基于注塑機螺桿位置與壓力曲線的注射成型過程監(jiān)測方法

0 引 言

注射成型是塑料熔體在溫度、壓力作用下材料狀態(tài)發(fā)生復雜變化的過程，成型過程與制品質(zhì)量存在非線性、強耦合和時變性的關系，導致制品成型質(zhì)量較預測困難

。隨著傳感技術與計算機嵌入系統(tǒng)的發(fā)展，注塑機或模具內(nèi)的傳感器在成型過程中記錄了大量的過程曲線數(shù)據(jù)，包括螺桿位置、速度、溫度和壓力等，這些數(shù)據(jù)蘊含了注射成型過程質(zhì)量信息

。由于曲線數(shù)據(jù)維度高，難以直接通過這些曲線數(shù)據(jù)獲取足夠的注射成型過程信息。近年來，人工智能方法促進了數(shù)據(jù)降維以及模式識別的發(fā)展，使從高維度數(shù)據(jù)建立成型過程質(zhì)量關系成為可能。

以前注射成型過程監(jiān)控主要采用主成分分析法（principal component analysis，PCA），在假定變量獨立分布且服從正態(tài)分布條件下，將多個變量通過線性變換得到重要變量，去除原始數(shù)據(jù)的冗余信息

。主成分分析法僅適用于連續(xù)工業(yè)生產(chǎn)過程的二維數(shù)據(jù)，而塑料熔體注射成型是典型間歇性生產(chǎn)過程，一般采用多向主成分分析法將曲線變量、時間和批次構成的三維結(jié)構展開為二維結(jié)構

。如YI X H等

通過多向主成分分析法分析了保壓、注射2個階段的螺桿位置和壓力曲線，并開發(fā)塑料熔體注射成型的過程檢測系統(tǒng)。但是主成分分析法和多向主成分分析法本質(zhì)上都是一種線性變換，它們要求變量之間相互獨立且服從正態(tài)分布的假設與塑料熔體注射成型過程非線性、強耦合的實際情況不相符。YUN Z等

將統(tǒng)計分析法（statistic pattern，SP）引入注射成型過程監(jiān)控，通過提取曲線數(shù)據(jù)的統(tǒng)計量，將數(shù)據(jù)從930維降至26維后再使用主成分分析法建立監(jiān)控模型，解決了上述問題，但由于統(tǒng)計分析法僅考慮變量之間的整體統(tǒng)計因子，沒有考慮實際變量參數(shù)之間的聯(lián)系，丟失了較多的數(shù)據(jù)信息。

現(xiàn)分別使用主成分分析法和3種非線性法，即統(tǒng)計分析法、拉普拉斯映射（laplace eigenmaps，LE）法、擴散系數(shù)圖（diffusion maps，DM）法對塑料熔體注射成型過程進行數(shù)據(jù)降維和特征提取，然后通過神經(jīng)網(wǎng)絡模型建立特征數(shù)據(jù)與制品成型質(zhì)量之間的關系模型，研究塑料熔體注射成型過程的監(jiān)控技術。

1 注塑機曲線的降維與監(jiān)測模型

注塑機曲線的降維與監(jiān)測模型如圖1所示，首先通過注塑機獲得螺桿的壓力和位置曲線的原始數(shù)據(jù)，進行預處理后分別采用4種方法降維后輸入神經(jīng)網(wǎng)絡，完成塑料原料監(jiān)測、模具溫度監(jiān)測和成型制品質(zhì)量預測的功能。

主持人：近日，習近平總書記、李克強總理、多部委負責人頻頻為民營企業(yè)發(fā)聲，支持民營經(jīng)濟發(fā)展，一系列針對性舉措密集出臺，這釋放了什么信號？在我國經(jīng)濟步入高質(zhì)量發(fā)展軌道的背景下，民營企業(yè)面臨著哪些困難和挑戰(zhàn)？

