在現(xiàn)代化的制造過程中,制造過程自動化程度及工業(yè)復(fù)雜度不斷提高,單純依靠傳統(tǒng)的多元統(tǒng)計過程控制（Multivariate Statistical Process Control,MSPC）監(jiān)控制造過程的異常已無法滿足現(xiàn)代化制造過程的要求。隨著信息采集技術(shù)的發(fā)展,制造過程產(chǎn)生了大量的數(shù)據(jù),而如何利用好這些數(shù)據(jù)并服務(wù)于多變量過程質(zhì)量控制領(lǐng)域成為研究人員急需解決的問題。在大數(shù)據(jù)時代背景下,許多的機(jī)器學(xué)習(xí)算法被提出并成功應(yīng)用在實際中的各個領(lǐng)域。因此,如何將機(jī)器學(xué)習(xí)算法應(yīng)用到多變量過程質(zhì)量控制中,以實現(xiàn)對制造過程質(zhì)量的智能監(jiān)控與診斷成為該領(lǐng)域研究的熱點。本文結(jié)合特征工程及機(jī)器學(xué)習(xí)算法,對多變量制造過程質(zhì)量控制的智能監(jiān)控與診斷方法進(jìn)行了系統(tǒng)研究,主要工作如下:（1）基于支持向量數(shù)據(jù)描述的多變量制造過程在線監(jiān)控模型研究。以制造過程質(zhì)量監(jiān)控為首要研究內(nèi)容,提出了兩個不同的基于支持向量數(shù)據(jù)描述的多變量控制圖,即:D控制圖和D-MCUSUM控制圖。提出的兩個控制圖分別適用于監(jiān)控制造過程的小偏移異常情況和制造過程的大偏移異常情況。由于支持向量數(shù)據(jù)描述無監(jiān)督學(xué)習(xí)的特性,使得提出的兩個控制圖同時具有極強(qiáng)的自學(xué)習(xí)性... 

【文章來源】：上海大學(xué)上海市 211工程院校

【文章頁數(shù)】：98 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
部分詞匯中英文對照
第一章 緒論
    1.1 課題研究的背景及意義
    1.2 國內(nèi)外研究概況
        1.2.1 統(tǒng)計過程控制的研究概況
        1.2.2 多變量制造過程異常源識別的研究概況
    1.3 論文的主要研究內(nèi)容及方法
    1.4 章節(jié)安排
第二章 控制圖及機(jī)器學(xué)習(xí)相關(guān)理論
    2.1 引言
    2.2 單變量控制圖
        2.2.1 Shewhart控制圖
        2.2.2 累積和控制圖
        2.2.3 指數(shù)加權(quán)移動平均控制圖
    2.3 多變量控制圖
2 控制圖">        2.3.1 T² 控制圖
        2.3.2 多元累積和控制圖
        2.3.3 多元指數(shù)加權(quán)移動平均控制圖
    2.4 控制圖性能評估指標(biāo)
    2.5 支持向量數(shù)據(jù)描述
        2.5.1 統(tǒng)計學(xué)習(xí)理論概述
        2.5.2 支持向量數(shù)據(jù)描述理論
    2.6 隨機(jī)森林
第三章 基于支持向量數(shù)據(jù)描述的多變量制造過程在線監(jiān)控模型研究
    3.1 引言
    3.2 基于無監(jiān)督學(xué)習(xí)模型的多變量制造過程監(jiān)控
    3.3 基于SVDD的 D控制圖和D-MCUSUM控制圖
        3.3.1 基于SVDD的 D控制圖
        3.3.2 基于SVDD的 D-MCUSUM控制圖
    3.4 仿真實驗方法設(shè)計
        3.4.1 實驗數(shù)據(jù)集的生成
        3.4.2 實驗數(shù)據(jù)采集方法:移動窗口法
        3.4.3 控制圖性能評估指標(biāo):平均運(yùn)行鏈長
        3.4.4 控制圖的控制限
    3.5 窗口大小的選擇
        3.5.1 D控制圖窗口大小的選擇
        3.5.2 D-MCUSUM控制圖窗口大小的選擇
    3.6 SVDD模型關(guān)鍵參數(shù)的選擇
    3.7 仿真實驗結(jié)果與分析
        3.7.1 D控制圖對比結(jié)果與分析
        3.7.2 D-MCUSUM控制圖對比結(jié)果與分析
    3.8 應(yīng)用實例
    3.9 小結(jié)
第四章 基于混合控制圖模型的多變量制造過程監(jiān)控模型研究
    4.1 引言
    4.2 CDD控制圖的構(gòu)建及應(yīng)用方法
        4.2.1 CDD控制圖
        4.2.2 動態(tài)控制限
        4.2.3 基于CDD控制圖的多變量過程監(jiān)控模型
    4.3 仿真實驗
        4.3.1 動態(tài)控制限的設(shè)計方法
        4.3.2 CDD控制圖窗口大小的選擇
        4.3.3 CDD控制圖仿真對比結(jié)果及分析
    4.4 應(yīng)用實例
    4.5 小結(jié)
第五章 基于隨機(jī)森林模型的多變量制造過程異常源識別
    5.1 引言
    5.2 多變量制造過程異常源識別
    5.3 隨機(jī)森林算法
    5.4 仿真實驗
        5.4.1 輸入特征的選取
        5.4.2 數(shù)據(jù)集的生成
        5.4.3 仿真實驗過程
        5.4.4 實驗結(jié)果及分析
    5.5 小結(jié)
第六章 結(jié)論與展望
    6.1 結(jié)論
    6.2 展望
參考文獻(xiàn)
作者在攻讀碩士學(xué)位期間公開發(fā)表的論文及專利
作者在攻讀碩士學(xué)位期間參與的項目及獎勵
致謝
附錄
    附錄一:不同相關(guān)性下不同異常向量的異常幅度


