技术领域
[0001] 本
发明涉及一种数据采集分析系统，尤其涉及一种灌装生产线远程数据采集分析系统及其异常分析方法。
背景技术
[0002] 在制造业不断提升现有生产自动化
水平的背景下，要加快迈向智慧工厂的步伐，需要更智能、更开放的信息化系统来面对日益增加的生产、
质量和个性化产品的需求。远程数据采集分析系统是集数据采集与数据分析于一体的系统，通过软
硬件结合，采集、记录和计算生产现场各类数据，形成相应图形并对其进行分析。尤其对于自动化生产线而言，智能化和网络化的远程数据采集分析系统已经是生产线数字化管理必不可缺的部分，同时也是实现“智慧工厂”的重要基石。
[0003] 因此，亟待解决上述问题。
发明内容
[0004] 发明目的：为了解决现有灌装生产线上数据采集系统的不足，本发明的第一目的在于提供一种灌装生产线远程数据采集分析系统，该系统对灌装生产线的各个工作环节进行数据采集，可以在远程全面实时地监测灌装生产线上的生产过程，了解灌装设备的运行状况和实际的生产状况，同时系统还可以对灌装产品的质量进行在线数据分析，解决了数据实时性和共享性差的问题，有利于提高产品合格率和产品质量，节省故障诊断成本。
[0005] 本发明的第二目的是提供一种基于灌装生产线远程数据采集分析系统的采用八条控制图判异准则和BP神经网络对控制图进行异常识别的异常分析方法。
[0006] 技术方案：为实现以上目的，本发明公开了一种灌装生产线远程数据采集分析系统，包括用于实时在线采集生产特性数据的数据采集端、用于传输和存储生产特性数据的
数据中心服务器和用于处理生产特性数据的数据采集分析系统远程客户端，该数据采集分析系统远程客户端从数据中心服务器中读取生产特性数据并对其进行分析；所述数据采集分析系统远程客户端包括用户登录与管理模
块、设备参数实时监测模块、在线数据分析模块、专家会议模块、灌装现场视频监控模块和生产查询模块。
[0007] 其中，所述数据采集端包括基于Cortex-M3
内核的32位ARM
微处理器、
信号转换模块、
温度检测模块、充气气压检测模块、充气时间检测模块、灌液流量检测模块、原料液面高度检测模块、产品重量检测模块、
气缸位置检测模块、产品数量检测模块和
人机交互模块。
[0008] 优选的，所述ARM微处理器，包括3个12位模拟转换器，2通道12位D/A转换器，11个
定时器，13个通信
接口，112个快速I/O端口；所述信号转换
电路采用2组4 通道的光耦芯片TLP521-4来实现，可完成8路PLC信号的输入与转换；所述温度检测模块包括水浴温度检测模块、
电机温度检测模块和产线车间温度检测模块，采用热敏
电阻至数字输出转换器MAX31865来测温；所述产品重量检测采用AD转换器芯片 HX711；所述人机交互模块采用3.5寸串口触摸显示屏，该显示屏自带GPU字库，支持多种组态控件。
[0009] 再者，所述数据中心服务器包括数据存储模块和消息中转模块，该消息中转模块上传数据时采用web service技术，让用户选择是否备份数据到数据中心服务器，上传过程发生异常时可用
数据库复制的方法同步数据。
[0010] 进一步，所述用户登录与管理模块用于用户管理和进行权限设置，先根据系统功能进行划分建立系统
角色，并给角色分配相应的权限，最后给用户定义系统角色，其中一个系统用户可以同时拥有多种系统角色；
[0011] 所述设备参数实时监测模块，用于实时显示灌装生产线上相关设备的运行状况和工作参数，包括
压缩机的实时工作气压、各个气缸的运动位置、传送带的运动状态和电机和检漏池的温度；
[0012] 所述在线数据分析模块用于对灌装产品的质量进行分析，根据生产特性数据计算过程能
力指数和绘制控制图，采用数学模型建立回归分析并生成数据分析报告；灌装现场根据数据分析报告预估当前的产量和合格率，调整灌装生产线上的各工作参数；灌装现场根据控制图的判异结果进行报警；
[0013] 所述专家会议模块用于灌装生产商与技术人员之间的在线交流，包括多人实时视频、多人实时语音、多人
电子白板共享和远程桌面控制；
