支持向量机在SPC控制图模式识别中的研究

摘要

使用统计过程(Statistical Process Control，SPC)控制图进行质量控制，是现代生产过程中常用的一种方法。根据控制图的状态，可以判断生产过程是否异常、并揭示加工过程中的潜在质量问题。一般将控制图模式大体分为正常和异常两种模式，在实际生产过程中不同的异常模式代表了不同的生产异常情况，因而需要对控制图模式进行识别，才能及时发现和解决隐藏在异常背后的问题，从而提高产品的质量和企业的效率。从这个角度出发，研究如何对控制图模式进行有效的识别就变得非常有意义。
　　传统的SPC控制图识别方法是建立在大样本条件基础上的，近年发展起来的基于人工神经网络的识别方法在使用时，也需要大量的训练样本。这两种方法在样本数目多的情况下，具有较好的识别效果，而当样本数量有限时，其局限性就呈现了出来。因此，如何实现在小样本条件下的有效质量监控，并有效提高控制图的识别效果，已经成为质量控制与诊断的主要研究问题之一。而支持向量机(Support Vector Machines，SVM)作为一种可以很好解决小样本条件下的分类智能方法，已成为机器学习领域中的研究热点。本文利用SVM，主要研究在小样本条件下的控制图模式智能识别方法。主要研究内容如下所示:
　　1.研究了SVM及多类支持向量机(Multi-class Support Vector Machines，MSVM)的内容，采用了“一对一”的多分类器设计方法;在分析SVM参数对其分类性能影响的基础上，提出采用粒子群算法(Particle Swarm Optimization，PSO)算法对SVM参数寻优，构造了PSO-SVM分类器。
　　2.对SPC控制图模式采用了不同的特征进行识别，包括原始特征、主元特征、统计特征，并进行了仿真实验及分析。
　　3.为了提高控制图的分类准确率，在分析上述特征缺点的基础上，提出了两种改进的特征:针对初步提取统计特征之间存在相关性和冗余性的情况，提出了基于改进序列前向选择法的控制图模式识别方法;针对单一特征可能会丢失部分数据的情况，提出了基于原始特征与主元特征混合、原始特征和统计特征混合的识别方法。并对各种识别进行了仿真实验对比，实验说明改进后的方法确实有效可行。

目录

声明

摘要

1 绪论

1．1 研究背景及意义

1．1．1 研究背景

1．1．2 研究意义

1．2 相关理论的研究现状

1．2．1 SPC与控制图

1．2．2 控制图模式识别

1．3 本文内容安排

1．4 本章小结

2 SPC控制图模式的简介

2．1 SPC与控制图的基本原理

2．2 控制图的判定准则

2．3 控制图模式的基本分类及数据描述

2．3．1 控制图模式的基本分类

2．3．2 控制图模式的数据描述

2．4 本章小结

3 控制图模式识别分类器算法的研究

3．1 支持向量机

3．1．1 支持向量机的分类

3．1．2 多类支持向量机

3．2 采用PSO优化SVM

3．2．1 SVM的模型选择及参数分析

3．2．2 PSO算法的原理与步骤

3．2．3 PSO-SVM分类器

3．3 本章小结

4 基于不同特征的控制图模式识别

4．1 基于原始数据的控制图模式识别

4．1．1 基于原始数据的识别原理

4．1．2 关于仿真实验的说明

4．1．3 基于原始数据的识别仿真实验

4．2 基于主元特征的控制图模式识别

4．2．1 基于主元分析的识别原理

4．2．2 基于主元分析的识别仿真实验

4．3 基于统计特征的控制图模式识别

4．3．1 基于统计特征的识别原理

4．3．2 基于统计特征的识别仿真实验

4．4 本章小结

5 基于改进特征的控制图模式识别

5．1 基于改进序列前向选择方法的控制图模式识别

5．1．1 基于改进序列前向选择方法的识别原理

5．1．2 基于改进序列前向选择方法的仿真实验

5．2 基于融合特征的控制图模式识别方法

5．2．1 基于融合特征的识别原理

5．2．2 基于融合特征的仿真实验

5．3 不同特征下的对比分析

5．4 本章小结

6 总结与展望

6．1 总结

6．2 展望

参考文献

致谢

个人简历、在学期间发表的学术论文及研究成果