B CN 117763977B
- Authority
- CN
- China
- Prior art keywords
- polyester filament
- filament yarn
- section
- model
- parameters
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 34
- 239000005020 polyethylene terephthalate Substances 0.000 title description 3
- 229920004934 Dacron® Polymers 0.000 title description 2
- 229920000728 polyester Polymers 0.000 claims abstract description 121
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 15
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 7
- 210000002569 neuron Anatomy 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 19
- 238000010845 search algorithm Methods 0.000 claims description 14
- 230000008030 elimination Effects 0.000 claims description 12
- 238000003379 elimination reaction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000003213 activating effect Effects 0.000 claims description 7
- 238000013459 approach Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims 1
- 230000008859 change Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 210000004205 output neuron Anatomy 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 229920004933 Terylene® Polymers 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Spinning Methods And Devices For Manufacturing Artificial Fibers (AREA)
Abstract
本发明涉及故障预测方法技术领域,公开了一种基于主成分分析的涤纶长丝生产故障预测方法及***,该方法包括以下步骤:对涤纶长丝生产过程中的若干参数进行收集;将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面;将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型;利用已有的涤纶长丝生产参数训练故障预测模型,通过故障预测模型对涤纶长丝生产故障进行预测;该***包括参数收集模块、工段划分模块、模型构建模块及预测模块。本发明构建一个能够根据工段属性数据预测故障发生的模型。
Description
技术领域
本发明涉及故障预测方法技术领域,尤其涉及一种基于主成分分析的涤纶长丝生产故障预测方法及***。
背景技术
涤纶长丝生产涉及的过程较多,各个工序之间高度耦合。一旦某个工序出现问题,可能会影响后续所有工序,从而导致大面积产能损失或产品质量下降。
例如:
1、溶液调整工序参数不当可能导致长丝成形不良。
2、长丝拉丝工序拉力、速度控制不当可能造成长丝断裂。
3、后续工序如收卷、缠绕参数设置错误也会影响产品质量。
此外,涤纶长丝生产周期较长,问题不及时发现和处理,可能导致大量产品报废。因此,需要对涤纶长丝生产的故障进行预测。
例如中国专利202010372026.4公开了基于主成分分析的涤纶长丝工业生产流程故障预测方法,其对原始生产数据进行主成分分析,并降维,利用多元线性回归算法建立简化模型,且训练简化模型,得到故障预测模型,预测故障,故障预测方法中加入了主成分分析法,将大数据降维,更简便的对数据进行分析。但是上述方法还存在以下不足:涤纶长丝生产是一个比较长比较复杂的过程,涉及到多个工艺参数和环节,如聚合、纺丝、拉伸、定型、卷绕等,现有技术中没有对涤纶长丝生产区域进行准确有效的工段划分,因此在对涤纶长丝生产故障预测时,无法方便的分析各个工段的特征和影响。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
