一种塑料注塑过程中监控注塑机工况的方法及系统与流程

本发明涉及工况监控技术领域，尤其涉及一种塑料注塑过程中监控注塑机工况的方法及系统。

背景技术：

随着工业自动化的不断演进，注塑机的集成度和复杂度不断增加，塑料属于非牛顿流体，具有物化性质复杂、变量因素多和耦合性强等特点，造成注塑机生产过程可控性低，频繁出现异常，因此及时有效的监控注塑机工况能够为塑料注塑提供重要生产保障。

目前，注塑机工况主要是利用监控模型监控注塑机工况数据，按照监控模型的类型，分为以主成分分析为主的线性模型和以神经网络分析为主的机器学习模型，针对多变量因素之间的非线性关系和强耦合性，线性模型难以保证合理性，机器学习模型处理大规模高维数数据容易陷入过拟合，降低了塑料注塑过程中监控注塑机工况的可控性。

技术实现要素：

本发明针对现有技术中难以保证塑料注塑过程中监控注塑机工况的可控性的技术问题，提供一种塑料注塑过程中监控注塑机工况的方法及系统。

一方面，本发明提供了一种塑料注塑过程中监控注塑机工况的方法，所述方法包括以下具体步骤：

步骤1，接收注塑机工况数据集，所述注塑机工况数据集中包含有在注塑机注塑塑料时采集的多维度工况数据；

步骤2，基于所述多维度工况数据生成曲线图，基于所述曲线图中的多个曲线参数生成样本集；

步骤3，利用机器学习模型对所述样本集进行学习训练，得到训练结果；

步骤4，根据所述训练结果监控注塑机工况是否处于异常状态。

另一方面，本发明提供了一种塑料注塑过程中监控注塑机工况的系统，所述系统包括数据集接收模块、样本集生成模块、机器训练模块和异常监控模块；

所述数据集接收模块，用于接收注塑机工况数据集，所述注塑机工况数据集中包含有在注塑机注塑塑料时采集的多维度工况数据；

所述样本集生成模块，用于基于所述多维度工况数据生成曲线图，基于所述曲线图中的多个曲线参数生成样本集；

所述机器训练模块，用于利用机器学习模型对所述样本集进行学习训练，得到训练结果；

所述异常监控模块，用于根据所述训练结果监控注塑机工况是否处于异常状态。

本发明提供的一种塑料注塑过程中监控注塑机工况的方法及系统的有益效果是：基于多维度工况数据生成曲线图，基于曲线图中的多个曲线参数生成样本集，能够借助曲线图对多维度工况数据进行归纳和整理，可以转化多维度工况数据为曲线参数，能够降低多维度工况数据的维数，在利用机器学习模型对样本集中的所有曲线参数进行学习训练时，相比于传统的多维度工况数据，可以有效克服机器学习模型过拟合，进而根据训练结果监控注塑机工况为异常状态，提高了塑料注塑过程中监控注塑机工况的可控性。

附图说明

图1为本发明实施例一提供的一种塑料注塑过程中监控注塑机工况的方法的流程示意图；

图2为本发明实施例一提供的与在一个采集周期所采集的第一数据集对应的初始曲线图；

图3为本发明实施例一提供的与在两个采集周期所采集的第一数据集对应的双模叠加曲线图；

图4为本发明实施例一提供的与在多个采集周期所采集的第一数据集对应的多模叠加曲线图；

图5为本发明实施例二提供的一种塑料注塑过程中监控注塑机工况的系统的结构示意图。

具体实施方式

以下结合实例对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

实施例一

如图1所示，本发明实施例提供的一种塑料注塑过程中监控注塑机工况的方法，以该方法应用于服务器、塑料为高分子塑料为例进行描述，该方法包括以下步骤：

步骤1，接收注塑机工况数据集，注塑机工况数据集中包含有在注塑机注塑塑料时采集的多维度工况数据；

步骤2，基于多维度工况数据生成曲线图，基于曲线图中的多个曲线参数生成样本集；

步骤3，利用机器学习模型对样本集进行学习训练，得到训练结果；

步骤4，根据训练结果监控注塑机工况是否处于异常状态。

设置于注塑机的传感器在该注塑机注塑高分子塑料过程中采集多维度工况数据，多维度工况数据经过数据终端预处理后上传到服务器，其中，多维度工况数据包括油缸压力数据、型腔压力数据、螺杆速度数据、螺杆位置数据、喷嘴温度数据、模具温度数据、射出信号数据、保压信号数据、模具结构数据、塑料结构数据和模流分析数据。

