一种用于轮胎制造工艺参数异常分析的数据分析方法与流程

本技术涉及轮胎制造，更具体地说，涉及一种用于轮胎制造工艺参数异常分析的数据分析方法。

背景技术：

1、轮胎制造参数分析与优化技术是确保轮胎制造过程平稳、质量合格的关键技术之一，该领域发展现状及存在的问题如下：

2、发展现状：

3、1.工艺流程的标准化：轮胎制造工艺已经形成了一套标准化流程，包括密炼、胶部件准备、轮胎成型、硫化、最终检验和轮胎测试等工序；

4、2.工艺参数的量化分析：通过模拟分析，可以量化工艺参数对轮胎性能(如动平衡)的影响程度，这有助于优化工艺参数，提高轮胎质量；

5、3.智能化生产：轮胎制造业正在引入智能制造技术，利用自动化生产设备、工业互联网、现代传感技术和大数据分析技术，实现生产过程的自动化、信息化、智能化；

6、4.新材料和新技术的应用：轮胎制造过程中，新材料和新技术的应用不断推动着工艺参数的优化，如使用高性能橡胶和钢丝等；

7、存在问题：

8、1.技术体系不完善：国内轮胎企业的研发体系相对不完善，缺乏系统化的技术体系和技术路线，导致理论基础薄弱、创新能力不足；

9、2.品牌价值与知名度：国产轮胎品牌的价值和知名度相对较低，导致溢价能力不强，影响企业利润和再投资能力；

10、3.工艺参数异常分析的复杂性：轮胎制造涉及众多工艺参数，这些参数之间存在复杂的相互关系，优化这些参数需要深入的分析和研究。

11、综上所述，轮胎制造参数分析与优化虽然取得了一定的进展，但仍面临多方面的挑战，需要进一步推动其发展。

技术实现思路

1、为了克服现有技术存在的一系列缺陷，本技术的目的在于针对上述问题，提供一种用于轮胎制造工艺参数异常分析的数据分析方法，包括以下步骤：

2、s1、从轮胎制造过程采集的数据存储到相应变量xi下，变量的个数为m，i＝1，2，…，m，即构成变量池x＝{xi|i＝1，2，…，m，m是正整数}；

3、s2、读取目标变量xi在[t0，tn]时间内的全部数据构造集合：

4、其中，t0≤tj≤tn且tj在[t0，tn]内是均匀间隔的，0≤j≤n，t0，n为所有tj构成的时间集合，约定n≥1000，j是自然数；

5、s3、构造二维点集其中，是的变量坐标，tj是的时间坐标；

6、s4、基于gi，0，n，按照循环次数m，以极大值逼近方法逐阶得到集合序列

7、

8、其中，m是层数，且m＝1，2，…m；

9、

10、s5、对任意1≤m≤m所确立的fi，0，n，m(t)，按照变量坐标计算其极大值点集令因此非空，“：＝”表示“等于”，其中中元素的时间坐标记为表示集合的元素个数；

11、s6、中任意元素的时间坐标在t0，n内距离最近的时刻为tj_h，按照这种对应方式，所有的元素的时间坐标tj_h汇成集合

12、s7、用中的相邻时间段对t0，n上的gi，0，n做分段处理，即任取区间[tj_h，tj_(h+1)]，按照数据时间顺序从集合xi，0，n中读取xi在[tj_h，tj_(h+1)]∩t上的所有数据并构造集合：

13、

14、s8、在平面坐标系上的点集gi，j_h，j_(h+1)，m，按照变化的波峰点集合为pe_xi，j_h，j_(h+1)，m，波谷点集合为va_xi，j_h，j_(h+1)，m；

15、s9、计算pe_xi，j_h_h，j_(h+1)，m均值并记为aver(pe_xi，j_h，j_(h+1)，m)，计算va_xi，j_h_h，j_(h+1)，m的均值并记为aver(va_xi，j_h，j_(h+1)，m)，计算xi，j_h_h，j_(h+1)，m的均值记为aver(xi，j_h，j_(h+1)，m)；

16、s10、计算pe_xi，j_h，j_(h+1)，m标准差并记为st(pe_xi，j_h_h，j_(h+1)，m)，计算va_xi，j_h，j_(h+1)，m的标准差并记为st(va_xi，j_h_h，j_(h+1)，m)，计算xi，j_h，j_(h+1)，m的标准差并记为st(xi，j_h，j_(h+1)，m)；

