作為一種經典的過程質量診斷工具,控制圖被廣泛應用于現(xiàn)代工業(yè)生產中�？刂茍D被用以檢測生產過程的穩(wěn)定性,控制圖中點子的變化反映出生產過程中的質量波動情況,對質量控制圖模式快速有效的識別,有助于及時發(fā)現(xiàn)生產過程中存在的異常因素。本文首先應用蒙特卡洛方法生成仿真數(shù)據,仿真數(shù)據用于訓練和測試模型。然后,采用基于距離的可分性判據原理對兩種特征:原始特征和基于主成分分析（Principal Component Analysis,PCA）提取的特征進行評價,選擇可分性好的特征。接著,使用PCA技術對控制圖模式的分布進行可視化,分析控制圖模式在特征空間中的分布規(guī)律,為之后模型的建立作鋪墊。然后基于單分類支持向量機（One Class Support Vector Machines,OCSVM）、支持向量機（Support Vector Machines,SVM）算法構建了 PCA_OCSVM_SVM控制圖模式識別模型并采用移動窗口法進行了仿真實驗。以實驗結果中模型的識別速度和識別精度作為評價指標,研究了不同的OCSVM訓練樣本、不同數(shù)量的主成分、不同的分類器參數(shù)對... 

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 基于神經網絡的識別模型研究
        1.2.2 基于支持向量機的識別模型研究
        1.2.3 研究綜述
    1.3 論文的創(chuàng)新點
    1.4 研究思路與方法
第2章 相關基本理論概述
    2.1 控制圖的基本理論
    2.2 控制圖模式的分類
        2.2.1 控制圖的判異準則
        2.2.2 控制圖模式
    2.3 相關模式識別理論
    2.4 本章小結
第3章 PCA-OCSVM-SVM控制圖模式識別模型分析與構建
    3.1 基于蒙特卡洛的控制圖模式的數(shù)據分析
    3.2 特征空間中控制圖模式類別的分布規(guī)律分析
        3.2.1 基于距離可分性判據的特征選取
        3.2.2 基于PCA的控制圖模式分布規(guī)律分析
    3.3 基于PCA-OCSVM-SVM的控制圖模式識別模型的建立
        3.3.1 基于PCA的特征提取
        3.3.2 基于OCSVM的異常檢測
        3.3.3 基于MCSVM_(OVO)的異常模式識別
        3.3.4 控制圖模式識別的總流程
        3.3.5 基于分布規(guī)律的模型性能分析
    3.4 本章小結
第4章 控制圖模式識別仿真實驗及模型性能分析
    4.1 仿真實驗及結果分析
        4.1.1 基于移動窗口法的仿真實驗原理
        4.1.2 基于不同訓練樣本的仿真實驗
        4.1.3 基于不同主成分的仿真實驗
        4.1.4 基于不同分類器參數(shù)的仿真實驗
    4.2 不同特征向量下的模型的性能分析
        4.2.1 原始特征向量下的模型性能
        4.2.2 統(tǒng)計特征向量下的模型性能
    4.3 不同識別模型下的對比分析
    4.4 本章小結
第5章 結論與展望
    5.1 結論
    5.2 展望
致謝
參考文獻
攻讀學位期間的研究成果


【參考文獻】：
期刊論文
[1]面向多品種小批量機加工車間的工序質量控制方法研究[J]. 宋承軒,吉衛(wèi)喜.  組合機床與自動化加工技術. 2018(06)
[2]基于統(tǒng)計特征的動態(tài)過程質量異常模式識別[J]. 劉玉敏,劉莉.  統(tǒng)計與決策. 2017(19)
[3]基于融合特征約減和支持向量機的控制圖模式識別[J]. 趙春華,汪成康,華露,鄭思宇,梁志鵬.  中國機械工程. 2017(08)
[4]動態(tài)過程質量異常模式ANN—SVM識別模型及仿真分析[J]. 劉玉敏,周昊飛.  統(tǒng)計與決策. 2016(09)
[5]基于粗糙集與支持向量機的加工過程異常檢測[J]. 項前,徐蘭,劉彬,呂志軍,楊建國.  計算機集成制造系統(tǒng). 2015(09)
[6]基于多特征PCA融合的SVM質量異常識別[J]. 劉玉敏,張帥.  河南大學學報(自然科學版). 2014(06)
[7]基于主元分析的SVM動態(tài)過程質量異常模式識別[J]. 劉玉敏,張帥.  制造業(yè)自動化. 2014(15)
[8]混合智能算法的控制圖模式識別仿真研究[J]. 李誠,張宏烈,趙鑫.  計算機仿真. 2013(10)
[9]基于融合特征與支持向量機的控制圖模式識別[J]. 宋李俊,趙虎.  計算機應用研究. 2014(03)
[10]基于遺傳優(yōu)化的PCA-SVM控制圖模式識別[J]. 李太福,胡勝,魏正元,韓亞軍.  計算機應用研究. 2012(12)

博士論文
[1]復雜生產過程質量控制的智能方法研究[D]. 張敏.西南交通大學 2013
[2]基于支持向量機的自動加工過程質量控制方法研究[D]. 朱波.重慶大學 2013
[3]制造過程質量智能控制與診斷中若干問題的研究[D]. 楊文安.南京航空航天大學 2012
[4]基于智能方法的產品制造過程質量診斷[D]. 程志強.南京理工大學 2011

碩士論文
[1]基于協(xié)同進化神經網絡集成的控制圖模式識別技術研究[D]. 王潤飛.中北大學 2017
[2]支持向量機在SPC控制圖模式識別中的研究[D]. 藺小楠.鄭州大學 2014
[3]基于小波分析的控制圖模式識別研究[D]. 周昊飛.鄭州大學 2012
[4]多品種小批量制造模式下工序質量控制研究[D]. 郎茂濤.西安電子科技大學 2012



本文編號：3673598