支持向量機(jī)在SPC控制圖模式識別中的研究.pdf

1、使用統(tǒng)計過程(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，因而需要對控制圖模式進(jìn)行識別，才能及時發(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。從這個角度出發(fā)，研究如何對控制圖

2、模式進(jìn)行有效的識別就變得非常有意義。
　　傳統(tǒng)的SPC控制圖識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)的識別方法在使用時，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，具有較好的識別效果，而當(dāng)樣本數(shù)量有限時，其局限性就呈現(xiàn)了出來。因此，如何實現(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。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“一對一”的多分類器設(shè)計方法;在分析SVM參數(shù)對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SVM參數(shù)尋優(yōu)，構(gòu)造了PSO-SVM分類器。
　　2.對SPC控制圖模式采用了不同的特征進(jìn)行識別，包括原始特征、主元特征、統(tǒng)計特征，并進(jìn)行了仿真實驗及分析。
　　3.為了提高控制圖的分類準(zhǔn)確率，在分析上述特征缺點的基礎(chǔ)上，提出了兩種改進(jìn)的特征:針對初步提取統(tǒng)計特征之間存在相關(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別方法;針對單一特征可能會丟失部分?jǐn)?shù)據(jù)的情況，提出