本文關(guān)鍵詞：基于小波重構(gòu)與SVM-BPNN的動(dòng)態(tài)過(guò)程在線智能監(jiān)控

  更多相關(guān)文章： 過(guò)程監(jiān)控 小波重構(gòu) 均值特征 形狀特征 支持向量機(jī) BP神經(jīng)網(wǎng)絡(luò)

【摘要】：為了提高動(dòng)態(tài)過(guò)程運(yùn)行狀態(tài)在線監(jiān)控效率,提出了基于小波重構(gòu)與支持向量(support vector machine,SVM)-反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)相結(jié)合的在線智能監(jiān)控方法.首先,運(yùn)用離散小波變換對(duì)動(dòng)態(tài)過(guò)程實(shí)測(cè)數(shù)據(jù)流進(jìn)行重構(gòu),并提取其形狀特征.其次,利用訓(xùn)練好的小波重構(gòu)特征的SVM、均值特征的BPNN及重構(gòu)后形狀特征的SVM,對(duì)"監(jiān)控窗口"內(nèi)實(shí)測(cè)數(shù)據(jù)流進(jìn)行異常模式識(shí)別.最后,應(yīng)用該方法對(duì)某精密軸加工過(guò)程進(jìn)行在線智能監(jiān)控.結(jié)果表明:所提模型識(shí)別精度高、訓(xùn)練耗時(shí)少,其整體性能明顯優(yōu)于小波重構(gòu)的BPNN模型與基于統(tǒng)計(jì)和形狀特征的多分類支持向量機(jī)(multi-class support vector machine,MSVM)模型,是一種更為有效的動(dòng)態(tài)過(guò)程在線智能監(jiān)控方法.
【作者單位】： 鄭州大學(xué)商學(xué)院;
【關(guān)鍵詞】： 過(guò)程監(jiān)控 小波重構(gòu) 均值特征 形狀特征 支持向量機(jī) BP神經(jīng)網(wǎng)絡(luò)
【基金】：國(guó)家自然科學(xué)基金(71272207,61271146)~~
【分類號(hào)】：TP277;TP18
【正文快照】： i引言動(dòng)態(tài)過(guò)程的運(yùn)行狀態(tài)因偶然性和異常性因素的存在而不斷變化偶然性因素通常導(dǎo)致動(dòng)態(tài)過(guò)程運(yùn)行狀態(tài)中的隨機(jī)波動(dòng),而異常性因素會(huì)導(dǎo)致動(dòng)態(tài)過(guò)程運(yùn)行狀態(tài)偏離穩(wěn)態(tài)[21.因此,及時(shí)準(zhǔn)確地監(jiān)控動(dòng)態(tài)過(guò)程運(yùn)行狀態(tài),對(duì)于快速排查過(guò)程異因、降低企業(yè)質(zhì)量成本具有重要的意義. 動(dòng)態(tài)過(guò)程運(yùn)

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前6條

1 黃劍華;顏?zhàn)右?唐降龍;;基于小波重構(gòu)的視頻圖像文本檢測(cè)方法[J];哈爾濱工業(yè)大學(xué)學(xué)報(bào);2006年09期

2 李勇;小波圖像分解與重構(gòu)實(shí)驗(yàn)設(shè)計(jì)[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年04期

3 遲健男;張闖;張朝暉;王志良;;基于反對(duì)稱雙正交小波重構(gòu)的圖像增強(qiáng)方法[J];自動(dòng)化學(xué)報(bào);2010年04期

4 于靜;高飛;王沙沙;溫英新;;基于統(tǒng)計(jì)分類的臺(tái)標(biāo)識(shí)別相關(guān)技術(shù)研究[J];微型機(jī)與應(yīng)用;2012年20期

5 張西咸;陳蓮;;基于離散點(diǎn)與小波重構(gòu)SnO_2信號(hào)的新方法[J];傳感器與微系統(tǒng);2007年08期

6 ;[J];;年期

，

本文編號(hào)：962907