基于主元分析的动态过程质量异常模式识别研究.pdf

《基于主元分析的动态过程质量异常模式识别研究.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要生产过程的质量控制是确保产品质量的重要手段。随着生产制造过程不断向大型化、连续化、复杂化发展，动态过程的质量监控与诊断显得愈来愈重要。国内外的研究显示：人工智能技术打破了传统的统计控制方法的局限，已逐步形成动态过程质量智能控制与诊断新的发展方向。主元分析方法能够有效地对数据进行降维、去噪，因而，主元分析方法与支持向量机相结合已成为动态过程质量智能监控与诊断的研究热点。如何利用主元分析方法对动态过程质量异常模式进行特征提取，进而构建合适的多支持向量机对异常模式进行诊断时是动态过程质量异常模式识别的关键。本文在收集整理大量国内外

2、文献的基础上，以主元分析和支持向量机为理论依据，系统地研究了基于主元分析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、主元分析方法以及支持向量机研究综述的基础上，对动态过程的质量异常模式进行界定；然后,提出基于主元分析的动态过程质量异常模式识别框架；进而，采用粒子群算法对支持向量机分类器的参数进行优化；最后,在MATLAB软件平台下利用LIBSVM工具箱对动态过程质量异常模式识别模型进行实证分析。研究结果表明：①本文提出的基于主元分析方法的动态过程质量异常识别框架相比于传统的识别方法更有效率；②基于主元分析的动态过

3、程质量异常识别模型的整体识别精度高于单独使用多支持向量机的识别模型；③该模型中在利用主元分析提取特征时，在方差贡献率为45%的主元分解水平下，模型识别的整体精度最好。本文的研究特色与创新之处主要表现在：①提出了基于主元分析方法的动态过程质量异常智能化识别框架；②利用粒子群优化算法对基于主元分析的动态过程质量异常模式识别模型进行参数优化，并对质量异常模式进行识别；③在构建基于主元分析的动态过程质量异常模式识别模型的基础上，分析对比了不同主元特征对动态过程质量异常模式识别精度的效果。本文的研究不仅扩展了传统统计过程控制技术方法的内涵，而

4、且为基于主元分析和支持向量机的动态过程识别和监控提供了理论模型和实证分析结果。关键词：动态过程；模式识别；主元分析；支持向量机；粒子群算法IAbstractAbstractThemostimportantthinginmanufactureprocessingisprocessqualitycontrol,whichistheeffectivemeasurementtoensurethequalityofproductions.Qualityabnormalpatternrecognitionofdynamicprocessplay

5、saveryimportantroleinmonitoringboththemanufacturerprocessrunninginitsintendedmodeandthepresenceofabnormalpatternsandrealizingonlinequalitydiagnoseofautomaticproductionprocess.Sincemodernindustries,suchaspetroleum,metallurgy,machineryandotherindustries,havebecomemorelar

6、ge-scale,complexandcontinuous,themonitoringanddiagnosisofthedynamicprocesshasattractedmanyscholars'attention.Theresearchathomeandabroadshowthatartificialintelligencetechnologyhasbrokenthelimitationoftraditionalstatisticalcontrolmethods,andgraduallybecomesthenewdevelopm

7、entdirectionofqualityintelligentcontrolanddiagnosisindynamicprocess.Becauseitseffectivefordenoisingandreducingdimension,principalcomponentanalysiscombinedwithsupportvectormachinemethodbecomestheresearchhotspotinthefieldofqualityrecognitionanddiagnosisindynamicprocess.T

8、herearetwokeyproblemsofqualityabnormalpatternrecognitionindynamicprocess.Oneishowtoextractthefeaturefromdynamicdatafl