發(fā)布時間：2018-06-29 12:43

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

【摘要】：過程實時智能監(jiān)控與診斷是政府實施食品藥品質(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)計過程控制方法難以滿足過程實時質(zhì)量智能監(jiān)控的需求,基于模式識別的過程智能監(jiān)控及診斷已成為質(zhì)量管理領域的新方向。目前該方面的研究多集中于控制圖模式識別、異常模式參數(shù)估計等方面�，F(xiàn)有識別模型大都采用人工神經(jīng)網(wǎng)絡或支持向量機單一類型分類器進行建模,存在計算復雜、識別效率低等問題,而現(xiàn)有異常模式參數(shù)估計模型難以對細微變動參數(shù)進行精準估計。因此,如何構(gòu)建更為高效的識別模型與異常模式參數(shù)估計模型是本文亟待解決的問題。在國家自然科學基金項目“基于模式識別的動態(tài)過程質(zhì)量監(jiān)控及診斷”的研究基礎上,本文系統(tǒng)地研究了過程實時智能監(jiān)控與診斷方法。首先,依據(jù)質(zhì)量特性測量數(shù)據(jù)流的變化特性,將自動化生產(chǎn)過程運行狀態(tài)劃分為正常模式與趨勢、階躍、周期異常質(zhì)量模式。其次,提出了過程質(zhì)量模式混合特征,并構(gòu)建了神經(jīng)網(wǎng)絡與支持向量機相結(jié)合的質(zhì)量模式識別模型。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)估計模型。最后,提出了自動化生產(chǎn)過程在線質(zhì)量智能診斷框架,并通過某國有企業(yè)精密軸加工過程的實例應用驗證了該診斷框架的有效性。本文的研究主要分為四個部分,具體內(nèi)容如下:(1)自動化生產(chǎn)過程質(zhì)量模式識別模型研究研究了自動化生產(chǎn)過程質(zhì)量模式的混合特征,并構(gòu)建了同時應用神經(jīng)網(wǎng)絡與支持向量機的質(zhì)量模式識別模型。首先,將小波分解低頻近似系數(shù)與形狀特征進行順序組合形成過程質(zhì)量模式混合特征。其次,利用基于均值特征的神經(jīng)網(wǎng)絡將過程質(zhì)量模式劃分為正常與周期、向上、向下三大類別。進而,通過基于混合特征的支持向量機將三大類別細分為正常、周期、上升趨勢等六種質(zhì)量模式。仿真實驗表明,所提識別模型不僅結(jié)構(gòu)簡單且識別精度高,能有效應用于在線過程智能監(jiān)控。(2)自動化生產(chǎn)過程異常模式參數(shù)估計模型研究研究了小波重構(gòu)數(shù)據(jù)特征、多核函數(shù)的支持向量回歸學習器,構(gòu)建了基于小波重構(gòu)與多核支持向量機回歸的自動化生產(chǎn)過程異常模式參數(shù)估計模型。首先,提取過程異常模式的小波重構(gòu)數(shù)據(jù)特征,以突顯參數(shù)細微變動時異常模式的差異。進而,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回歸對異常模式參數(shù)進行估計。仿真實驗表明,所提參數(shù)估計模型在參數(shù)細微變動時仍有較好的估計能力。(3)自動化生產(chǎn)過程在線質(zhì)量智能診斷框架研究研究了集成識別模型、異常模式參數(shù)估計模型與專家診斷知識庫的自動化生產(chǎn)過程在線質(zhì)量智能診斷框架。首先,采用“監(jiān)控窗口”對過程質(zhì)量特性測量值進行在線取值,應用識別模型識別當前“監(jiān)控窗口”內(nèi)數(shù)據(jù)流所屬的質(zhì)量模式類別。進而,當“監(jiān)控窗口”內(nèi)數(shù)據(jù)流為異常模式時,采用參數(shù)估計模型對其異常模式參數(shù)進行估計。而后,將過程異常類別及參數(shù)估計值與專家診斷知識庫中的規(guī)則進行匹配,查找過程異常原因。(4)精密軸加工過程在線智能監(jiān)控與診斷實例研究以精密軸加工過程為例,驗證了所提質(zhì)量智能診斷框架對自動化生產(chǎn)過程在線智能監(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),對診斷框架中識別模型、參數(shù)估計模型進行離線訓練與測試。而后,利用專家經(jīng)驗知識與故障樹分析方法構(gòu)建精密軸專家診斷知識庫。最后,應用離線訓練好的質(zhì)量智能診斷框架對軸徑實際加工過程進行在線智能監(jiān)控與診斷。實例應用表明,所提質(zhì)量智能診斷框架能有效應用于自動化生產(chǎn)過程的在線質(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)維度低且細節(jié)信息強,具有較強的模式區(qū)分能力,大大降低了識別模型的計算復雜度。(2)針對現(xiàn)有識別模型多采用神經(jīng)網(wǎng)絡或支持向量機單一類型分類器進行建模,存在模型結(jié)構(gòu)復雜、識別效率低等問題,提出了基于神經(jīng)網(wǎng)絡和支持向量機的質(zhì)量模式識別模型,提高了自動化生產(chǎn)過程質(zhì)量模式的識別效率。(3)針對已有估計模型存在對細微變動參數(shù)難以精準估計的問題,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)估計模型,并與識別模型、專家診斷知識庫進行結(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化生產(chǎn)過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、食品藥品安全等政府監(jiān)管領域。
[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 .
【學位授予單位】：鄭州大學
【學位級別】：博士
【學位授予年份】：2016
【分類號】：TP391.4;TH186

【相似文獻】

相關期刊論文 前10條

1 張宇波,徐昊,姚偉亮;聲音模式識別過程及方法研究[J];長春理工大學學報;2004年03期

2 洪文學;;基于多元圖圖形幾何特征的模式識別新方法[J];燕山大學學報;2008年05期

3 張濤;洪文學;景軍;趙勇;;模式識別中的表示問題[J];燕山大學學報;2008年05期

4 洪文學;宋佳霖;;基于2D圖表示原理的模式識別研究開放性問題[J];燕山大學學報;2008年05期

5 余洪祖 ,李楚霖 ,吳學謀;乏晰模式識別的二元對比平均法[J];華中工學院學報;1980年S2期

6 沈永歡 ,呂梯華 ,陳祖蔭 ,，

本文編號：2082147