基于特征融合的动态过程质量异常模式识别方法研究

《基于特征融合的动态过程质量异常模式识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、摘要随着生产制造过程的日益自动化、连续化与复杂化，动态过程的质量异常模式识别与质量诊断引起了众多学者的关注。质量异常模式识别的准确率主要取决于模式分类特征与分类器这两个关键因素，从质量模式原始数据中所提取出的特征分量，不仅能够有效地反映出质量模式的属性与状态，增强不同模式之间的区分度，还能够在很大程度上减少数据的冗余性与繁杂性，已经成为提升质量模式识别精度的有效手段之一。然而，由于动态过程大数据的复杂性，任何一类异常模式，仅依靠单一类型的数据特征难以获得较高的识别精度。因此，如何针对动态数据流提取低维数且细节信息较强的特征数据，采用融合特征的方法以提高动态过程异常模式识别效

2、率是亟待解决的问题。本文在收集整理大量国内外研究文献的基础上，以模式识别和质量诊断为理论依据，将系统地研究基于特征融合的动态过程质量异常模式识别方法。首先，在国内外动态过程模式识别、特征提取方法与质量诊断研究综述的基础上，界定了动态过程的质量异常模式；随后，提出了基于特征融合的动态过程质量异常模式识别方法，并采用粒子群优化算法寻找支持向量机最佳参数组合。最后，通过仿真实验验证了本文所提方法的有效性。研究结果表明：①本文所提出的基于特征融合优化与多支持向量机的质量异常模式识别方法比传统识别方法的效率更高；②通过粒子群优化算法寻找支持向量机的最优参数组合，并将融合约简特征作为多

3、支持向量机的输入向量能够获得比其他识别模型更好的识别效果；③该模型利用粗糙集对串联特征组合进行约简，能够降低特征的维数，并剔除冗余与无关特征，提升整个模型的识别精度。本文的研究特色与创新之处在于：①提出了基于融合特征的动态过程质量异常模式识别方法；②将粗糙集约简方法应用于质量异常模式识别的特征组合融合优化，消除对分类贡献较小或是包含冗余信息的特征，进而得到便于进行分类的特征集合；③构建了多支持向量机作为质量异常模式识别的分类器，并利用粒子群算法寻找其最优参数组合，实现了动态过程质量异常模式的识别。本文的研究克服了单一类型的数据特征仅用部分信息来反映动态过程运行状态的缺陷，并

4、有效地压缩了冗余信息，实现了实时质量异常数据的处理与诊断，为石油、化工、烟草等自动化行业提供实时质量监控与故障诊断技术。关键字：动态过程；特征融合；粗糙集；支持向量机；粒子群算法IAbstractWiththeincreasingautomation,continuousandcomplexproductionprocess,theabnormalqualitypatternrecognitionandqualitydiagnosisofdynamicprocesshasattractedmanyscholars'attention.Theaccuracyofpattern

5、recognitionofabnormalqualitymainlydependsonthepatternclassificationfeatureandclassifierofthetwokeyfactors,componentcharacteristicsextractedfromtheoriginaldataqualitymodel,notonlycaneffectivelyreflectthenatureandstateofthemodeofquality,enhancethedistinctionbetweendifferentmodes,canalsoreduc

6、etheredundancyandcomplexityofdatatoagreatextent,hasbecomeoneoftheeffectivemeanstoenhancetheprecisionandqualityofpatternrecognition.Butbecauseofthecomplexityofdatadynamicprocess,anykindofabnormalmode,onlyrelyonthedatacharacteristicsofasingletypeofdifficulttoobtainahigherrecognitionaccuracy,

7、theurgentproblemishowtomaketheinformationfusionscreeningandefficientuse.Therefore,howtoextractfeaturedatawithlowdimensionandstrongdetailinformationfordynamicdatastreamisthekeytoimprovetheefficiencyofdynamicprocesspatternrecognition.Onthebasisofcollectingalarge