基于改进支持向量机的产品质量预测系统的研究
发布时间：2022-02-14 04:08
在竞争日益激烈的今天,企业提高自身的竞争力变得越来越重要。要想这么做,企业一方面要设计生产出更适应市场需要的产品,另一方面就是要生产出来的产品的质量要合格。可以说产品质量是一个企业能发展的立身之本。产品质量管理技术经过多年的发展已经很完善,可以实现从原材料到成品的全链条的质量管理和追溯。而如果可以在产品生产过程中提前预测出产品最终完成时的质量情况,进而为产品的下一步生产提供预警信息,及时调整生产工艺,就可以最终减少不合格产品的产出,进而达到降低企业的成本,增强企业竞争力的目的。产品质量预测的核心就是能找到一个准确的数学模型。主要总结了几种常用的预测模型,经过模拟实验,从中选出支持向量机模型进行研究学习。提出使用遗传算法来对支持向量机建模过程中需要的两个参数:径向基核函数参数σ和错误惩罚参数C进行搜索优化,选择出最适合当前问题的参数组合使建立的模型预测效果更好。经过模拟实验,结果证明基于遗传算法优化的支持向量机模型比不进行参数优化的支持向量机模型的预测效果更好。设计和初步实现了基于遗传算法优化的支持向量机模型的产品质量预测系统,该系统可以根据当前生产的产品的历史生产数据训练并建立预测模型...
【文章来源】：机械科学研究总院北京市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图４－１基于遗传算法的支持向量机算法流程图??首先将支持向量机的两个参数进行编码并给予初始值，将输入数据的格式转化??为算法需要的格式将输入数据分为训练集和测试集
?机械科学研宂总院硕士学位论文???＾?Ｒｅｄ?ｗｉｎｅ??????Ｃ？?＿??由??ｔ?〇??ｉ??＜Ｄ?－??Ｃ??ｔ?〇??＆?８＇??３?”????ｇ??ｉｔ?８－??１???，??。－ｊ??ｉ??—ｊ??１??ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??３?４?５?６?７?８??Ｓｅｎｓｏｒｙ?ｐｒｅｆｅｒｅｎｃｅ??图４－２葡萄酒的质量分数分布??图４－２给出了葡萄酒成酒的质量分数分布情况，质量不好的酒分数不大于４分，??质量好的酒分数髙于６分，这批酒中大多数质量为５分或者６分可以认为这些酒质??量为良，从图可以看出，酒的质量分布符合统计分布规律。??４．?５．?２建模预测??将预处理后的数据按比例分成训练集和测试集，然后分别使用传统的ＲＢＦ核函数的??支持向量机模型，参数为默认参数，和使用遗传算法优化的ＲＢＦ核函数的支持向量??机模型进行训练使用测试集进行测试。??整个过程如下：??１）对数据进行标准化处理。??２）按照实验的要求将样本数据按设定好的比例分成训练集与测试集。??３）分别使用支持向量机模型和基于遗传算法优化的支持向量机模型进行训练和预??测。??４）通过交叉验证来对模型的建模效果进行验证。??５）为了保证准确性，消除随机带来的误差，重复进行２０次。??４．６?实验结果??２６??
８９５４１７?０．８８１０４２?０．８９６２５?０．８７３７５??１６０??ＯＪＳ８?？?＇？一?????＿＿１＿藝■■■■＿■咖???????１．?Ｉ??０＾７５??????—￣—?矿???０．８５５?、、Ｊ?、＇?Ｖ、、Ｚ??ＯＳＳ???????０３４５??０＾４?｜??０．８３５??１?２?３?Ａ?５?６?７?８?９?１０?１１?１２?１３?１４?１５?１６?１７?１８?１９?２０??１＂?—?ＧＡ－ＳＶＭ?ＳＶＭ??图４－３?ＧＡ－ＳＶＭ与ＳＶＭ模型１６０个样本数据下的预测得分??２７??
