發(fā)布時(shí)間：2018-06-29 12:43

  本文選題：自動(dòng)化生產(chǎn)過(guò)程 + 質(zhì)量智能診斷��； 參考：《鄭州大學(xué)》2016年博士論文

【摘要】：過(guò)程實(shí)時(shí)智能監(jiān)控與診斷是政府實(shí)施食品藥品質(zhì)量安全大數(shù)據(jù)監(jiān)管、智能制造“十三五”發(fā)展規(guī)劃的重要環(huán)節(jié)。傳統(tǒng)的統(tǒng)計(jì)過(guò)程控制方法難以滿足過(guò)程實(shí)時(shí)質(zhì)量智能監(jiān)控的需求,基于模式識(shí)別的過(guò)程智能監(jiān)控及診斷已成為質(zhì)量管理領(lǐng)域的新方向。目前該方面的研究多集中于控制圖模式識(shí)別、異常模式參數(shù)估計(jì)等方面�，F(xiàn)有識(shí)別模型大都采用人工神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)單一類型分類器進(jìn)行建模,存在計(jì)算復(fù)雜、識(shí)別效率低等問(wèn)題,而現(xiàn)有異常模式參數(shù)估計(jì)模型難以對(duì)細(xì)微變動(dòng)參數(shù)進(jìn)行精準(zhǔn)估計(jì)。因此,如何構(gòu)建更為高效的識(shí)別模型與異常模式參數(shù)估計(jì)模型是本文亟待解決的問(wèn)題。在國(guó)家自然科學(xué)基金項(xiàng)目“基于模式識(shí)別的動(dòng)態(tài)過(guò)程質(zhì)量監(jiān)控及診斷”的研究基礎(chǔ)上,本文系統(tǒng)地研究了過(guò)程實(shí)時(shí)智能監(jiān)控與診斷方法。首先,依據(jù)質(zhì)量特性測(cè)量數(shù)據(jù)流的變化特性,將自動(dòng)化生產(chǎn)過(guò)程運(yùn)行狀態(tài)劃分為正常模式與趨勢(shì)、階躍、周期異常質(zhì)量模式。其次,提出了過(guò)程質(zhì)量模式混合特征,并構(gòu)建了神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)相結(jié)合的質(zhì)量模式識(shí)別模型。而后,構(gòu)建了小波重構(gòu)特征與多核支持向量回歸相結(jié)合的異常模式參數(shù)估計(jì)模型。最后,提出了自動(dòng)化生產(chǎn)過(guò)程在線質(zhì)量智能診斷框架,并通過(guò)某國(guó)有企業(yè)精密軸加工過(guò)程的實(shí)例應(yīng)用驗(yàn)證了該診斷框架的有效性。本文的研究主要分為四個(gè)部分,具體內(nèi)容如下:(1)自動(dòng)化生產(chǎn)過(guò)程質(zhì)量模式識(shí)別模型研究研究了自動(dòng)化生產(chǎn)過(guò)程質(zhì)量模式的混合特征,并構(gòu)建了同時(shí)應(yīng)用神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的質(zhì)量模式識(shí)別模型。首先,將小波分解低頻近似系數(shù)與形狀特征進(jìn)行順序組合形成過(guò)程質(zhì)量模式混合特征。其次,利用基于均值特征的神經(jīng)網(wǎng)絡(luò)將過(guò)程質(zhì)量模式劃分為正常與周期、向上、向下三大類別。進(jìn)而,通過(guò)基于混合特征的支持向量機(jī)將三大類別細(xì)分為正常、周期、上升趨勢(shì)等六種質(zhì)量模式。仿真實(shí)驗(yàn)表明,所提識(shí)別模型不僅結(jié)構(gòu)簡(jiǎn)單且識(shí)別精度高,能有效應(yīng)用于在線過(guò)程智能監(jiān)控。(2)自動(dòng)化生產(chǎn)過(guò)程異常模式參數(shù)估計(jì)模型研究研究了小波重構(gòu)數(shù)據(jù)特征、多核函數(shù)的支持向量回歸學(xué)習(xí)器,構(gòu)建了基于小波重構(gòu)與多核支持向量機(jī)回歸的自動(dòng)化生產(chǎn)過(guò)程異常模式參數(shù)估計(jì)模型。首先,提取過(guò)程異常模式的小波重構(gòu)數(shù)據(jù)特征,以突顯參數(shù)細(xì)微變動(dòng)時(shí)異常模式的差異。進(jìn)而,利用由線性核函數(shù)與高斯核函數(shù)組合形成的多核支持向量機(jī)回歸對(duì)異常模式參數(shù)進(jìn)行估計(jì)。仿真實(shí)驗(yàn)表明,所提參數(shù)估計(jì)模型在參數(shù)細(xì)微變動(dòng)時(shí)仍有較好的估計(jì)能力。(3)自動(dòng)化生產(chǎn)過(guò)程在線質(zhì)量智能診斷框架研究研究了集成識(shí)別模型、異常模式參數(shù)估計(jì)模型與專家診斷知識(shí)庫(kù)的自動(dòng)化生產(chǎn)過(guò)程在線質(zhì)量智能診斷框架。