团论文网
团论文网
-
摘要：文章对聚酯切粒机熔体挤出过程中熔体异常的形态特征和产生原因进行了分析，讨论了基于自编码器的深度学习方法在熔体异常辨识领域应用的可行性，并利用Deep Learning Tool平台研究了基于自编码器的图像异常辨识网络的应用效果。实验结果表明，文章所采用的网络具有良好的熔体异常辨识准确率和泛化性能，并初步实现了对熔体异常程度的有效区分。
关键词：切粒机；熔体异常辨识；自编码器；深度学习
0引言
切粒机是聚酯切片生产工艺中的终端设备，集成了聚酯熔体挤出拉条、降温冷却、切粒以及干燥四个主要工序[1]。聚酯熔体挤出拉条异常(以下简称“熔体异常”)是切粒机在运行过程中易发生的故障环节之一。根据异常发生时熔体的形态特征，熔体异常可大致分为熔体抖动、并带和披挂三个状态，如图1所示。
根据实际生产管理经验，抖动和并带对切粒机正常运行的影响相对较小，此类异常允许短时间存在，并可以通过人工干预的方式消除；披挂则是较为严重的异常，熔体堆积无法在导流槽内正常流动，需要立即采取停机的方式进行处理。造成熔体异常的原因包括上游工艺参数波动(黏度波动、压力波动等)、铸带头熔体挤出口堵塞、设备异常振动等[2-3]。其中，工艺参数波动和铸带头堵塞是熔体异常发生的主要原因。为及时发现熔体异常，目前业内普遍采用的方法是对熔体挤出拉条环节进行视频监控，并由值班人员通过监控屏幕对熔体异常进行辨识，可靠性和劳动效率亟待借助自动化的图像异常检测系统进行提高。
由于正常情况下聚酯熔体的温度、密度和黏度等物理特性较为稳定，熔体挤出牵伸过程中熔体近似处于定常流动状态，因而可以采用图像异常检测的方法对熔体异常进行辨识。相比模板匹配、统计模型和频域分析等基于传统方法的图像异常检测技术，基于深度学习的图像异常检测具有无需人工设计特征和算法通用性更高的优点[4]，能够发现潜在的图形特征。自编码器(auto-encoder,AE)是一种无监督深度学习方法，通过将输入数据压缩到较低维度的隐藏层，再将隐藏层表示解码为与原始输入相同的输出，来实现对输入数据的重构[5]。基于AE的异常检测算法在训练过程仅依赖正常样本，回避了收集大量且全面异常样本的难题，在医学图像疾病筛查和电子产品质量检测等领域已得到较为广泛的应用。但在切粒机熔体异常辨识这一细分化工生产应用场景中，相关研究尚处于起步阶段。
本文基于MVTec的深度学习开发平台(Deep Learning Tool，DLT)研究了AE网络在切粒机熔体异常辨识中的应用效果。通过在每轮网络训练过程中随机改变图像亮度和旋转角度的方式对训练样本进行扩充增强，提高系统对环境光强度变化的鲁棒性。实验结果表明，本文所提系统具有良好的熔体异常辨识效率和泛化性能，并初步实现了对熔体异常程度的有效区分。
1 AE网络模型介绍
DLT是德国MVTec公司开发的一款深度学习开发平台，具有运行环境配置简单、人机交互界面友好、数据标注便捷以及支持多类型网络训练和验证等诸多优点，与该公司旗下的机器视觉软件HALCON具有良好的兼容性，在工业应用场景下具有突出的易用性。GC-AD Local是DLT提供的一种轻量化异常检测网络，其采用了AE网络作为基本架构，网络总体结构如图2所示。
其中，Input_image为网络的输入图像，要求分辨率固定为256×256×3；Cov1和Cov2为多层卷积神经网络，各包含4个卷积层和2个平均池化层，输出分别为Output1和Output2；Diff_squared对Output1和Output2对位置元素进行差值平方运算，其输出为Output3；Diff_image为Output3经过卷积处理的误差图像，其像素点平均值作为损失值Loss1。
图像卷积运算是卷积神经网络的基本运算方式，对图像进行卷积运算的原理如图3所示，其中，xij为卷积核覆盖下的输入图像对应像素点的灰度值；wij为卷积核的权值；b为神经网络的偏置值；y*为神经元的输出。经过一次卷积运算，考虑偏置的加权计算值为：
y=(x w x w x11111212++...+33 w33)+b(1)
为提升训练速度、减少过拟合以及防止梯度消失，卷积神经网络均采用非线性函数作为激活函数。卷积神经网络的最终输出值为：
y*=ReLU(y)=max(0,y)(2)
对Output1和Output2中第i层图像，有：
式中：N为Output1(同Output2)中单层图像中的元素个数，即4 096。
式中：M为误差图像Diff_image中的元素个数，即4 096。
为抑制模型噪声、减少训练过程中的过拟合，引入不考虑偏置值的正则化损失LossR，其表达式为：
式中：K为整个网络中权值的个数；wk为第k个权值所对应的数值。
综上，网络总误差函数为：
Loss=Loss1+LossR(6)
2数据集构建与网络训练
2.1数据集构建
为使数据集的构建贴合工业应用实际，在切粒机24小时内正常运行的监控视频中，选取558张不同时段的图像作为数据集的正样本。尽管AE网络的训练过程并不依赖于负样本，但为验证AE网络的实际效果，以近期发生的熔体披挂事故视频作为数据来源，从中提取510张包含熔体异常的图像作为数据集的负样本。在这些负样本图像中，既包含了熔体抖动和熔体并带等一般性熔体异常，也包含了局部熔体披挂和大面积熔体披挂等严重异常。其中，一般性熔体异常占比62%，严重异常占比38%。训练集、验证集和测试集的划分如表1所示。
2.2网络优化
网络采用Adam[6]优化器进行优化，训练设置参数如下：
(1)初始化方法：Xavier[7]；
(2)Epoch数量：300；
(3)Batch size：1；
(4)迭代次数：117 300；
