基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化(PSO)算法的支持向量机(SVM)多元控制图均值偏移诊断模型.模型中使用T2控制图对多元过程进行控制,在假设过程方差-协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用PSO对SVM的参数进行优化,最终得到优化的SVM模型.结果表明,基于粒子群优化算法的支持向量机模型(SVM-PSO)比基于SVM和基于神经网络(ANN)模型的分类能力更强,分类准确率超过85%.

相关向量机模型及其在T^2控制图异常识别中的应用

研究了关联向量机(Relevance Vector Machine)的基本原理及其训练方法,针对T2控制图的诊断问题,在假设过程协方差矩阵保持不变的前提下,建立了一种基于RVM的T2控制图均值偏移模型,该模型单独对过程各变量进行均值偏移诊断,并能指出均值偏移的方向。以一个三维过程为例,根据不同的均值偏移模型,产生SVM训练样本和测试样本。仿真分析结果表明,文章构建的模型对不同均值偏移模式下的测试数据的分类正确率均超过70%,大部分情况下超过80%。