基于PCA-OCSVM-SVM的质量控制图模式识别研究
发布时间：2022-08-10 11:59
作为一种经典的过程质量诊断工具,控制图被广泛应用于现代工业生产中。控制图被用以检测生产过程的稳定性,控制图中点子的变化反映出生产过程中的质量波动情况,对质量控制图模式快速有效的识别,有助于及时发现生产过程中存在的异常因素。本文首先应用蒙特卡洛方法生成仿真数据,仿真数据用于训练和测试模型。然后,采用基于距离的可分性判据原理对两种特征:原始特征和基于主成分分析（Principal Component Analysis,PCA）提取的特征进行评价,选择可分性好的特征。接着,使用PCA技术对控制图模式的分布进行可视化,分析控制图模式在特征空间中的分布规律,为之后模型的建立作铺垫。然后基于单分类支持向量机（One Class Support Vector Machines,OCSVM）、支持向量机（Support Vector Machines,SVM）算法构建了 PCAOCSVMSVM控制图模式识别模型并采用移动窗口法进行了仿真实验。以实验结果中模型的识别速度和识别精度作为评价指标,研究了不同的OCSVM训练样本、不同数量的主成分、不同的分类器参数对...
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 基于神经网络的识别模型研究
1.2.2 基于支持向量机的识别模型研究
1.2.3 研究综述
1.3 论文的创新点
1.4 研究思路与方法
第2章 相关基本理论概述
2.1 控制图的基本理论
2.2 控制图模式的分类
2.2.1 控制图的判异准则
2.2.2 控制图模式
2.3 相关模式识别理论
2.4 本章小结
第3章 PCA-OCSVM-SVM控制图模式识别模型分析与构建
3.1 基于蒙特卡洛的控制图模式的数据分析
3.2 特征空间中控制图模式类别的分布规律分析
3.2.1 基于距离可分性判据的特征选取
3.2.2 基于PCA的控制图模式分布规律分析
3.3 基于PCA-OCSVM-SVM的控制图模式识别模型的建立
3.3.1 基于PCA的特征提取
3.3.2 基于OCSVM的异常检测
3.3.3 基于MCSVM_(OVO)的异常模式识别
3.3.4 控制图模式识别的总流程
3.3.5 基于分布规律的模型性能分析
3.4 本章小结
第4章 控制图模式识别仿真实验及模型性能分析
4.1 仿真实验及结果分析
4.1.1 基于移动窗口法的仿真实验原理
4.1.2 基于不同训练样本的仿真实验
4.1.3 基于不同主成分的仿真实验
4.1.4 基于不同分类器参数的仿真实验
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 统计特征向量下的模型性能
4.3 不同识别模型下的对比分析
4.4 本章小结
第5章 结论与展望
5.1 结论
5.2 展望
致谢
参考文献
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]面向多品种小批量机加工车间的工序质量控制方法研究[J]. 宋承轩,吉卫喜. 组合机床与自动化加工技术. 2018(06)
[2]基于统计特征的动态过程质量异常模式识别[J]. 刘玉敏,刘莉. 统计与决策. 2017(19)
[3]基于融合特征约减和支持向量机的控制图模式识别[J]. 赵春华,汪成康,华露,郑思宇,梁志鹏. 中国机械工程. 2017(08)
[4]动态过程质量异常模式ANN—SVM识别模型及仿真分析[J]. 刘玉敏,周昊飞. 统计与决策. 2016(09)
[5]基于粗糙集与支持向量机的加工过程异常检测[J]. 项前,徐兰,刘彬,吕志军,杨建国. 计算机集成制造系统. 2015(09)
[6]基于多特征PCA融合的SVM质量异常识别[J]. 刘玉敏,张帅. 河南大学学报(自然科学版). 2014(06)
[7]基于主元分析的SVM动态过程质量异常模式识别[J]. 刘玉敏,张帅. 制造业自动化. 2014(15)
[8]混合智能算法的控制图模式识别仿真研究[J]. 李诚,张宏烈,赵鑫. 计算机仿真. 2013(10)
[9]基于融合特征与支持向量机的控制图模式识别[J]. 宋李俊,赵虎. 计算机应用研究. 2014(03)
[10]基于遗传优化的PCA-SVM控制图模式识别[J]. 李太福,胡胜,魏正元,韩亚军. 计算机应用研究. 2012(12)
博士论文
[1]复杂生产过程质量控制的智能方法研究[D]. 张敏.西南交通大学 2013
[2]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
[3]制造过程质量智能控制与诊断中若干问题的研究[D]. 杨文安.南京航空航天大学 2012