首先,采用“監(jiān)控窗口”對(duì)過(guò)程質(zhì)量特性測(cè)量值進(jìn)行在線取值,應(yīng)用識(shí)別模型識(shí)別當(dāng)前“監(jiān)控窗口”內(nèi)數(shù)據(jù)流所屬的質(zhì)量模式類別。進(jìn)而,當(dāng)“監(jiān)控窗口”內(nèi)數(shù)據(jù)流為異常模式時(shí),采用參數(shù)估計(jì)模型對(duì)其異常模式參數(shù)進(jìn)行估計(jì)。而后,將過(guò)程異常類別及參數(shù)估計(jì)值與專家診斷知識(shí)庫(kù)中的規(guī)則進(jìn)行匹配,查找過(guò)程異常原因。(4)精密軸加工過(guò)程在線智能監(jiān)控與診斷實(shí)例研究以精密軸加工過(guò)程為例,驗(yàn)證了所提質(zhì)量智能診斷框架對(duì)自動(dòng)化生產(chǎn)過(guò)程在線智能監(jiān)控與診斷的有效性。首先,利用蒙特卡羅方法產(chǎn)生精密軸質(zhì)量特性軸徑的質(zhì)量模式數(shù)據(jù),對(duì)診斷框架中識(shí)別模型、參數(shù)估計(jì)模型進(jìn)行離線訓(xùn)練與測(cè)試。而后,利用專家經(jīng)驗(yàn)知識(shí)與故障樹(shù)分析方法構(gòu)建精密軸專家診斷知識(shí)庫(kù)。最后,應(yīng)用離線訓(xùn)練好的質(zhì)量智能診斷框架對(duì)軸徑實(shí)際加工過(guò)程進(jìn)行在線智能監(jiān)控與診斷。實(shí)例應(yīng)用表明,所提質(zhì)量智能診斷框架能有效應(yīng)用于自動(dòng)化生產(chǎn)過(guò)程的在線質(zhì)量智能監(jiān)控與診斷。本文的研究特色與創(chuàng)新之處可概括為:(1)針對(duì)現(xiàn)有特征提取多采用單一類型特性、已有融合特征難以滿足數(shù)據(jù)維度低且模式區(qū)分力強(qiáng)的需求,提出了小波分解低頻近似系數(shù)與形狀特征順序組合的混合特征,所提混合特征不僅數(shù)據(jù)維度低且細(xì)節(jié)信息強(qiáng),具有較強(qiáng)的模式區(qū)分能力,大大降低了識(shí)別模型的計(jì)算復(fù)雜度。(2)針對(duì)現(xiàn)有識(shí)別模型多采用神經(jīng)網(wǎng)絡(luò)或支持向量機(jī)單一類型分類器進(jìn)行建模,存在模型結(jié)構(gòu)復(fù)雜、識(shí)別效率低等問(wèn)題,提出了基于神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的質(zhì)量模式識(shí)別模型,提高了自動(dòng)化生產(chǎn)過(guò)程質(zhì)量模式的識(shí)別效率。(3)針對(duì)已有估計(jì)模型存在對(duì)細(xì)微變動(dòng)參數(shù)難以精準(zhǔn)估計(jì)的問(wèn)題,提出了基于小波重構(gòu)與優(yōu)化多核支持向量回歸的異常模式參數(shù)估計(jì)模型,并與識(shí)別模型、專家診斷知識(shí)庫(kù)進(jìn)行結(jié)合形成了在線質(zhì)量智能診斷框架。本文研究成果不僅為自動(dòng)化生產(chǎn)過(guò)程提供了一套可操作的質(zhì)量智能監(jiān)控與診斷方法,而且可拓展到金融市場(chǎng)、食品藥品安全等政府監(jiān)管領(lǐng)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 .
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.4;TH186

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張宇波,徐昊,姚偉亮;聲音模式識(shí)別過(guò)程及方法研究[J];長(zhǎng)春理工大學(xué)學(xué)報(bào);2004年03期

2 洪文學(xué);;基于多元圖圖形幾何特征的模式識(shí)別新方法[J];燕山大學(xué)學(xué)報(bào);2008年05期

3 張濤;洪文學(xué);景軍;趙勇;;模式識(shí)別中的表示問(wèn)題[J];燕山大學(xué)學(xué)報(bào);2008年05期

4 洪文學(xué);宋佳霖;;基于2D圖表示原理的模式識(shí)別研究開(kāi)放性問(wèn)題[J];燕山大學(xué)學(xué)報(bào);2008年05期

5 余洪祖 ,李楚霖 ,吳學(xué)謀;乏晰模式識(shí)別的二元對(duì)比平均法[J];華中工學(xué)院學(xué)報(bào);1980年S2期

6 沈永歡 ,呂梯華 ,陳祖蔭 ,，

本文編號(hào)：2082147