一种共混挤出过程异常检测与定位方法技术

本发明专利技术公开了一种共混挤出过程异常检测与定位方法：采集加工过程中正常条件下和异常条件下的光谱超声与机身运行状态数据并进行预处理；根据数据基于最大方差选择方法从每种数据来源中选择前n个特征，建立GMV数据集；根据GMV数据集按正常加工和异常加工划分为训练集和测试集，基于训练集建立KPCA异常检测模型；根据KPCA模型计算T2统计量控制限和SPE统计量控制限，计算测试集数据T2统计量和SPE统计量是否超过控制限即可判断共混挤出过程是否发生异常；根据GMV数据集和KPCA异常检测模型计算统计量贡献数据，基于统计量贡献数据建立C

【技术实现步骤摘要】
一种共混挤出过程异常检测与定位方法


[0001]本专利技术涉及共混挤出加工过程异常检测
，尤其涉及一种共混挤出过程异常检测与定位方法。

技术介绍

[0002]在聚合物加工领域，随着人们对塑料制品强度、硬度、韧性等性能要求和精度、色泽等外形要求越来越高，塑料成型加工过程中使用的原料质量要求也随之提高，由纯料制成的塑料产品往往存在性能上的不足，无法满足特定的要求，因此想要获得高质量、高性能的原料需要对其进行改性，共混改性方法由于其成本低、操作简单的优势，得到了广泛的应用，通过共混挤出可以改善材料的力学性能与加工性能，将多种聚合物的优点结合起来，以满足日益提高的性能要求。
[0003]共混挤出加工过程存在的主要问题就是，同一批次挤出产品间的分散性差异大，不同批次挤出产品间的质量波动大，造成这一问题的原因除了基础性的生产工艺研究不够深入外，还包括加工条件控制的不精确以及加工条件监控的不全面。
[0004]为及时发现产品质量的异常并定位导致质量降低的加工条件，在共混挤出生产过程中，对挤出造粒产品进行抽样检测是目前应用最广泛的方法，这种方法将一个生产批次沿着生产时间划分为多个段，从每个时间段的造粒产品中抽取部分进行离线的质量检测，这种质量监测方法直接面向结果，准确率高，但是存在着检测周期长、取样具有偶然性、难以直接反映异常原因等问题。
[0005]随着挤出机上传感器数量和种类的增加，出现了在线质量检测方法，通过传感器数据和机身运行数据，建立一个挤出产品质量指标预测模型，实现产品质量指标的实时预测，这种方法在保证准确性的前提下，大大缩减了检测时间，提高了检测频次，使结果快速反映到产线上，指导加工条件的调整。但这种监测方法仍面向结果，当质量预测结果不符合生产预期时，只能确定加工条件出现了异常，无法直接定位导致质量异常的原因。