有鉴于此,本申请实施例的目的是提供一种基于主成分分析的涤纶长丝生产故障预测方法及***,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
根据本发明的一个方面,提供了一种基于主成分分析的涤纶长丝生产故障预测方法,该基于主成分分析的涤纶长丝生产故障预测方法包括以下步骤:
S1、对涤纶长丝生产过程中的若干参数进行收集。
S2、将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面。
S3、将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型。
S4、利用已有的涤纶长丝生产参数训练故障预测模型,通过故障预测模型对涤纶长丝生产故障进行预测。
进一步的,为了将涤纶长丝生产区域划分为若干个工段,从而将一个复杂的生产过程简化为若干个相对独立的子过程,便于分析各个工段的特征和影响:
将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面包括以下步骤:
S21、根据涤纶长丝生产过程的特点,确定工段划分的原则;
S22、利用工段划分网络模型以及工段划分的原则,将涤纶长丝生产区域划分为若干个工段,同时给每个工段分配一个编号;
S23、将S1中的涤纶长丝生产过程中的若干参数按照工段编号进行分类,将每个工段的参数整合为一个数据集,作为工段属性数据。
进一步的,利用工段划分网络模型以及工段划分的原则,将涤纶长丝生产区域划分为若干个工段,同时给每个工段分配一个编号包括以下步骤:
S221、选择涤纶长丝生产过程中的参数作为输入特征;
S222、初始化工段划分网络模型的模型参数;
S223、对输入特征进行归一化处理,并生成工段划分网络模型的输出层神经元的集合,同时根据预设的工段个数,选择输出层的结构及规模;
S224、对工段划分网络模型进行迭代训练,并计算每个输入特征与输出层神经元的距离,获取获胜神经元及其邻域,同时更新权值矩阵;
S225、在邻域调整过程中引入优化算法,并以计算的概率激活邻域外的死节点;
S226、循环迭代,若达到最大迭代次数,则停止训练,并得到最终的工段划分网络模型;
S227、根据最终的工段划分网络模型的输出层,将涤纶长丝生产区域划分为若干个工段,每个工段对应一个神经元,并为每个工段分配一个编号。
进一步的,初始化工段划分网络模型的模型参数时,模型参数包括输入层神经元的个数、输出层神经元的个数、权值矩阵、最大迭代次数、邻域参数及学习率。
进一步的,为了找到工段划分网络模型的参数的局部最优解:
初始化工段划分网络模型的模型参数包括以下步骤:
S2221、将模型参数作为待优化的参数;
S2222、将待优化的参数作为输入,构建适应度函数;
S2223、将适应度函数作为搜索算法的目标函数,并通过迭代运行搜索算法,搜索模型参数空间,找到使适应度函数最小化的模型参数组合;
S2224、将使适应度函数最小化的模型参数组合应用于工段划分网络模型,作为初始化的模型参数。
进一步的,将适应度函数作为搜索算法的目标函数,并通过迭代运行搜索算法,搜索模型参数空间,找到使适应度函数最小化的模型参数组合包括以下步骤:
S22231、设定搜索迭代次数、搜索问题的维度、淘汰个体的最大最小数量、范围变化量、种群的总数、种群个体的初始位置及搜索空间的范围;
S22232、根据范围变化量和淘汰函数,生成需要淘汰的个体数目z,并根据适应度值淘汰种群中的个体,且个体淘汰的数量为z;
S22233、记录上一次迭代的搜索空间范围,生成新的搜索空间范围,并对新范围进行扩展,计算范围变化量;
S22234、在新的搜索空间范围内生成z’新个体,替换种群中适应度值较高的若干个体,数量为z’,保持种群总数不变,且每个新个体根据适应度值向当前最优个体靠近,评估适应度值,更新最优个体,对所有个体进行排序;
S22235、若达到最大的搜索迭代次数,则输出结果。
进一步的,提高工段划分网络模型的精度,有助于避免过度拟合:
在邻域调整过程中引入优化算法,并以计算的概率激活邻域外的死节点包括以下步骤:
S2251、在邻域外,随机选择一个神经元作为候选节点,计算候选节点与获胜神经元的距离,得到邻域外的权值调整矩阵;
S2252、根据重要性采样原则,计算接受候选节点的概率p;
S2253、生成一个零到一之间的随机数r,若r<p,则说明候选节点为一个更优的解,并接受候选节点,将候选节点加入到邻域内,更新权值调整矩阵;否则,拒绝候选节点,保持邻域不变;
S2254、根据权值更新矩阵更新输出层权值矩阵,完成一次邻域调整过程。
进一步的,计算接受候选节点的概率时,概率计算公式为:
p=exp(-Δf/(kT));
式中,Δf表示邻域外的权值调整矩阵中的最小值;
k表示一个常数,T表示优化算法的搜索状态,表示一个搜索参数,若搜索参数的数值下降,则接受较差解的概率逐渐减小;
exp表示自然指数函数。
进一步的,为了构建一个能够根据工段属性数据预测故障发生的模型:
将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型包括以下步骤:
