基于小波分析的控制图混合异常模式识别研究

摘要

控制图是一种成功应用到实际生产过程质量监控和诊断的有效工具，特别是在生产过程中的监控的应用很大提高了生产质量保证的水平。尽管控制图对于生产过程中的质量控制发挥了巨大作用，但它对生产过程中的混合异常模式难以识别，很大程度削弱了控制图的识别效果。目前，很多研究都是基于基础异常模式，对于混合异常模式的识别研究相对较少。同时小波分析和BP神经网络对控制图模式识别已成为研究热点。本文就小波分析和BP神经网络的结合对质量控制图混合异常模式进行探索研究。
　　本文研究内容如下:首先用蒙特卡洛方法生成基础异常模式特征数据，并用基础模式数据的矩阵相互叠加作为相应混合异常模式数据的来源。其次用BP神经网络对基础异常模式进行训练并检测网络的正确识别率。之后利用一维离散小波对原始数据进行特征提取，建立小波分析的控制图混合异常模式识别模型。最后对小波基函数的选择和BP神经网络参数作出相应分析，将重构细节信号和近似信号作为原数据的基础异常模式数据输入到训练好的BP神经网络进行识别研究，得出模式识别结论。
　　如何选定基础小波以及提取控制图混合异常模式的特征是本文研究的关键。
　　本文根据小波函数的特性选用DbN、SymN和CoifN三种小波函数。然后利用MATLAB工具箱将三种小波函数系列在不同层数的分解系数进行对比，选择最好表达原数据特征的小波函数以及分解层数。然后用选定的小波函数和分解层数进行小波重构，将生成数据输入到训练好的BP神经网络进行识别。识别研究表明:Coif4小波三层分解重构特征数据时，网络识别率较高。本文对控制图混合异常模式识别研究提供了理论支持，并且为其他控制图异常模式的识别研究提供分析方法。

目录

声明

摘要

1．1．1 论文的研究背景

1．1．2 论文研究的意义

1．2 控制图识别国内外研究现状及发展趋势

1．3 小波分析的应用现状

1．4 论文研究的主要内容

1．5 本章小结

2 质量控制图异常模式

2．1 质量控制图的描述

2．2 统计控制图原理

2．2．1 正态分布的知识介绍

2．2．2 控制图的设计原理

2．3 控制图监控的两类错误

2．4 控制图对所处状态的判断准则

2．4．1 判断稳态的准则

2．4．2 判断异常的准则

2．4．3 接近完全合格率产品过程的判异准则

2．5 质量控制图模式

2．5．1 质量控制图基本模式

2．5．2 质量控制图混合异常模式

2．5．3 常见基本异常模式的识别方法

2．6 本章小结

3 神经网络识别控制图模式

3．1 神经网络基本理论

3．1．1 神经元模型

3．1．2 神经网络结构

3．2 BP网络

3．2．1 BP网络的结构

3．2．2 BP算法的数学描述

3．2．3 BP算法存在的缺陷

3．2．4 改进的BP算法

3．3 MATLAB神经网络工具箱介绍

3．3．1 MATLAB简介

3．3．2 MATLAB神经网络工具箱介绍

3．4 对混合异常模式识别的设计方案

3．5 本章小结

4 BP神经网络对基础异常模式的识别

4．1 控制图模式识别样本数据的产生

4．2 样本的选取原则

4．3 控制图基本模式样本数据产生

4．4 建立质量控制图模式识别模型

4．5 本章小结

5 基于小波分析的质量控制图混合异常模式识别

5．1 小波基础理论

5．1．2 小波变换的概念

5．1．3 小波提取特征的算法

5．2 特征提取小波函数的选择

5．2．1 常用小波函数

5．2．2 小波函数的选取

5．3 基于小波分析的控制图模式识别

5．3．1 DWNN控制图模式识别特点

5．3．2 DWNN控制图模式识别模型

5．4 DWNN模型识别分析

5．4．1 小波提取特征

5．4．2 小波分解函数以及重组系数的确定

5．5 识别效果对比

5．6 本章小结

6．1 总结

6．2 展望

参考文献

攻读硕士期间发表的论文及所取得的研究成果

致谢

附录