1.1 數(shù)據(jù)采集與預處理

注射成型過程的主要控制變量包括熔體溫度、注射位置、注射速度和注射壓力等，因此理論上需要采集熔體的溫度曲線、螺桿的位置、速度和壓力曲線?？紤]注塑機的溫度傳感器安裝在料筒外壁，塑料熔體熱導率低導致測量溫度數(shù)據(jù)滯后性較大，溫度曲線不是一種實時監(jiān)測曲線。同時塑料熔體的溫度、壓力和體積必須滿足PVT方程，因此溫度曲線的信息可以通過螺桿的位置（體積）和壓力曲線間接反映，此外螺桿的速度是其位置的一階導數(shù)，注塑機監(jiān)測曲線選擇螺桿位置和壓力曲線。

為了避免監(jiān)測變量曲線范圍差異對后續(xù)分析的影響，需要對數(shù)據(jù)進行歸一化預處理。數(shù)據(jù)歸一化是數(shù)據(jù)建模前重要的數(shù)據(jù)處理步驟，包括樣本尺度歸一化、逐樣本的均值相減和特征標準化3種。逐樣本的均值相減主要應用于穩(wěn)定性的數(shù)據(jù)集中，即數(shù)據(jù)每個維度間的統(tǒng)計性質(zhì)是一樣的情況，而注射成型過程中螺桿位置和壓力在不同時刻信息不同，此方法不適用。特征標準化是指對數(shù)據(jù)的每一維進行均值化和方差相等化，常用的數(shù)據(jù)標準化方法有：Z標準化、最大值-最小值標準化、Log函數(shù)標準化等。根據(jù)數(shù)據(jù)特征，采用Z標準化方法，基于統(tǒng)計理論的偏差標準化，使經(jīng)過處理的數(shù)據(jù)符合標準正態(tài)分布，即均值為0，標準差為1，處理步驟如下。

（1）中心化處理，即去均值，消除自身變異、數(shù)值大小帶來的影響，即

式中：

——原始螺桿位置或壓力；

——相應中心化處理后的數(shù)據(jù)；

——曲線采樣點數(shù)；

——采樣數(shù)值均值。

（2）無量綱化處理，即

式中：

——無量綱化處理后的數(shù)據(jù)；

——采樣數(shù)值均方根誤差。

通過旅行，我學到了很多地理和歷史知識。為了與人交流，我學會了英語、西班牙語和越南語。在越南待了7年之后，可以說我對這個國家的了解要甚于我對自己的了解。

1.2 數(shù)據(jù)降維方法

質(zhì)量預測模型最后輸出一個具體的數(shù)字，而不是類別，即如果故障監(jiān)測是一個離散的輸出，質(zhì)量預測就是一個連續(xù)輸出。模型的設計層數(shù)確定、隱藏神經(jīng)單元與故障監(jiān)測一致，與故障監(jiān)測最后的Softmax分類器不同，質(zhì)量預測采用的是擬合器。

（1）主成分分析法。主成分分析法是將高維度數(shù)據(jù)空間通過線性變換投影到低維度主成分空間，選出較少個數(shù)的重要變量的多元統(tǒng)計分析方法

。它去除了原始數(shù)據(jù)中的冗余信息，是有效的數(shù)據(jù)壓縮和信息提取的方法。主成分分析法適用于二維數(shù)據(jù)矩陣

(

×

)，其中

是數(shù)據(jù)樣本的個數(shù)，

是數(shù)據(jù)維度，得到得分向量、負載向量、特征值，即

經(jīng) FPD檢測器檢測，發(fā)現(xiàn)樣品圖譜中分別含有出峰時間相互對應的 3個峰，通過與有機磷類農(nóng)藥標樣檢測圖譜的出峰時間進行比對，確定檢出的農(nóng)藥組分分別為敵敵畏、氧化樂果、甲基對硫磷。經(jīng)ECD檢測器檢測，發(fā)現(xiàn)樣品圖譜中含有出峰時間相對應的 4個峰，通過與有機氯類農(nóng)藥標樣檢測圖譜的出峰時間進行比對，確定檢出的農(nóng)藥組分分別是乙烯菌核利、聯(lián)苯菊酯、氯氰菊酯、氰戊菊酯。