如图2所示为实施例一提供的初始曲线图，如3所示为本发明实施例一提供的两模叠加曲线图，图4所示为本发明实施例一提供的多模叠加曲线图。

1a为初始曲线图中与油缸压力对应的曲线，1b为初始曲线图中与螺杆速度对应的曲线，1c为初始曲线图中与靠近注塑机的胶口处的型腔压力对应的曲线，1d为初始曲线图中与靠近注塑机的末端处的型腔压力对应的曲线，2a为两模叠加曲线图中与油缸压力对应的曲线，2b为两模叠加曲线图中与螺杆速度对应的曲线，2c为两模叠加曲线图中与靠近注塑机的胶口处的型腔压力对应的曲线，2d为两模叠加曲线图中与靠近注塑机的末端处的型腔压力对应的曲线，3a为多模叠加曲线图中与油缸压力对应的曲线，3b为多模叠加曲线图中与螺杆速度对应的曲线，3c为多模叠加曲线图中与靠近注塑机的胶口处的型腔压力对应的曲线，3d为多模叠加曲线图中与靠近注塑机的末端处的型腔压力对应的曲线。

曲线参数可以是曲线图中每条曲线上的曲线斜率或者拐点或者峰值或者极值或者曲线平滑程度，也可以是对时间和注塑机工况数据进行微积分得到的积分面积。

基于多维度工况数据生成曲线图，基于曲线图中的多个曲线参数生成样本集，借助曲线图对多维度工况数据进行归纳和整理，可以转化多维度工况数据为曲线参数，能够降低多维度工况数据的维数，在利用机器学习模型对样本集中的所有曲线参数进行学习训练时，相比于传统的多维度工况数据，可以有效克服机器学习模型过拟合，进而根据训练结果监控注塑机工况为异常状态，提高了塑料注塑过程中注塑机工况的可控性和通用性，从业人员容易理解注塑机工况的监控方式，降低了监控注塑机工况的应用门槛，为塑料注塑质量和效率提供保障。

优选地，曲线参数包括曲线斜率，步骤2具体包括：

步骤2.1，对注塑机工况数据进行分组，得到第一数据集和第二数据集，第一数据集和第二数据集中均包含有多维度工况数据；

步骤2.2，基于第一数据集中的多维度工况数据生成曲线图；

步骤2.3，按照预设的塑料注塑工段对曲线图中的曲线进行分段，得到多条分段曲线；

步骤2.4，利用预定的斜率计算公式分别计算每条分段曲线上的多个曲线斜率；

步骤2.5，组合所有分段曲线上的所有曲线斜率，得到所述样本集。

第一数据集和第二数据集可以按照预定分组比例对注塑机工况数据进行分组得到，预设分组比例例如：5:5或者8:2。

塑料注塑工段可以包括注塑机的注射、保压、冷却和开模等阶段，初始曲线图、两模叠加曲线图和多模叠加曲线图中均包含了与注塑一段、注塑二段、注塑三段等n个注塑阶段对应的分段曲线以及与保压阶段对应的分段曲线，其中，注塑阶段的个数可以是6个。

