基于主元分析的SVM動(dòng)態(tài)過程質(zhì)量異常模式識(shí)別

《基于主元分析的SVM動(dòng)態(tài)過程質(zhì)量異常模式識(shí)別》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、????基于主元分析的SVM動(dòng)態(tài)過程質(zhì)量異常模式識(shí)別QualityabnormalpatternrecognitionfordynamicprocessbasedonprincipalcomponentanalysisandSVM劉玉敏，張帥LIUYu-min,ZHANGShuai(鄭州大學(xué)商學(xué)院，鄭州450001)摘要：質(zhì)量異常模式識(shí)別是實(shí)現(xiàn)生產(chǎn)動(dòng)態(tài)過程在線質(zhì)量監(jiān)控與診斷的關(guān)鍵。針對現(xiàn)有質(zhì)量異常模式識(shí)別在實(shí)際應(yīng)用中存在的計(jì)算復(fù)雜和識(shí)別精度不高等問題，提出了一種基于主元分析的SVM動(dòng)態(tài)過程質(zhì)量異常模式識(shí)別的方法。運(yùn)用PCA技術(shù)對原始樣本數(shù)據(jù)進(jìn)行特

2、征提取，有效去除原始數(shù)據(jù)中的噪音并降低數(shù)據(jù)維數(shù)；在特征提取的基礎(chǔ)上，將主元特征向量作為SVM分類器的輸入向量，進(jìn)而利用粒子群尋優(yōu)方法實(shí)現(xiàn)了對分類器參數(shù)優(yōu)化選取，并進(jìn)一步訓(xùn)練得到支持向量機(jī)分類器。最后，使用優(yōu)化后的分類器對質(zhì)量異常模式進(jìn)行識(shí)別。仿真實(shí)驗(yàn)結(jié)果表明，該方法整體識(shí)別精度達(dá)到97.5%，適用于生產(chǎn)過程的質(zhì)量監(jiān)控和診斷。關(guān)鍵詞：動(dòng)態(tài)過程；模式識(shí)別；主元分析；支持向量機(jī)；粒子群算法中圖分類號：TP274+.3文獻(xiàn)標(biāo)識(shí)碼：A文章編號：1009-0134(2014)08(上)-0001-06Doi：10.3969/j.issn.1009-0134.

3、2014.08(上).010引言等利用小波特征和統(tǒng)計(jì)特征結(jié)合作為分類器的輸[6]現(xiàn)代工業(yè)不斷向復(fù)雜化和連續(xù)化方向發(fā)展，入，對控制圖模式進(jìn)行識(shí)別。在分類器優(yōu)化方自動(dòng)化生產(chǎn)及加工過程會(huì)產(chǎn)生大量的實(shí)時(shí)動(dòng)態(tài)數(shù)面，學(xué)者們嘗試著將SVM算法與其他方法相結(jié)合[7,9,10]據(jù)。隨著信息技術(shù)的進(jìn)步，對動(dòng)態(tài)數(shù)據(jù)實(shí)時(shí)采集來實(shí)現(xiàn)對生產(chǎn)動(dòng)態(tài)過程的質(zhì)量異常模式識(shí)別。進(jìn)而實(shí)現(xiàn)質(zhì)量監(jiān)控已成為可能。以控制圖為代表肖應(yīng)旺提出一種多支持向量機(jī)的方法，對生產(chǎn)過[7]的傳統(tǒng)質(zhì)量監(jiān)控方法在對動(dòng)態(tài)過程監(jiān)控中無法有程進(jìn)行監(jiān)控和診斷。蔣少華等構(gòu)建了基于四個(gè)高效利用實(shí)時(shí)數(shù)據(jù)，因此，基于人工智能的