17、s11、构造向量：

18、pe_vi，j_h，j_(h+1)，m＝(aver(pe_xi，j_h，j_(h+1)，m)，st(pe_xi，j_h，j_(h+1)，m))，

19、va_vi，j_h，j_(h+1)，m＝(aver(ba_xi，j_h，j_(h+1)，m)，st(va_xi，j_h，j_(h+1)，m))，vi，j_h，j_(h+1)，m＝(aver(xi，j_h，j_(h+1)，m)，st(xi，j_h，j_(h+1)，m))；

20、s12、记pe_vi，j_h，j_(h+1)，m、va_vi，j_h，j_(h+1)，m、vi，j_h，j_(h+1)，m围成的状态三角形为qi，j_h，j_(h+1)，m，计算其面积并记为si，j_h，j_(h+1)，m；

21、s13、对于每个m，有集合

22、

23、进而构造以下两个集合：

24、max_si，0，n，m＝{(max_si，j_h，j_(h+1)，m，m)|max_si，j_h，j_(h+1)，m＝maxsi，j_h，j_(h+1)，m}，

25、min_si，0，n，m＝{(min_si，j_h，j_(h+1)，m，m)|min_si，j_h，j_(h+1)，m＝minsi，j_h，j_(h+1)，m}；

26、s14、计算max_si，0，n，m的回归直线斜率，记为k1，i，0，n，m；计算min_si，0，n，m的回归直线斜率，记为k2，i，0，n，m；令ki，0，n，m＝|k2，i，0，n，m-k1，i，0，n，m|；

27、s15、固定m和n，令自然数r≥0，则在时间tr，n+r内，按照前述过程逐次计算得到：

28、①集合xi，r，n+r＝{xi，j|xi，j是xi在时刻tj的取值，tj∈tr，n+r}；

29、②集合gi，r，n+r＝{(xi，j，tj)|xi，j∈xi，r，n+r，tj∈tr，n+r}；

30、③集合

31、④集合xi，j_h，j_(h+1)，m＝{xi，p|xi，p∈xi，r，n+r，tp∈[tj_h，tj_(h+1)]∩tr，n+r}；

32、⑤集合gi，j_h，j_(h+1)，m＝{(xi，p，tp)|xi，p∈xi，j_h，j_(h+1)，tp∈[tj_h，tj_(h+1)]∩tr，n+r}；

33、⑥集合max_si，r，n+r，m，min_si，r，n+r，m；

34、⑦斜率k1，i，r，n+r，m、k2，i，r，n+r，m及斜率差绝对值ki，r，n+r，m；

35、⑧进而得到集合

36、s16、通过对新投入使用的轮胎制造产线进行测试生产得到第一批数据，用第一批数据计算并搜索得到中所有元素的第一坐标ki，r，n+r，m的最大值max_ki，r，n，m和最小值min_ki，r，n，m；

37、s17、轮胎制造产线正式启动运行：

38、若监测到，ki，r，n+r，m∈[min_ki，r，n，m，max_ki，r，n，m]，判定产线系统正常；

39、若检测到，判定产线系统异常；

40、s18、若依次反向确定如下数值：

41、①从ki，r，n+r，m中读取下标中的r数值；

42、②根据s14过程的计算记录，读取k1，i，r，n+r，m和k2，i，r，n+r，m并比较两者中的大者和小者；

43、③如果k1，i，r，n+r，m≥k2，i，r，n+r，m，则在max_si，r，n+r，m寻找最大元素(max_si，j_h，j_(h+1)，m，m)对应的si，j_h，j_(h+1)，m以及相应的si，j_h，j_(h+1)，m，从而确定h，则区间[tj_h，tj_(h+1)]∩tr，n+r即为排查异常的第一个时间区间；与此同时，在min_si，r，n+r，m寻找最小元素(min_si，j_h，j_(h+1)，m，m)对应的si，j_h，j_(h+1)，m以及相应的si，j_h，j_(h+1)，m，从而确定h，则区间[tj_h，tj_(h+1)]∩tr，n+r即为排查异常的第二个时间区间；

44、④如果k1，i，r，n+r，m＜k2，i，r，n+r，m，则在min_si，r，n+r，m寻找最大元素(min_si，j_h，j_(h+1)，m，m)对应的si，j_h，j_(h+1)，m以及相应的si，j_h，j_(h+1)，m，从而确定h，则区间[tj_h，tj_(h+1)]∩tr，n+r即为排查异常的第一个时间区间；与此同时，在max_si，r，n+r，m寻找最小元素(max_si，j_h，j_(h+1)，m，m)对应的si，j_h，j_(h+1)，m以及相应的si，j_h，j_(h+1)，m，从而确定h，则区间[tj_h，tj_(h+1)]∩tr，n+r即为排查异常的第二个时间区间。