【参考文献】：
期刊论文
[1]基于MES的质量信息化管理的实现[J]. 张毛,汪广扩. 中小企业管理与科技(中旬刊). 2018(02)
[2]企改中基于MES的加工过程质量控制与预测研究[J]. 辛梅. 经济研究导刊. 2017(21)
[3]基于遗传算法-支持向量机的建材产品质量预测方法研究[J]. 刘淑伟,郭顺生. 机械制造. 2016(11)
[4]基于PCA&SVM的多品种小批量产品质量预测方法研究[J]. 张炎亮,秦惜梦,崔庆安. 科技管理研究. 2016(14)
[5]基于改进RBF神经网络的钢构件质量预测研究[J]. 雷兆明,王东泽,花季伟,王军. 自动化与仪表. 2015(09)
[6]基于支持向量机的地铁客流量预测[J]. 赵钰棠,杨信丰,杨珂. 都市快轨交通. 2014(03)
[7]基于MES系统的离散制造业质量信息管理研究[J]. 代绪强,孙亚振,许自力,戚宝运. 机械制造与自动化. 2014(02)
[8]葡萄酒的质量预测模型[J]. 陈欣. 西安文理学院学报(自然科学版). 2013(02)
[9]基于GMC（1,n）模型的多品种、小批量产品质量预测方法研究[J]. 张炎亮,胡琳琳. 机床与液压. 2013(03)
[10]基于灰色理论与BP神经网络的工序质量预测研究[J]. 王秋明,刘科成,高慧颖. 北京理工大学学报. 2011(02)
博士论文
[1]基于人工智能及大数据技术对中药饮片生产质量管控的研究[D]. 周明.南京中医药大学 2018
[2]高炉冶炼复杂性分析及支持向量机扩展建模预测研究[D]. 王义康.浙江大学 2012
硕士论文
[1]基于RFID技术的发动机缸体制造过程质量控制方法及系统研究[D]. 李晓静.合肥工业大学 2017
[2]基于机器学习的兰州市空气质量预报方法研究[D]. 李昊.兰州大学 2017
[3]基于PSO-LS-SVM的发动机多工序装配质量预测模型研究[D]. 吕旭泽.合肥工业大学 2016
[4]基于改进支持向量机的产品质量预测研究[D]. 靳江伟.东北林业大学 2016
[5]基于支持向量机的高炉铁水硅含量预测[D]. 马淑艳.浙江大学 2016
[6]基于优化灰色SVM模型的航天A厂质量控制研究[D]. 周小青.哈尔滨工业大学 2016
[7]偏最小二乘及稀疏偏最小二乘回归的应用研究[D]. 郭婷婷.昆明理工大学 2015
[8]基于支持向量机的产品合格率预测研究[D]. 赵奎领.华南理工大学 2012
[9]基于神经网络的乳制品质量预测研究[D]. 王辉.河北农业大学 2012
[10]基于MES的质量信息管理与质量追溯系统研究[D]. 刘伟.山东大学 2012
本文编号：3624216
【文章来源】：机械科学研究总院北京市
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
图４－１基于遗传算法的支持向量机算法流程图??首先将支持向量机的两个参数进行编码并给予初始值，将输入数据的格式转化??为算法需要的格式将输入数据分为训练集和测试集
?机械科学研宂总院硕士学位论文???＾?Ｒｅｄ?ｗｉｎｅ??????Ｃ？?＿??由??ｔ?〇??ｉ??＜Ｄ?－??Ｃ??ｔ?〇??＆?８＇??３?”????ｇ??ｉｔ?８－??１???，??。－ｊ??ｉ??—ｊ??１??ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??３?４?５?６?７?８??Ｓｅｎｓｏｒｙ?ｐｒｅｆｅｒｅｎｃｅ??图４－２葡萄酒的质量分数分布??图４－２给出了葡萄酒成酒的质量分数分布情况，质量不好的酒分数不大于４分，??质量好的酒分数髙于６分，这批酒中大多数质量为５分或者６分可以认为这些酒质??量为良，从图可以看出，酒的质量分布符合统计分布规律。??４．?５．?２建模预测??将预处理后的数据按比例分成训练集和测试集，然后分别使用传统的ＲＢＦ核函数的??支持向量机模型，参数为默认参数，和使用遗传算法优化的ＲＢＦ核函数的支持向量??机模型进行训练使用测试集进行测试。??整个过程如下：??１）对数据进行标准化处理。??２）按照实验的要求将样本数据按设定好的比例分成训练集与测试集。??３）分别使用支持向量机模型和基于遗传算法优化的支持向量机模型进行训练和预??测。??４）通过交叉验证来对模型的建模效果进行验证。??５）为了保证准确性，消除随机带来的误差，重复进行２０次。??４．６?实验结果??２６??
