基于机器学习的多变量制造过程监控与诊断方法研究
发布时间：2021-04-09 05:50
在现代化的制造过程中,制造过程自动化程度及工业复杂度不断提高,单纯依靠传统的多元统计过程控制（Multivariate Statistical Process Control,MSPC）监控制造过程的异常已无法满足现代化制造过程的要求。随着信息采集技术的发展,制造过程产生了大量的数据,而如何利用好这些数据并服务于多变量过程质量控制领域成为研究人员急需解决的问题。在大数据时代背景下,许多的机器学习算法被提出并成功应用在实际中的各个领域。因此,如何将机器学习算法应用到多变量过程质量控制中,以实现对制造过程质量的智能监控与诊断成为该领域研究的热点。本文结合特征工程及机器学习算法,对多变量制造过程质量控制的智能监控与诊断方法进行了系统研究,主要工作如下:（1）基于支持向量数据描述的多变量制造过程在线监控模型研究。以制造过程质量监控为首要研究内容,提出了两个不同的基于支持向量数据描述的多变量控制图,即:D控制图和D-MCUSUM控制图。提出的两个控制图分别适用于监控制造过程的小偏移异常情况和制造过程的大偏移异常情况。由于支持向量数据描述无监督学习的特性,使得提出的两个控制图同时具有极强的自学习性...
【文章来源】：上海大学上海市 211工程院校
【文章页数】：98 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
部分词汇中英文对照
第一章 绪论
1.1 课题研究的背景及意义
1.2 国内外研究概况
1.2.1 统计过程控制的研究概况
1.2.2 多变量制造过程异常源识别的研究概况
1.3 论文的主要研究内容及方法
1.4 章节安排
第二章 控制图及机器学习相关理论
2.1 引言
2.2 单变量控制图
2.2.1 Shewhart控制图
2.2.2 累积和控制图
2.2.3 指数加权移动平均控制图
2.3 多变量控制图
2 控制图"> 2.3.1 T2 控制图
2.3.2 多元累积和控制图
2.3.3 多元指数加权移动平均控制图
2.4 控制图性能评估指标
2.5 支持向量数据描述
2.5.1 统计学习理论概述
2.5.2 支持向量数据描述理论
2.6 随机森林
第三章 基于支持向量数据描述的多变量制造过程在线监控模型研究
3.1 引言
3.2 基于无监督学习模型的多变量制造过程监控
3.3 基于SVDD的 D控制图和D-MCUSUM控制图
3.3.1 基于SVDD的 D控制图
3.3.2 基于SVDD的 D-MCUSUM控制图
3.4 仿真实验方法设计
3.4.1 实验数据集的生成
3.4.2 实验数据采集方法:移动窗口法
3.4.3 控制图性能评估指标:平均运行链长
3.4.4 控制图的控制限
3.5 窗口大小的选择
3.5.1 D控制图窗口大小的选择
3.5.2 D-MCUSUM控制图窗口大小的选择
3.6 SVDD模型关键参数的选择
3.7 仿真实验结果与分析
3.7.1 D控制图对比结果与分析
3.7.2 D-MCUSUM控制图对比结果与分析
3.8 应用实例
3.9 小结
第四章 基于混合控制图模型的多变量制造过程监控模型研究
4.1 引言
4.2 CDD控制图的构建及应用方法
4.2.1 CDD控制图
4.2.2 动态控制限
4.2.3 基于CDD控制图的多变量过程监控模型
4.3 仿真实验
4.3.1 动态控制限的设计方法
4.3.2 CDD控制图窗口大小的选择
4.3.3 CDD控制图仿真对比结果及分析
4.4 应用实例
4.5 小结
第五章 基于随机森林模型的多变量制造过程异常源识别
5.1 引言
5.2 多变量制造过程异常源识别
5.3 随机森林算法
5.4 仿真实验
5.4.1 输入特征的选取
5.4.2 数据集的生成
5.4.3 仿真实验过程
5.4.4 实验结果及分析