S31、对涤纶长丝生产故障的数据和工段属性数据进行主成分分析,并通过PCA降维技术对涤纶长丝生产故障的数据和工段属性数据进行降维处理;
S32、通过相关性分析,确定工段之间的相互影响程度;
S33、将故障发生与否作为因变量,并结合各工段的主成分分析结果和相关性分析结果,定义故障预测模型的目标变量;
S34、利用得到的主成分和相关性信息,选择机器学习模型建立故障预测模型。
根据本发明的另一方面,提供了一种基于主成分分析的涤纶长丝生产故障预测***,该基于主成分分析的涤纶长丝生产故障预测***包括参数收集模块、工段划分模块、模型构建模块及预测模块;其中,参数收集模块与工段划分模块连接,参数收集模块及工段划分模块均与模型构建模块连接,模型构建模块与预测模块连接。
参数收集模块,用于对涤纶长丝生产过程中的若干参数进行收集。
工段划分模块,用于将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面。
模型构建模块,用于将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型。
预测模块,用于利用已有的涤纶长丝生产参数训练故障预测模型,通过故障预测模型对涤纶长丝生产故障进行预测。
本发明的实施例包括以下有益效果:
(1)本发明提供的一种基于主成分分析的涤纶长丝生产故障预测方法及***,通过将涤纶长丝生产区域划分为若干个工段,从而将一个复杂的生产过程简化为若干个相对独立的子过程,便于分析各个工段的特征和影响;利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型,利用统计学的方法,提取出影响故障发生的主要因素,以及各个工段的重要性,从而构建一个能够根据工段属性数据预测故障发生的模型,并通过故障预测模型对涤纶长丝生产故障进行预测。
(2)本发明相比现有技术,利用工段划分网络模型以及工段划分的原则,将涤纶长丝生产区域划分为若干个工段,同时给每个工段分配一个编号,从而根据涤纶长丝生产过程中的参数,自动地将生产区域划分为若干个工段,同时将每个工段的参数整合为一个数据集,作为工段属性数据,进而将原始数据按照工段划分的结果进行分组,得到每个工段的属性数据,作为后续的主成分分析和故障预测模型的输入数据。
(3)本发明采用搜索算法初始化工段划分网络模型的模型参数,从而找到工段划分网络模型的参数的局部最优解,且对工段划分网络模型进行迭代优化,提高工段划分网络模型的精度,有助于避免过度拟合。
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是根据本发明实施例的一种基于主成分分析的涤纶长丝生产故障预测方法的流程图;
图2是根据本发明实施例的一种基于主成分分析的涤纶长丝生产故障预测***的原理框图。
图中:
1、参数收集模块;2、工段划分模块;3、模型构建模块;4、预测模块。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
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申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
根据本发明的实施例,提供了一种基于主成分分析的涤纶长丝生产故障预测方法及***。
现结合附图和具体实施方式对本发明进一步说明,如图1所示,根据本发明的一个实施例,提供了一种基于主成分分析的涤纶长丝生产故障预测方法,该基于主成分分析的涤纶长丝生产故障预测方法包括以下步骤:
S1、对涤纶长丝生产过程中的若干参数进行收集,例如温度、压力、湿度、速度等,以及涤纶长丝生产故障的数据。
S2、将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面。
在进一步的实施例中,将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面包括以下步骤:
S21、根据涤纶长丝生产过程的特点,确定工段划分的原则,如工艺相似性、参数稳定性、故障相关性等。
S22、利用工段划分网络模型以及工段划分的原则,将涤纶长丝生产区域划分为若干个工段,同时给每个工段分配一个编号;其中,工段划分网络模型基于自组织映射网络构建。
具体而言,基于自组织映射网络构建的工段划分网络模型包括以下部分:
输入层:包含涤纶长丝生产过程中的参数特征。
输出层:由一组神经元组成,每个神经元代表一个潜在的工段。输出层的结构和规模是根据预设的工段个数确定的。每个输出神经元都有一个与输入层特征维度相同的权重向量。
权值矩阵:权值矩阵是连接输入层和输出层的参数,用于衡量输入特征与每个输出神经元之间的关系。在训练过程中,这些权值将不断更新,以使得输出层能够更好地表示输入数据的结构。
距离度量:通常使用欧氏距离或其他距离度量方法来计算输入数据与输出层神经元之间的距离,用于确定获胜神经元(最匹配神经元)和邻域。
邻域调整:指在获胜神经元周围形成的神经元邻域内,通过调整权值来使得邻域内的神经元也受到输入数据的影响。
激活规则:激活规则定义了当输入数据与某个神经元匹配时,如何调整该神经元的权值。