(5)学习速率：前240个Epoch，0.000 1；后60个Epoch，0.000 01。
考虑到在实际工业环境下，熔体遇水冷却产生水蒸汽、环境光照变化和设备振动等均可能对摄像机采集到的熔体图像产生影响，且这些扰动因素的发生存在不确定性，因而常规的正样本收集方式难以涵盖这些特殊情况。为增强AE网络对上述扰动因素的鲁棒性，降低数据图像收集和数据集构建的复杂度，本文采用了如下方法对数据集进行增强。
在每轮训练迭代中：
(1)图像亮度，±20%随机变化；
(2)图像对比度，±20%随机变化；
(3)图像饱和度，±20%随机变化；
(4)图像旋转，±3°随机变化。
神经网络训练采用的软硬件配置：CPU为i5-9400F；内存为32G；GPU为NVIDIA GeForce RTX 3060 Ti；软件平台为Deep Learning Tool 22.11。训练迭代共117 300次，总用时为39分14秒，训练过程中显存占用约50%。Loss变化趋势如图4所示。
从Loss变化曲线可以看出，网络在前150个Epoch快速收敛至0.25附近，在第240个Epoch后，由于学习率降低至0.000 01，Loss值进一步下降，并在训练结束时降低至0.01附近。
3实验结果与分析
以Diff_image图像计算得到的Loss1值作为图像异常判断的依据。在本文所构建的数据集中，参与异常辨识的图像总数为677张，总用时8.02 s，平均图像推断用时11.84 ms。
正常图像异常值(Loss1值)最高为0.45分，异常图像异常值最低为2.53分，取二者中间值1.49分作为正常-异常的分类阈值，如图5所示。
混淆矩阵如表2所示，其中，FP为被模型预测为正类的负样本，FN为被模型预测为负类的正样本。从表2中可以看出，AE网络对正常图像和异常图像的预测准确率均为100%。
切粒机熔体由正常到严重异常的对比效果如图6所示，图像尺寸压缩为256×256，并将原始图像与误差图像进行重叠以便于观察。
图6中光斑区域的面积代表了区域的异常程度。光斑区域的面积越大，则说明这个区域的AE网络重建误差越大，即异常越严重。从图6(a)和图6(b)的对比可以看出，对异常值最高的正常熔体图像和异常值最低的一般异常熔体图像，AE网络给出的异常值差异较大，说明网络在“正常”和“异常”之间具有很好的区分度，对熔体异常的灵敏度较高。同时，正常熔体图片的最大异常值仅为0.45，表明网络的重建误差较小。
从图6(c)、图6(d)、图6(e)和图6(f)的对比可以看出，虽然都属于熔体异常，但由于异常程度的不同，AE网络得到的误差图像也有较为明显的差异，且光斑区域与实际出现异常的区域基本一致，验证了网络的定位能力。随着熔体异常情况的不断加重，误差图中光斑区域不断扩大，计算得到的异常值分数Loss1也在不断提高，两者呈现出较为明显的正相关关系，验证了AE网络对异常大小的区分能力。
4结语
本文分析了基于AE的图像异常检测方法在切粒机熔体异常检测这一特定领域的适用性，并在DLT平台进行了网络构建、训练以及效果评估。实验结果表明，本文所提到的深度学习网络具有良好的熔体异常辨识效率、泛化性能和异常区分能力，异常检出率达100%。同时，异常值分数与熔体异常严重程度呈现出较为明显的正相关关系，误差图与实际图像异常区域基本一致，异常定位能力得到了验证。
在后续研究中，将结合实际设备运行管理经验，利用系统对异常的区分能力，在DCS中实现对熔体异常的分级判断和与切粒机控制系统的联动，如结合反时限动作曲线对切粒机并带等异常运行的时间进行限制等。
参考文献：
[1]张强,李文强.聚酯水下切粒机操作及要点[J].聚酯工业,2020,33(5):40-42.
[2]潘洪良,陈国刚,傅立峰,等.聚酯切粒机产生异状切片原因的探讨[J].聚酯工业,2020,33(4):33-36.
[3]贾晓刚.聚酯水下切粒机系统故障处理及优化运行[J].化工管理,2015(26):4-5.
[4]吕承侃,沈飞,张正涛,等.图像异常检测研究现状综述[J].自动化学报,2022,48(6):1402-1428.
[5]张国梁,郭晓军.基于自编码器的网络异常检测研究综述[J].信息安全学报,2023,8(2):81-94.
[6]YI D,AHN J,JI S.An effective optimization method for machine learning based on ADAM[J].Applied sciences,2020,10(3):1073.
[7]GLOROT X,BENGIO Y.Understanding the difficulty of training deep feedforward neural networks[J].Journal of machine learning research,2010,9:249-256.后台-系统设置-扩展变量-手机广告位-内容正文底部 -
本文标签：
基于自编码器的切粒机熔体异常辨识研究论文
人参与 2024-09-30 10:07:59 分类 : 理学 点这评论 作者：团论文网 来源：https://www.tuanlunwen.com/
-
站内搜索
-
随机文章
-
标签列表
-
-
最近发表
-
-
热门文章 | 最新文章 | 随机文章
-
-
最新留言
-
首页 论文知识 教育论文 毕业论文 教学论文 经济学 管理学 职称论文 法学 理学 医学 社会学 物理学 文献 工程论文 学位论文 研究论文
Powered 团论文网 版权所有 备案号：鄂ICP备2022005557号统计代码
全站搜索