针对不平衡数据集的螺栓拧紧工艺异常检测

摘要

随着工业制造领域自动化的全面普及和信息化的快速发展，工业制造领域的各个环节时刻都在产生着大量的数据，通过这些信息能够分析设备状态，产品质量等方面的问题。但是由于工业生产环境存在很多影响因素影响着工业数据的质量，其中噪声数据问题和数据不平衡问题普遍存在且严重影响着数据分析结果的可靠性。
　　对于噪声数据问题，本文根据实验数据中的噪声特点，提出了针对此类噪声的预处理方法，该方法能够准确高效地对数据中的随机噪声和拧紧工艺产生的噪声进行消噪，从而极大提升了样本数据的质量，另外，对数据的主体部分实现了对齐，方便了后续的数据分析。
　　对于不平衡数据问题，一般从数据层面和算法层面进行研究。本文对传统的SMOTE过采样方法进行改进，基于DBSCAN聚类思想，在对类内不平衡样本进行过采样时，克服了传统SMOTE方法容易改变样本空间分布特性的缺点,同时，改进的方法能够对价值较高的孤立样本进行数据合成，从而保留了更多的样本特征。
　　在样本特征提取和分类方面，本文运用PCA降维得到维度较低的数据集，通过提升树算法训练得到样本分类器，从而实现了针对不平衡数据集的螺栓拧紧工艺异常检测模型。最后，本文利用螺栓拧紧的实际生产数据对检测模型进行了有效性的验证和仿真实验，并对该模型的实时化应用进行了研究。

目录

声明

摘要

第1章 绪论

1．1 研究背景

1．2 国内外研究概况

1．2．1 不平衡数据学习问题在数据层面的研究

1．2．2 不平衡数据学习问题在算法层面的研究

1．2．3 异常检测方面的研究

1．3 研究内容

1．4 论文组织结构

第2章 螺栓拧紧工艺与不平衡数据分析

2．1 螺栓拧紧数据的不平衡数据

2．1．1 螺栓数据来源及其特性

2．1．2 不平衡数据介绍

2．1．3 螺栓拧紧数据的不平衡问题

2．2 不平衡数据学习的评价准则

2．3 本章小结

第3章 螺栓拧紧数据集的预处理

3．1 螺栓拧紧数据介绍

3．1．1 常见的螺栓拧紧工艺

3．1．2 螺栓拧紧工艺与过程数据的对比分析

3．1．3 拧紧设备对异常样本的识别情况

3．2 数据预处理

3．2．1 拧紧过程数据类型及预处理方案

3．2．2 截取螺栓拧紧过程数据主体部分

3．2．3 清除过程数据中的噪声点和缺失值插值

3．3 本章小结

第4章 基于改进SMOTE算法的过采样技术

4．1 SMOTE算法介绍

4．1．1 算法原理

4．1．2 算法分析

4．2 SMOTE算法改进

4．2．1 SMOTE算法分析

4．2．2 DBSCAN算法思路

4．2．3 改进的SMOTE算法

4．2．4 改进的SMOTE算法特点分析

4．3 本章小结

第5章 数据集的特征提取

5．1 数据观察

5．2 特征选择

5．2．1 过程数据特征的直接特征

5．2．2 过程数据特征的间接特征

5．3 特征向量降维

5．4 本章小结

第6章 提升树分类算法

6．1 Xgboost算法介绍及应用

6．1．1 Xgboost介绍

6．1．2 模型的参数选择及应用

6．2 Xgboost在生产工艺异常检测中的优势

6．3 本章小结

第7章 基于螺栓拧紧数据的案例分析

7．1 原始数据集分析

7．2 数据预处理

7．3 改进的SMOTE算法进行过采样

7．4 异常检测分类器的训练及在线应用研究

7．4．1 基于Xgboost的异常检测分类器训练

7．4．2 异常检测模型的在线应用研究

7．5 本章小结

8．1 结论

8．2 展望

参考文献

致谢

攻读学位期间发表的科研成果目录