迭代训练:工段划分网络模型在训练阶段会进行多次迭代,每一轮迭代包括输入数据的呈现、获胜神经元的确定、邻域调整、权值更新等步骤,使得模型逐渐学习并适应输入数据的分布特性。
模型输出:最终的工段划分网络模型会输出每个工段的编号,将涤纶长丝生产区域划分为若干个工段,每个工段对应一个神经元。
S23、将S1中的涤纶长丝生产过程中的若干参数按照工段编号进行分类,将每个工段的参数整合为一个数据集,作为工段属性数据。
在进一步的实施例中,利用工段划分网络模型以及工段划分的原则,将涤纶长丝生产区域划分为若干个工段,同时给每个工段分配一个编号包括以下步骤:
S221、选择涤纶长丝生产过程中的参数作为输入特征;
S222、初始化工段划分网络模型的模型参数;
S223、对输入特征进行归一化处理,并生成工段划分网络模型的输出层神经元的集合,同时根据预设的工段个数,选择输出层的结构及规模;
S224、对工段划分网络模型进行迭代训练,并计算每个输入特征与输出层神经元的距离,获取获胜神经元及其邻域,同时更新权值矩阵;
S225、在邻域调整过程中引入优化算法,并以计算的概率激活邻域外的死节点,避免过度拟合和死节点的出现;
S226、循环迭代,若达到最大迭代次数,则停止训练,并得到最终的工段划分网络模型;
S227、根据最终的工段划分网络模型的输出层,将涤纶长丝生产区域划分为若干个工段,每个工段对应一个神经元,并为每个工段分配一个编号。
需要说明的是,通过初始化工段划分网络模型的模型参数,为工段划分网络模型的模型参数的设置提供了较好的起点,但并不保证工段划分网络模型已经达到了最优状态。在S224-S226中,工段划分网络模型会根据实际数据进行迭代训练,不断调整权值矩阵,寻找更优的模型参数组合。
在进一步的实施例中,初始化工段划分网络模型的模型参数时,模型参数包括输入层神经元的个数、输出层神经元的个数、权值矩阵、最大迭代次数、邻域参数及学习率。
在进一步的实施例中,初始化工段划分网络模型的模型参数包括以下步骤:
S2221、将模型参数作为待优化的参数。
S2222、将待优化的参数作为输入,构建适应度函数。
其中,适应度函数的公式为:
式中,N表示待优化的参数集(该参数集为所有模型参数组成的集合)的数量,i表示待优化的参数集的编号,y表示实际值,表示工段划分网络模型使用第i个待优化的参数集时的预测值,MSE表示均方误差,即适应度值。实际值是根据涤纶长丝生产区域工段划分的真实情况得来的,预测值是工段划分网络模型根据输入温度、压力、湿度、速度等数据预测出来的。
例如,获得已知的涤纶长丝生产区域的数据,包括温度和湿度的值,以及区域的实际工段划分情况:
区域一:温度=30℃,湿度=60%,实际工段划分=1。
区域二:温度=25℃,湿度=70%,实际工段划分=2。
区域三:温度=28℃,湿度=65%,实际工段划分=3。
工段划分网络模型预测为:
对于区域一,预测工段划分为1。
对于区域二,预测工段划分为2。
对于区域三,预测工段划分为3。
工段划分网络模型的目标为使预测值尽量接近实际值,以达到准确划分涤纶长丝生产区域的工段的目的。
S2223、将适应度函数作为搜索算法的目标函数,并通过迭代运行搜索算法,搜索模型参数空间,找到使适应度函数最小化的模型参数组合。
S2224、将使适应度函数最小化的模型参数组合应用于工段划分网络模型,作为初始化的模型参数。
在进一步的实施例中,将适应度函数作为搜索算法的目标函数,并通过迭代运行搜索算法,搜索模型参数空间,找到使适应度函数最小化的模型参数组合包括以下步骤:
S22231、设定搜索迭代次数、搜索问题的维度、淘汰个体的最大最小数量、范围变化量、种群的总数、种群个体的初始位置及搜索空间的范围。
S22232、根据范围变化量和淘汰函数,生成需要淘汰的个体数目z,并根据适应度值淘汰种群中的个体,且个体淘汰的数量为z,适应度值越低越好;其中,淘汰函数用于根据范围变化量生成淘汰个数,其公式为:
fout(h)=[(Am-Al)·e-h]+Al;
式中,h表示范围变化量,Am表示最大淘汰个数,Al表示最小淘汰个数,e表示自然常数,fout表示淘汰个数。
S22233、记录上一次迭代的搜索空间范围,生成新的搜索空间范围,并对新范围进行扩展,计算范围变化量;
其中,对新范围进行扩展时,在每一次迭代中,根据一个随机数,将当前的搜索空间范围向上一次的搜索空间范围的方向扩展一定的距离,使得搜索空间不会过快地收缩。
范围变化量指当前迭代中每一维度的最大值和最小值与上一次迭代中每一维度的最大值和最小值之间的差异的绝对值的平均数;范围变化量反映了搜索空间的变化程度,当范围变化量趋近于零时,说明搜索空间趋于稳定,此时可以停止迭代。范围变化量还影响了淘汰函数的值,即淘汰个数,当范围变化量较大时,淘汰个数较多,当范围变化量较小时,淘汰个数较少。
S22234、在新的搜索空间范围内生成z’新个体,替换种群中适应度值较高的若干个体,数量为z’,保持种群总数不变,且每个新个体根据适应度值向当前最优个体靠近,评估适应度值,更新最优个体,对所有个体进行排序。
其中,每个新个体根据适应度值向当前最优个体靠近时,在每一次迭代中,将新产生的个体的位置向当前最优的个体的位置靠近一定的距离,使得新个体有更高的概率找到更优的位置。