技术实现思路

[0006]本专利技术提供一种共混挤出过程异常检测与定位方法。
[0007]为解决现有技术存在的问题，本专利技术通过采集共混挤出加工过程数据，建立异常检测模型与异常定位模型，实现加工过程异常的快速检测与定位，通过本方法，无需抽样检测或在线检测挤出产品的质量指标来监测加工条件异常与否，只需要在挤出机上采集近红外光谱数据、拉曼光谱数据、超声回波数据、模头熔体压力和主机电流数据，即可实时判断当前加工条件异常与否，若检测出异常，还可以快速定位异常加工条件，如螺杆转速、模头温度、原料配比等。
[0008]本专利技术通过下述技术方案实现：
[0009]一种共混挤出过程异常检测与定位方法，包括以下步骤：
[0010]采集加工过程中正常加工条件下和异常加工条件下的光谱超声与机身运行状态
数据并进行预处理；
[0011]根据数据基于最大方差特征选择方法从每种数据来源中选择前n个特征，建立GMV数据集；
[0012]根据GMV数据集按正常加工和异常加工划分为训练集和测试集，基于训练集建立KPCA异常检测模型；
[0013]根据KPCA模型计算T2统计量控制限和SPE统计量控制限，计算测试集数据T2统计量和SPE统计量是否超过控制限即可判断共混挤出过程是否发生异常；
[0014]根据GMV数据集和KPCA异常检测模型计算统计量贡献数据，基于统计量贡献数据建立C
‑
SVM异常定位模型；
[0015]将待测数据预处理、最大方差特征选择和计算统计量贡献数据后，根据SVM定位模型，获得异常定位结果。
[0016]进一步地，在共混挤出加工过程中采集和处理加工过程中产生的数据，获得GMV数据集。
[0017]进一步地，采集挤出机共混加工过程数据并进行预处理，数据采集与预处理的步骤包括：采集挤出机挤出产品的近红外光谱数据、拉曼光谱数据、超声回波数据以及机身状态数据如熔体压力和主机电流。对近红外光谱数据进行归一化、基线校正，对拉曼光谱数据进行特征截取、归一化、基线校正，对超声回波数据进行特征截取。
[0018]进一步地，基于预处理后数据进行最大方差特征选取，建立GMV数据集，建立GMV数据集的步骤包括：确定各类型数据保留的特征数量n。计算预处理后数据每个特征的方差大小，将数据按来源不同进行分类，并根据方差大小从大到小排列对应的特征。每种类型数据选取前n个特征，拼接构成GMV数据集。
[0019]进一步的，基于GMV数据集，划分训练数据和测试数据，训练KPCA异常检测模型，获得统计量控制限，通过KPCA异常检测模型计算测试数据的统计量值，判断统计量值是否超出统计量控制限，实现共混挤出过程异常检测。
[0020]进一步的，基于GMV数据集训练KPCA异常检测模型，模型建立步骤包括：将GMV数据集划分为训练数据与待测试数据，其中训练数据为正常加工条件下采集到的数据，待测试数据为异常加工条件下采集到的数据。归一化训练数据，并保留归一化相关参数，基于归一化后训练数据建立KPCA异常检测模型。
[0021]进一步的，根据KPCA异常检测模型，计算统计量控制限，实现待检测数据的异常检测，统计量控制限计算过程和待测试数据检测步骤包括：根据KPCA异常检测模型建立过程计算T2统计量控制限和SPE统计量控制限。根据训练数据的归一化参数归一化待测试数据，并通过KPCA异常检测模型计算待测试数据的T2统计量值和SPE统计量值。判断统计量值与统计量控制限的大小，超出统计量控制限判定为异常，实现共混挤出过程的异常检测。
[0022]进一步的，基于KPCA异常检测模型计算统计量贡献数据，由统计量贡献数据建立C
‑
SVM异常定位模型，实现共混挤出过程异常定位。
[0023]进一步的，基于统计量贡献数据建立C
‑
SVM异常定位模型，模型建立步骤包括：根据KPCA异常检测模型分别计算GMV数据集的T2统计量贡献数据和SPE统计量贡献数据。拼接T2统计量贡献数据和SPE统计量贡献数据，并按照7:3的比例划分训练集与测试集。将训练集进行归一化并保留归一化参数，利用归一化后数据建立C
‑
SVM异常定位模型。测试集利用
归一化参数归一化，通过C
‑
SVM模型预测结果调节模型超参数，获得最优异常定位模型。
[0024]进一步的，处理挤出过程采集到的数据，通过KPCA异常检测模型和C
‑
SVM异常定位模型，实现异常定位，异常定位步骤包括：采集数据经预处理、最大方差特征选择和归一化后，进行异常检测。当检测结果为异常时，通过KPCA异常检测模型计算T2与SPE统计量贡献数据，并拼接为一条数据。将拼接数据归一化后，利用C
‑
SVM异常定位模型获得定位结果，实现共混挤出过程的异常定位。
[0025]本专利技术相对于现有技术，具有如下的优点及效果：
[0026]本专利技术相对于常用的面向结果的质量监控手段，如离线抽样检测方法和在线产品质量指标预测方法，本专利技术面向过程进行质量监测，通过挤出过程中采集到的过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种共混挤出过程异常检测与定位方法，其特征在于，包括以下步骤：采集加工过程中，正常加工条件下和异常加工条件下的光谱超声与机身的运行状态数据并进行预处理；根据运行状态数据，基于最大方差特征选择方法从每种数据来源中选择前n个特征，建立GMV数据集；根据GMV数据集按正常加工和异常加工划分为训练集和测试集，基于训练集建立KPCA异常检测模型；根据KPCA异常检测模型，计算T2统计量控制限和SPE统计量控制限，计算测试集数据T2统计量和SPE统计量，是否超过控制限即可判断共混挤出过程是否发生异常；根据GMV数据集和KPCA异常检测模型计算统计量贡献数据，基于统计量贡献数据建立C
‑
SVM异常定位模型；将待测数据预处理、最大方差特征选择和计算统计量贡献数据后，根据C
‑
SVM异常定位模型，获得异常定位结果。2.根据权利要求1所述共混挤出过程异常检测与定位方法，其特征在于，基于GMV数据集，划分训练数据和测试数据，训练KPCA异常检测模型，获得统计量控制限，通过KPCA异常检测模型计算测试数据的统计量值，判断统计量值是否超出所述统计量控制限，实现共混挤出过程异常检测。3.根据权利要求1所述共混挤出过程异常检测与定位方法，其特征在于，基于KPCA异常检测模型计算统计量贡献数据，由统计量贡献数据建立C
‑
SVM异常定位模型，实现共混挤出过程异常定位。4.根据权利要求1所述共混挤出过程异常检测与定位方法，其特征在于，采集和处理加工过程中产生的数据，获得GMV数据集，具体是指，采集挤出机共混加工过程数据并进行预处理，数据采集与预处理的步骤包括：采集挤出机挤出产品的近红外光谱数据、拉曼光谱数据、超声回波数据以及机身状态数据如熔体压力和主机电流；对近红外光谱数据进行归一化、基线校正，对拉曼光谱数据进行特征截取、归一化、基线校正，对超声回波数据进行特征截取。5.根据权利要求4所述共混挤出过程异常检测与定位方法，其特征在于，基于预处理后数据进行最大方差特征选取，建立GMV数据集，建立所述GMV数据集的步骤包括：确定各类型数据保留的特征数量n；计算所述预处理后数据每个特征的方差大小，将数据按来源不同进行分类，并根据方差大小从大到小排列对应...

【专利技术属性】
技术研发人员：晋刚，邓旭，黄晓东，任国振，王蒙蒙，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：