[發明專利]基于支持向量機和遺傳優化的多元質量過程失控信號診斷方法

無效

• 申請號: 201310142571.4
• 申請日: 2013-04-23
• 公開（公告）號: CN103268517A
• 公開（公告）日: 2013-08-28
• 發明（設計）人: 李太福;胡勝;葛繼科;易軍;周偉;姚立忠
• 申請（專利權）人: 重慶科技學院
• 主分類號: G06N3/12
• 分類號: G06N3/12;G06K9/62
• 代理公司: 重慶為信知識產權代理事務所(普通合伙) 50216
• 代理人: 余錦曦

技術領域

本發明屬于質量工程技術領域，具體涉及一種基于支持向量機和遺傳優化多元質量過程失控信號診斷方法。

背景技術

在多變量工業生產過程中，當T²控制圖發出報警信號時，并不能告知具體哪個變量或是變量的組合失控。目前，多變量異常信號的診斷問題已經成為多變量過程控制中的研究熱點。Hotelling最先認識到單變量控制圖容易忽略變量之間的相關性，并提出了監控多元質量特性的Hotelling統計量。近年來，基于數據挖掘的多元過程質量診斷方法得到了深入的研究。文獻[1](杜福洲,唐曉青.基于PCA的多元質量控制與診斷方法研究.制造業自動化,2006(8):10-18.)給出了基于PCA的多元質量控制與診斷方法，提出了一個過程模型，有效地降低了過程受控變量的維數，并且消除了變量之間共線性所帶來的困難。但由于每個主成分可能包含多個原始變量，因而異常值很難解釋到原始變量。文獻[2](J.-b.Yu,L.-f.Xi,“A?neural?network?ensemble-based?model?for?on-line?monitoring?and?diagnosis?of?out-of-control?signals?in?multivariate?manufacturing?processes,”Expert?Systems?with?Applications,vol.36,pp:909-921,2009.)采用離散粒子群優化算法和神經網絡來監控二元過程的失控信號，取得不錯的效果。文獻[3](Chuen-Sheng?Cheng,Pei-Wen?Chen?and?Kuo-Ko?Huang,“Estimating?the?shift?size?in?the?process?mean?with?support?vector?regression?and?neural?networks,”Expert?Systems?with?Applications,vol.38,pp:10624-10630,2011.)采用支持向量機進行訓練，使用訓練好的支持向量機模型來預測異常過程的均值偏移幅值。作為一種新興的學習機器，SVM還存在有待完善的地方。其參數選取便是亟待解決的問題之一，懲罰因子C、核函數g以及核函數參數取值的好壞直接影響分類器的識別精度和效率。

發明內容

為了克服以上不足，考慮到遺傳算法(Genetic?Algorithm,GA)是一種基于群體的智能尋優算法，具有很強魯棒性，隱含并行性和全局搜索特性等優點。鑒于此，本發明首次使用支持向量機和遺傳算法來進行多元質量過程失控信號診斷。利用遺傳算法搜索出的最優的支持向量機模型，以此來進行質量診斷，避免了參數選擇的盲目性和不準確性，同時提高了診斷準確率。

本發明的技術方案如下：一種基于支持向量機和遺傳優化的多元質量過程失控信號診斷方法，其關鍵在于按如下步驟進行：

步驟一：根據多元過程的均值維數確定可能導致多元質量過程異常的信號類型，即確定分類器模型的結構；對于一個P維工序過程，其每個變量有正常和異常兩種狀態，共有2^p種可能的情況，一旦T²控制圖發現過程異常，其異常情況一定屬于(2^p-1)種異常狀態之一，將這(2^p-1)種不同的異常狀態看成是(2^p-1)種需要加以識別的異常模式，則多元過程的質量診斷問題就是一個多類型的模式識別問題。

針對一個P維工序過程，設變量x₁,x₂,…,x_p構成一個系統，對此系統可應用多元T²控制圖進行監控。其特征參數如下：

（1）μ_i,i=1,2,…,p；

（2）σ_i,i=1,2,…,p；

（3）S_ij,i≠j,i,j=1,2,…,p.

若所有上述參數全部異常，當然系統異常。但若在上述參數中只有部分參數異常，其余正常，則如何判異常？因此，與一元控制圖的判異不同，多元控制圖的判異必須從整個系統出發，應用一個綜合評價指標對整個系統進行總評價。T²控制圖的統計量T²值就是一個評價整個系統的科學的總評價值。