基于半監督學習雙模型結構的注塑產品異常檢測

摘要：質量數據分布的不平衡及分類邊界的模糊性限制了傳統分類器的性能，阻礙了企業智能生產決策的高效實施。為此，提出了一種基于雙模型結構的深度生成模型異常檢測方法，根據尺寸數據分布將合格產品等級進行二分類，即優秀及次優，分別用于訓練兩個深度生成模型，考慮數據分布特點設計加權集成，基于計算的異常分數對產品進行合格性判定。以變分自編碼器（VAE）、Wasserstein生成對抗網絡（WGAN）為子模型開發了兩個雙模型結構，測試結果顯示，相較于單模型結構，基于雙模型的VAE和WGAN在測試集上的分類準確率分別提高了4.5%和6%。

關鍵詞：產品質量；異常檢測；變分自編碼器；Wasserstein生成對抗網絡；雙模型結構

中圖分類號：TP181

Abnormal Detection of Injection Molding Products Based on Semi-supervised Learning Dual-model Structure

CHEN Yu1 XIANG Wei^1，2* LIN Wenwen1 GONG Chuan1 ZHANG Huaizhi1 YU Renhao1

1.School of Mechanical Engineering and Mechanics，Ningbo University，Ningbo，Zhejiang，315211

2.Zhejiang Provincial Key Laboratory of Part Rolling Technology，Ningbo，Zhejiang，315211

Abstract： The imbalance in quality data distribution and the ambiguity of classification boundaries were identified as the factors limiting the performance of traditional classifiers， which hindered the efficient implementation of intelligent production decision-making in enterprises. Therefore， a dual-model-based deep generative model anomaly detection method was proposed. Qualified products were classified into two levels， excellent and sub-optimal， based on size data distribution， and two deep generative models were trained separately. A weighted ensemble strategy was designed considering characteristics of data distribution， and anomaly scores were calculated to determine product qualification. Two dual-model structures were developed based on VAE and WGAN. Experimental results indicate that， compared to single-model structures， the dual-model-based VAE and WGAN improve classification accuracy on the test sets by 4.5% and 6%， respectively.

Key words： product quality; anomaly detection; variational autoencoder（VAE）; Wasserstein generative adversarial network（WGAN）; dual-model structure

0 引言

工業制造中產品質量的檢測關乎工廠的生產成本，而制造業規模的擴大以及產品復雜性的提高均會導致產品廢品率的提高^［1］，為了降低報廢成本以及檢測成本，傳統工廠一般會在生產線末端設置人工質檢位。然而，依靠人工質檢會存在許多問題，如：無法進行全覆蓋式檢測，廢品流入后續加工環節中產生不必要的生產成本。隨著人工智能的發展，產品質量智能化檢測方法被引入工廠質量管理，這些方法可以分為監督式和半監督式。有監督學習需要使用同時包含合格品與不合格品的數據集去訓練模型，模型的效果在很大程度上取決于所提供數據集的大小和質量^［2］。同時，該方法需要為產品的每一類缺陷收集一定數量的樣本，并由負責質檢的員工對這些樣本的質量狀況進行標記。然而，現實生產中由于異常樣本數量稀少、標記工作成本高等原因使得訓練出高效的有監督模型十分困難。

與有監督學習相比，采用半監督學習對產品質量進行異常檢測可以規避上述問題。在制造領域的產品質量異常檢測中，半監督模型僅使用合格樣本的工藝特征進行訓練，以學習合格品的數據分布。當模型對產品進行檢測時，會輸出一個度量異常的指標，如變分自編碼器（variational autoencoder， VAE）會重構樣本的輸入，將輸入與輸出進行比較，可以計算出樣本的重構誤差；生成對抗網絡（generative adversarial network， GAN）則直接輸出樣本的異常概率；而高斯混合模型（Gaussian mixture model，GMM）會計算樣本到其最近高斯分布的距離。接下來，將異常指標與人為設定的區分閾值進行比較，判斷產品的合格性。

