一种基于制品质量预判的注塑工艺参数渐进式动态调节的方法

本发明涉及机器学习和工业自动化领域，具体涉及一种基于制品质量预判的注塑工艺参数渐进式动态调节的方法。

背景技术：

1、注塑生产过程往往是连续过程，目前的注塑生产过程是根据注塑制品出现缺陷的种类和目测大小，并人工调整的方式进行工艺参数调节，来达到对对注塑制品进行质量控制的目的。但由于调节过程中，通过人工方式对缺陷的种类和目测大小的识别具有滞后性；同时通过人工调节完成实际的工艺参数调节之后，工艺参数生效亦具有滞后性，因此生产过程中的调节很容易使制品的质量不稳定甚至产生大量废品，同时也会对生产效率产生影响。

2、因此如何优化调节过程，提高注塑连续过程中的可靠性，在缺陷产生的可能性变大但未出现不合格制品前，识别出制品关键状态数据的变化趋势，据此对注塑工艺参数进行预先调节以避免缺陷的产生，这也是注塑装备智能化发展的一个趋势。

技术实现思路

1、为解决上述问题，本发明提出了一种基于制品质量预判的注塑工艺参数渐进式动态调节的方法，在实时采集并记录注塑制品缺陷的关键状态数据的基础上，通过引入深度学习的prophet-lstm算法模型和矫正因子，分析周期性的工况因素对注塑机生产过程的影响规律，对注塑制品缺陷进行预判，在缺陷出现前对注塑工艺参数进行预先调节以避免缺陷的产生。

2、本发明的技术方案包括如下几个步骤：

3、步骤1：定义基于prophet—lstm的缺陷函数；

4、步骤2：构建与训练基于prophet—lstm的混合模型；

5、步骤3：设定矫正因子，根据矫正因子修正模型；

6、步骤4：基于prophet—lstm模型对注塑工艺参数进行预判，并根据缺陷变化度判断条件调节注塑工艺参数。

7、所述步骤1中prophet—lstm缺陷函数的定义如下：

8、y(t)＝ω1p(t)+ω2l(t)。

9、所述步骤2中prophet—lstm混合模型的构建包括以下步骤：

10、2.1)建立以天数j为单位的数据集{y(1)，y(2)…y(j-1),y(j)}，y(j)为第j天检测获得的注塑数据时间序列；

11、从{y(1)，y(2)…y(j-1),y(j)}中分别取相同时间段的数据进行lstm网络中周期部分的变化规律分析，获得prophet模型的趋势部分；

12、2.3)对y(1)，y(2)…y(j)数据进行归一化处理；

13、2.4)将步骤2.3)经过归一化处理的数据带入prophet—lstm模型进行预测训练：

14、以损失函数最小为目标对prophet模型进行训练权值，其中，pt为预测值，yt为实际检测值；之后使用prophet模型对j+1天内第i个周期的注塑制品缺陷值进行预测，结果记为p(i):{p1,i(j+1),p2,i(j+1)…ps,i(j+1)}，ps,i(j)表示prophet模型对第s个缺陷值的预测值；

15、lstm模型使用自适应估计(adam)算法优化后，对j+1天内第i个周期的注塑制品缺陷值进行预测，结果记为l(i):{l1,i(j+1),l2,i(j+1)…ls,i(j+1)}，li,s(j)表示lstm模型对第s个缺陷值的预测值；

16、2.5)将prophet模型和lstm模型的预测结果进行综合，具体为对y(t)＝ω1p(t)+ω2l(t)进行加权综合预测结果，其中，y(t)为整体预测结果，p(t)为prophet模型的预测结果，l(t)为lstm模型的预测结果；

17、在w1+w2＝1的约束下，对w1或w2从0到1以0.1步长进行取值，以预测残差平方和最小为目标确定w1，w2的值，从而完成prophet—lstm的混合模型的初步构建。

18、所述步骤2.1)中的注塑数据时间序列：

19、a)注塑数据时间序列包含时间、工艺参数检测值和缺陷检测值，通过对注塑机注塑过程实时监控获得；

20、b)注塑数据时间序列包括s个主要缺陷种类和i个注塑周期：

21、根据注塑经验和客户要求，确定s个主要缺陷种类为研究对象；

22、根据注塑过程情况确定注塑周期个数i的大小，i∈(3,36]。

23、小于3个数据的情况，由于数据少，无法呈现一定规律，返回当前注塑周期的前一个周期的缺陷值作为预测值；当数据个数比较多时，会增加计算量，并且距离当前注塑周期太远的数据会对预测结果产生负面影响，致使预测结果并不理想。

24、所述步骤3具体为：

25、3.1)定义矫正因子：

26、ξi-n＝ξ0/2n

27、其中，i为矫正次数；n的初始值为0；ξ0为初始矫正因子；

28、由前到后矫正因子所乘权重系数逐渐升高，使位于后面的矫正因子对预测结果发挥更大作用。其中权重按照指数方式进行衰减，即随着与预测数据的距离增大，矫正因子权重以指数方式下降。