5.5 小结
第六章 结论与展望
6.1 结论
6.2 展望
参考文献
作者在攻读硕士学位期间公开发表的论文及专利
作者在攻读硕士学位期间参与的项目及奖励
致谢
附录
附录一:不同相关性下不同异常向量的异常幅度
【参考文献】：
期刊论文
[1]计算电缆导体暂态温度的粒子群优化的BP神经网络新方法[J]. 吴炬卓,肖笛,牛海清. 电器与能效管理技术. 2018(03)
[2]多元非线性制造过程波动源识别模型与方法[J]. 汪邦军,佘元冠,戴伟,刘宇. 计算机集成制造系统. 2017(04)
[3]多类文本分类算法GS-SVDD[J]. 吴德,刘三阳,梁锦锦. 计算机科学. 2016(08)
[4]基于得分矩阵和支持向量数据描述（SM-SVDD）的过程监测[J]. 衷路生,吴卓卓,谭畅,龚锦红,张永贤. 科学技术与工程. 2016(08)
[5]采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法[J]. 赵腾,王林童,张焰,田世明. 中国电机工程学报. 2016(03)
[6]结合SVM分类器与HOG特征提取的行人检测[J]. 徐渊,许晓亮,李才年,姜梅,张建国. 计算机工程. 2016(01)
[7]基于随机森林的精确目标检测方法[J]. 向涛,李涛,赵雪专,李旭冬. 计算机应用研究. 2016(09)
[8]改进随机森林算法在电信业客户流失预测中的应用[J]. 丁君美,刘贵全,李慧. 模式识别与人工智能. 2015(11)
[9]自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用[J]. 雷亚国,陈吴,李乃鹏,林京. 机械工程学报. 2016(01)
[10]基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 吴潇雨,和敬涵,张沛,胡骏. 电力系统自动化. 2015(12)
博士论文
[1]基于支持向量机的自动加工过程质量控制方法研究[D]. 朱波.重庆大学 2013
[2]基于智能学习模型的制造过程质量控制理论与方法论研究[D]. 余建波.上海交通大学 2009
硕士论文
[1]无故障数据下高速列车轮对轴承安全域估计方法研究[D]. 刘仕林.电子科技大学 2016
[2]基于统计量概率正交分解的故障分离算法研究[D]. 张峰华.上海交通大学 2014
[3]基于支持向量数据描述的累积和控制图[D]. 张春艳.天津大学 2012
本文编号：3127041
【文章来源】：上海大学上海市 211工程院校
【文章页数】：98 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
部分词汇中英文对照
第一章 绪论
1.1 课题研究的背景及意义
1.2 国内外研究概况
1.2.1 统计过程控制的研究概况
1.2.2 多变量制造过程异常源识别的研究概况
1.3 论文的主要研究内容及方法
1.4 章节安排
第二章 控制图及机器学习相关理论
2.1 引言
2.2 单变量控制图
2.2.1 Shewhart控制图
2.2.2 累积和控制图
2.2.3 指数加权移动平均控制图
2.3 多变量控制图
2 控制图"> 2.3.1 T2 控制图
2.3.2 多元累积和控制图
2.3.3 多元指数加权移动平均控制图
2.4 控制图性能评估指标
2.5 支持向量数据描述
2.5.1 统计学习理论概述
2.5.2 支持向量数据描述理论
2.6 随机森林
第三章 基于支持向量数据描述的多变量制造过程在线监控模型研究
3.1 引言
3.2 基于无监督学习模型的多变量制造过程监控
3.3 基于SVDD的 D控制图和D-MCUSUM控制图
3.3.1 基于SVDD的 D控制图
3.3.2 基于SVDD的 D-MCUSUM控制图