[4]基于智能方法的产品制造过程质量诊断[D]. 程志强.南京理工大学 2011
硕士论文
[1]基于协同进化神经网络集成的控制图模式识别技术研究[D]. 王润飞.中北大学 2017
[2]支持向量机在SPC控制图模式识别中的研究[D]. 蔺小楠.郑州大学 2014
[3]基于小波分析的控制图模式识别研究[D]. 周昊飞.郑州大学 2012
[4]多品种小批量制造模式下工序质量控制研究[D]. 郎茂涛.西安电子科技大学 2012
本文编号：3673598
【文章页数】：73 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究现状
1.2.1 基于神经网络的识别模型研究
1.2.2 基于支持向量机的识别模型研究
1.2.3 研究综述
1.3 论文的创新点
1.4 研究思路与方法
第2章 相关基本理论概述
2.1 控制图的基本理论
2.2 控制图模式的分类
2.2.1 控制图的判异准则
2.2.2 控制图模式
2.3 相关模式识别理论
2.4 本章小结
第3章 PCA-OCSVM-SVM控制图模式识别模型分析与构建
3.1 基于蒙特卡洛的控制图模式的数据分析
3.2 特征空间中控制图模式类别的分布规律分析
3.2.1 基于距离可分性判据的特征选取
3.2.2 基于PCA的控制图模式分布规律分析
3.3 基于PCA-OCSVM-SVM的控制图模式识别模型的建立
3.3.1 基于PCA的特征提取
3.3.2 基于OCSVM的异常检测
3.3.3 基于MCSVM_(OVO)的异常模式识别
3.3.4 控制图模式识别的总流程
3.3.5 基于分布规律的模型性能分析
3.4 本章小结
第4章 控制图模式识别仿真实验及模型性能分析
4.1 仿真实验及结果分析
4.1.1 基于移动窗口法的仿真实验原理
4.1.2 基于不同训练样本的仿真实验
4.1.3 基于不同主成分的仿真实验
4.1.4 基于不同分类器参数的仿真实验
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 统计特征向量下的模型性能
4.3 不同识别模型下的对比分析
4.4 本章小结
第5章 结论与展望
5.1 结论
5.2 展望
致谢
参考文献
攻读学位期间的研究成果
【参考文献】：
期刊论文
[1]面向多品种小批量机加工车间的工序质量控制方法研究[J]. 宋承轩,吉卫喜. 组合机床与自动化加工技术. 2018(06)
[2]基于统计特征的动态过程质量异常模式识别[J]. 刘玉敏,刘莉. 统计与决策. 2017(19)
[3]基于融合特征约减和支持向量机的控制图模式识别[J]. 赵春华,汪成康,华露,郑思宇,梁志鹏. 中国机械工程. 2017(08)
[4]动态过程质量异常模式ANN—SVM识别模型及仿真分析[J]. 刘玉敏,周昊飞. 统计与决策. 2016(09)
[5]基于粗糙集与支持向量机的加工过程异常检测[J]. 项前,徐兰,刘彬,吕志军,杨建国. 计算机集成制造系统. 2015(09)
[6]基于多特征PCA融合的SVM质量异常识别[J]. 刘玉敏,张帅. 河南大学学报(自然科学版). 2014(06)
[7]基于主元分析的SVM动态过程质量异常模式识别[J]. 刘玉敏,张帅. 制造业自动化. 2014(15)
[8]混合智能算法的控制图模式识别仿真研究[J]. 李诚,张宏烈,赵鑫. 计算机仿真. 2013(10)
[9]基于融合特征与支持向量机的控制图模式识别[J]. 宋李俊,赵虎. 计算机应用研究. 2014(03)
[10]基于遗传优化的PCA-SVM控制图模式识别[J]. 李太福,胡胜,魏正元,韩亚军. 计算机应用研究. 2012(12)
博士论文
[1]复杂生产过程质量控制的智能方法研究[D]. 张敏.西南交通大学 2013
[2]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
[3]制造过程质量智能控制与诊断中若干问题的研究[D]. 杨文安.南京航空航天大学 2012
[4]基于智能方法的产品制造过程质量诊断[D]. 程志强.南京理工大学 2011
硕士论文
[1]基于协同进化神经网络集成的控制图模式识别技术研究[D]. 王润飞.中北大学 2017
[2]支持向量机在SPC控制图模式识别中的研究[D]. 蔺小楠.郑州大学 2014
[3]基于小波分析的控制图模式识别研究[D]. 周昊飞.郑州大学 2012
[4]多品种小批量制造模式下工序质量控制研究[D]. 郎茂涛.西安电子科技大学 2012
本文编号：3673598
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3673598.html