29、3.2)根据矫正因子矫正步骤2)模型：

30、

31、其中，δ为自行设置的误差值；

32、3.3)重复步骤3.2)，直至平均误差在区间(-δ％，δ％)之间，输出修正后的模型；

33、6、根据权利要求5所述的基于制品质量预判的注塑工艺参数渐进式动态调节的方法，其特征在于，所述步骤3.2)的第i次矫正中的矫正因子通过下述分析进行改善：

34、a)当预测值大于实际检测值，且平均差值超过δ％，则n＝n+1；

35、b)当预测值小于实际检测值，且平均差值超过δ％，则n＝n-1；

36、c)其余情况，n不变。

37、所述步骤4具体为：

38、4.1)使用步骤3得到的prophet-lstm混合模型对当前注塑周期即第j天的第n个周期内的制品进行缺陷值预测，结果记为y(y):{1,n(j),y2,n(j)…ys,n(h)}；

39、其中，ym,n(j)为第j天第n个周期的第m个缺陷的预测时间序列，包含k个连续的预测值；

40、每个注塑周期的每个缺陷对应k个连续的缺陷预测值，具体为：

41、为第m种缺陷的第n个周期的ti时刻的缺陷预测值；i∈[0,k)，且i∈z；m∈[1,s]，且m∈z；

42、4.2)根据缺陷预测值y(n)求得各缺陷的变化度值δ：

43、

44、式中，为第n个周期的ti时刻的缺陷变化度值；为第m个缺陷在第n个周期的ti时刻的缺陷变化度值；

45、4.3)根据预测缺陷值判断是否启动工艺参数调节；

46、a)当待调节的预测缺陷值未超过保守化阈值，即y(ti)<tv{tv1,tv2,…,tvs}，直接判断为不进行工艺参数调节；

47、其中，tv{tv1,tv2,…,tvs}为设定的s种缺陷保守化阈值；

48、b)当待调节的预测缺陷值大于保守化阈值小于等于合格阈值时，即tv{tv1,tv2,…,tvs}<y(ti+1)<tv{tv1,tv2,…,tvs}，进行工艺参数变化度判断；

49、其中，tv{tv1,tv2,…,tvs}为设定的s种注塑缺陷合格阈值集；

50、当缺陷变化度小于变化度阈值时，即不进行注塑工艺参数调整；反之，根据y(t)修对工艺参数进行调整；

51、

52、式中，是变化度设定阈值集；y(t)final是通过步骤3矫正后的prophet—lstm模型预测得到的t时刻的缺陷预测值；δ为t时刻的缺陷变化度值；η是修正系数，大于等于缺陷变化度；

53、c)当待调节的预测缺陷值大于合格阈值时，跳过变化度判断条件，所有工艺参数恢复初始值。

54、所述步骤4.2)具体为

55、4.2.1)选用最小二乘算法和三次拟合多项式相结合的方法对注塑数据时间序列进行拟合；

56、4.2.2)对步骤4.2.1)多项式中的一次项a1和二次项a2系数调整，来消除突变因素对结果的影响，以提高采集离散序列端点附近的精度；多项式项a1,a2调整为：

57、

58、

59、其中，a3为步骤2.1)多项式中的三次项；s表示误差限；

60、调整后，利用差值定理对注塑数据时间序列的缺陷检测值与时间关系式求一阶导数，以注塑数据时间序列中最后时刻对应的缺陷检测值(即拟合曲线右端点处)的导数作为下一注塑数据时间序列的缺陷变化度值：

61、在第i时刻ti的缺陷变化度值为：

62、

63、式中，f(ti)、f(ti-1)表示ti,ti-1的缺陷检测值，h为采集时间间隔，y(ti+1)是ti+1时刻的缺陷预测值；i∈[0,k)，且i∈z。当ti,ti-1时刻的缺陷值仅有缺陷预测值而未有实际记录的缺陷检测值时，ti时刻的缺陷变化度值的计算公式为：

64、

65、式中，y(ti-1)是ti-1时刻的缺陷预测值；y(ti)是ti时刻的缺陷预测值。

66、本发明的变化度判断，是基于差值定理和最小二乘法相结合的多项式拟合数据并求解变化度值的方法，可对预测值yj进行保守化修正，提高缺陷值预测的准确性和注塑反馈工艺参数动态调节系统的鲁棒性，缩小了缺陷设定阈值，并提升了注塑制品的质量控制水平，同时也可作为一种判断注塑工艺参数是否需要调整的条件之一。

67、本发明的矫正因子，按照指数方式进行衰减，矫正因子所乘权重系数逐渐升高，使位于后面的校正因子对预测结果发挥更大作用，继而实现工艺参数的渐进式调节。

68、本发明的动态渐进式调节方法，可在尽量少的调节操作中，保证系统的稳定性，为工艺参数调节提供数据基础。

69、本发明的有益效果：

70、本发明可以分析周期性的工况因素对注塑机生产过程的影响规律，融合多维度因素预判注塑制品可能出现的缺陷，并提前对注塑工艺参数进行调节，有助于避免注塑制品缺陷的产生并保持质量的高度一致性。