[0014] 所述灌装现场视频监控模块用于用户对灌装生产线现场的生产情况进行远程监控和实时查看生产车间的状况，包括视频实时监控、视频录像回放和摄像头
云控制；
[0015] 所述生产查询模块用于对产品质量进行追溯和根据产品的基本生产信息进行生产计划与调度。
[0016] 本发明一种基于灌装生产线远程数据采集分析系统的异常分析方法，包括如下步骤：
[0017] (1)、数据采集终端实时在线采集生产特性数据，所述生产特性数据包括产品重量、产品数量、气缸的位置、水浴的温度、电机的温度、产线车间的温度、充气的时间、充气的气压、灌液的流量和原料液面的高度；
[0018] (2)、将生产特性数据存储在数据中心服务器中；
[0019] (3)、向数据中心服务器
请求生产特性数据，并对生产特性数据进行提取与处理剔除异常数据；
[0020] (4)、根据处理后的生产特性数据计算统计指标，所述统计指标包括生产特性数据的均值、极差、标准差、中位数、单值、移动极差、不合格品数、不合格品率、
缺陷数和单位缺陷数中的一种或多种；
[0021] (5)、根据统计指标绘制控制图，所述控制图包括均值-极差控制图、均值-标准差控制图、中位数-极差控制图、单值-移动极差控制图、不合格品数控制图、不合格品率控制图、缺陷数控制图和单位缺陷数控制图中的一种或多种；
[0022] (6)、所述控制图的异常类型包括有数据超出控制限的第一类异常和数据在界限内呈异常排列规则的第二类异常；采用八条控制图判异准则对具有第一类异常的控制图进行异常识别，若存在异常则进行异常处理，否则继续生产；
[0023] (7)、采用BP神经网络对第二类异常的控制图进行异常识别，该异常识别的具体步骤包括如下步骤：
[0024] (7.1)、利用实际灌装生产过程中已知六种控制图模式的样本数据进行BP神经网络的训练，以得到BP神经网络的所需参数，六种控制图模式分别为正常模式、上升趋势模式、下降趋势模式、向上阶跃模式、向下阶跃模式和周期模式；具有训练步骤：
[0025] (7.1.1)、首先将已知六种控制图模式的样本数据进行标准化和编码化的预处理，标准化后样本数据z(t)的计算公式见下式：
[0026]
[0027] 其中，x(t)表示实际灌装生产过程中已知六种控制图模式的样本数据，t为样本序列，表示实际灌装生产过程中已知六种控制图模式的样本数据的均值，σ表示实际灌装生产过程中已知六种控制图模式的样本数据的标准差；经过标准化处理后，已知六种控制图模式的样本数据正常时z(t)服从标准正态分布，即z(t)～N(0,1)，且﹣3≤z(t)≤3， N(0,1)为标准正态；
[0028] 将z(t)在[-4,4]上划分为80个子区域进行编码化处理得到编码后数据x，编码规则如下：
[0029]
[0030] 其中，m＝1，2…80；
[0031] (7.1.2)、将编码后数据x代入BP神经网络传递函数中进行计算得到
输出层节点数据，具体计算包括如下步骤：
[0032] 首先设置BP神经网络中
输入层节点数为15，隐含层节点数为25，输出层节点数为 6，输入层第i个节点到隐含层第j个节点的权值为ωij，隐含层第j个节点到输出层第 k个节点的权值为ω′jk，其中i＝1,2…15，j＝1,2…25，k＝1,2…6,权值ωij和权值ω′jk在[0,1] 范围内被随机赋初值，在传统的神经网络
基础上引入可调参数和动态
阈值；计算隐含层第j个节点输入 具体公式为：
[0033]
[0034] 其中，xi表示输入层第i个节点的输入的编码后数据，θj表示隐含层第j个节点的动态阈值，fj表示节点状态，其中fj＝1，xi＞0，表示节点兴奋状态；fj＝0，xi≤0，表示节点抑制状态；
[0035] 再将隐含层第j个节点输入 代入BP神经网络的隐含层传递函数中得到隐含层传递函数的输出值aj，具体公式为：
[0036]
[0037] 其中，f1为隐含层传递函数，λj表示隐含层第j个节点的可调参数，e为欧拉数；隐含层传递函数的输出值aj存放在
隐藏层中作为隐藏层到输出层的输入，得到输出层的第j个节点输入为 具体公式为：
[0038]
[0039] 再将输出层第j个节点输入 代入BP神经网络的输出层传递函数中得到输出层传递函数的输出值为yk，具体公式为：