45、可选的，步骤s4中，计算集合序列fi，0，n，m的步骤如下：

46、s41、基于s3所得的gi，0，n，令

47、

48、s42、令m＝m+1更新m，定义集合循环计算gi，0，n＝gi，0，n-fi，0，n，m，更新gi，0，n，构造集合xi，0，n取出满足条件的构建集合

49、

50、其中，取出的不再放回，更新m运算直至xi，0，n剩余元素中没有任何元素满足条件m的最大值记为m。

51、可选的，步骤s5中，计算其极大值点集的步骤如下：

52、s51、基于fi，0，n，m，令

53、

54、s52、在集合fi，0，n，m中，构造集合

55、

56、可选的，步骤s8中，计算波峰点集pe_xi，j_h，j-(h+1)，m和波谷点集va_xi，j_h，j_(h+1)，m的步骤如下：

57、s81、由s7获得，

58、

59、

60、s82、令

61、

62、s83、由此，有

63、

64、s84、令

65、

66、s85、由此，有

67、

68、可选的，计算波峰点集均值aver(pe_xi，j_h，j_(h+1)，m)、波谷点集均值aver(va_xi，j_h，j_(h+1)，m)和全序列均值aver(xi，j_h，j_(h+1)，m)的步骤如下：

69、s91、对所有的(xi，u，tu)∈pe_xi，j_，h，j_(h+1)，m，u＝1，2，…，||pe_xi，j_h，j_(h+1)，m||，变量坐标xi，u的数值求和、取平均，即：

70、

71、s92、对所有的(xi，u，tu)∈va_xi，j_h，j_(h+1)，m，u＝1，2，…，||va_xi，j_，h，j_(h+1)，m||，变量坐标xi，u的数值求和、取平均，即：

72、

73、s93、对所有的(xi，u，tu)∈xi，j_h，j_(h+1)，m，u＝1，2，…，||xi，j_h，j_(h+1)，m||，变量坐标xi，u的数值求和、取平均，即：

74、

75、可选的，步骤s10中，计算波峰点集标准差st(pe_xi，j_h，j_(h+1)，m)、波谷点集标准差st(va_xi，j_h，j_(h+1)，m)和全序列标准差st(xi，j_h，j_(h+1)，m)的步骤如下：

76、s10-1、对所有的(xi，u，tu)∈pe_xi，j_h，j_(h+1)，m，u＝1，2，…，||pe_xi，j_h，j_(h+1)，m||，变量坐标xi，u的标准差：

77、

78、s10-2、对所有的(xi，u，tu)∈va_xi，j_h，j_(h+1)，m，u＝1，2，…，||va_xi，j_h，j_(h+1)，m||，变量坐标xi，u的标准差：

79、

80、s10-3、对所有的(xi，u，tu)∈xi，j_h，j_(h+1)，m，u＝1，2，…，||xi，j_h，j_(h+1)，m||，变量坐标xi，u的标准差：

81、

82、可选的，步骤s12中，计算状态三角形qi，j_h，j_(h+1)，m的面积si，j_h，j_(h+1)，m的步骤如下：

83、s12-1、根据海伦公式，令状态三角形qi，j_h，j_(h+1)，m三边长各为：

84、a＝||pe_vi，j_h，j_(h+1)，m-va_vi，j_h，j_(h+1)，m||；

85、b＝||pe_vi，j_h，j_(h+1)，m-vi，j_h，j_(h+1)，m||；

86、c＝||va_vi，j_h，j_(h+1)，m-vi，j_h，j_(h+1)，m||；

87、s12-2、令

88、

89、s12-3、由前述步骤，在下面的算式中代入p、a、b、c，有

90、

91、可选的，步骤s14中，计算k1，i，0，n，m、k2，i，0，n，m、ki，0，n，m的步骤如下：

92、s14-1、由s13，

93、max_si，0，n，m＝{(max_si，j_h，j_(h+1)，m，m)|max_si，j_h，j_(h+1)，m＝maxsi，j_h，j_(h+1)，m}，

94、令均值

95、

96、s14-2、由s12-1，使用最小二乘法，可得计算公式

97、

98、s14-3、由s13，

99、min_si，0，n，m＝{(min_si，j_h，j_(h+1)，m，m)|min_si，j_h，j_(h+1)，m＝minsi，j_h，j_(h+1)，m}，

