-
题名基于多特征混合与支持向量机的动态过程异常监控
被引量：7
- 1
-
-
作者
刘玉敏
周昊飞
-
机构
郑州大学商学院
-
出处
《计算机集成制造系统》
EI
CSCD
北大核心
2015年第10期2637-2643,共7页
-
基金
国家自然科学基金资助项目(71272207
61271146
U1204702)~~
-
文摘
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。
-
关键词
动态过程
质量异常模式
模式识别
小波变换
形状特征
支持向量机
粒子群优化
-
Keywords
dynamic process
quality abnormal pattern
pattern recognition
wavelet transform
shape features
support vector machine
particle swarm optimization
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
TH165.4
[自动化与计算机技术—计算机科学与技术]
-
-
题名基于相对熵的质量异常模式识别研究
- 2
-
-
作者
鲁惠文
方兴华
宋明顺
邓钰佳
黄佳
-
机构
中国计量大学经济与管理学院
-
出处
《中国管理科学》
CSSCI
CSCD
北大核心
2024年第3期299-312,共14页
-
基金
国家自然科学基金项目(71801202)
教育部人文社会科学研究青年项目(22YJC630022)
浙江省基本科研业务费项目(2022YW29)。
-
文摘
连续大规模生产不仅要求企业能更准确高效地识别生产过程状态,还需要识别生产过程中潜在的质量问题,从而提前规避质量风险。现有控制图方法能监测短期内生产过程是否处于异常状态,但难以对长期生产过程潜在的质量问题进行识别和分析。为了突破这一局限,本文提出在过程控制中运用基于相对熵的方法对质量数据分布形态进行识别,通过识别质量异常模式来分析潜在的质量问题。首先,通过仿真生成五种分布模式训练集和测试集;其次,将测试集样本质量特性值的概率分布或经核密度估计拟合后的概率密度作为模型输入;最后,通过构建的相对熵函数来量化抽样样本分布与各典型质量异常模式分布的相似性和差异性,输出生产状态分类指标,并通过两个质量模式判断准则完成模式识别。仿真结果表明,本文提出的方法在质量特性值为离散和连续情况下均能对质量异常分布模式进行有效识别。通过与同类方法进行对比,发现本文方法具有更高的识别精度,可以更有效地监控和识别生产过程的质量异常。
-
关键词
相对熵
核密度估计
异常模式识别
质量控制
-
Keywords
relative entropy
kernel density estimation
quality abnormal pattern recognition
quality control
-
分类号
O213.1
[理学—概率论与数理统计]
-