各類研究已將生成模型的異常檢測能力拓展到了多個領域。CHEN等^［3］利用滑動窗口來捕獲工業機器人數據的時間依賴性，并構建了嵌有卷積結構的VAE模型，最終驗證了該模型檢測工業機器人工作異常的可行性。TANG等^［4］開發了一個基于卷積自動編碼器（convolutional autoencoder， CAE）的檢測框架，并采用霍夫變換自動定位圖像的重要位置，該框架實現了合格與報廢產品的識別以及缺陷的定位。SONG等^［5］首先利用包括遞歸圖在內的三種編碼方式將時間序列數據轉化為了圖像，再將其作為沿投影路徑重建的變分自編碼器模型（variational autoencoder-reconstruction along projection pathway， VAE-RaPP）的輸入，該模型在訓練后達到了96%的分類準確率。XU等^［6］構建了由多尺度卷積流和卷積神經網絡組成的模塊，并用其提取圖像特征，再通過注意門將該特征輸入到生成對抗網絡中，根據生成圖像與原始圖像的差異來區分正常樣本和異常樣本。LEHR等^［7］用合格產品的圖像訓練了一個卷積自動編碼器，用其對產品的質量進行檢測，并進一步將CAE檢測出來的缺陷產品進行聚類，以確定各產品的缺陷類型。CHEN等^［8］構建了對抗性自編碼器（adversarial autoencoder， DAE）模型來檢測時間序列數據的異常，該模型由兩個判別器以及一個自編碼器組成，其中一個判別器用于隱變量的正則化，另一個則用于自編碼器的對抗訓練，以達到最小的重構誤差。最終在4個數據集上證明了該模型檢測時間序列異常的可行性。

綜上所述，深度生成模型被證明在異常檢測領域是有效的。而實際生產中，注塑過程中發生的冷卻收縮、翹曲都會影響尺寸。對工廠而言尺寸穩定性是生產中關注的重點，所以本文以產品尺寸作為質量指標，對尺寸的合格性進行異常檢測。然而，產品尺寸作為一個連續性質量指標，工廠在設置合格性判斷邊界時通常具有絕對性（如汽車配件生產廠家往往會根據具體的上下限來衡量某個尺寸的合格性），這會導致兩個尺寸接近（工藝參數相似）但位于合格性邊界兩側的產品被歸為不同類別。使用這類數據訓練模型會導致模型學習到的數據分布不準確，引發邊界樣本檢測模糊的問題。因此，需要特別關注模型對靠近合格性判定邊界產品的檢測準確率，故本研究將該類產品的異常檢測作為非對稱風險問題處理^［9］，根據質量管理的標準將合格產品細分為優秀產品和次優產品，考慮到兩類合格品的工藝特征數據分布不同，用這兩類合格品分別訓練兩個模型。再通過加權相加的方式將兩個模型輸出的異常分數進行集成，以此來應對由于數據本身局限產生的問題。最后，設定了區分閾值，并結合產品的異常分數對其質量進行分類。

1 基于雙深度生成模型的注塑產品異常檢測模型

本文提出的基于雙模型異常檢測的總體框架如圖1所示，主要由數據處理、模型訓練和異常檢測3個模塊組成。

1.1 工藝特征處理

1.1.1 基于生產階段的特征集構建

注塑過程可分為多個階段，如注射、冷卻和保壓階段等。為了獲得完整的加工過程信息，工廠中配置了傳感器來實時采集溫度、壓力等工藝參數的數值，并按一定采集頻率進行記錄。但對于產品質量以及機器狀態數據集而言，工廠通常都以模次級的數據粒度進行記錄。為了合并各數據集，本文提取了高頻特征的統計值，包括最值、中位數、方差、均值。將統計值特征與機器狀態特征合并，即可獲得一個能全面表征產品生產過程的特征集。

1.1.2 特征降維

采用特征選擇對特征集進行降維，其目的是為了簡化問題，降低學習任務的難度，提高模型的訓練效率?；谔卣髯蛹脑u價策略，可以將特征選擇法分為過濾、包裹和嵌入法三大類。針對工業數據高維的特點，本文采用嵌入法挖掘特征子集，實現特征降維。嵌入法利用模型自身的特性和參數來選擇特征。在模型訓練過程中，會通過考慮特征的重要度，并根據特征對目標變量的貢獻值進行選擇和調整。此外，為了增強特征子集的普適性，本文選擇多個評估模型共同計算特征的重要度。將這些特征按重要度排序后，篩選出重要特征作為特征子集。其中，第i個特征的綜合重要度計算公式如下：