(2)次生地質(zhì)災害嚴重，道路、電力、通訊全面受阻，救援生命線修復艱難。云南地震帶與河谷疊合，地震區(qū)多為高山峽谷區(qū)，地震常造成巨型次生地質(zhì)災害，道路打通極為困難。余震、降雨又會誘發(fā)新的地質(zhì)災害，造成交通再次阻斷，傷員轉(zhuǎn)運困難，滯留在重災區(qū)轉(zhuǎn)運不出去。生活物資因地震被毀，而救援物資又難以進入災區(qū)，造成交通大堵塞，大量救災物資停留在重災區(qū)10 km左右，而災區(qū)物資又十分缺乏，且救援的核心之一醫(yī)護人員難以第一時間到達災區(qū)。

式中：

得分向量；

——負載向量。

此外，南充市旅游景點交通通達性呈現(xiàn)一定的規(guī)律特征：城市景區(qū)通達性優(yōu)于鄉(xiāng)鎮(zhèn)景區(qū)通達性，平地景區(qū)通達性普遍優(yōu)于山丘景區(qū)通達性，5A景區(qū)通達性明顯優(yōu)于4A及其以下等級景區(qū)通達性，原有景區(qū)通達性優(yōu)于新建景區(qū)通達性。區(qū)域經(jīng)濟發(fā)展水平以及景點的知名度對旅游景點的整體交通網(wǎng)絡可達性指數(shù)影響較大。

也因為漂亮，女人無法辜負這般人才。于是，她的所想所慮全都集中在了維持這份漂亮的穿著打扮上面。這么一來，小時候的書是很難讀得好的，稍大一點又容易情竇早開，墜入男女的情感糾葛之中。而正是早戀早婚，其實還毫無社會與人生的經(jīng)驗，往往導致婚后不幸，命運多蹇。

式中：

——熱核的寬度，其取值與鄰域

相適應。

（2）統(tǒng)計分析法。統(tǒng)計分析法是一種利用數(shù)據(jù)統(tǒng)計信息完成對數(shù)據(jù)降維再現(xiàn)的一種信息處理、壓縮和提取方法

。統(tǒng)計變量包括一階統(tǒng)計量（平均值

）、二階統(tǒng)計量（方差

）、三階統(tǒng)計量（偏度

）、四階統(tǒng)計量（峰度

）等，定義如下：

（3）拉普拉斯映射法。拉普拉斯映射法算法尋找一個低維度數(shù)據(jù)來保留流形數(shù)據(jù)的局部性質(zhì)

。通過相鄰2點之間的距離實現(xiàn)數(shù)據(jù)的低維度再現(xiàn)，通過權重的方式實現(xiàn)數(shù)據(jù)點之間的距離和

個近鄰被最小化，即離得越近的點對于代價函數(shù)影響越大。使用稀疏光譜理論，將代價函數(shù)定義為特征問題，算法分為以下幾步。

1）構建鄰接圖

，可采用近鄰

法或

近鄰法，即采用

近鄰法。

2）定義近鄰權矩陣

，可采用熱核方式或簡單連接方式，現(xiàn)采用熱核方式，即若

x

和

x

相鄰，那么

我國古代的藏書機構在不同時期，分別被稱為“府”“觀”“臺”“閣”“殿”“院”“堂”“齋”“樓”等。我國有文字記載的最早的藏書機構是“盟府”和“藏室”。據(jù)《左傳·襄公十一年》記載：“國之典也，藏在盟府?！笔侵笘|周時期各諸侯國建立盟府，用以掌管、儲存盟約文書和典籍等?！妒酚洝だ献禹n非列傳》記載，老子“周守藏室之史也”。老子曾擔任管理“藏室”的官吏。由此證明，“盟府”和“藏室”是中國歷史古代文字記載的最早的藏書機構。

2）計算數(shù)據(jù)圖，權重的連接使用高斯核函數(shù)。

的最小

+1個特征值對應的特征向量

，

，…，

μ

構成了低維嵌入結(jié)果

=[

，

，…

μ

]

