支持向量機(jī)在SPC控制圖模式識(shí)別中的研究.pdf

1、使用統(tǒng)計(jì)過程(Statistical Process Control，SPC)控制圖進(jìn)行質(zhì)量控制，是現(xiàn)代生產(chǎn)過程中常用的一種方法。根據(jù)控制圖的狀態(tài)，可以判斷生產(chǎn)過程是否異常、并揭示加工過程中的潛在質(zhì)量問題。一般將控制圖模式大體分為正常和異常兩種模式，在實(shí)際生產(chǎn)過程中不同的異常模式代表了不同的生產(chǎn)異常情況，因而需要對(duì)控制圖模式進(jìn)行識(shí)別，才能及時(shí)發(fā)現(xiàn)和解決隱藏在異常背后的問題，從而提高產(chǎn)品的質(zhì)量和企業(yè)的效率。從這個(gè)角度出發(fā)，研究如何對(duì)控制圖

2、模式進(jìn)行有效的識(shí)別就變得非常有意義。
　　傳統(tǒng)的SPC控制圖識(shí)別方法是建立在大樣本條件基礎(chǔ)上的，近年發(fā)展起來的基于人工神經(jīng)網(wǎng)絡(luò)的識(shí)別方法在使用時(shí)，也需要大量的訓(xùn)練樣本。這兩種方法在樣本數(shù)目多的情況下，具有較好的識(shí)別效果，而當(dāng)樣本數(shù)量有限時(shí)，其局限性就呈現(xiàn)了出來。因此，如何實(shí)現(xiàn)在小樣本條件下的有效質(zhì)量監(jiān)控，并有效提高控制圖的識(shí)別效果，已經(jīng)成為質(zhì)量控制與診斷的主要研究問題之一。而支持向量機(jī)(Support Vector Machine

3、s，SVM)作為一種可以很好解決小樣本條件下的分類智能方法，已成為機(jī)器學(xué)習(xí)領(lǐng)域中的研究熱點(diǎn)。本文利用SVM，主要研究在小樣本條件下的控制圖模式智能識(shí)別方法。主要研究內(nèi)容如下所示:
　　1.研究了SVM及多類支持向量機(jī)(Multi-class Support Vector Machines，MSVM)的內(nèi)容，采用了“一對(duì)一”的多分類器設(shè)計(jì)方法;在分析SVM參數(shù)對(duì)其分類性能影響的基礎(chǔ)上，提出采用粒子群算法(Particle Swarm

4、 Optimization，PSO)算法對(duì)SVM參數(shù)尋優(yōu)，構(gòu)造了PSO-SVM分類器。
　　2.對(duì)SPC控制圖模式采用了不同的特征進(jìn)行識(shí)別，包括原始特征、主元特征、統(tǒng)計(jì)特征，并進(jìn)行了仿真實(shí)驗(yàn)及分析。
　　3.為了提高控制圖的分類準(zhǔn)確率，在分析上述特征缺點(diǎn)的基礎(chǔ)上，提出了兩種改進(jìn)的特征:針對(duì)初步提取統(tǒng)計(jì)特征之間存在相關(guān)性和冗余性的情況，提出了基于改進(jìn)序列前向選擇法的控制圖模式識(shí)別方法;針對(duì)單一特征可能會(huì)丟失部分?jǐn)?shù)據(jù)的情況，提出