Ii=1m∑mj=1Ii，j（1）

式中：m為向后搜索模型的數量；Ii，j為第j個模型計算出的第i個特征的重要度。

1.2 注塑產品異常檢測模型

半監督學習模型在數據不平衡時可以通過大量合格品數據，發掘合格品的數據分布。典型的模型包括自編碼器、生成對抗網絡等，這類半監督學習模型均適用于注塑產品的異常檢測。本文選用了變分自編碼器（VAE）與以Wasserstein距離作為模型損失函數的生成對抗網絡（WGAN）作為子模型來實現產品質量異常檢測的任務。

1.2.1 變分自編碼器

VAE是一種特殊的自動編碼器（auto encoder， AE），它在自動編碼器的基礎上改進了隱藏層的表達方式。其本質上學習的是數據的分布情況，以最小化原始輸入和重構值之間的重構誤差為訓練目標，采用KL散度來對兩個分布進行距離衡量^［10］：

Dkl（p（x）‖p（x^））=∫p（x）lnp（x）p（x^）dx（2）

式中：p（x）為原始樣本的分布;p（x^）為重構樣本的分布。

VAE由兩個概率密度分布模型構成，它的訓練分為三步：

1）編碼部分。Q（z|x）首先將原始數據轉化為隱變量的概率分布，再進一步轉化為均值與方差。

2）VAE進行采樣時，由于均值與方差為固定值，會使得模型無法通過計算梯度來優化參數，故在訓練時采用了重參數化，令均值和方差轉化為變量，采樣公式如下：

z=μ+εσ（3）

式中：z為采樣值;μ為均值;σ為標準差;ε為從標準正態分布N（0，I）中隨機采樣的值。

3）解碼部分。P（x|z）會將隱變量的采樣值z轉化為重構樣本。

由于這一過程中存在外部噪聲，會使得VAE生成的新樣本具有原始數據的某些特征，同時又具有差異性。對優化目標而言，VAE希望編碼器學習到的數據分布Q（z|x）更接近原始數據分布p（x），即兩個分布間的KL散度足夠小，同時編碼器P（x|z）輸出的樣本與真實樣本質檢的重構誤差足夠?。ㄍǔＪ褂镁秸`差來衡量）。VAE模型的框架如圖2所示。

1.2.2 生成對抗網絡

GAN是一種由生成器G和判別器D構成的模型。判別器的目標是識別出真實數據與生成數據，生成器的目標是生成近似于真實數據的樣本，兩者在訓練過程中不斷博弈，最終達到納什均衡，模型結構如圖3所示。

但這一過程存在兩個隱患。首先，在判別器最優且生成器生成數據的分布與原始數據分布沒有重疊或者重疊部分可以忽略時，生成器的優化會出現梯度消失這一問題。其次，生成器的生成分布僅覆蓋原始數據分布中的單一特征，會導致模式崩潰。為了解決上述問題，有學者提出了WGAN（Wasserstein GAN），以Wasserstein距離代替了JS散度，以此來度量原始數據和生成數據分布之間的距離^［11］：

W（P1，P2）=infγ～∏（P1，P2）E（x，y）～γ（‖x-y‖）（4）

式中：P1、P2為兩個數據分布，∏（P1，P2）為兩個分布組合成的聯合分布的集合;x、y分別為P1，P2的采樣值；inf（·）表示取下界，從分布集合中尋找使目標最小的聯合分布；E（x，y）～γ（‖x-y‖）表示根據聯合分布γ計算樣本點x和y之間的數學期望。Wasserstein距離通過最優聯合分布使該期望達到最小。

Wasserstein距離相對JS散度具有更加優越的平滑性，可以解決梯度消失的問題，將判別器的參數數值范圍進行限定后，推導出近似Wasserstein距離：

W=Ex～Pr（fw（x））-Ex～Pg（fw（x））（5）

式中：Pr、Pg分別表示原始樣本分布和生成樣本分布；fw為限制參數的判別器。

對W進行最大化時，該值就近似于真實分布與生成分布之間的Wasserstein距離。WGAN保證了生成樣本的多樣性，并通過Wasserstein距離避免了模型在訓練中的不穩定性和模式崩潰等問題。