3.4 仿真实验方法设计
3.4.1 实验数据集的生成
3.4.2 实验数据采集方法:移动窗口法
3.4.3 控制图性能评估指标:平均运行链长
3.4.4 控制图的控制限
3.5 窗口大小的选择
3.5.1 D控制图窗口大小的选择
3.5.2 D-MCUSUM控制图窗口大小的选择
3.6 SVDD模型关键参数的选择
3.7 仿真实验结果与分析
3.7.1 D控制图对比结果与分析
3.7.2 D-MCUSUM控制图对比结果与分析
3.8 应用实例
3.9 小结
第四章 基于混合控制图模型的多变量制造过程监控模型研究
4.1 引言
4.2 CDD控制图的构建及应用方法
4.2.1 CDD控制图
4.2.2 动态控制限
4.2.3 基于CDD控制图的多变量过程监控模型
4.3 仿真实验
4.3.1 动态控制限的设计方法
4.3.2 CDD控制图窗口大小的选择
4.3.3 CDD控制图仿真对比结果及分析
4.4 应用实例
4.5 小结
第五章 基于随机森林模型的多变量制造过程异常源识别
5.1 引言
5.2 多变量制造过程异常源识别
5.3 随机森林算法
5.4 仿真实验
5.4.1 输入特征的选取
5.4.2 数据集的生成
5.4.3 仿真实验过程
5.4.4 实验结果及分析
5.5 小结
第六章 结论与展望
6.1 结论
6.2 展望
参考文献
作者在攻读硕士学位期间公开发表的论文及专利
作者在攻读硕士学位期间参与的项目及奖励
致谢
附录
附录一:不同相关性下不同异常向量的异常幅度
【参考文献】：
期刊论文
[1]计算电缆导体暂态温度的粒子群优化的BP神经网络新方法[J]. 吴炬卓,肖笛,牛海清. 电器与能效管理技术. 2018(03)
[2]多元非线性制造过程波动源识别模型与方法[J]. 汪邦军,佘元冠,戴伟,刘宇. 计算机集成制造系统. 2017(04)
[3]多类文本分类算法GS-SVDD[J]. 吴德,刘三阳,梁锦锦. 计算机科学. 2016(08)
[4]基于得分矩阵和支持向量数据描述（SM-SVDD）的过程监测[J]. 衷路生,吴卓卓,谭畅,龚锦红,张永贤. 科学技术与工程. 2016(08)
[5]采用互信息与随机森林算法的用户用电关联因素辨识及用电量预测方法[J]. 赵腾,王林童,张焰,田世明. 中国电机工程学报. 2016(03)
[6]结合SVM分类器与HOG特征提取的行人检测[J]. 徐渊,许晓亮,李才年,姜梅,张建国. 计算机工程. 2016(01)
[7]基于随机森林的精确目标检测方法[J]. 向涛,李涛,赵雪专,李旭冬. 计算机应用研究. 2016(09)
[8]改进随机森林算法在电信业客户流失预测中的应用[J]. 丁君美,刘贵全,李慧. 模式识别与人工智能. 2015(11)
[9]自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用[J]. 雷亚国,陈吴,李乃鹏,林京. 机械工程学报. 2016(01)
[10]基于灰色投影改进随机森林算法的电力系统短期负荷预测[J]. 吴潇雨,和敬涵,张沛,胡骏. 电力系统自动化. 2015(12)
博士论文
[1]基于支持向量机的自动加工过程质量控制方法研究[D]. 朱波.重庆大学 2013
[2]基于智能学习模型的制造过程质量控制理论与方法论研究[D]. 余建波.上海交通大学 2009
硕士论文
[1]无故障数据下高速列车轮对轴承安全域估计方法研究[D]. 刘仕林.电子科技大学 2016
[2]基于统计量概率正交分解的故障分离算法研究[D]. 张峰华.上海交通大学 2014
[3]基于支持向量数据描述的累积和控制图[D]. 张春艳.天津大学 2012
本文编号：3127041
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3127041.html