[0040]
[0041] f2为输出层传递函数，α表示隐含层的映射系数；
[0042] 输出层的预设输出值为Yk，Yk为1或-1中的任一值；根据控制图模式选取预设输出值Yk，其中正常模式的6个输出层节点数据分别为1，-1，-1，-1，-1，-1；上升趋势模式的6个输出层节点数据分别为-1，1，-1，-1，-1，-1；下降趋势模式的6个输出层节点数据分别为-1，-1，1，-1，-1，-1；向上阶跃模式的6个输出层节点数据分别为-1，-1，-1，1，-1，-1；向下阶跃模式的6个输出层节点数据分别为-1，-1，-1， -1，1，-1；周期模式的6个输出层节点数据分别为-1，-1，-1，-1，-1，1；
[0043] 根据所有样本数据的输出层传递函数的输出值yk和输出层的预设输出值Yk，计算 BP神经网络的误差函数δ，具体计算公式为：
[0044]
[0045] 若误差函数δ的误差值小于0.001时，则BP神经网络训练结束，当前权值ωij、当前权值ω'jk、当前可调参数λj和当前动态阈值θj即为BP神经网络所需参数；
[0046] 若误差函数δ的误差值不小于0.001时，则更新
迭代权值ωij、权值ω'jk、可调参数λj和动态阈值θj；
[0047] (7.1.3)、更新迭代权值ωij、权值ω'jk、可调参数λj和动态阈值θj，具体计算包括如下步骤：
[0048] 采用梯度下降
算法求出权值ωij、权值ω'jk、可调参数λj和动态阈值θj，其迭代公式分别为：
[0049] ω′jk＝ω′jk-η·δjk·aj
[0050]
[0051] ωij＝ωij-η·δij·xi
[0052]
[0053]
[0054]
[0055]
[0056] 其中，r表示迭代次数，q表示训练样本总数，α表示动量因子，α取0.95，η表示学习率，η取0.01；
[0057] 更新迭代后的权值ωij、权值ω'jk、可调参数λj和动态阈值θj，并将其代入步骤(7.1.2) 中重新计算得到误差函数δ的误差值，直至最终误差函数δ的误差值小于0.001，BP神经网络训练结束，当前权值ωij、当前权值ω′jk、当前可调参数λj和当前动态阈值θj即为 BP神经网络所需参数；
[0058] (7.2)、利用训练好的BP神经网络对未知控制图模式的生产特性数据样本进行异常识别，具体步骤如下：
[0059] 将待异常识别的、未知控制图模式的生产特性数据样本作为原始数据，进行标准化和编码化的预处理，得到预处理后的生产特性数据x，将预处理后生产特性数据x代入训练好的BP神经网络传递函数中得到输出层的六个输出值yk(，其中k＝1.2.3…6，再分别计算与六种控制图模式的误差值δn(n＝1.2.3…6)，具体计算公式为：
[0060]
[0061] 其中，计算得到的最小误差值δn即为对应的控制图模式，最后输出识别结果。
[0062] 有益效果：与
现有技术相比，本发明具有以下显著优点：
[0063] 1)本发明根据企业实际需求和灌装生产线的工作流程，提出了结合使用
嵌入式系统和web服务的系统整体设计方案；系统中嵌入式数据采集终端负责数据的采集和上传，web服务负责远程数据的交互；
[0064] 2)本发明中在线数据分析模块根据灌装生产的数据分析需求，绘制灌装过程质量特性数据的控制图，计算灌装工序的过程能力指数，实现了对灌装生产线生产状态的分析与评估；
[0065] 3)本发明采用八条控制图判异准则和BP神经网络对控制图的模式进行高效识别，设计BP神经网络，通过数据仿真对BP神经网络进行训练和测试，最终利用企业的实际质量特性数据验证了网络的识别效果；
[0066] 4)本发明利用多线程技术和web service技术，对现场上位机
软件进行设计，实现了上位机与数据采集终端的通信；同时对上位机与终端的通信协议和通信的数据格式进行设计，完成了罐装现场数据的采集与上传；
[0067] 5)本发明根据实际功能需求对数据采集分析系统远程客户端和数据中心服务器进行设计，在客户端按照功能模块分别对用户登录与管理模块、设备参数实时监测模块、在线数据分析模块、专家会议模块、灌装现场视频监控模块和生产查询模块等进行设计；在服务端对数据库和web服务进行详细的设计，实现了系统数据的远程交互。