1.3 基于雙模型的異常檢測

1.3.1 雙模型方法

文獻中均未對合格樣本的類別進行細化，直接利用正常樣本的數據來訓練模型（即單模型），并基于這類模型（單模型）對產品的異常情況進行檢測。單模型結構對靠近合格性判定邊界樣本的檢測準確率較低，會導致部分不合格產品因誤檢而流入后續精加工中，造成額外的生產成本。針對這一現象，本文提出雙模型結構，思路如下：首先，根據質量指標將合格品進一步細分為優秀產品與次優產品，并相對應生成兩個訓練集（單個訓練集僅包含一種類別的合格品）；然后，分別用這兩個訓練集訓練生成模型，再對兩個模型輸出的異常指標進行集成。

上述雙模型結構具有以下兩個優勢：

1）提高邊界精度。通過細分合格品訓練集，可以緩解單模型結構中邊界樣本模糊的現象，從而提高模型對邊界附近樣本的檢測準確率。

2）支持并行訓練。兩個模型在訓練時并無邏輯關系，所以對雙核設備而言，雙模型可以并行訓練，以節約訓練時間。

1.3.2 異常指標

對產品進行異常檢測時通常需要將模型輸出的異常指標和設定的閾值進行比較。不同種類的深度生成模型在異常檢測時產生不同的異常指標。對VAE而言，將待測樣本分別輸入兩個模型后，會分別輸出一組特征的重構值，計算輸入與輸出間的重構誤差R，即VAE模型的異常指標：

R=1n∑ni=1（fi-f^i）2（6）

式中：fi、f^i分別為樣本第i個特征的原始值和重構值；n為樣本的特征數。

對WGAN而言，判別器會根據樣本的數據分布輸出相應的分類概率（樣本為合格品的概率），該值即為WGAN的異常指標。

1.3.3 雙VAE模型的集成

當采用雙模型時，每個模型都會根據數據集中的樣本對應生成重構誤差，為了確定樣本的最終重構誤差，本文考慮使用加權相加的方法對兩個模型輸出的重構誤差進行集成，并利用驗證集數據來確定權重。在驗證集中不再對合格品進行細分，該數據集中包含相同數量的合格品與不合格品。將驗證集中的樣本分別輸入兩個模型中，并計算出兩組重構誤差。考慮到兩個VAE模型在同一樣本上產生的重構誤差數值級別上存在差異，故將兩組重構誤差各自進行歸一化：

R′=R-R-σ（7）

式中：R、R′分別為重構誤差的原始值和標準值；R-為特征的均值。

完成歸一化后，某樣本的綜合重構誤差RVAE計算公式如下：

RVAE=aR1+（1-a）R2（8）

式中：R1為第一個VAE模型對應的重構誤差；R2為第二個VAE模型對應的重構誤差;a為權重。

1.3.4 雙WGAN模型的集成

對WGAN雙模型而言，兩個模型分別對驗證集樣本輸出兩組分類概率，將結果各自歸一化后，確定產品的綜合分類概率PWGAN，并將其作為最終的異常指標：

PWGAN=bPc1+（1-b）Pc2（9）

式中：Pc1為樣本在第一個WGAN模型中輸出的分類概率；Pc2為樣本在第二個WGAN模型中輸出的分類概率；b為權重。

1.3.5 區分閾值

為了確定產品質量是否存在異常，本文根據待測樣本的異常指標，結合閾值法對其進行判斷。需要確定的合格性判定閾值與上述異常指標中的權重a、b均為超參數，故都需要通過驗證集上的樣本數據來確定最佳值。最后，在確定權重與區分閾值的情況下，對產品進行質量分類。在雙VAE模型中，當某一樣本的綜合重構誤差RVAE大于區分閾值T1時，將該樣本歸為不合格品，否則判定為合格。對于以WGAN為子模型的結構，當某一樣本的綜合分類概率PWGAN大于區分閾值T2時，將該樣本歸為合格品，否則判定為不合格。產品異常判斷過程如圖4所示。

2 算例分析

為了驗證所提方法的可行性，采用第四屆工業大數據創新競賽（注塑成形工藝的虛擬量測賽題）的數據集進行了驗證。該數據集中包含：高頻傳感器采集數據、注塑機狀態數據、產品尺寸測量值三類數據。

