一种面向多工序复杂制造过程的质量软测量方法

复杂制造过程关键质量变量的精准感知,是实现系统优化控制和保障系统安全稳定运行的必要前提。考虑复杂制造过程具有生产工序众多、回路互联耦合、工序质量遗传、数据时空分布等复杂特性,使得对过程质量的精准感知面临诸多困难。在此背景下,本文提出一种考虑过程时延的基于mRMR–GA–ResNet的多工序复杂制造过程质量软测量建模方法。首先,构建了一种考虑过程变量与质量变量间时延的基于最小冗余最大相关(mRMR)和遗传算法(GA)的多传感器过程变量筛选方法,以确定最优特征子集;其次,基于各工序的最优特征子集,设计了一种3维(特征–时间–工序)样本空间表征方法,工序内部以2维(特征–时间)形式表征,将工序作为通道构建3维(特征–时间–工序)样本,通过残差网络进行时间–空间特征提取,进而通过局部–全局特征融合得到最终的质量预测值;最后,通过一个实际制造过程——浮法玻璃生产过程,进行了实验验证。结果表明:在选择特征数相同的前提下,相较于其他4种基于相关性的特征选择方法(PCC、SCC、MI、MIC),本文所提多传感器过程变量筛选方法对于模型有更好的预测性能。以残差网络作为预测模型,本文所提3维样本构造方法,相较于传统的2维样本构造方法,对于模型的预测精度有了一定的提升,均方根误差ERMS、平均绝对误差EMA、对称平均绝对百分比误差E_(SMAP)分别提升9.2%、10.8%、9.8%,验证了所提方法的有效性。

MRMR-SA-EGA-ELM的叶绿素a浓度预测模型研究

为提高叶绿素a浓度的预测精度,以南太湖区域-湖州市新塘港2020年5月至11月份的水质监测数据为原始样本数据,使用最大相关最小冗余算法(MRMR)从原始样本数据中选取效果更优的特征值,作为预测模型的输入数据,将精英遗传算法(EGA)与模拟退火算法(SA)组合优化极限学习机(ELM)网络的初始参数,最终构建MRMR-SA-EGA-ELM叶绿素a浓度预测模型。实验结果表明,MRMR-SA-EGA-ELM模型预测叶绿素a浓度的平均绝对误差(MAE)、均方误差(MSE)、决定系数(R^(2))分别为1.009、1.607、0.903,而ELM模型预测结果的MAE、MSE、R^(2)分别为2.078、8.249、0.562,MRMR-SA-EGA-ELM模型的效果得到显著提升,可实现对叶绿素a浓度的准确预测。

基于mRMR-SOM的异步电机轴承故障诊断研究

针对异步电机轴承故障诊断问题,提出了一种融合最大相关最小冗余特征选择算法(mRMR)和自组织映射神经网络(SOM)的故障诊断方法,并将其应用于轴承故障诊断的不同阶段。首先,在实验室环境下搭建了异步电机故障诊断试验平台,在不同电机状态下分别采集振动、电流和电压信号,利用统计学方法获取了高维混合特征集;然后,以互信息为背景,利用mRMR根据特征与状态标签间的相关性和特征间的冗余性,筛选了具备强区分能力的特征,以避免计算冗余和后验诊断性能下降;最后,采用SOM对异步电机健康和轴承故障状态进行了分类识别,验证了SOM对异步电机轴承故障诊断的有效性,以及mRMR对故障诊断结果的影响。研究结果表明:基于mRMR-SOM的异步电机轴承故障诊断方法能够准确地区分健康和故障状态,测试集分类准确率达到89%;使用mRMR特征筛选能够将154维特征降低至17维,缩短23.5%的网络收敛时间,并将分类准确率由89%提升至98%;试验结果验证了基于mRMR-SOM的异步电机轴承故障诊断方法对于异步电机轴承故障诊断问题的有效性,且证实其具备良好的诊断效果。

基于多特征优化算法的丁酰化修饰位点计算分类

赖氨酸丁酰化是一种新型酰化修饰,修饰位点的确定对相关疾病机理研究具有重要意义.计算分类方法由于其速度快、花费低、准确率高等优点为修饰位点的确定提供了一种新思路.本文以丁酰化修饰实验数据为研究对象,利用信息增益、F-Score和最小冗余最大相关三种特征优化算法,结合支持向量机算法进行特征提取和融合,建立了速度快、准确率高的丁酰化修饰最优计算分类模型.

基于量测体系的区域配电网拓扑识别方法研究

目前的配电网拓扑识别需要依靠人工现场识别,准确性不高。为此提出一种基于量测体系的区域配电网拓扑识别方法。利用μPMU电压采集系统,采用最大相关和最小冗余算法消除特征变量的冗余,获得准确的线-线识别结果,再采用改进的灰色关联度算法对各变压器和电压采集点之间的连接关系进行判别,从而得到区域配电网的拓扑。仿真结果表明了方法的正确性和有效性,并在实际应用中有显著的效果。

基于XGBoost的雾霾预测方法

为解决目前以雾霾为代表的空气质量预测普遍存在指标单一、特征不足、拟合效果差等问题,提出一种基于XGBoost的雾霾特征选择提取及预测方法。对可能影响雾霾的因素进行全面分析总结,采用mRMR (minimum redundancy maximum relevance)方法进行特征选择,选择影响因素较大且冗余度较小的特征作为影响雾霾的显著特征,构建XGBoost模型对其进行训练与预测。实验结果表明,该方法在准确度以及时间损耗都表现较好,能够较准确地实现雾霾短时预测。

基于混合式特征选择模型的晶圆允收测试关键参数识别方法

晶圆允收测试是晶圆加工过程的关键环节,对其中的关键测试参数进行准确分析识别有助于准确预测晶圆良率、及时发现工艺缺陷。针对测试参数维度高、数据冗余性强、关键特征不显著的特点,以最小化晶圆允收测试参数量和晶圆良率预测误差为目标,提出了过滤式与封装式相结合的混合式特征选择方法。在过滤式预筛选中,通过互信息度量各参数与晶圆良率的相关性,以及各参数之间冗余性,并根据最大相关、最小冗余准则,缩小候选参数规模;在封装式精选中,以遗传算法实现候选参数的编码、寻优,根据神经网络的晶圆良率预测误差进行适应度函数评价,进一步精选关键特征。最后,采用标准数据集和实例数据对所提方法进行了有效性验证。