S22235、若达到最大的搜索迭代次数,则输出结果。
在进一步的实施例中,在邻域调整过程中引入优化算法,并以计算的概率激活邻域外的死节点包括以下步骤:
S2251、在邻域外,随机选择一个神经元作为候选节点,计算候选节点与获胜神经元的距离,得到邻域外的权值调整矩阵;
S2252、根据重要性采样原则,计算接受候选节点的概率p;
S2253、生成一个零到一之间的随机数r,若r<p,则说明候选节点为一个更优的解,并接受候选节点,将候选节点加入到邻域内,更新权值调整矩阵;否则,拒绝候选节点,保持邻域不变;
S2254、根据权值更新矩阵更新输出层权值矩阵,完成一次邻域调整过程。
在进一步的实施例中,计算接受候选节点的概率时,概率计算公式为:
p=exp(-Δf/(kT));
式中,Δf表示邻域外的权值调整矩阵中的最小值;
k表示一个常数,T表示优化算法的搜索状态,表示一个搜索参数,若搜索参数的数值下降,则接受较差解的概率逐渐减小,即其用来决定优化算法是否接受更差的解;
exp表示自然指数函数。
S3、将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型。
在进一步的实施例中,将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型包括以下步骤:
S31、对涤纶长丝生产故障的数据和工段属性数据进行主成分分析,并通过PCA降维技术对涤纶长丝生产故障的数据和工段属性数据进行降维处理。
S32、通过相关性分析,确定工段之间的相互影响程度;相关性分析是一种统计方法,用于研究两个或多个变量之间的关系程度,例如,如果两个工段的某些参数具有正向相关性,说明它们的变化趋势是一致的;如果具有负向相关性,说明它们的变化趋势是相反的。
S33、将故障发生与否作为因变量,并结合各工段的主成分分析结果和相关性分析结果,定义故障预测模型的目标变量。
S34、利用得到的主成分和相关性信息,选择机器学习模型(例如逻辑回归、支持向量机等)建立故障预测模型,且模型的输入包括降维后的主成分数据和相关性分析结果。
S4、利用已有的涤纶长丝生产参数训练故障预测模型,通过故障预测模型对涤纶长丝生产故障进行预测。
在进一步的实施例中,利用已有的涤纶长丝生产参数训练故障预测模型,通过故障预测模型对涤纶长丝生产故障进行预测包括以下步骤:
S41、使用训练好的故障预测模型对新的涤纶长丝生产参数数据进行预测。
S42、S41、根据输入的参数数据,输出故障发生的概率或分类结果。这个结果帮助生产过程中的监控和决策,预测哪些工段或哪些参数导致故障的发生。
如图2所示,根据本发明的另一个实施例,提供了一种基于主成分分析的涤纶长丝生产故障预测***,该基于主成分分析的涤纶长丝生产故障预测***包括参数收集模块1、工段划分模块2、模型构建模块3及预测模块4;其中,参数收集模块1与工段划分模块2连接,参数收集模块1及工段划分模块2均与模型构建模块3连接,模型构建模块3与预测模块4连接;
参数收集模块1,用于对涤纶长丝生产过程中的若干参数进行收集。
工段划分模块2,用于将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面。
模型构建模块3,用于将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型。
预测模块4,用于利用已有的涤纶长丝生产参数训练故障预测模型,通过故障预测模型对涤纶长丝生产故障进行预测。
综上所述,本发明提供的一种基于主成分分析的涤纶长丝生产故障预测方法及***,通过将涤纶长丝生产区域划分为若干个工段,从而将一个复杂的生产过程简化为若干个相对独立的子过程,便于分析各个工段的特征和影响;利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型,利用统计学的方法,提取出影响故障发生的主要因素,以及各个工段的重要性,从而构建一个能够根据工段属性数据预测故障发生的模型,并通过故障预测模型对涤纶长丝生产故障进行预测。本发明相比现有技术,利用工段划分网络模型以及工段划分的原则,将涤纶长丝生产区域划分为若干个工段,同时给每个工段分配一个编号,从而根据涤纶长丝生产过程中的参数,自动地将生产区域划分为若干个工段,同时将每个工段的参数整合为一个数据集,作为工段属性数据,进而将原始数据按照工段划分的结果进行分组,得到每个工段的属性数据,作为后续的主成分分析和故障预测模型的输入数据。本发明采用搜索算法初始化工段划分网络模型的模型参数,从而找到工段划分网络模型的参数的局部最优解,且对工段划分网络模型进行迭代优化,提高工段划分网络模型的精度,有助于避免过度拟合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
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 (7)
1.一种基于主成分分析的涤纶长丝生产故障预测方法,其特征在于,该基于主成分分析的涤纶长丝生产故障预测方法包括以下步骤:
