基于特征融合的動態(tài)過程質(zhì)量異常模式識別方法研究

《基于特征融合的動態(tài)過程質(zhì)量異常模式識別方法研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫。

1、摘要隨著生產(chǎn)制造過程的日益自動化、連續(xù)化與復(fù)雜化，動態(tài)過程的質(zhì)量異常模式識別與質(zhì)量診斷引起了眾多學(xué)者的關(guān)注。質(zhì)量異常模式識別的準(zhǔn)確率主要取決于模式分類特征與分類器這兩個(gè)關(guān)鍵因素，從質(zhì)量模式原始數(shù)據(jù)中所提取出的特征分量，不僅能夠有效地反映出質(zhì)量模式的屬性與狀態(tài)，增強(qiáng)不同模式之間的區(qū)分度，還能夠在很大程度上減少數(shù)據(jù)的冗余性與繁雜性，已經(jīng)成為提升質(zhì)量模式識別精度的有效手段之一。然而，由于動態(tài)過程大數(shù)據(jù)的復(fù)雜性，任何一類異常模式，僅依靠單一類型的數(shù)據(jù)特征難以獲得較高的識別精度。因此，如何針對動態(tài)數(shù)據(jù)流提取低維數(shù)且細(xì)節(jié)信息較強(qiáng)的特征數(shù)據(jù)，采用融合特征的方法以提高動態(tài)過程異常模式識別效

2、率是亟待解決的問題。本文在收集整理大量國內(nèi)外研究文獻(xiàn)的基礎(chǔ)上，以模式識別和質(zhì)量診斷為理論依據(jù)，將系統(tǒng)地研究基于特征融合的動態(tài)過程質(zhì)量異常模式識別方法。首先，在國內(nèi)外動態(tài)過程模式識別、特征提取方法與質(zhì)量診斷研究綜述的基礎(chǔ)上，界定了動態(tài)過程的質(zhì)量異常模式；隨后，提出了基于特征融合的動態(tài)過程質(zhì)量異常模式識別方法，并采用粒子群優(yōu)化算法尋找支持向量機(jī)最佳參數(shù)組合。最后，通過仿真實(shí)驗(yàn)驗(yàn)證了本文所提方法的有效性。研究結(jié)果表明：①本文所提出的基于特征融合優(yōu)化與多支持向量機(jī)的質(zhì)量異常模式識別方法比傳統(tǒng)識別方法的效率更高；②通過粒子群優(yōu)化算法尋找支持向量機(jī)的最優(yōu)參數(shù)組合，并將融合約簡特征作為多

3、支持向量機(jī)的輸入向量能夠獲得比其他識別模型更好的識別效果；③該模型利用粗糙集對串聯(lián)特征組合進(jìn)行約簡，能夠降低特征的維數(shù)，并剔除冗余與無關(guān)特征，提升整個(gè)模型的識別精度。本文的研究特色與創(chuàng)新之處在于：①提出了基于融合特征的動態(tài)過程質(zhì)量異常模式識別方法；②將粗糙集約簡方法應(yīng)用于質(zhì)量異常模式識別的特征組合融合優(yōu)化，消除對分類貢獻(xiàn)較小或是包含冗余信息的特征，進(jìn)而得到便于進(jìn)行分類的特征集合；③構(gòu)建了多支持向量機(jī)作為質(zhì)量異常模式識別的分類器，并利用粒子群算法尋找其最優(yōu)參數(shù)組合，實(shí)現(xiàn)了動態(tài)過程質(zhì)量異常模式的識別。本文的研究克服了單一類型的數(shù)據(jù)特征僅用部分信息來反映動態(tài)過程運(yùn)行狀態(tài)的缺陷，并

4、有效地壓縮了冗余信息，實(shí)現(xiàn)了實(shí)時(shí)質(zhì)量異常數(shù)據(jù)的處理與診斷，為石油、化工、煙草等自動化行業(yè)提供實(shí)時(shí)質(zhì)量監(jiān)控與故障診斷技術(shù)。關(guān)鍵字：動態(tài)過程；特征融合；粗糙集；支持向量機(jī)；粒子群算法IAbstractWiththeincreasingautomation,continuousandcomplexproductionprocess,theabnormalqualitypatternrecognitionandqualitydiagnosisofdynamicprocesshasattractedmanyscholars'attention.Theaccuracyofpattern

5、recognitionofabnormalqualitymainlydependsonthepatternclassificationfeatureandclassifierofthetwokeyfactors,componentcharacteristicsextractedfromtheoriginaldataqualitymodel,notonlycaneffectivelyreflectthenatureandstateofthemodeofquality,enhancethedistinctionbetweendifferentmodes,canalsoreduc

6、etheredundancyandcomplexityofdatatoagreatextent,hasbecomeoneoftheeffectivemeanstoenhancetheprecisionandqualityofpatternrecognition.Butbecauseofthecomplexityofdatadynamicprocess,anykindofabnormalmode,onlyrelyonthedatacharacteristicsofasingletypeofdifficulttoobtainahigherrecognitionaccuracy,

7、theurgentproblemishowtomaketheinformationfusionscreeningandefficientuse.Therefore,howtoextractfeaturedatawithlowdimensionandstrongdetailinformationfordynamicdatastreamisthekeytoimprovetheefficiencyofdynamicprocesspatternrecognition.Onthebasisofcollectingalarge