附图说明
[0068] 图1为本发明的模块示意图；
[0069] 图2为本发明中数据采集端的功能模块图；
[0070] 图3是本发明中在线数据分析模块的工作
流程图；
[0071] 图4是本发明中用户登录的流程图；
[0072] 图5为本发明中异常分析方法的流程示意图；
[0073] 图6为本发明中BP神经网络的拓扑结构示意图；
[0074] 图7为本发明中控制图模式与BP神经网络输出层节点数据的关系表；
[0075] 图8为本发明中BP神经网络的测试结果和识别
精度表。
具体实施方式
[0076] 下面结合附图对本发明的技术方案作进一步说明。
[0077] 如图1所示，本发明一种灌装生产线远程数据采集分析系统，包括用于实时在线采集生产特性数据的数据采集端、用于传输和存储生产特性数据的数据中心服务器和用于处理生产特性数据的数据采集分析系统远程客户端，该数据采集分析系统远程客户端从数据中心服务器中读取生产特性数据并对其进行分析。
[0078] 如图2所示，数据采集端包括基于Cortex-M3内核的32位ARM微处理器、信号转换模块、温度检测模块、充气气压检测模块、充气时间检测模块、灌液流量检测模块、原料液面高度检测模块、产品重量检测模块、气缸位置检测模块、产品数量检测模块和人机交互模块。其中ARM微处理器，包括3个12位模拟转换器，2通道12位D/A转换器，11个定时器，13个
通信接口，112个快速I/O端口；所述信号转换电路采用2组 4通道的光耦芯片TLP521-4来实现，可完成8路PLC信号的输入与转换；所述温度检测模块包括水浴温度检测模块、电机温度检测模块和产线车间温度检测模块，采用
热敏电阻至数字输出转换器MAX31865来测温；所述产品重量检测采用AD转换器芯片 HX711；所述人机交互模块采用3.5寸串口触摸显示屏，该显示屏自带GPU字库，支持多种组态控件。
[0079] 本发明的数据中心服务器包括数据存储模块和消息中转模块，该消息中转模块上传数据时采用web service技术，让用户选择是否备份数据到数据中心服务器，上传过程发生异常时可用数据库复制的方法同步数据。
[0080] 本发明的数据采集分析系统远程客户端包括用户登录与管理模块、设备参数实时监测模块、在线数据分析模块、专家会议模块、灌装现场视频监控模块和生产查询模块。
[0081] 本发明用户登录与管理模块用于用户管理和进行权限设置，先根据系统功能进行划分建立系统角色，并给角色分配相应的权限，最后给用户定义系统角色，其中一个系统用户可以同时拥有多种系统角色。本发明为了加强采集分析系统的安全性，在用户进入系统时要对登录用户的身份和权限进行认证，通过后才能进行相关操作；用户登录的流程图如图4所示。远程客户端中采用的用户权限管理模式是“功能—角色—用户”结构，即先根据系统的功能进行划分，而后建立系统角色，并给角色分配相应的权限，最后给用户定义系统角色，一个系统用户可以同时拥有多种系统角色。
[0082] 设备参数实时监测模块，用于实时显示灌装生产线上相关设备的运行状况和工作参数，包括压缩机的实时工作气压、各个气缸的运动位置、传送带的运动状态和电机和检漏池的温度；
[0083] 本发明在线数据分析模块用于对灌装产品的质量进行分析，根据生产特性数据计算过程能力指数和绘制控制图，采用数学模型建立回归分析并生成数据分析报告；灌装现场根据数据分析报告预估当前的产量和合格率，调整灌装生产线上的各工作参数；灌装现场根据控制图的判异结果进行报警；在线数据分析模块为远程数据采集分析系统的基础，主要是对灌装过程中的关键生产特性数据(例如称重质量，充气时间和气压，灌液体积等)进行分析，包括过程能力指数的计算，控制图和直方图的绘制，控制图模式的判异以及数据分析报表的生成等。如图3所示，在进行动态监测时，数据采集分析系统远程客户端实时地向数据中心服务器端请求灌装质量特性数据最近若干次的测量数据，计算得到平均数、方差、最大值和最小值等统计指标，绘出控制图并通过用户选择的判异准则判断该控制图模式是否异常；在进行静态分析时，根据用户选择数据类型和数据量，系统可以绘制质量特性数据的均值图、单值图、极差值图和直方图等，计算工序的过程能力指数，分析评价灌装生产过程并给出处理意见。
