基于多特征的PSO-MSVM动态过程质量异常模式识别

为了提高动态过程质量异常模式识别效率,将动态过程质量模式的均值特征与小波包分解特征作为分类特征,并构建两层多支持向量机识别模型进行分类。利用均值特征,在第一层MSVM中把动态过程变化趋势划分为正常与周期、上升与向上阶跃、下降与向下阶跃三大类别;采用小波包分解特征,在第二层MSVM中对这三大类别进行再分类。仿真结果表明提出的识别模型的识别精度相比采用单一特征的识别模型有明显提高。

动态过程质量异常模式ANN—SVM识别模型及仿真分析

为简化ANN网络结构、降低MSVM识别的复杂度,提高动态过程质量异常模式识别效率,文章提出了基于ANN—SVM的动态过程质量异常模式识别模型。首先,在ANN分类器中应用均值特征把整体变化趋势上具有相似性的六种质量模式划分为三大类别。其次,利用SVM分类器对这三类进行再识别。应用均值特征构建的ANN网络结构简单,无需对其进行参数优化,并且ANN分类器将多分类问题转化为三个两分类问题,降低了MSVM的分类数。仿真结果表明:所提出的识别模型比单一采用ANN或MSVM分类器的整体识别精度均有显著提高,且大大缩减了模型训练时间。

基于特征选择与SVM的质量异常模式识别

为了提高质量异常模式识别精度和效率,文章提出基于特征选择与支持向量机的质量异常模式识别模型。将小波低频近似系数作为特征选择的起点,运用基于分类精度的序列前向选择方法对时域特征和形状特征进行约减,剔除对于分类器精度没有贡献较小的特征;将优化后的特征集作为支持向量机分类器的输入向量,并通过粒子群算法对影响支持向量机分类效果的参数进行全局寻优,构建多分类支持向量机模型。仿真结果表明,所选择特征比未经选择的混合特征的识别精度有明显的提高。

基于改进卷积神经网络的动态过程质量异常模式识别

为实时识别动态过程质量异常模式,提出了基于改进卷积神经网络的在线识别方法。根据动态过程数据流的特点构建一维卷积神经网络识别模型。通过改进卷积神经网络损失函数提升模型在不平衡分类问题下的识别准确率。为减少实验次数和节约计算资源,利用正交试验法对改进后的卷积神经网络进行参数优化。以某铅酸蓄电池涂板过程为例验证了所提模型的有效性。实验结果表明:所提方法在处理不平衡样本问题时表现出了良好的识别能力,能够有效应用于动态过程质量异常模式的在线识别。

基于多主元特征与支持向量机的动态过程质量异常监控模型

为简化多支持向量机识别模型的计算复杂度、提高动态过程质量异常模式的识别精度,提出一种基于多主元特征与支持向量机相结合的动态过程异常监控模型。利用主元分析方法对动态数据进行特征提取,将所提取的不同主元特征作为支持向量机分类器的输入对模型进行训练。将识别效率高的主元特征对应的转换矩阵与多支持向量机相结合,构建了基于多主元特征的多支持向量机识别模型,对质量异常模式进行识别。仿真实验表明,所提基于多主元分析支持向量机识别模型的识别精度比传统基于主元特征或其他特征提取方法的识别模型有显著提高,且训练所需时间大大减少。

基于MSVM的多品种小批量动态过程在线质量智能诊断

提出了基于多分类支持向量机(MSVM)的多品种、小批量动态过程在线质量智能诊断方法。离线训练时,提取异常模式仿真数据的小波重构特征,对MSVM识别和估计模型进行训练和测试,同时建立异常因素诊断库;在线诊断时,对"监控窗口"数据特征的过程模式及参数进行识别与估计,而后利用异常因素诊断库实现对多品种、小批量动态过程实时在线智能诊断。某精密轴加工过程实例验证了该智能诊断方法的有效性。

基于多特征混合与支持向量机的动态过程异常监控

为提高动态过程异常模式的监控效率,提出基于多特征混合与多分类支持向量机的动态过程质量异常模式识别模型。采用离散小波变换提取原始数据的低频近似系数和重构数据特征;抽取重构数据的形状特征并与低频近似系数进行混合,形成质量模式的混合特征;采用粒子群优化的多分类支持向量机进行异常模式识别。仿真实验表明,所提出的识别模型比采用单一类型特征或融合特征的整体识别精度均有显著提高,且大大降低了模型训练时间。

基于MPCA-LSSVM的生产制造过程异常监控模型

针对PCA方法在生产过程质量异常监控中存在阈值设置过于主观、特征提取效果不高等问题,文章提出一种将多主元分析方法（MPCA）与最小二乘支持向量机算法（LSSVM）相结合的生产制造过程质量异常模式智能监控模型。首先,利用不同阈值设置方法对观测数据进行PCA特征提取。其次,将不同的主元特征作为LSSVM分类器的输入对监控模型进行训练。然后,将识别效率最高的主元特征对应的模型参数与MSVM相结合,构建出基于MPCA-LSSVM的监控模型对生产过程的质量异常模式进行识别。仿真实验表明,基于MP-CA-LSSVM识别模型的识别精度比基于传统的主元分析方法以及其他特征提取方法的监控模型有显著提高。

基于多特征与MSVM的动态过程异常监控

为了提高动态过程异常模式的监控效率和精度,将动态过程质量模式的统计特征和小波变换低频近似系数作为分类特征的方法,并通过支持向量机构建多分类识别模型。首先提取出动态数据流的均值特征,将六种质量模式划分为正常与周期模式、向上模式、向下模式三大类;接着采用均方幅值特征和斜率特征将正常与周期模式进行细分;最后利用低频系数对向上模式和向下模式进行进一步识别。仿真实验表明,所提模型兼顾识别精度与计算效率,是一种有效的动态过程异常监控方法。