2.1 基于階段的特征構建

高頻傳感器數據集中的數據由22個傳感器以20 Hz或50 Hz的頻率采集而來，每制造一個產品會對應記錄約1600條采集值。而注塑機狀態數據與產品測量尺寸以模次為單位進行記錄。為了確保不同數據集間的數據粒度一致，本文將注射、保壓、冷卻、開模階段的高頻傳感器采集值轉化為模次級粒度的統計值（均值、標準差、最大值、最小值、中位數），形成了440個（4×5×22）統計特征，如注射階段模內壓力傳感器1的均值。將注塑機狀態數據集中的單一值特征和空值特征刪去后，與高頻統計特征集合并，構建了一個含有480個變量的特征集。

2.2 關鍵特征的選擇

上述構建的特征集中包含了大量與產品質量相關性低或互相存在冗余的特征，它們的存在不僅加重了模型訓練時的負擔，還會影響最終檢測的準確率。因此，為了提高模型效率以及檢測的準確性，需要對特征信息進行識別，進一步篩選出可以表征產品質量的關鍵特征，特征選擇步驟如下：

本文采用了梯度提升樹、隨機森林、極度隨機樹模型對特征的重要度進行計算，各個模型均篩選出對應重要度最高的20個特征，將三組特征合并，排除重復特征后構建了一個包含45個關鍵特征的特征集。

由于不同特征參數的數量級相差較大，會影響模型的訓練，為此，在訓練模型之前，需要先對特征進行標準化：

x′=x-x-σ（10）

式中：x、x′分別為特征的原始值和標準值；x-、σ分別為特征的均值和標準差。

2.3 非對稱尺寸數據處理

本文以注塑產品的其中一個尺寸的質量合格性作為檢測目標，該尺寸的上下限分別為200.075和199.925，位于上下限間的樣本即為合格品。經篩選，該數據集中包含11 362個合格樣本以及738個不合格樣本。

半監督模型的訓練僅依靠合格品數據，所以訓練集中僅需包含合格樣本。而為了確定雙模型結構的兩個超參數（區分閾值、異常指標權重）以及評估模型的準確率，需要設置驗證集與測試集。為確保模型在評估時的公平性，避免偏差，以及構建有意義的混淆矩陣，本文將不合格樣本以接近4∶3的比例隨機分入驗證集與測試集，并從合格品數據集中隨機挑選了相同數量的合格樣本（300個）分入測試集，用于最終的模型評估。接下來，需要將剩余的11 062個合格樣本劃分為訓練集以及驗證集的合格樣本項，為了保證驗證集中包含相同數量的合格樣本與不合格樣本，從剩余的合格樣本集中隨機挑選了438個樣本分入驗證集中，而剩余的10 624個合格樣本作為初始訓練集data1。各數據集所包含樣本數量如表1所示。

為了確保模型的泛化能力，并確定合適的超參數，本文采用了交叉驗證中的多次留出法，其主要思想是通過多次隨機劃分訓練集與驗證集，獲得多組評估結果。對每組超參數組合進行驗證，最終選擇出平均性能最佳的超參數組合。

接下來，需要對訓練集中的合格品樣本類別進行細化。由于各樣本的尺寸分布近似于正態分布，故將剩余合格品的質量等級按西格瑪統計分析確定^［12］。兩類合格品的分類標準如下：滿足me-σlt;xlt;me+σ的產品歸為優秀產品集data2（8749個樣本）；滿足mi≤x≤me-σ和me+σ≤x≤mm的產品分到次優產品集data3（1875個樣本），其中，x為產品尺寸值，σ和me分別為尺寸的標準差和中位數，mi和mm分別為尺寸的上下限。各訓練集的參數如表2所示。

2.4 基于雙模型的異常檢測

利用上述構建的data2和data3完成子模型的訓練。首先構建以VAE為子模型的檢測模塊，分別用優秀產品集和次優產品集訓練了VAE1和VAE2。對于輸入的樣本，兩個模型分別會對該樣本的特征值進行重構。隨后，以式（6）計算出樣本在兩個模型中的重構誤差，對兩者進行歸一化后，以式（8）確定樣本的綜合重構誤差。接下來，需要通過驗證集中的數據來確定兩個子模型的權重以及區分閾值。