８９５４１７?０．８８１０４２?０．８９６２５?０．８７３７５??１６０??ＯＪＳ８?？?＇？一?????＿＿１＿藝■■■■＿■咖???????１．?Ｉ??０＾７５??????—￣—?矿???０．８５５?、、Ｊ?、＇?Ｖ、、Ｚ??ＯＳＳ???????０３４５??０＾４?｜??０．８３５??１?２?３?Ａ?５?６?７?８?９?１０?１１?１２?１３?１４?１５?１６?１７?１８?１９?２０??１＂?—?ＧＡ－ＳＶＭ?ＳＶＭ??图４－３?ＧＡ－ＳＶＭ与ＳＶＭ模型１６０个样本数据下的预测得分??２７??
【参考文献】：
期刊论文
[1]基于MES的质量信息化管理的实现[J]. 张毛,汪广扩. 中小企业管理与科技(中旬刊). 2018(02)
[2]企改中基于MES的加工过程质量控制与预测研究[J]. 辛梅. 经济研究导刊. 2017(21)
[3]基于遗传算法-支持向量机的建材产品质量预测方法研究[J]. 刘淑伟,郭顺生. 机械制造. 2016(11)
[4]基于PCA&SVM的多品种小批量产品质量预测方法研究[J]. 张炎亮,秦惜梦,崔庆安. 科技管理研究. 2016(14)
[5]基于改进RBF神经网络的钢构件质量预测研究[J]. 雷兆明,王东泽,花季伟,王军. 自动化与仪表. 2015(09)
[6]基于支持向量机的地铁客流量预测[J]. 赵钰棠,杨信丰,杨珂. 都市快轨交通. 2014(03)
[7]基于MES系统的离散制造业质量信息管理研究[J]. 代绪强,孙亚振,许自力,戚宝运. 机械制造与自动化. 2014(02)
[8]葡萄酒的质量预测模型[J]. 陈欣. 西安文理学院学报(自然科学版). 2013(02)
[9]基于GMC（1,n）模型的多品种、小批量产品质量预测方法研究[J]. 张炎亮,胡琳琳. 机床与液压. 2013(03)
[10]基于灰色理论与BP神经网络的工序质量预测研究[J]. 王秋明,刘科成,高慧颖. 北京理工大学学报. 2011(02)
博士论文
[1]基于人工智能及大数据技术对中药饮片生产质量管控的研究[D]. 周明.南京中医药大学 2018
[2]高炉冶炼复杂性分析及支持向量机扩展建模预测研究[D]. 王义康.浙江大学 2012
硕士论文
[1]基于RFID技术的发动机缸体制造过程质量控制方法及系统研究[D]. 李晓静.合肥工业大学 2017
[2]基于机器学习的兰州市空气质量预报方法研究[D]. 李昊.兰州大学 2017
[3]基于PSO-LS-SVM的发动机多工序装配质量预测模型研究[D]. 吕旭泽.合肥工业大学 2016
[4]基于改进支持向量机的产品质量预测研究[D]. 靳江伟.东北林业大学 2016
[5]基于支持向量机的高炉铁水硅含量预测[D]. 马淑艳.浙江大学 2016
[6]基于优化灰色SVM模型的航天A厂质量控制研究[D]. 周小青.哈尔滨工业大学 2016
[7]偏最小二乘及稀疏偏最小二乘回归的应用研究[D]. 郭婷婷.昆明理工大学 2015
[8]基于支持向量机的产品合格率预测研究[D]. 赵奎领.华南理工大学 2012
[9]基于神经网络的乳制品质量预测研究[D]. 王辉.河北农业大学 2012
[10]基于MES的质量信息管理与质量追溯系统研究[D]. 刘伟.山东大学 2012
本文编号：3624216
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3624216.html
