[发明专利]一种基于改进MLLE的注塑机异常检测方法

权利要求书

1.一种基于改进MLLE的注塑机异常检测方法，其特征在于，包括以下步骤：

S1：采集注塑机正常工况下的样本，所述样本包括批次I、变量J以及时间K三个维度，将该样本展开并标准化处理，然后沿变量J展开为二维矩阵，得到样本集X，用X_i表示样本集X中的一个样本点；

S2：计算出各样本点之间的灰色关联度，再通过knn算法求取样本点X_i的k个近邻点，k个所述近邻点构成样本点X_i的局部邻域集；

S3：根据样本点X_i的局部邻域集，计算样本点X_i的重构权值向量ω_ij，其构成样本集X的重构权值矩阵W；

S4：根据步骤S3得到的重构权值矩阵W，将所有样本点从高维空间映射到低维空间计算低维嵌入，得到低维矩阵Y；

S5：定义映射矩阵A，使其满足Y＝AX，并求得该映射矩阵A；

S6：根据统计学原理以及样本集X，得到统计量T²的阈值T_α²以及统计量SPE的阈值SPE_α；

S7:采集注塑机待检测工况下的样本，待检测工况下的样本也包括批次、变量以及时间三个维度，将步骤S7采集到的样本展开并标准化处理，然后沿变量展开为二维样本，得到新样本集X_new；

S8：根据公式Y_new＝AX_new，求得新样本集X_new降维后的低维矩阵Y_new；

S9：根据低维矩阵Y_new，求得待检测样本的统计量T²以及统计量SPE；

S10：如果或SPE＞SPE_α，则表明注塑机出现异常工况，进行步骤S11定位引起注塑机异常的变量，否则返回至步骤S7；

S11:利用统计量贡献值进行异常变量的定位，将新样本集X_new中的各个变量的贡献值绘制为直方图，数值高的变量被认为是造成注塑机异常的变量；

所述步骤S1具体包括以下步骤：

s11：将三维矩阵X(I×J×K)按批次方向展开为二维矩阵X(I×JK)，其中

其中，代表第i批次采集到的数据中，第k个采样时刻得到的j变量的测量值；

s12：对二维矩阵X(I×JK)进行数据标准化处理，即

其中代表二维矩阵X(I×JK)中所有行向量的均值，代表二维矩阵X(I×JK)中所有行向量的标准差代表经过标准化后的数据；

s13：将经标准化后的二维矩阵沿着变量方向展开，即

X_i表示X(KI×J)的每一行数据，即代表一个样本点；

所述步骤S2具体包括以下步骤：

s21：设X(KI×J)共有N个样本点，每个样本点有j个变量，则任意一个样本点X₀与其它任意样本对象X_i关于第k个属性的灰色相关系数为：

其中ρ∈(0，1)，是分辨系数，i∈(1,ki)，ki为样本数目，k∈(1,j)，m为样本属性的数目，GRC(X_0k,X_ik)∈(0，1)，其代表样本X₀和X_k第k个属性的相似程度；

s22：样本之间的灰色关联度采用样本之间的各个属性的灰色相关系数的均值表示，以反映样本之间的关联系数，记为：

s23：根据步骤s22计算出的各样本点之间的灰色关联度后，再通过knn算法求取样本点X_i的k个近邻点，样本点X_i的k个近邻点为样本点X_i的局部邻域集N_i，

N_i＝knn(X_i,k)

N_i＝[X_i1...,X_ik]

其中，X_i1～X_ik表示与样本点X_i的灰色关联度最大的前k个近邻点。