通过塑料注塑工段对曲线图中的曲线进行分段，得到多条分段曲线，提高了服务器自动追溯塑料注塑工段发生异常的能力。

优选地，斜率计算公式为：

其中，rt表示第t个曲线斜率，pt表示曲线上的第t个工况数据，p0表示曲线上的初始工况数据，t表示曲线上的时间值。

斜率计算公式能够快速计算所有曲线参数，提高了所有曲线参数的计算效率。

优选地，步骤4具体包括：

步骤4.1，比对预设异常标准和第二数据集中的多维度工况数据，得到异常比对结果；

步骤4.2，根据训练结果和异常比对结果监控注塑机工况是否处于异常状态；

步骤4.3，当注塑机工况处于异常状态时，从预设标签库中查找与曲线对应的异常标签或/和异常原因信息。

预设异常标准可以是通过人工经验总结归纳出的标准，并将该标准存储在服务器中，结合预设异常标准和机器学习模型对第一数据集中的多维度工况数据和第二数据集中的多维度工况数据进行处理，进而根据训练结果和异常比对结果监控注塑机工况处于异常状态，实现注塑机工况的自动化和智能化监控，不仅有助于克服机器学习模型过拟合，而且降低了监控注塑机工况的难度。

预设标签库存储有曲线图—异常标签的对应关系，或者，曲线图—异常标签—异常原因之间的对应关系，前述对应关系可以关系表的形式存储，其中，异常标签例如：塑料缺料，与塑料缺料对应的异常原因例如：塑料材料、塑料流动性或者模具末端阻塞等。

优选地，机器学习模型包括：贪心算法或者蒙特卡诺强化学习算法，步骤3具体包括：利用贪心算法或者蒙特卡诺强化学习算法分别对样本集中的每个曲线参数进行学习训练，得到训练结果。

贪心算法对样本集中的每个曲线参数进行学习训练，保证了局部最优训练结果，对所有曲线参数进行学习训练之后，保证了整体最优训练结果，可以保证训练结果的准确性。

实施例二

如图5所示，本发明实施例提供的一种塑料注塑过程中监控注塑机工况的系统，该系统包括数据集接收模块、样本集生成模块、机器训练模块和异常监控模块。

数据集接收模块，用于接收注塑机工况数据集，注塑机工况数据集中包含有在注塑机注塑塑料时采集的多维度工况数据。

样本集生成模块，用于基于多维度工况数据生成曲线图，基于曲线图中的多个曲线参数生成样本集；

机器训练模块，用于利用机器学习模型对样本集进行学习训练，得到训练结果。

异常监控模块，用于根据训练结果监控注塑机工况是否处于异常状态。

优选地，样本集生成模块具体用于：对注塑机工况数据进行分组，得到第一数据集和第二数据集，第一数据集和第二数据集中均包含有多维度工况数据；基于第一数据集中的多维度工况数据生成曲线图；按照预设的塑料注塑工段对曲线图中的曲线进行分段，得到多条分段曲线；利用预定的斜率计算公式分别计算每条分段曲线上的多个曲线斜率；组合所有分段曲线上的所有曲线斜率，得到样本集。

优选地，斜率计算公式为：

其中，rt表示第t个曲线斜率，pt表示曲线上的第t个工况数据，p0表示曲线上的初始工况数据，t表示曲线上的时间值。

优选地，异常监控模块具体用于：比对预设异常标准和第二数据集中的多维度工况数据，得到异常比对结果；根据训练结果和异常比对结果监控注塑机工况是否处于异常状态；当注塑机工况处于异常状态时，从预设标签库中查找与曲线对应的异常标签或/和异常原因信息。

优选地，机器学习模型包括：贪心算法或者蒙特卡诺强化学习算法，机器训练模块具体用于：利用贪心算法或者蒙特卡诺强化学习算法分别对样本集中的每个曲线参数进行学习训练，得到训练结果。

样本集生成模块基于多维度工况数据生成曲线图，基于曲线图中的多个曲线参数生成样本集，借助曲线图对多维度工况数据进行归纳和整理，可以转化多维度工况数据为曲线参数，能够降低多维度工况数据的维数；机器训练模块在利用机器学习模型对样本集中的所有曲线参数进行学习训练时，相比于传统的多维度工况数据，可以有效克服机器学习模型过拟合，进而异常监控模块根据训练结果监控注塑机工况为异常状态，提高了塑料注塑过程中注塑机工况的可控性和通用性，从业人员容易理解注塑机工况的监控方式，降低了监控注塑机工况的应用门槛，为塑料注塑质量和效率提供保障。

以上所述仅为本发明的较佳实施例，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。