[0084] 本发明中专家会议模块的本质是在远程数据采集分析系统上扩展了一个视频会议子系统，主要的目的是便于灌装生产商与技术人员之间的交流，为灌装生产线的远程故障诊断提供有效手段。因此，专家会议模块的主要功能有如下几点：
[0085] I.多人视频语音文字会话功能：视频语音会话时，
视频编码质量根据网络状况进行调解，且当网络拥塞时，系统选择主动弃
帧，优先保证语音通话的质量；同时，语音对话支持回音消除(AEC)、噪音抑制(DENOISE)、自动增益(AGC)和静音检测(VAD) 等
语音技术。
[0086] II.多人协作电子白板功能：多人协作电子白板支持常用视图元素，可以插入图片和截屏，支持将整个白板保存为位图；系统提供观看模式和控
制模式两种选择，为参会者赋予不同的操作权限；此外当某个客户端断线自动重连时，白板始终保持最新的内容。
[0087] III.文件共享功能：会议房间内的任何一个成员都可以共享自己的文件，其他的成员可以下载这个文件，会议控制者也可以取消这个文件的共享权限。
[0088] IV.桌面共享功能：会议房间内的任何一个成员都可以共享自己的桌面，其他成员可以观看该桌面；同时桌面共享者还可以授权给房间内的其他成员来操作自己的桌面，实现远程桌面控制效果。
[0089] 本发明中灌装现场视频监控模块是为了方便用户对灌装生产线现场的生产情况进行远程视频监控，实时查看生产车间的状况。同时，通过录像回放可以有效追溯生产异常和产线故障，极大地缩减人工排查成本。因此，灌装现场视频监控模块的功能包括：
[0090] I.实时预览功能：实时预览时支持分屏观察远近不同的视频监控情况，远景摄像头用于查看车间生产的概况，近景摄像头用于查看充气和灌液等工位上的具体工作情况。视频监控的清晰度高，在低带宽或者多次路由的条件下不会出现“
马赛克”的现象。
[0091] II.录像与回放功能：视频监控模块除了要求能够实时视频查看现场的生产情况，还要求对一段时间内的视频进行回放查看。车间内部(局域网内)的视频录像和回放采用
网络摄像头内置的SD卡即可实现，但是对于远程用户，网络摄像头在服务器端进行视频数据转发的同时还需要对数据的进行存储。
[0092] III.截图保存功能：用户在查看实时视频监控或者回放录像视频时，能够保存关键帧图像到用户本地。
[0093] IV.远程控制功能：有权限的远程用户可以在客户端上对灌装现场网络摄像头进行控制，包括预置点设置、巡航路线更改、快速
定位和镜头变焦等。
[0094] 本发明的生产查询模块的主要作用是按照产品的生产批次和编号进行筛选，查询产品的基本生产信息，还可以将数据导出到本地Excel；通过获取灌装产品在关键工位上的加工过程信息，可以对产品进行质量追溯；此外，生产查询模块还可以获取车间的生产计划和人员调度安排信息，提高企业生产的效率。
[0095] 如图5所示，本发明一种基于灌装生产线远程数据采集分析系统的异常分析方法，包括如下步骤：
[0096] (1)、数据采集终端实时在线采集生产特性数据，所述生产特性数据包括产品重量、产品数量、气缸的位置、水浴的温度、电机的温度、产线车间的温度、充气的时间、充气的气压、灌液的流量和原料液面的高度；
[0097] (2)、将生产特性数据存储在数据中心服务器中；
[0098] (3)、向数据中心服务器请求生产特性数据，并对生产特性数据进行提取与处理剔除异常数据；
[0099] (4)、根据处理后的生产特性数据计算统计指标，所述统计指标包括生产特性数据的均值、极差、标准差、中位数、单值、移动极差、不合格品数、不合格品率、缺陷数和单位缺陷数中的一种或多种；
[0100] (5)、根据统计指标绘制控制图，所述控制图包括均值-极差控制图、均值-标准差控制图、中位数-极差控制图、单值-移动极差控制图、不合格品数控制图、不合格品率控制图、缺陷数控制图和单位缺陷数控制图中的一种或多种；