本文中選用了準確率A和F1分數作為模型的評價指標

A=STP+STNSTP+STN+SFP+SFN（11）

P=STPSTP+SFP（12）

R=STPSTP+SFN（13）

F1=2PRP+R（14）

式中：STP為正確預測為正例的樣本數；STN為正確預測為負例的樣本數；SFP為錯誤預測為正例的樣本數；SFN為錯誤預測為負例的樣本數。

權重a以0.01為步長在［0，1］范圍內進行遍歷。每一個權重條件下都會產生一組綜合重構誤差，區分閾值T1以一定步長以合格類綜合重構誤差的較大四分位數為起點、不合格類綜合重構誤差的較小四分位數為終點進行搜索。以F1分數為分類評價指標，確定每個權重對應的最佳閾值。最終會獲得100組權重以及對應的區分閾值，從中挑選出使得模型在驗證集上分類效果最好的超參數組合。使用相同的思路訓練了WGAN1、WGAN2，并確定了WGAN雙模型結構的權重b以及區分閾值T2。本文采用了5次留出法來確定最佳超參數，即對訓練集以及驗證集中的合格樣本項進行了5次隨機劃分。最終兩個雙模型結構的最佳權重與閾值如表3所示。

用訓練好的模型檢測測試集上的樣本，并進行分類。圖5為分類后的混淆矩陣，表4顯示了各個分類指標，其中FQ、FU分別表示模型對于合格品以及不合格品的分類準確率。從圖中可看出，基于VAE的雙模型結構對于合格品的分類準確率較高，而基于WGAN的雙模型結構對不合格品的分類準確率較高。工廠可以根據不同檢測需求選擇合適的模型。

2.5 對比分析

為了驗證雙模型結構的有效性，本文搭建了單模型結構，訓練時不再將合格品細分為優秀產品和次優產品，而是直接采用data1訓練VAE與WGAN。隨后，通過驗證集上的樣本確定兩個模型對應的區分閾值。此外，為了驗證利用絕對性合格邊界標記的數據在訓練模型時存在局限，本文還確定了雙模型結構中四個子模型（VAE1、VAE2、WGAN1、WGAN2）的分類準確率。各模型訓練時所用的數據集如表5所示。將單模型結構、雙模型結構、子模型的檢測結果進行比較。各模型在測試集上的分類準確率如表6所示，訓練時間如圖6所示。

圖6中，就雙模型結構而言，圖例模型1表示用優秀產品數據data2訓練的模型，模型2表示用次優產品數據data3訓練的模型。由表6可以看出，一方面用優秀產品集訓練的子模型（VAE1、WGAN1）的分類準確率均高于單模型結構。而用次優產品集訓練的WGAN2的檢測能力也優于WGAN單模型結構。由此可以得出，注塑工廠根據具有絕對性的合格判定邊界標記產品質量，而利用這類數據集訓練的半監督模型難以區分合格與不合格產品的數據分布，進而影響分類結果。另一方面，雙模型結構的分類結果均優于各類子模型和單模型結構。此外，基于VAE的雙模型結構對合格品的分類準確率較高，相對于單模型的VAE總分類準確率提高了4.5%，訓練時間降低了21.8 s。相較于單模型結構的分類結果，基于WGAN的雙模型結構的總分類準確率提高了6%，對合格品的分類準確率提高了10%。而將兩類雙模型結構的訓練時間進行比較后發現，基于雙WGAN模型的結構訓練所需時間更少。

最后，為了證明本文提出方法的優越性，將檢測結果與包括孤立森林、一類支持向量機在內的異常檢測領域基準模型進行了比較，結果見表7。從表中可以看出，相較于兩個基準模型，本文提出的雙模型結構在各個分類準確率指標上都有了一定提高，證明了本文提出方法的有效性。

3 結論

本文提出了基于雙模型結構的深度生成模型異常檢測方法，首先將合格產品進行二分類，分別用于訓練兩個深度生成模型。對于一個待測樣本，兩個模型均會輸出異常指標，采用加權相加的方式將兩個模型的輸出進行集成，最后結合區分閾值對產品的合格性進行判斷。本文以變分自編碼器（VAE）；Wasserstein生成對抗網絡（WGAN）為子模型構建了兩個雙模型結構，與單模型結構的分類結果對比表明，在測試集上的分類準確率分別提高了4.5%和6%。

參考文獻：

［1］ HSIEH R J， CHOU J， HO C H. Unsupervised Online Anomaly Detection on Multivariate Sensing Time Series Data for Smart Manufacturing［C］∥2019 IEEE 12th Conference on Service-Oriented Computing and Applications （SOCA）. Kaohsiung， 2019：90-97.

