基于DHNN的非线性轮廓异常状态监控方法

摘要

轮廓控制就是对关键质量特性呈现为轮廓的过程（或产品）进行实时监控。在小样本量且数据关系十分复杂的情况下，采用传统的建模方法构建非线性轮廓模型容易出现过拟合的现象。如果建立的模型形式十分复杂，对相关参数的估计会存在较大的误差，构建的控制图性能势必低下，难以对轮廓异常状态进行有效的监测。因此，在小样本量的前提下，基于参数建立控制图对异常轮廓进行监控的方法具有一定的局限性。针对上述问题，提出采用支持向量回归机建模、离散Hopfield网络监测非线性轮廓异常状态的方法。文章的主要研究内容如下：
　　（1）针对小样本量下非线性轮廓建模的问题，引入支持向量回归机进行拟合。首先对复杂的生产过程进行间隔抽样，获得轮廓样本数据集；然后选择合适的核参数，利用支持向量回归机构建轮廓模型，克服了传统建模方法收敛速度慢、过学习的问题。最后根据各个测量点及其响应值，建立拟合均值、方差曲面，说明采用支持向量回归机建立非线性轮廓模型的适用性。
　　（2）针对轮廓控制图性能低下的问题，采用离散Hopfield网络对异常轮廓状态进行监测。首先将受控状态下的标准轮廓作为吸引子存储于网络，然后将待监测的轮廓样本输入网络进行迭代学习，利用离散Hopfield网络的联想记忆功能，将样本轮廓与标准轮廓进行对比，监测识别出轮廓的异常状态。
　　（3）对支持向量回归机拟合轮廓模型、离散Hopfield网络监测异常轮廓的方法进行了仿真与算例研究。首先引入一个非线性函数表示某一具体的复杂产品制造过程质量特性，利用离散Hopfield网络对轮廓异常状态进行监测；其次，给出一个汽车发动机的实例，利用支持向量回归机建立轮廓模型，再应用离散Hopfield网络监测异常的轮廓状态。
　　仿真与算例分析表明，应用所提方法构建的轮廓模型具有较好的全局描述能力，对发生变异的轮廓进行监测具有较强的性能；所提方法以小样本量为前提，能够有效降低质量过程优化成本。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 研究现状

1.3 存在问题

1.4 研究创新点

1.5 研究技术路线

2 相关理论

2.1 轮廓控制的基本理论

2.2 机器学习理论

2.3 本章小结

3 基于支持向量回归机的非线性轮廓建模

3.1 传统建模方法的局限性

3.2 非线性轮廓建模分析

3.3 非线性轮廓建模方法

3.4 本章小结

4 基于DHNN监测非线性轮廓异常状态

4.1 异常非线性轮廓状态描述

4.2 DHNN监测非线性轮廓异常状态

4.3 算例仿真

4.4 本章小结

5 仿真与算例研究

5.1 DHNN监测异常轮廓仿真分析

5.2 DHNN监测异常轮廓算例分析

5.3 本章小结

6 结论与展望

参考文献

致谢

个人简历、在学期间发表的学术论文与研究成果