[0101] (6)、所述控制图的异常类型包括有数据超出控制限的第一类异常和数据在界限内呈异常排列规则的第二类异常；采用八条控制图判异准则对具有第一类异常的控制图进行异常识别，若存在异常则进行异常处理，否则继续生产；
[0102] (7)、采用BP神经网络对第二类异常的控制图进行异常识别，该异常识别的具体步骤包括如下步骤：
[0103] (7.1)、利用实际灌装生产过程中已知六种控制图模式的样本数据进行BP神经网络的训练，以得到BP神经网络的所需参数，六种控制图模式分别为正常模式、上升趋势模式、下降趋势模式、向上阶跃模式、向下阶跃模式和周期模式；具有训练步骤：
[0104] (7.1.1)、首先将已知六种控制图模式的样本数据进行标准化和编码化的预处理，标准化后样本数据z(t)的计算公式见下式：
[0105]
[0106] 其中，x(t)表示实际灌装生产过程中已知六种控制图模式的样本数据，t为样本序列，表示实际灌装生产过程中已知六种控制图模式的样本数据的均值，σ表示实际灌装生产过程中已知六种控制图模式的样本数据的标准差；经过标准化处理后，已知六种控制图模式的样本数据正常时z(t)服从标准正态分布，即z(t)～N(0,1)，且﹣3≤z(t)≤3， N(0,1)为标准正态；
[0107] 编码是将控制图划分区域，每个区带对应一个编码数值，为了使溢出的数据也能被识别，可以扩大编码区域，本发明将z(t)在[-4,4]上划分为80个子区域进行编码化处理得到编码后数据x，编码规则如下：
[0108]
[0109] 其中，m＝1，2…80；原始数据经过标准化和编码处理后，保留样本数据特征的同时削弱了微小的
波动信息，使得训练的BP神经网络收敛性更好，能够增加网络的通用性和识别率；
[0110] (7.1.2)、如图6所示，将编码后数据x代入BP神经网络传递函数中进行计算得到输出层节点数据，具体计算包括如下步骤：
[0111] 本发明在训练BP神经网络时，首先选取不同的网络隐含层节点数，依次取值为5， 15，20，25，30，然后分别对这些网络模型进行了训练；得到不同隐含层节点数的BP神经网络的误差性能曲线；通过不同隐含层节点数网络的误差性能曲线可以发现，隐含层节点数为小于等于20时，训练出来的神经网络未能达到设定的训练要求精度10-3。当隐含层节点数取
25和30时，神经网络能够达到设定的目标误差精度。实际训练时发现，随着隐含层节点数的继续增加，网络的训练时间和复杂度也相应增加了。
[0112] 因此首先设置BP神经网络中输入层节点数为15，隐含层节点数为25，输出层节点数为6，输入层第i个节点到隐含层第j个节点的权值为ωij，隐含层第j个节点到输出层第k个节点的权值为ω′jk，其中i＝1,2…15，j＝1,2…25，k＝1,2…6,权值ωij和权值ω′jk在 [0,1]范围内被随机赋初值，在传统的神经网络基础上引入可调参数和动态阈值；计算隐含层第j个节点输入 具体公式为：
[0113]
[0114] 其中，xi表示输入层第i个节点的输入的编码后数据，θj表示隐含层第j个节点的动态阈值，fj表示节点状态，其中fj＝1，xi＞0，表示节点兴奋状态；fj＝0，xi≤0，表示节点抑制状态；
[0115] 再将隐含层第j个节点输入 代入BP神经网络的隐含层传递函数中得到隐含层传递函数的输出值aj，具体公式为：
[0116]
[0117] 其中，f1为隐含层传递函数，λj表示隐含层第j个节点的可调参数，e为欧拉数；隐含层传递函数的输出值aj存放在隐藏层中作为隐藏层到输出层的输入，得到输出层的第j个节点输入为 具体公式为：
[0118]
[0119] 再将输出层第j个节点输入 代入BP神经网络的输出层传递函数中得到输出层传递函数的输出值为yk，具体公式为：
[0120]
[0121] f2为输出层传递函数，α表示隐含层的映射系数；
