資源描述：
《基于主元分析的動態(tài)過程質(zhì)量異常模式識別研究.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、摘要摘要生產(chǎn)過程的質(zhì)量控制是確保產(chǎn)品質(zhì)量的重要手段。隨著生產(chǎn)制造過程不斷向大型化、連續(xù)化、復(fù)雜化發(fā)展，動態(tài)過程的質(zhì)量監(jiān)控與診斷顯得愈來愈重要。國內(nèi)外的研究顯示：人工智能技術(shù)打破了傳統(tǒng)的統(tǒng)計控制方法的局限，已逐步形成動態(tài)過程質(zhì)量智能控制與診斷新的發(fā)展方向。主元分析方法能夠有效地對數(shù)據(jù)進行降維、去噪，因而，主元分析方法與支持向量機相結(jié)合已成為動態(tài)過程質(zhì)量智能監(jiān)控與診斷的研究熱點。如何利用主元分析方法對動態(tài)過程質(zhì)量異常模式進行特征提取，進而構(gòu)建合適的多支持向量機對異常模式進行診斷時是動態(tài)過程質(zhì)量異常模式識別的關(guān)鍵。本文在收集整理大量國內(nèi)外
2、文獻的基礎(chǔ)上，以主元分析和支持向量機為理論依據(jù)，系統(tǒng)地研究了基于主元分析的動態(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、主元分析方法以及支持向量機研究綜述的基礎(chǔ)上，對動態(tài)過程的質(zhì)量異常模式進行界定；然后,提出基于主元分析的動態(tài)過程質(zhì)量異常模式識別框架；進而，采用粒子群算法對支持向量機分類器的參數(shù)進行優(yōu)化；最后,在MATLAB軟件平臺下利用LIBSVM工具箱對動態(tài)過程質(zhì)量異常模式識別模型進行實證分析。研究結(jié)果表明：①本文提出的基于主元分析方法的動態(tài)過程質(zhì)量異常識別框架相比于傳統(tǒng)的識別方法更有效率；②基于主元分析的動態(tài)過
3、程質(zhì)量異常識別模型的整體識別精度高于單獨使用多支持向量機的識別模型；③該模型中在利用主元分析提取特征時，在方差貢獻率為45%的主元分解水平下，模型識別的整體精度最好。本文的研究特色與創(chuàng)新之處主要表現(xiàn)在：①提出了基于主元分析方法的動態(tài)過程質(zhì)量異常智能化識別框架；②利用粒子群優(yōu)化算法對基于主元分析的動態(tài)過程質(zhì)量異常模式識別模型進行參數(shù)優(yōu)化，并對質(zhì)量異常模式進行識別；③在構(gòu)建基于主元分析的動態(tài)過程質(zhì)量異常模式識別模型的基礎(chǔ)上，分析對比了不同主元特征對動態(tài)過程質(zhì)量異常模式識別精度的效果。本文的研究不僅擴展了傳統(tǒng)統(tǒng)計過程控制技術(shù)方法的內(nèi)涵，而
4、且為基于主元分析和支持向量機的動態(tài)過程識別和監(jiān)控提供了理論模型和實證分析結(jié)果。關(guān)鍵詞：動態(tài)過程；模式識別；主元分析；支持向量機；粒子群算法IAbstractAbstractThemostimportantthinginmanufactureprocessingisprocessqualitycontrol,whichistheeffectivemeasurementtoensurethequalityofproductions.Qualityabnormalpatternrecognitionofdynamicprocessplay
5、saveryimportantroleinmonitoringboththemanufacturerprocessrunninginitsintendedmodeandthepresenceofabnormalpatternsandrealizingonlinequalitydiagnoseofautomaticproductionprocess.Sincemodernindustries,suchaspetroleum,metallurgy,machineryandotherindustries,havebecomemorelar
6、ge-scale,complexandcontinuous,themonitoringanddiagnosisofthedynamicprocesshasattractedmanyscholars'attention.Theresearchathomeandabroadshowthatartificialintelligencetechnologyhasbrokenthelimitationoftraditionalstatisticalcontrolmethods,andgraduallybecomesthenewdevelopm
7、entdirectionofqualityintelligentcontrolanddiagnosisindynamicprocess.Becauseitseffectivefordenoisingandreducingdimension,principalcomponentanalysiscombinedwithsupportvectormachinemethodbecomestheresearchhotspotinthefieldofqualityrecognitionanddiagnosisindynamicprocess.T
8、herearetwokeyproblemsofqualityabnormalpatternrecognitionindynamicprocess.Oneishowtoextractthefeaturefromdynamicdatafl