S1、对涤纶长丝生产过程中的若干参数进行收集;
S2、将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面;
S3、将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型;
S4、利用已有的涤纶长丝生产参数训练故障预测模型,通过故障预测模型对涤纶长丝生产故障进行预测;
所述将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面包括以下步骤:
S21、根据涤纶长丝生产过程的特点,确定工段划分的原则;
S22、利用工段划分网络模型以及工段划分的原则,将涤纶长丝生产区域划分为若干个工段,同时给每个工段分配一个编号;
S23、将S1中的涤纶长丝生产过程中的若干参数按照工段编号进行分类,将每个工段的参数整合为一个数据集,作为工段属性数据;
所述利用工段划分网络模型以及工段划分的原则,将涤纶长丝生产区域划分为若干个工段,同时给每个工段分配一个编号包括以下步骤:
S221、选择涤纶长丝生产过程中的参数作为输入特征;
S222、初始化工段划分网络模型的模型参数;
S223、对输入特征进行归一化处理,并生成工段划分网络模型的输出层神经元的集合,同时根据预设的工段个数,选择输出层的结构及规模;
S224、对工段划分网络模型进行迭代训练,并计算每个输入特征与输出层神经元的距离,获取获胜神经元及其邻域,同时更新权值矩阵;
S225、在邻域调整过程中引入优化算法,并以计算的概率激活邻域外的死节点;
S226、循环迭代,若达到最大迭代次数,则停止训练,并得到最终的工段划分网络模型;
S227、根据最终的工段划分网络模型的输出层,将涤纶长丝生产区域划分为若干个工段,每个工段对应一个神经元,并为每个工段分配一个编号;
所述将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型包括以下步骤:
S31、对涤纶长丝生产故障的数据和工段属性数据进行主成分分析,并通过PCA降维技术对涤纶长丝生产故障的数据和工段属性数据进行降维处理;
S32、通过相关性分析,确定工段之间的相互影响程度;
S33、将故障发生与否作为因变量,并结合各工段的主成分分析结果和相关性分析结果,定义故障预测模型的目标变量;
S34、利用得到的主成分和相关性信息,选择机器学习模型建立故障预测模型,且输入包括降维后的主成分数据和相关性分析结果。
2.根据权利要求1所述的一种基于主成分分析的涤纶长丝生产故障预测方法,其特征在于,所述初始化工段划分网络模型的模型参数时,模型参数包括输入层神经元的个数、输出层神经元的个数、权值矩阵、最大迭代次数、邻域参数及学习率。
3.根据权利要求2所述的一种基于主成分分析的涤纶长丝生产故障预测方法,其特征在于,所述初始化工段划分网络模型的模型参数包括以下步骤:
S2221、将模型参数作为待优化的参数;
S2222、将待优化的参数作为输入,构建适应度函数;
S2223、将适应度函数作为搜索算法的目标函数,并通过迭代运行搜索算法,搜索模型参数空间,找到使适应度函数最小化的模型参数组合;
S2224、将使适应度函数最小化的模型参数组合应用于工段划分网络模型,作为初始化的模型参数。
4.根据权利要求3所述的一种基于主成分分析的涤纶长丝生产故障预测方法,其特征在于,所述将适应度函数作为搜索算法的目标函数,并通过迭代运行搜索算法,搜索模型参数空间,找到使适应度函数最小化的模型参数组合包括以下步骤:
S22231、设定搜索迭代次数、搜索问题的维度、淘汰个体的最大最小数量、范围变化量、种群的总数、种群个体的初始位置及搜索空间的范围;
S22232、根据范围变化量和淘汰函数,生成需要淘汰的个体数目z,并根据适应度值淘汰种群中的个体,且个体淘汰的数量为z;
S22233、记录上一次迭代的搜索空间范围,生成新的搜索空间范围,并对新范围进行扩展,计算范围变化量;
S22234、在新的搜索空间范围内生成z’新个体,替换种群中适应度值高的若干个体,数量为z’,保持种群总数不变,且每个新个体根据适应度值向当前最优个体靠近,评估适应度值,更新最优个体,对所有个体进行排序;
S22235、若达到最大的搜索迭代次数,则输出结果。
5.根据权利要求4所述的一种基于主成分分析的涤纶长丝生产故障预测方法,其特征在于,所述在邻域调整过程中引入优化算法,并以计算的概率激活邻域外的死节点包括以下步骤:
S2251、在邻域外,随机选择一个神经元作为候选节点,计算候选节点与获胜神经元的距离,得到邻域外的权值调整矩阵;
S2252、根据重要性采样原则,计算接受候选节点的概率p;
S2253、生成一个零到一之间的随机数r,若r<p,则说明候选节点为一个更优的解,并接受候选节点,将候选节点加入到邻域内,更新权值调整矩阵;否则,拒绝候选节点,保持邻域不变;
S2254、根据权值更新矩阵更新输出层权值矩阵,完成一次邻域调整过程。
6.根据权利要求5所述的一种基于主成分分析的涤纶长丝生产故障预测方法,其特征在于,所述计算接受候选节点的概率时,概率计算公式为:
p=exp(-Δf/(kT));