。該方法將降維和特征提取問題轉(zhuǎn)化為對矩陣特征值和特征向量的求解，過程簡單，無需迭代，因此計算量和計算時間減少。

（4）擴散系數(shù)圖法。擴散系數(shù)圖法同拉普拉斯映射法一樣屬于非線性降維方法，都是通過找到其隱藏的低維度空間數(shù)據(jù)結(jié)構，達到降維的目的。不同于拉普拉斯映射法基于鄰近圖的稀疏光譜分析，擴散系數(shù)圖法是在保留局部性質(zhì)的條件下基于分散距離的全光譜分析的降維方法

。擴散系數(shù)圖法特征降維步驟如下。

1）進行下式的數(shù)據(jù)規(guī)范化，保證數(shù)據(jù)落在（0,1）。

朱俊玲《中國戲曲學院京劇經(jīng)典劇目的傳承與創(chuàng)新研究初探》[10]一文對中國戲曲學院對京劇經(jīng)典劇目的傳承與創(chuàng)新進行了簡單總結(jié)：（1）基本保持原型，改動甚微的經(jīng)典劇目；（2）融入新時代特色，改動較大的傳統(tǒng)劇目；（3）貼近現(xiàn)代生活，完全新創(chuàng)的劇目。以上三類也是目前京劇劇目的創(chuàng)作現(xiàn)狀。對于經(jīng)典劇目與新創(chuàng)劇目，筆者就徐州民眾對于京劇現(xiàn)代劇與傳統(tǒng)劇的喜好進行了調(diào)查，有效問卷198份。其中有149位民眾選擇傳統(tǒng)京劇，可見人們更偏愛經(jīng)典故事。

3）構建拉普拉斯特征矩陣

=

-

，最小化特征映射誤差，相當于計算下式中的最小特征向量。

式中：

——高斯方差。

3）計算矩陣

的行向量之和

。

定義了前向轉(zhuǎn)移概率矩陣的Markov矩陣，表示在數(shù)據(jù)集中的一個數(shù)據(jù)點經(jīng)一次轉(zhuǎn)移至另一個數(shù)據(jù)點的過程。

式中：

P

——前向

次迭代的矩陣，可以通過其行向量之和定義擴散距離。

式中：

(

x

x

)——擴散距離；

(

x

)

——表示將更多的權重歸因于高密度圖的部分。

4）使用譜理論得到保留了擴散距離的低維度再現(xiàn)數(shù)據(jù)

。

由于圖是全部鏈接的，最大特征值是平凡的，為1，被舍棄。再現(xiàn)數(shù)據(jù)

是

分主特征向量，即

={

,

,...,

λ

v

}。

1.3 故障監(jiān)測與質(zhì)量預測模型

可以通過不同降維方法提取數(shù)據(jù)特征以實現(xiàn)故障監(jiān)測和質(zhì)量預測，常用的有神經(jīng)網(wǎng)絡和支持向量機等。神經(jīng)網(wǎng)絡理論發(fā)展成熟

，支持向量機解決了神經(jīng)網(wǎng)絡存在的收斂速度慢、存在局部最小點等問題

，支持向量機在分類問題上具有優(yōu)勢，考慮存在分類和擬合兩大方面，故采用神經(jīng)網(wǎng)絡作為建模方法。

律師稱楊偉東被警方帶走，并不能以此就認定其有罪。但他分析，消息爆出后阿里巴巴很快確認，并且應對有序，“當事人可能都不知道，但該知道的人或許早已知道，阿里內(nèi)部很可能已經(jīng)做了初步調(diào)查并掌握了一定的證據(jù)。而且楊偉東剛好在輪值結(jié)束后出事，要么是阿里真的非常幸運，要么是一切都在安排之中?！?/p>