[0122] 输出层的预设输出值为Yk，Yk为1或-1中的任一值；如图7所示，根据控制图模式选取预设输出值Yk，其中正常模式的6个输出层节点数据分别为1，-1，-1，-1，-1， -1；上升趋势模式的6个输出层节点数据分别为-1，1，-1，-1，-1，-1；下降趋势模式的6个输出层节点数据分别为-1，-1，1，-1，-1，-1；向上阶跃模式的6个输出层节点数据分别为-1，-1，-1，1，-1，-1；向下阶跃模式的6个输出层节点数据分别为 -1，-1，-1，-1，1，-1；周期模式的6个输出层节点数据分别为-1，-1，-1，-1，-1， 1；
[0123] 根据所有样本数据的输出层传递函数的输出值yk和输出层的预设输出值Yk，计算 BP神经网络的误差函数δ，具体计算公式为：
[0124]
[0125] 若误差函数δ的误差值小于0.001时，则BP神经网络训练结束，当前权值ωij、当前权值ω'jk、当前可调参数λj和当前动态阈值θj即为BP神经网络所需参数；
[0126] 若误差函数δ的误差值不小于0.001时，则更新迭代权值ωij、权值ω'jk、可调参数λj和动态阈值θj；
[0127] (7.1.3)、更新迭代权值ωij、权值ω'jk、可调参数λj和动态阈值θj，具体计算包括如下步骤：
[0128] 采用梯度下降算法求出权值ωij、权值ω'jk、可调参数λj和动态阈值θj，其迭代公式分别为：
[0129] ω′jk＝ω′jk-η·δjk·aj
[0130]
[0131] ωij＝ωij-η·δij·xi
[0132]
[0133]
[0134]
[0135]
[0136] 其中，r表示迭代次数，q表示训练样本总数，α表示动量因子，α取0.95，η表示学习率，η取0.01；
[0137] 更新迭代后的权值ωij、权值ω'jk、可调参数λj和动态阈值θj，并将其代入步骤(7.1.2) 中重新计算得到误差函数δ的误差值，直至最终误差函数δ的误差值小于0.001，BP神经网络训练结束，当前权值ωij、当前权值ω′jk、当前可调参数λj和当前动态阈值θj即为 BP神经网络所需参数；
[0138] (7.2)、利用训练好的BP神经网络对未知控制图模式的生产特性数据样本进行异常识别，具体步骤如下：
[0139] 将待异常识别的、未知控制图模式的生产特性数据样本作为原始数据，进行标准化和编码化的预处理，得到预处理后的生产特性数据x，将预处理后生产特性数据x代入训练好的BP神经网络传递函数中得到输出层的六个输出值yk(，其中k＝1.2.3…6，再分别计算与六种控制图模式的误差值δn(n＝1.2.3…6)，具体计算公式为：
[0140]
[0141] 其中，计算得到的最小误差值δn即为对应的控制图模式，最后输出识别结果。
[0142] 本发明为了进一步验证所设计的BP神经网络模型，使用企业生产中实际测得的一组已知控制图模式的质量特性数据对网络进行验证；在生产过程中对质量数据控制图模式的识别采用窗口平移法，即窗口大小固定，每次添加一个新数据，窗口向新数据方向移动一位，窗口内的数据作为神经网络的原始输入。而在本设计中，网络输入层节点数为15，因此，首先识别第1到15个数据点，然后识别第2到16个数据点，依次类推。本发明的测试结果和识别精度如图8所示。本发明的异常分析方法中采集到的数据不直接进行判异，而是需要对数据进行一定的预处理，预处理的目的是去除噪声，简化数据复杂度，同时尽可能保留数据的内在特征，使得数据更容易聚类，提高BP神经网络的收敛性和识别率。此外传统BP神经网络存在收敛速度慢、识别速度低和容易陷入局部最优等缺点，本发明为了改善这一缺点，对传递函数进行改进，在不影响精度的前提下，引入可调参数和动态阈值；根据BP神经网络的误差函数，采用梯度下降算法求出可调参数的表达式和动态阈值的迭代公式。本发明先采用8条控制图判异准则发现是否有不正常数据，如果有及时处理后可继续生产；如果没有则可继续进行BP神经网络的判异来进行六种基本控制图模式的识别；一方面利用8条控制图判异准则快速精准地定位异常，
加速识别速度；另一方面通过BP神经网络过滤数据波动，立足整体判断控制图变化趋势，获得了良好的控制图异常识别效果。
[0143] 上述
实施例仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和等同替换，这些对本发明
权利要求进行改进和等同替换后的技术方案，均落入本发明的保护范围。