式中,Δf表示邻域外的权值调整矩阵中的最小值;
k表示一个常数,T表示搜索参数;
exp表示自然指数函数。
7.一种基于主成分分析的涤纶长丝生产故障预测***,用于实现权利要求1-6任一项所述的基于主成分分析的涤纶长丝生产故障预测方法,其特征在于,该基于主成分分析的涤纶长丝生产故障预测***包括参数收集模块、工段划分模块、模型构建模块及预测模块;
其中,所述参数收集模块与所述工段划分模块连接,所述参数收集模块及所述工段划分模块均与所述模型构建模块连接,所述模型构建模块与所述预测模块连接;
所述参数收集模块,用于对涤纶长丝生产过程中的若干参数进行收集;
所述工段划分模块,用于将涤纶长丝生产区域划分为若干个工段,并将涤纶长丝生产过程中的参数整合至工段层面;
所述模型构建模块,用于将涤纶长丝生产故障的数据和工段属性数据作为输入层,利用主成分分析方法,将各工段间的相关性、各工段对故障的贡献度作为因变量,建立故障预测模型;
所述预测模块,用于利用已有的涤纶长丝生产参数训练故障预测模型,通过故障预测模型对涤纶长丝生产故障进行预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410197839.2A CN117763977B (zh) | 2024-02-22 | 2024-02-22 | 一种基于主成分分析的涤纶长丝生产故障预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410197839.2A CN117763977B (zh) | 2024-02-22 | 2024-02-22 | 一种基于主成分分析的涤纶长丝生产故障预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117763977A CN117763977A (zh) | 2024-03-26 |
CN117763977B true CN117763977B (zh) | 2024-05-10 |
Family
ID=90326096
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410197839.2A Active CN117763977B (zh) | 2024-02-22 | 2024-02-22 | 一种基于主成分分析的涤纶长丝生产故障预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117763977B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009076772A (ja) * | 2007-09-21 | 2009-04-09 | Toshiba Corp | 工程監視方法 |
CN109116834A (zh) * | 2018-09-04 | 2019-01-01 | 湖州师范学院 | 一种基于深度学习的间歇过程故障检测方法 |
CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测*** |
CN110032069A (zh) * | 2019-04-02 | 2019-07-19 | 东华大学 | 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法 |
CN110263380A (zh) * | 2019-05-23 | 2019-09-20 | 东华大学 | 一种纺丝工序级联建模分段区间参数配置方法 |
CN111709181A (zh) * | 2020-05-06 | 2020-09-25 | 东华大学 | 基于主成分分析的涤纶长丝工业生产流程故障预测方法 |
CN113517039A (zh) * | 2020-04-10 | 2021-10-19 | 中国石油化工股份有限公司 | 基于VOCs组分识别生产装置的方法及*** |
CN115099365A (zh) * | 2022-07-22 | 2022-09-23 | 云南中烟工业有限责任公司 | 一种对生产工段数据进行降噪降维和特征提取的方法 |
-
2024
- 2024-02-22 CN CN202410197839.2A patent/CN117763977B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009076772A (ja) * | 2007-09-21 | 2009-04-09 | Toshiba Corp | 工程監視方法 |
CN109116834A (zh) * | 2018-09-04 | 2019-01-01 | 湖州师范学院 | 一种基于深度学习的间歇过程故障检测方法 |
CN109856969A (zh) * | 2018-11-06 | 2019-06-07 | 皖西学院 | 一种基于bp神经网络模型的故障预测方法及预测*** |
CN110032069A (zh) * | 2019-04-02 | 2019-07-19 | 东华大学 | 一种基于误差补偿的聚酯纤维纺丝工序分段参数配置方法 |
