基于改进MKECA算法的注塑机异常检测

注塑成型过程是典型的间歇生产过程,具有多模态、非线性、混合分布等特点,往往造成异常检测精度不高,因此对多向核熵成分分析算法(MKECA)进行改进,提出一种新的注塑机异常检测方法——LNS-MKECA-SVDD。该算法通过局部近邻标准化(LNS)寻找每个样本点的局部近邻集,并通过局部近邻集的均值和标准差将样本进行标准化,从而将多模态数据融合为单一模态;然后结合多向核熵成分分析算法对标准化的数据进行非线性特征提取;最后用支持向量数据描述(SVDD)对降维后的数据进行训练,建立监控统计量D,并对测试集进行异常检测,解决了注塑过程数据不服从高斯分布的假设,提高了异常检测的精度。利用注塑过程采集到的数据进行实验,将所提算法与MKECA、LNS-MKECA算法进行对比,证明了所提方法对注塑机异常检测的有效性和及时性。