基于物理信息特征提取的半监督压铸过程监控
机器学习
2025-05-12 v2
摘要
在解决高速压铸工艺中频繁批次异常问题时，本研究引入一种新型半监督过程异常监控框架，利用加速度计信号和物理信息，有效捕捉过程异常。该框架支持构建样本分布不平衡的监控模型，实现对批次过程的实时条件监控，从而降低批次缺陷风险并提升产能。首先，提出一种混合特征提取算法，同时运用数据驱动方法和物理机理，有效从包含冗余信息的原始数据中捕获关键特征。其次，针对样本分布不平衡的挑战，构建半监督异常检测模型，仅使用正常样本构建基准模型，并提出一种新颖的偏差得分来量化每个在线压铸笔位的异常程度。通过多种分类算法验证了所提特征提取方法的有效性。采用实际的压铸制造车间数据集，展示了所提半监督框架在过程异常监控方面的优越性能。
引用
@article{arxiv.2504.21389,
title = {Enhanced semi-supervised stamping process monitoring with physically-informed feature extraction},
author = {Jianyu Zhang},
journal= {arXiv preprint arXiv:2504.21389},
year = {2025}
}