【參考文獻(xiàn)】：
期刊論文
[1]計算電纜導(dǎo)體暫態(tài)溫度的粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)新方法[J]. 吳炬卓,肖笛,牛海清.  電器與能效管理技術(shù). 2018(03)
[2]多元非線性制造過程波動源識別模型與方法[J]. 汪邦軍,佘元冠,戴偉,劉宇.  計算機(jī)集成制造系統(tǒng). 2017(04)
[3]多類文本分類算法GS-SVDD[J]. 吳德,劉三陽,梁錦錦.  計算機(jī)科學(xué). 2016(08)
[4]基于得分矩陣和支持向量數(shù)據(jù)描述（SM-SVDD）的過程監(jiān)測[J]. 衷路生,吳卓卓,譚暢,龔錦紅,張永賢.  科學(xué)技術(shù)與工程. 2016(08)
[5]采用互信息與隨機(jī)森林算法的用戶用電關(guān)聯(lián)因素辨識及用電量預(yù)測方法[J]. 趙騰,王林童,張焰,田世明.  中國電機(jī)工程學(xué)報. 2016(03)
[6]結(jié)合SVM分類器與HOG特征提取的行人檢測[J]. 徐淵,許曉亮,李才年,姜梅,張建國.  計算機(jī)工程. 2016(01)
[7]基于隨機(jī)森林的精確目標(biāo)檢測方法[J]. 向濤,李濤,趙雪專,李旭冬.  計算機(jī)應(yīng)用研究. 2016(09)
[8]改進(jìn)隨機(jī)森林算法在電信業(yè)客戶流失預(yù)測中的應(yīng)用[J]. 丁君美,劉貴全,李慧.  模式識別與人工智能. 2015(11)
[9]自適應(yīng)多核組合相關(guān)向量機(jī)預(yù)測方法及其在機(jī)械設(shè)備剩余壽命預(yù)測中的應(yīng)用[J]. 雷亞國,陳吳,李乃鵬,林京.  機(jī)械工程學(xué)報. 2016(01)
[10]基于灰色投影改進(jìn)隨機(jī)森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測[J]. 吳瀟雨,和敬涵,張沛,胡駿.  電力系統(tǒng)自動化. 2015(12)

博士論文
[1]基于支持向量機(jī)的自動加工過程質(zhì)量控制方法研究[D]. 朱波.重慶大學(xué) 2013
[2]基于智能學(xué)習(xí)模型的制造過程質(zhì)量控制理論與方法論研究[D]. 余建波.上海交通大學(xué) 2009

碩士論文
[1]無故障數(shù)據(jù)下高速列車輪對軸承安全域估計方法研究[D]. 劉仕林.電子科技大學(xué) 2016
[2]基于統(tǒng)計量概率正交分解的故障分離算法研究[D]. 張峰華.上海交通大學(xué) 2014
[3]基于支持向量數(shù)據(jù)描述的累積和控制圖[D]. 張春艷.天津大學(xué) 2012



本文編號：3127041