4、動(dòng)態(tài)過斯核函數(shù)支持向量機(jī)的MSVM識(shí)別模型，用于識(shí)[11]程質(zhì)量異常模式識(shí)別方法引起了愈來愈多學(xué)者的別鼓風(fēng)爐冶煉過程的質(zhì)量異常模式。吳常坤等關(guān)注。而如何有效地提高智能監(jiān)控的識(shí)別精度以通過多支持向量機(jī)的異常模式識(shí)別框架，分別對及減少模型計(jì)算復(fù)雜度是動(dòng)態(tài)過程質(zhì)量診斷的核趨勢、階躍、趨勢階躍混合和周期等控制圖異常[1,2][12]心問題。模式進(jìn)行識(shí)別。目前，國內(nèi)外學(xué)者對動(dòng)態(tài)過程質(zhì)量異常模式綜上所述，雖然現(xiàn)有特征提取方法可以在一識(shí)別的研究主要集中在基于特征提取和分類器優(yōu)定程度上提高識(shí)別效率，但是未能考慮到動(dòng)態(tài)數(shù)[3～7]化兩個(gè)方面。在特征提取方面，很多學(xué)

5、者使據(jù)的實(shí)際特點(diǎn)，提取、識(shí)別過程中耗時(shí)較多，用數(shù)據(jù)的原始特征對異常模式進(jìn)行識(shí)別和診斷，不能滿足對動(dòng)態(tài)過程的實(shí)時(shí)監(jiān)控。在分類器優(yōu)化但是由于數(shù)據(jù)中往往包含大量噪聲，使用原始數(shù)中，由于SVM的核函數(shù)及其參數(shù)對識(shí)別效果有著據(jù)并不能取得很好的識(shí)別效果。Susanta等人提出較大影響，對于SVM參數(shù)的選取仍沒有權(quán)威的方了用9種幾何圖形特征的提取方法對原始樣本數(shù)據(jù)法，所以當(dāng)前分類器很難在實(shí)際生產(chǎn)過程中得到[8]進(jìn)行特征提取，取得了不錯(cuò)的識(shí)別效果。Vahid廣泛的推廣和應(yīng)用。因此，本文提出了一種基于收稿日期：2014-03-06基金項(xiàng)目：國家自然科學(xué)基金項(xiàng)目（7

6、1272207；61271146）作者簡介：劉玉敏（1956-），女，河南濮陽人，教授，博士，研究方向?yàn)橘|(zhì)量控制和質(zhì)量智能診斷等。第36卷?第8期?2014-08(上)?【1】主元分析的SVM質(zhì)量異常模式識(shí)別模型。首先運(yùn)圖1（a）為正常模式，其主要表現(xiàn)形式為質(zhì)用主元分析對原始數(shù)據(jù)進(jìn)行特征提取，繼而，采量特性值在設(shè)計(jì)均值附近隨機(jī)波動(dòng)。圖1（b）為用PSO算法對SVM分類器參數(shù)進(jìn)行全局尋優(yōu)，接周期模式，其表現(xiàn)為質(zhì)量特性值以一定周期進(jìn)行著，采用優(yōu)化后的SVM分類器對生產(chǎn)過程的質(zhì)量異波動(dòng)，通常加工部件松動(dòng)或者電控設(shè)備電壓不穩(wěn)常模式進(jìn)行識(shí)別。最后，通過仿真

7、實(shí)驗(yàn)對模型加以定會(huì)造成這種模式地出現(xiàn)。當(dāng)質(zhì)量特性值隨時(shí)驗(yàn)證，并與其它識(shí)別模型進(jìn)行識(shí)別精度的對比。間地推移出現(xiàn)逐漸上升或者下降的現(xiàn)象時(shí)，動(dòng)態(tài)過程被認(rèn)為處于向上趨勢或向下趨勢模式如圖11動(dòng)態(tài)過程質(zhì)量異常模式（c）、（d）中所示，通常由于設(shè)備老化造成這在連續(xù)生產(chǎn)加工的動(dòng)態(tài)過程中，由于受到諸類模式。階躍模式則表現(xiàn)為在某一時(shí)刻質(zhì)量特性多因素的交互影響，基本的質(zhì)量異常模式主要有值突然出現(xiàn)大幅上升或者下降如圖1（e）、（f）以下六種，分別為正常模式（NOR）、向上趨勢中所示，通常由更換部件等因素造成。動(dòng)態(tài)過程模式（IT）、向下趨勢模式（DT）、向上階躍只有在正

8、常模式下才可以使生產(chǎn)成本達(dá)到最小模式（US）、向下階躍模式（DS）和周期模式化，其他五種質(zhì)量異常模式都會(huì)造成動(dòng)態(tài)過程的（CC）。具體表現(xiàn)