［2］ GUO Yu， ZHANG Jundong， SUN Bin， et al. Adversarial Deep Transfer Learning in Fault Diagnosis：Progress， Challenges， and Future Prospects［J］. Sensors， 2023， 23（16）：7263.

［3］ CHEN Tingting， LIU Xueping， XIA Bizhong， et al. Unsupervised Anomaly Detection of Industrial Robots Using Sliding-window Convolutional Variational Autoencoder［J］. IEEE Access， 2020， 8：47072-47081.

［4］ TANG Weitao， VIAN C M， TANG Ziyang， et al. Anomaly Detection of Core Failures in Die Casting X-ray Inspection Images Using a Convolutional Autoencoder［J］. Machine Vision and Applications， 2021， 32（4）：102.

［5］ SONG J， LEE Y C， LEE J. Deep Generative Model with Time Series-image Encoding for Manufacturing Fault Detection in Die Casting Process［J］. Journal of Intelligent Manufacturing， 2023， 34（7）：3001-3014.

［6］ XU Caie， NI Dandan， WANG Bingyan， et al. Two-stage Anomaly Detection for Positive Samples and Small Samples Based on Generative Adversarial Networks［J］. Multimedia Tools and Applications， 2023， 82（13）：20197-20214.

［7］ LEHR J， SARGSYAN A， PAPE M， et al. Automated Optical Inspection Using Anomaly Detection and Unsupervised Defect Clustering［C］∥2020 25th IEEE International Conference on Emerging Technologies and Factory Automation（ETFA）. Vienna， 2020：1235-1238.

［8］ CHEN Xuanhao， DENG Liwei， HUANG Feiteng， et al. DAEMON：Unsupervised Anomaly Detection and Interpretation for Multivariate Time Series［C］∥2021 IEEE 37th International Conference on Data Engineering（ICDE）. Chania， 2021：2225-2230.

［9］ 劉永興， 唐小琦， 鐘靖龍， 等. 基于輕量級梯度提升機的非對稱風險注塑成形產品尺寸預測模型［J］. 中國機械工程， 2022， 33（8）：965-969.

LIU Yongxing， TANG Xiaoqi， ZHONG Jinglong， et al. Asymmetric Risk Injection Molding Product Size Prediction Model Based on LightGBM［J］. China Mechanical Engineering， 2022， 33（8）：965-969.

［10］ 來杰， 王曉丹， 向前， 等. 自編碼器及其應用綜述［J］. 通信學報， 2021， 42（9）：218-230.

LAI Jie， WANG Xiaodan， XIANG Qian， et al. Review on Autoencoder and Its Application［J］. Journal on Communications， 2021， 42（9）：218-230.

［11］ 崔建明， 余茜， 劉銘. 基于WGAN的生成式信息隱寫方法研究［J］. 河南理工大學學報（自然科學版）， 2023， 42（3）：146-152.

CUI Jianming， YU Xi， LIU Ming. An Innovative Generative Information Steganography Method Based on Wasserstein GAN［J］. Journal of Henan Polytechnic University （Natural Science）， 2023， 42（3）：146-152.

［12］ KIM J， LEE J Y. Development of a Quality Prediction Algorithm for an Injection Molding Process Considering Cavity Sensor and Vibration Data［J］. International Journal of Precision Engineering and Manufacturing， 2023， 24（6）：901-914.

（編輯 王旻玥）

作者簡介：

陳 昱，男，1999年生，碩士研究生。研究方向為制造系統工程。E-mail：15058023546@163.com。

項 薇*（通信作者），女，1971年生，教授。研究方向為人工智能在制造及服務系統管理中的應用。發表論文50余篇。E-mail：xiangwei@nbu.edu.cn。

本文引用格式：

陳昱，項薇，林文文，等.基于半監督學習雙模型結構的注塑產品異常檢測［J］. 中國機械工程，2025，36（3）：576-583.

CHEN Yu， XIANG Wei， LIN Wenwen， et al. Abnormal Detection of Injection Molding Products Based on Semi-supervised Learning Dual-model Structure［J］. China Mechanical Engineering， 2025， 36（3）：576-583.