故障監(jiān)測的主要目的是實現(xiàn)對原材料和模具溫度的故障診斷，采用分類器進行監(jiān)測。神經(jīng)網(wǎng)絡層數(shù)越多，神經(jīng)元數(shù)量越多，則訓練精度越高，但是同時網(wǎng)絡的泛化能力下降。為了取得較好的結(jié)果，根據(jù)應用場景，輸入向量為降維后的數(shù)據(jù)，在20維左右，輸出類型為3類。根據(jù)Kolmogorov定理，可采用三層神經(jīng)網(wǎng)絡結(jié)構。根據(jù)試驗，發(fā)現(xiàn)神經(jīng)元數(shù)量穩(wěn)定在10個左右，分類函數(shù)選用Softmax分類器。故障監(jiān)測的模型如圖2所示。

注塑機螺桿的壓力和速度在每一模內(nèi)隨時間變化，數(shù)據(jù)在時間和批次展開后維度高，直接計算成本大。降維處理是在盡可能保留原始信息的情況下，通過找出高維度的數(shù)據(jù)中占重要因素的點或者發(fā)現(xiàn)變量之間隱藏的關系，用較低維度的數(shù)據(jù)再現(xiàn)原始數(shù)據(jù)

。相比原始數(shù)據(jù)，降維后的數(shù)據(jù)不僅維數(shù)降低，而且更有可能反映原始數(shù)據(jù)不能體現(xiàn)的隱藏數(shù)據(jù)關系?，F(xiàn)重點分析1種線性和3種非線性方法對數(shù)據(jù)進行降維。

2 試驗設計

注射成型過程可以分為塑化、注射、保壓和冷卻4個階段，這4個階段決定了最終制品的成型質(zhì)量，由于塑化的結(jié)果可以在注射和保壓的過程控制曲線中體現(xiàn)，可以減去塑化階段。模具溫度的分布和變化將影響熔體的流動阻力，因此冷卻階段的變化也可以體現(xiàn)在注射和保壓階段的控制曲線中。依據(jù)以上2點，試驗的采樣為注射和保壓階段的螺桿位移和壓力曲線。試驗采用900 kN伺服液壓注塑機，螺桿位移通過光柵尺測量，壓力采用液壓系統(tǒng)壓力，采樣周期為3 ms。塑料材料為聚丙烯PPHT03，試驗制品采用 68 mm×60 mm×41 mm的盒形件，平均壁厚為2 mm，以制品的成型質(zhì)量作為評價指標。

在實際注射過程中，即使考慮工藝參數(shù)不變，制品的成型質(zhì)量也會由于環(huán)境或工況因素產(chǎn)生波動，設計了模具冷卻溫度和是否為回用料（制品經(jīng)過回收粉碎后獲得的原材料）作為工況變化的變量，并通過重復試驗減少非控制變量對成型制品質(zhì)量結(jié)果產(chǎn)生的影響，試驗條件如表1所示。

故障監(jiān)測模型采用均方差MSE和百分誤差

%進行評價。MSE越小，表明模型分類越好，0表示沒有誤差。

%表明樣本被錯誤分類的比例，0表示分類完全正確，100表示全部錯誤。質(zhì)量預測模型采用MSE和回歸系數(shù)

進行評價。

表示測量輸出值和目標值之間的相關關系，

值為1表明相關性較高，0表示隨機關系。

3 結(jié)果與討論

3.1 故障監(jiān)測結(jié)果與討論

基于控制曲線判斷制品原材料、模具溫度是否屬于正常類別，達到故障監(jiān)測的目的。實際生產(chǎn)中，原材料雖然由加料處直接控制，但是原材料與回用料之間并沒有嚴格的區(qū)分，容易造成混料，這樣通過檢測制品的生產(chǎn)過程曲線來判斷原材料的種類以保證生產(chǎn)的正常進行很有必要。試驗中采用原材料為1，回用料為0進行分類，試驗結(jié)果如表2所示。

由表2可以看出：盡管相比于原始數(shù)據(jù)訓練的均方差和百分誤差，降維后的數(shù)據(jù)在驗證集、測試集上都有較大的改善，LE和DM方法在測試集上百分誤差為0。DM在訓練、驗證、測試時百分誤差都為0，分類達到了100%正確。在神經(jīng)元數(shù)量上，統(tǒng)計分析僅用5個隱層神經(jīng)元，而原始數(shù)據(jù)卻要使用20個，結(jié)合輸入維度，統(tǒng)計分析18維，原始數(shù)據(jù)使用930維，僅輸入層和隱層之間的前向計算就是930×20（計算輸入值）+930（計算激活值），遠大于統(tǒng)計分析的220（即20×10+20），增加了計算量，由此可以看出特征提取可以簡化監(jiān)測模型。

