基于融合特征与支持向量机的控制图模式识别

为了提高控制图模式识别的精度,将控制图模式的原始特征与形状特征相融合得到分类特征,并采用支持向量机进行模式分类的控制图模式识别。融合所得特征既保持了控制图模式的原始特征所蕴涵的模式全局特性信息,又通过引入形状特征对部分易混淆模式的局部几何特性进行强化,使不同模式间的区分度得到有效提高;而以支持向量机作为模式分类器保证方法在高维度特征和小样本条件下也能获得较好的识别性能。仿真实验结果表明所提方法的识别精度相比其他几种基于形状特征的控制图模式识别方法有明显提高。

基于SVM的控制图模式识别方法研究

质量控制图的模式识别是智能工序质量诊断分析系统的基础,产品的大规模定制趋势使得统计控制的样本量减少。在探讨以往的识别方法的基础上,研究了基于支持向量机(support vector machine,SVM)的质量控制图模式识别方法,该方法以控制图的12个时域特征作为分类的统计量,利用支持向量机作为分类器,对控制图的正常模式和各种失效模式进行识别。仿真实验表明,该方法在小样本条件下具有识别率稳健、识别速度快等优点,为实现大规模定制模式下工序质量在线诊断和事前控制提供了一种可行的途径。

用于控制图模式识别的广义神经网络系统

面向过程控制图的模式识别,提出了一个广义神经网络系统.该系统基于广义过程对象模型发生数据,离线训练后能够在线识别各类工业过程常见的控制图模式,模块化的设计使得神经网络系统的结构相对简单,有效地提高了网络的训练速度和模式识别的准确率.首先研究了广义过程对象模型参数对神经网络控制图模式识别率的影响,并基于此影响规律设计了包含模式识别分类模块与模式参数估计模块的集成化神经网络系统结构;其次使用基于广义对象模型产生的数据对神经网络系统进行了训练和验证,讨论了学习训练方法,并进行了控制图模式识别性能的仿真测试,获得了满意的结果.在TE过程仿真平台上进行了实验,给出了对上升阶跃模式和下降阶跃模式的识别结果,表明了具有较高的识别率.

基于模糊c均值聚类算法的控制图模式识别

控制图模式识别能够区分制造过程中的一般因素与异常因素,提高制造过程中的产品质量,减少成本,提高效益。利用蒙特卡洛方法产生样本;采用一维离散小波变换处理原始数据;利用模糊c均值聚类算法进行控制图模式识别。识别准确率99.43%,其标准差为0.002 8。这表明基于该方法的控制图模式识别准确率高,稳定性好,较现有的控制图模式识别方法具有简易、高效等特点。

改进孪生神经网络的控制图模式识别方法

深度学习在控制图模式识别的运用上,易受控制图样本量和控制图质量特征数据点数的影响,针对这个问题,本文提出基于感知器-卷积神经网络的孪生神经网络(Perceptron-Convolutional Siamese Neural Network,PCSNN)模型,该模型先使用两层感知器将控制图原始数据映射到高维空间,再通过一维卷积神经网络提取样本对特征;通过计算样本对特征的空间距离和样本特征的相似概率,识别控制图的异常模式.实验结果表明,在控制图样本量较少情况下,该模型具有较高的识别率,同时发现控制图质量参数在小范围内波动时,该模型也有较好的识别性能.

基于改进BP神经网络的控制图模式识别系统

提出一种基于激励函数参数可调和动态阈值的改进BP神经网络控制图模式识别算法,并优化Monte Carlo工序数据模拟方法,使样本数据更具与实际生产数据相同的质量特性。根据改进后的网络参数迭代公式,将预处理后的样本数据作为输入对该神经网络识别器进行训练,训练结果用于生产过程的控制图模式识别。改进BP神经网络识别器的拓扑结构简单,在保证识别精度的前提下,提高识别速度,改善神经网络的泛化能力。最后,通过计算机模拟和生产现场应用验证该算法的可行性。

基于小波分析和SVM的控制图模式识别

为提高控制图模式尤其是混合控制图模式的识别精度,提出了基于小波分析和支持向量机(SVM)的控制图模式识别方法。该方法通过对工序质量特征数据进行小波包分解,提取低频逼近序列和各频带能量信息,并以此作为SVM分类器的输入,分别识别控制图模式中的趋势信号、阶跃信号和周期信号,最后通过合并这些信号以确定控制图的模式。通过仿真实验的验证,表明该方法相比传统的控制图模式识别方法,具有较好的识别精度。

