基于支持向量機(jī)的智能質(zhì)量控制及關(guān)鍵技術(shù)研究.pdf

1、本論文是國(guó)家自然科學(xué)基金資助項(xiàng)目--“基于支持向量機(jī)的智能質(zhì)量控制方法及關(guān)鍵技術(shù)研究”(批準(zhǔn)號(hào)：70672096，起止日期：2007.1-2009.12)研究?jī)?nèi)容的一部分，主要針對(duì)多品種、小批量生產(chǎn)模式下的質(zhì)量控制和信息集成問(wèn)題進(jìn)行研究和討論，本論文的研究?jī)?nèi)容主要分為以下四個(gè)部分：
　　 第一部分--參數(shù)設(shè)計(jì)的智能方法研究：
　　 研究參數(shù)設(shè)計(jì)的智能輔助方法及相關(guān)技術(shù)。采用支持向量機(jī)(SVM)回歸方法對(duì)正交試驗(yàn)數(shù)據(jù)進(jìn)行擬

2、合，建立質(zhì)量指標(biāo)和信噪比與各參數(shù)之間精確的關(guān)系模型，通過(guò)參數(shù)優(yōu)化設(shè)計(jì)，在實(shí)現(xiàn)對(duì)質(zhì)量目標(biāo)值逼近的同時(shí)減小質(zhì)量波動(dòng)。
　　 第二部分--質(zhì)量信息采集與集成技術(shù)研究：
　　 (1)研究了傳感器靜態(tài)非線性特性的智能識(shí)別方法及相關(guān)技術(shù)，在對(duì)傳感器靜態(tài)非線性特性認(rèn)識(shí)的基礎(chǔ)上，提出基于最小二乘支持向量機(jī)(LS-SVM)的識(shí)別方法，建立了LS-SVM識(shí)別模型，并對(duì)溫度傳感器進(jìn)行了靜態(tài)非線性校正，同時(shí)對(duì)參考端溫度進(jìn)行了補(bǔ)償；研究了傳感系統(tǒng)

3、的動(dòng)態(tài)非線性特性，將動(dòng)態(tài)非線性響應(yīng)分為靜態(tài)非線性和動(dòng)態(tài)線性兩個(gè)部分，在此基礎(chǔ)上建立動(dòng)態(tài)非線性逆響應(yīng)數(shù)學(xué)模型，并建立LS-SVM校正模型。實(shí)驗(yàn)表明，LS-SVM模型能夠?qū)鞲衅鞯撵o態(tài)非線性和動(dòng)態(tài)非線性誤差進(jìn)行有效地補(bǔ)償，提高了信息采集的精度。
　　 (2)研究了多傳感器的信息采集問(wèn)題。分析和討論了傳感器陣列在多個(gè)信息解耦和提取中面臨的問(wèn)題，提出基于SVM的多傳感器多維信息提取的智能方法，建立輸入與所有耦合輸出的智能模型，實(shí)現(xiàn)對(duì)輸入

4、信號(hào)的提取。仿真實(shí)驗(yàn)表明，該方法無(wú)需對(duì)各個(gè)傳感器的特性作具體的了解便能夠一次性完成對(duì)所有輸入信號(hào)的提取，且具有精度高、速度快的優(yōu)點(diǎn)，適合對(duì)多維信號(hào)的測(cè)量。
　　 第三部分--過(guò)程質(zhì)量控制技術(shù)研究：
　　 (1)提出了一種基于LS-SVM構(gòu)造函數(shù)鏈接型神經(jīng)網(wǎng)絡(luò)(FLANN)的加工機(jī)械狀態(tài)診斷方法，在對(duì)傳統(tǒng)FLANN診斷結(jié)構(gòu)認(rèn)識(shí)的基礎(chǔ)上，提出了基于LS-SVM回歸方法改進(jìn)的FLANN識(shí)別結(jié)構(gòu)，從理論上分析了該方法的優(yōu)越性。應(yīng)

5、用結(jié)果表明，該方法繼承了LS-SVM的優(yōu)點(diǎn)，保證了學(xué)習(xí)過(guò)程全局收斂、結(jié)果唯一和魯棒性。
　　 (2)針對(duì)控制圖模式識(shí)別中存在憑經(jīng)驗(yàn)、主觀臆斷及滯后等問(wèn)題，提出了基于主元分析(PCA)和SVM的控制圖模式識(shí)別方法。在對(duì)控制圖可能存在的8種“微觀”異常進(jìn)行識(shí)別后，采用了PCA方法對(duì)控制圖樣本進(jìn)行主元分析，得到各樣本在三維主元空間的特征分布圖，建立對(duì)應(yīng)的SVMHAH聚類結(jié)構(gòu)；針對(duì)混合型控制圖，提出了基于SVMOAO投票策略的識(shí)別方法，

6、實(shí)驗(yàn)表明，上述方法可以有效提高控制圖識(shí)別精度，并且具有識(shí)別速度快的優(yōu)點(diǎn)，適合控制圖模式的實(shí)時(shí)在線識(shí)別。
　　 (3)在對(duì)現(xiàn)有各種預(yù)測(cè)模型分析的基礎(chǔ)上，提出基于SVM和LS-SVM的產(chǎn)品質(zhì)量預(yù)測(cè)方法，對(duì)基于時(shí)間序列的質(zhì)量預(yù)測(cè)，根據(jù)歷史產(chǎn)品對(duì)未來(lái)短期產(chǎn)品質(zhì)量影響遵從“近重輕遠(yuǎn)”原則的實(shí)際特點(diǎn)，提出了加權(quán)最小二乘支持向量機(jī)(WLS-SVM)。提出基于標(biāo)準(zhǔn)誤差σ的工序波動(dòng)預(yù)測(cè)，降低隨機(jī)因素的干擾，增加了預(yù)測(cè)結(jié)果的客觀性和使用價(jià)值。對(duì)SV

7、M模型的參數(shù)進(jìn)行了優(yōu)化，提出基于預(yù)測(cè)樣本均方差MSE最小的迭代尋優(yōu)方法，提高了模型的預(yù)測(cè)精度，實(shí)驗(yàn)結(jié)果令人滿意。
　　 第四部分--質(zhì)量檢測(cè)階段的質(zhì)量控制技術(shù)研究：
　　 針對(duì)產(chǎn)品質(zhì)量無(wú)法或不便直接判斷、評(píng)價(jià)的問(wèn)題，建立了產(chǎn)品質(zhì)量與特征參數(shù)之間的LS-SVM智能診斷模型。該模型能夠通過(guò)一些可測(cè)或易測(cè)的相關(guān)參數(shù)，對(duì)產(chǎn)品質(zhì)量進(jìn)行及時(shí)、準(zhǔn)確地判斷，應(yīng)用結(jié)果表明了該方法的有效性。
　　 本論文以SVM及其改進(jìn)模型等新型人