眾所周知，機構各構件轉(zhuǎn)角之間關系只取決于各構件相對長度。引入長度比例系數(shù)mb(稱為凸輪偏心率)、ma和mc：

將模具溫度40、60、80 ℃分別記為1、2、3類，不同降維度方法對應的分類結(jié)果如表3所示。相比于SP方法，原始數(shù)據(jù)在訓練集、驗證集和測試集上都比它們具有更小的均方差MSE和百分誤差

%，這可能是因為SP方法僅保留了原始數(shù)據(jù)的統(tǒng)計特征，并沒有提取與分類相關的直接有用的數(shù)據(jù)信息。PCA方法是一種基于全局的線性特征提取方法，相比于原始數(shù)據(jù)，PCA建模具有更好的泛化能力，即在訓練集和驗證集百分誤差近似相等的情況下，在測試集上有更小的測試誤差。LE和DM擴散系數(shù)圖都是非線性降維度方法，其降維度獲得的數(shù)據(jù)建立的模型更好。

3.2 質(zhì)量預測結(jié)果與討論

試驗制品成型質(zhì)量分布如圖3所示，淺色線表示質(zhì)量曲線，橫線表示每個工藝狀態(tài)下的平均質(zhì)量，縱線區(qū)分不同的材料或模具溫度，深色曲線表示所有樣本的平均質(zhì)量。由圖3可知，由于工藝差異（模具溫度）和材料狀態(tài)不同（原材料和回用料），使成型制品質(zhì)量整體波動劇烈，分布具有規(guī)律性，但難以直觀地與螺桿位置、壓力曲線建立關系。以均方差為標準，從訓練集上看，原始數(shù)據(jù)的均方差最小，其次是DM、SP、LE，最后為PCA主成分分析法，表明使用原始數(shù)據(jù)訓練的模型與訓練數(shù)據(jù)匹配最好，同時這也與回歸系數(shù)的結(jié)果一致。從驗證集和測試集上看，與訓練集相反，原始數(shù)據(jù)訓練的模型在進行新的數(shù)據(jù)測試時回歸系數(shù)僅為0.8，而一般使用降維度的數(shù)據(jù)所得到的回歸系數(shù)為0.9，且均方差也小于原始數(shù)據(jù)模型，這表明由特征提取獲得的數(shù)據(jù)更加具有代表性，將SP和DM方法獲得的數(shù)據(jù)作為混合數(shù)據(jù)輸入，從表4看出獲得了更好的擬合效果。

治療后，觀察組和對照2組的臨床治療總有效率均顯著高于對照1組，差異有統(tǒng)計學意義（P＜0.05）；觀察組的臨床治療總有效率顯著高于對照2組，差異有統(tǒng)計學意義（P＜0.05）。見表2。

圖4、圖5所示是曲線原始數(shù)據(jù)與SP和DM方法降維后的混合數(shù)據(jù)在神經(jīng)網(wǎng)絡質(zhì)量預測上回歸系數(shù)的比較，其中

=

表示完全擬合，離此線越近，擬合效果越好。從圖4、圖5可知：原始數(shù)據(jù)在訓練集上回歸系數(shù)達到近0.99，但是在驗證集、測試集上僅為0.77和0.81，造成這一現(xiàn)象的原因有2個：①數(shù)據(jù)過擬合，通過調(diào)整正則參數(shù)或神經(jīng)元數(shù)量改進；②數(shù)據(jù)并沒有代表性，即模型本身沒有發(fā)現(xiàn)數(shù)據(jù)內(nèi)在的關系。經(jīng)過試驗調(diào)整神經(jīng)元數(shù)量，發(fā)現(xiàn)結(jié)果沒有改進，說明原因由后者造成。經(jīng)過SP和DM方法降維度后，制品質(zhì)量的預測值不僅在訓練集上，而且在驗證集和測試集上都表現(xiàn)出較高的回歸系數(shù)（>0.92），這表明采用SP和DM方法降維度后，提取了原始數(shù)據(jù)內(nèi)在的高維度、非線性、強耦合的數(shù)據(jù)關系，摒棄了大量的冗余參數(shù)，提取的特征不僅使質(zhì)量預測模型運行速度更快，而且提高了準確率。