基于Bi-LSTM的质量控制图模式识别

为提高制造过程质量智能控制的控制效果,提出了一种基于双向长短时间记忆网络(BidirectionalLSTM,Bi-LSTM)的控制图失控模式识别方法。文中分析了其分类的基本原理,构建了控制图模式识别模型,并通过蒙特卡洛仿真方法生成仿真数据集,进行仿真实验验证。仿真实验结果表明,Bi-LSTM用于控制图模式识别,准确率相对多层感知机(MLP)、贝叶斯分类器有了显著提升,相比支持向量机(SVM)具有效率上的明显优势,且在大样本下识别准确率更高。

基于鲁棒LS-SVM的控制图模式识别

提出一种基于鲁棒最小二乘支持向量机(LS-SVM)的控制图模式识别方法,并研究其应用于过程质量诊断的可行性、有效性.理论研究和仿真试验结果表明,该方法对于标准的6种控制图模式都具有很高的模式识别率,训练模式识别器所需样本少,且训练结果泛化能力强,计算方法简单迅速. Abstract： A technique based on the robust least squares support vector machines(LS-SVM) used for control charts pattern recognition is proposed, the applied feasibility and validity of this technique in process quality diagnosis is also investigated. Theoretical research and experimental results show that this approach performs well upon the six typical control charts pattern recognition with high recognition accuracy, simple computation and fast training process, and the preeminent generalization ability on the condition of small sample size.

基于小波分析和PSO-SVM的控制图混合模式识别

由于质量过程的复杂性,质量过程数据常会有多种异常的混合现象,为了提高对控制图混合模式的识别效果,将支持向量机(Support vector machine,SVM)分类器的参数经过粒子群优化算法(Particle swarm optimization,PSO)算法优化,然后与小波分析技术相结合,设计了三层控制图模式识别模型.该模型首先识别模式是否正常,如果发现异常,则对异常的模式进行小波包分解,将分解后的低频部分和高频部分分别输入第二层和第三层PSO-SVM分类器中进行模式的分类识别.通过仿真实验的验证得,该模型的平均识别率为98.33%,对混合模式的识别率也在95%之上,由此证明了该控制图模式识别模型的有效性.最后,对该模型进行了实例验证,该模型可以很好的识别出控制图混合模式,证明了模型的可行性.

基于集成支持向量机的控制图异常模式识别

传统控制图通过判异准则分析生产过程状态,这一方法无法识别过程质量的具体异常原因。提出了一种基于自适应增强集成算法(AdaBoost)和支持向量机(SVM)结合的控制图异常模式识别方法。仿真结果表明,相较于单一的分类器和集成分类器,改进的集成支持向量机对控制图异常模式的识别率更高。最后将所提出的模型用到物流港口配煤的模拟实验中,结果表明,基于AdaBoost和SVM结合的控制图异常模式识别方法具有较高的检测效率。

基于粗糙集与支持向量机的加工过程异常检测

为提高加工过程异常模式检测的自动化程度,在建立控制图数学描述的基础上,利用蒙特卡洛法构建了控制图数据集,研究了基于邻域粗糙集的控制图时域特征约简方法,提出了基于支持向量机的控制图异常模式识别模型。通过仿真实验,使用遗传算法优化了异常识别模型的主要参数,并对不同核函数、不同分类模型的识别精度进行了分析与对比。通过实际生产数据测试验证了所构建模型的有效性与可用性。

利用优化概率神经网络识别自相关过程异常

概率神经网络的控制图模式识别性能主要取决于平滑因子的设定,为提高概率神经网络对控制图模式识别准确率,文章利用PSO算法对平滑系数进行优化。将优化的概率神经网络运用于自相关过程的控制图模式识别中,并与常见的控制图模式识别方法BP神经网络进行对比,通过仿真实验证明,基于PSO优化的概率神经网络在自相关过程中具有更强的模式分类性能。

基于SPC的产品质量在线监控系统设计与研究

为实现在线监控产品质量,解决质量信息反馈延迟等问题,通过VS软件与统计过程控制SPC理论相结合,设计开发出基于SPC理论的产品质量在线检测系统,实现了关键工艺的在线检测与采集、质量数据的导入与导出、控制图的绘制和特征识别、过程异常原因快速查询、过程能力诊断以及通过Johnson变换转化数据为正态分布等功能,实现了产品质量信息动态收集、处理数据与发现、改进问题的一体化。