100、令均值

101、

102、s14-4、由s12-3，使用最小二乘法，可得计算公式

103、

104、s14-5、由前述步骤，得

105、

106、上述用于轮胎制造工艺参数异常分析的数据分析方法基于变量分析模块和变量异常时段定位分析模块实现，其中：

107、变量分析模块，用于对轮胎制造工艺的异常信号进行特征度量和判定分析；

108、变量异常时段定位分析模块，用于在异常情况下对轮胎制造过程工艺参数异常的发生时段进行定位。

109、可选的，所述变量分析模块包括异常特征度量模块和异常判定分析模块，其中，所述异常特征度量模块通过对异常进行指标化而获得量化特征，所述异常判定分析模块通过量化特征确定异常指标的阈值，并基于阈值对变量是否存在异常进行判断分析。

110、与现有技术相比，本技术的有益效果为：

111、1)本技术基于分层极值序列的极值时间，对轮制造工艺参数对应的变量数据进行分段分析，并给出了计算方法：首先，在极值分层和时间分段的基础上，提出对段内数据的极大值序列、极小值序列和全数据序列，分别计算其均值和标准差，并基于此构建了三个状态向量，基于状态向量依次实现用状态三角形面积度量工艺参数在分段内的稳定性，用全部分段的面积极大值、极小值序列斜率做差取绝对值以度量轮胎制造工艺参数对应的变量在特定时间分布上的异常特征的指标；然后，让工艺参数对应的变量在时间轴上滑动，得到若干个异常特征的指标，并从异常特征指标在时间轴上的变化趋势中识别异常，当判定异常存在时，反推异常出现时间在时间分段的位置，实现异常时间定位。

112、2)本技术的突出特点在于：有效利用极值信息、均值和标准差，设计出状态向量和状态三角形等新颖的分析工具，支撑了其有效性、可靠性、通用性和简洁性。与现有方法相比，本技术具有通用适应性强、异常识别能力好、计算简洁、部署灵活等优点，尤其能够精确定位异常发生的时间段，促进对工艺参数异常的分析和优化。

技术特征：

1.一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，步骤s4中，计算集合序列fi，0，n,m的步骤如下：

3.根据权利要求1所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，步骤s5中，计算其极大值点集的步骤如下：

4.根据权利要求1所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，步骤s8中，计算波峰点集pe_xi，j_h，j_(h+1)，m和波谷点集va_xi，j_h，j_(h+1)，m的步骤如下：

5.根据权利要求1所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，计算波峰点集均值aver(pe_xi，j_h，j_(h+1)，m)、波谷点集均值aver(va_xi，j_h，j_(h+1)，m)和全序列均值aver(xi，j_h，j_(h+1)，m)的步骤如下：

6.根据权利要求1所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，步骤s10中，计算波峰点集标准差st(pe_xi，j_h，j_(h+1)，m)、波谷点集标准差st(va_xi，j_h，j_(h+1)，m)和全序列标准差st(xi，j_h，j_(h+1)，m)的步骤如下：

7.根据权利要求1所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，步骤s12中，计算状态三角形qi，j_h，j_(h+1)，m的面积si，j_h，j_(h+1)，m的步骤如下：

8.根据权利要求7所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，步骤s14中，计算k1，i，0，n，m、k2，i，0，n，m、ki，0，n，m的步骤如下：

9.根据权利要求1-8任一所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，基于变量分析模块和变量异常时段定位分析模块实现，其特征在于，所述变量分析模块用于对轮胎制造工艺的异常信号进行特征度量和判定分析；所述变量异常时段定位分析模块用于在异常情况下对轮胎制造过程工艺参数异常的发生时段进行定位。

10.根据权利要求9所述的一种用于轮胎制造工艺参数异常分析的数据分析方法，其特征在于，所述变量分析模块包括异常特征度量模块和异常判定分析模块，其中，所述异常特征度量模块通过对异常进行指标化而获得量化特征，所述异常判定分析模块通过量化特征确定异常指标的阈值，并基于阈值对变量是否存在异常进行判断分析。

技术总结
本申请公开了一种用于轮胎制造工艺参数异常分析的数据分析方法，属于轮胎制造技术领域。该数据分析方法基于变量分析模块和变量异常时段定位分析模块实现，变量分析模块用于对轮胎制造工艺的异常信号进行特征度量和判定分析；变量异常时段定位分析模块用于在异常情况下对轮胎制造过程工艺参数异常的发生时段进行定位，变量分析模块包括异常特征度量模块和异常判定分析模块，其中，异常特征度量模块通过对异常进行指标化而获得量化特征，异常判定分析模块通过量化特征确定异常指标的阈值，并基于阈值对变量是否存在异常进行判断分析。

技术研发人员：兰瑞君
受保护的技术使用者：中科慧远人工智能（烟台）有限公司
技术研发日：
技术公布日：2024/9/23