CN110263380A (zh) * | 2019-05-23 | 2019-09-20 | 东华大学 | 一种纺丝工序级联建模分段区间参数配置方法 |
CN113517039A (zh) * | 2020-04-10 | 2021-10-19 | 中国石油化工股份有限公司 | 基于VOCs组分识别生产装置的方法及*** |
CN111709181A (zh) * | 2020-05-06 | 2020-09-25 | 东华大学 | 基于主成分分析的涤纶长丝工业生产流程故障预测方法 |
CN115099365A (zh) * | 2022-07-22 | 2022-09-23 | 云南中烟工业有限责任公司 | 一种对生产工段数据进行降噪降维和特征提取的方法 |
Non-Patent Citations (2)
Title |
---|
基于PSO-SVM的多阶段产品质量预测控制方法研究;杨静萍;王万雷;康晶;米守防;;大连民族学院学报;20130115(第01期);全文 * |
基于RF-SVM的发动机缸体孔组加工质量分级监控;杨泽青;范敏;彭凯;刘丽冰;黄凤荣;;计算机工程与设计;20200516(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117763977A (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
CN107992976B (zh) | 热点话题早期发展趋势预测***及预测方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN115099519B (zh) | 一种基于多机器学习模型融合的油井产量预测方法 | |
CN114077876B (zh) | 一种带钢热连轧多模态过程监测方法及装置 | |
CN111583031A (zh) | 一种基于集成学习的申请评分卡模型建立方法 | |
CN110674940B (zh) | 一种基于神经网络的多指标异常检测方法 | |
JP2021090344A (ja) | 機械学習装置、デマンド制御システム、及び、空調制御システム | |
Tembusai et al. | K-nearest neighbor with k-fold cross validation and analytic hierarchy process on data classification | |
CN115828754A (zh) | 基于多尺度时空融合网络模型的刀具磨损状态监测方法 | |
Al-Ghanim | An unsupervised learning neural algorithm for identifying process behavior on control charts and a comparison with supervised learning approaches | |
CN113673679A (zh) | 一种基于粒子群优化神经网络的烘丝工艺参数选取方法 | |
CN114202065B (zh) | 一种基于增量式演化lstm的流数据预测方法及装置 | |
CN117763977B (zh) | 一种基于主成分分析的涤纶长丝生产故障预测方法及*** | |
CN112528554A (zh) | 一种适于多发多源火箭试验数据的数据融合方法及*** | |
CN108985563B (zh) | 一种基于自组织特征映射的机电***服役动态标记方法 | |
CN116277821A (zh) | 一种注塑机注射成形过程异常的监控方法及设备 | |
Taco et al. | A novel technique for multiple failure modes classification based on deep forest algorithm | |
Sallehuddin et al. | Forecasting small data set using hybrid cooperative feature selection | |
Huang et al. | Automatic virtual metrology system design and implementation | |
CN113377630A (zh) | 一种通用的kpi异常检测框架实现方法 | |
TWI810602B (zh) | 基於機械學習的關鍵因子自動尋找方法 | |
JP2021056893A (ja) | 機械学習装置、及び、空調制御システム | |
Bodyanskiy et al. | Data streams fast EM-fuzzy clustering based on Kohonen's self-learning | |
CN117151229B (zh) | 一种基于云边端架构的云端推理方法及*** |
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 |