4 結(jié)束語

基于采集的注塑機螺桿位置、壓力信號，分析了主成分分析法、統(tǒng)計分析法、拉普拉斯映射法和擴散系數(shù)圖法4種不同數(shù)據(jù)降維方法提取的特征，建立原材料、模具溫度與制品成型質(zhì)量之間的神經(jīng)網(wǎng)絡模型，進行注射成型過程的故障監(jiān)測和質(zhì)量預測，并設計試驗進行了驗證。試驗結(jié)果表明，通過合適的數(shù)據(jù)降維方法，可以從螺桿位置與壓力的信號中有效判斷制品的原材料、模具溫度是否正常，與未降維的數(shù)據(jù)和主成分分析法相比，拉普拉斯映射法和擴散系數(shù)圖法等非線性降維方法可以解決成型過程曲線與制品質(zhì)量的強非線性問題。同樣應用在制品質(zhì)量預測時，采用拉普拉斯映射法和擴散系數(shù)圖法降維后，在驗證集和測試集上都表現(xiàn)出高于0.92的回歸系數(shù)，這表明拉普拉斯映射法和擴散系數(shù)圖法提取了原始數(shù)據(jù)內(nèi)在的高維度、非線性、強耦合的數(shù)據(jù)關系，摒棄了大量的冗余參數(shù)，使提取的特征用于質(zhì)量預測模型時具有更好的精度和更高的效率，對發(fā)展基于成型過程傳感曲線的高精度故障診斷和質(zhì)量預測方法、提高塑料熔體注射成型過程的自動化程度具有重要意義。

[1]劉 陽.注塑制品質(zhì)量參數(shù)在線檢測、建模與優(yōu)化方法研究[D].沈陽:東北大學,2010:8-9.

[2]周 俊,黃志高,周華民,等.注射模型腔壓力監(jiān)控系統(tǒng)的設計與實現(xiàn)[J].模具工業(yè),2014,40(6):10-14.

[3]楊 潔.基于PCA的間歇過程監(jiān)測及故障診斷方法研究[D].沈陽:東北大學,2010:5-49.

[4]李華偉,李 陽,郭 飛,等.注射模精密成型過程一致性在線監(jiān)控方法研究[J].模具工業(yè),2020,46(5):8-13.

[5]YI X H,XUAN F Z,LEEJAY,et al.Discriminant diffusion maps analysis:A robust manifold learner for dimensionality reduction and its applications in machine condition moni?toring and fault diagnosis[J].Mechanical Systems and Sig?nal Processing,2013,34(1-2):277-297.

[6]YUN Z,TING M,ZHI G H,et al.A statistical quality moni?toring method for plastic injection molding using machine built-in sensors[J].The International Journal of Advanced Manufacturing Technology,2016,85:2483-2494.

[7]馬 莉,杜小榮.基于監(jiān)督學習的核拉普拉斯特征映射的FCM算法[J].工業(yè)儀表與自動化裝置,2016(4):9-12.

[8]倪家鵬,沈 韜,朱 艷,等.基于擴散映射的太赫茲光譜識別[J].光譜學與光譜分析,2017,37(8):2360-2364.

[9]王 軍,馮孫鋮,程 勇.深度學習的輕量化神經(jīng)網(wǎng)絡結(jié)構研究綜述[J].計算機工程,2021,47(8):1-13.

[10]GUENTHERNICK,SCHONLAUMATTHIAS.Support vec?tor machines[J].The Stata Journal,2016,16(4):917-937.