基于模式识别的自动化生产过程质量智能诊断研究

发布时间：2018-06-29 12:43

本文选题：自动化生产过程 + 质量智能诊断　；参考：《郑州大学》2016年博士论文

【摘要】：过程实时智能监控与诊断是政府实施食品药品质量安全大数据监管、智能制造“十三五”发展规划的重要环节。传统的统计过程控制方法难以满足过程实时质量智能监控的需求,基于模式识别的过程智能监控及诊断已成为质量管理领域的新方向。目前该方面的研究多集中于控制图模式识别、异常模式参数估计等方面。现有识别模型大都采用人工神经网络或支持向量机单一类型分类器进行建模,存在计算复杂、识别效率低等问题,而现有异常模式参数估计模型难以对细微变动参数进行精准估计。因此,如何构建更为高效的识别模型与异常模式参数估计模型是本文亟待解决的问题。在国家自然科学基金项目“基于模式识别的动态过程质量监控及诊断”的研究基础上,本文系统地研究了过程实时智能监控与诊断方法。首先,依据质量特性测量数据流的变化特性,将自动化生产过程运行状态划分为正常模式与趋势、阶跃、周期异常质量模式。其次,提出了过程质量模式混合特征,并构建了神经网络与支持向量机相结合的质量模式识别模型。而后,构建了小波重构特征与多核支持向量回归相结合的异常模式参数估计模型。最后,提出了自动化生产过程在线质量智能诊断框架,并通过某国有企业精密轴加工过程的实例应用验证了该诊断框架的有效性。本文的研究主要分为四个部分,具体内容如下:(1)自动化生产过程质量模式识别模型研究研究了自动化生产过程质量模式的混合特征,并构建了同时应用神经网络与支持向量机的质量模式识别模型。首先,将小波分解低频近似系数与形状特征进行顺序组合形成过程质量模式混合特征。其次,利用基于均值特征的神经网络将过程质量模式划分为正常与周期、向上、向下三大类别。进而,通过基于混合特征的支持向量机将三大类别细分为正常、周期、上升趋势等六种质量模式。仿真实验表明,所提识别模型不仅结构简单且识别精度高,能有效应用于在线过程智能监控。(2)自动化生产过程异常模式参数估计模型研究研究了小波重构数据特征、多核函数的支持向量回归学习器,构建了基于小波重构与多核支持向量机回归的自动化生产过程异常模式参数估计模型。首先,提取过程异常模式的小波重构数据特征,以突显参数细微变动时异常模式的差异。进而,利用由线性核函数与高斯核函数组合形成的多核支持向量机回归对异常模式参数进行估计。仿真实验表明,所提参数估计模型在参数细微变动时仍有较好的估计能力。(3)自动化生产过程在线质量智能诊断框架研究研究了集成识别模型、异常模式参数估计模型与专家诊断知识库的自动化生产过程在线质量智能诊断框架。首先,采用“监控窗口”对过程质量特性测量值进行在线取值,应用识别模型识别当前“监控窗口”内数据流所属的质量模式类别。进而,当“监控窗口”内数据流为异常模式时,采用参数估计模型对其异常模式参数进行估计。而后,将过程异常类别及参数估计值与专家诊断知识库中的规则进行匹配,查找过程异常原因。(4)精密轴加工过程在线智能监控与诊断实例研究以精密轴加工过程为例,验证了所提质量智能诊断框架对自动化生产过程在线智能监控与诊断的有效性。首先,利用蒙特卡罗方法产生精密轴质量特性轴径的质量模式数据,对诊断框架中识别模型、参数估计模型进行离线训练与测试。而后,利用专家经验知识与故障树分析方法构建精密轴专家诊断知识库。最后,应用离线训练好的质量智能诊断框架对轴径实际加工过程进行在线智能监控与诊断。实例应用表明,所提质量智能诊断框架能有效应用于自动化生产过程的在线质量智能监控与诊断。本文的研究特色与创新之处可概括为:(1)针对现有特征提取多采用单一类型特性、已有融合特征难以满足数据维度低且模式区分力强的需求,提出了小波分解低频近似系数与形状特征顺序组合的混合特征,所提混合特征不仅数据维度低且细节信息强,具有较强的模式区分能力,大大降低了识别模型的计算复杂度。(2)针对现有识别模型多采用神经网络或支持向量机单一类型分类器进行建模,存在模型结构复杂、识别效率低等问题,提出了基于神经网络和支持向量机的质量模式识别模型,提高了自动化生产过程质量模式的识别效率。(3)针对已有估计模型存在对细微变动参数难以精准估计的问题,提出了基于小波重构与优化多核支持向量回归的异常模式参数估计模型,并与识别模型、专家诊断知识库进行结合形成了在线质量智能诊断框架。本文研究成果不仅为自动化生产过程提供了一套可操作的质量智能监控与诊断方法,而且可拓展到金融市场、食品药品安全等政府监管领域。
[Abstract]:The real - time intelligent monitoring and diagnosis of the process is an important part of the government to implement the quality control of food and medicine quality . The traditional statistical process control method is difficult to satisfy the demand of the process real - time quality intelligent monitoring . ( 3 ) On - line quality intelligent diagnosis framework of automatic production process is studied . The model of quality pattern recognition based on neural network and support vector machine is used to estimate the abnormal mode parameters .
【学位授予单位】：郑州大学
【学位级别】：博士
【学位授予年份】：2016
【分类号】：TP391.4;TH186

【相似文献】