[發(fā)明專利]一種基于改進(jìn)FOA-SVM的生產(chǎn)物流預(yù)警信息多分類方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010596592.3
• 申請(qǐng)日: 2020-06-28
• 公開（公告）號(hào): CN111783866B
• 公開（公告）日: 2022-12-13
• 發(fā)明（設(shè)計(jì)）人: 梁曉慧;王璽;馬志華;張維;袁林;成小彬
• 申請(qǐng)（專利權(quán)）人: 中國(guó)電子科技集團(tuán)公司第二十研究所
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06Q50/04
• 代理公司: 西北工業(yè)大學(xué)專利中心 61204
• 代理人: 金鳳

1.一種基于改進(jìn)FOA-SVM的生產(chǎn)物流預(yù)警信息多分類方法方法，其特征在于包括下述步驟：

步驟1：生產(chǎn)物流系統(tǒng)歷史數(shù)據(jù)異常值、缺失值處理；

從生產(chǎn)部門進(jìn)行數(shù)據(jù)采集，得到的數(shù)據(jù)中刪除極端異常值，使用缺失位置數(shù)據(jù)前后觀測(cè)值均值或者用同類數(shù)據(jù)的均值對(duì)缺失值進(jìn)行補(bǔ)全；

步驟2：生產(chǎn)物流系統(tǒng)預(yù)警信息數(shù)據(jù)標(biāo)準(zhǔn)化處理；

生產(chǎn)物流系統(tǒng)預(yù)警信息經(jīng)過異常值和缺失值處理后，對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，對(duì)數(shù)據(jù)進(jìn)行z-score標(biāo)準(zhǔn)化處理；

z-score標(biāo)準(zhǔn)化公式為：

其中，x為樣本數(shù)據(jù)值，μ為樣本均值，σ為樣本標(biāo)準(zhǔn)差；

數(shù)據(jù)均值μ：

數(shù)據(jù)標(biāo)準(zhǔn)差σ：

步驟3：確定模型的輸入和輸出；

采用預(yù)處理過的生產(chǎn)物流系統(tǒng)預(yù)警信息分類樣本數(shù)據(jù)特征為SVM模型的輸入，包括器件采購(gòu)周期、采購(gòu)開始節(jié)點(diǎn)、采購(gòu)結(jié)束節(jié)點(diǎn)、零部件加工周期、零部件生產(chǎn)開始節(jié)點(diǎn)、零部件生產(chǎn)結(jié)束節(jié)點(diǎn)、工序加工時(shí)長(zhǎng)、工序加工開始節(jié)點(diǎn)、工序加工結(jié)束節(jié)點(diǎn)、外協(xié)件生產(chǎn)周期、外協(xié)件生產(chǎn)開始節(jié)點(diǎn)、外協(xié)件結(jié)束節(jié)點(diǎn)特征信息；以具體的生產(chǎn)物流系統(tǒng)預(yù)警信息類別作為SVM模型的輸出，包括器件采購(gòu)周期過長(zhǎng)，器件采購(gòu)未按計(jì)劃開始、器件采購(gòu)超期、零部件加工周期過長(zhǎng)、零部件生產(chǎn)未按計(jì)劃開始、零部件生產(chǎn)超期、工序加工時(shí)長(zhǎng)過長(zhǎng)、工序加工未按節(jié)點(diǎn)開始、工序加工超期、外協(xié)件生產(chǎn)周期過長(zhǎng)、外協(xié)生產(chǎn)未按計(jì)劃開始、外協(xié)生產(chǎn)超期類別；

步驟4：確定SVM多分類策略；

采用“一對(duì)多”策略對(duì)二分類SVM進(jìn)行拓展，構(gòu)建SVM多分類模型；根據(jù)預(yù)警信息分類目標(biāo)個(gè)數(shù)構(gòu)造K個(gè)SVM子分類器，且子分類器的數(shù)目與分類目標(biāo)類別數(shù)相同，在訓(xùn)練分類模型時(shí)，子分類器依次把生產(chǎn)物流系統(tǒng)預(yù)警信息樣本歸為一個(gè)目標(biāo)類別，根據(jù)所有子分類器的分類結(jié)果確定生產(chǎn)物流系統(tǒng)預(yù)警信息的具體類別；

步驟5：選擇核函數(shù)；

選用高斯徑向基核函數(shù)RBF得到更好的映射空間，RBF的表達(dá)式如下：

其中，x和y分別對(duì)應(yīng)原始數(shù)據(jù)特征和在映射空間中的特征，g為徑向基核寬參數(shù)；

步驟6：生產(chǎn)物流系統(tǒng)預(yù)警信息樣本數(shù)據(jù)劃分；

將生產(chǎn)物流系統(tǒng)預(yù)警信息樣本數(shù)據(jù)隨機(jī)分為訓(xùn)練集和驗(yàn)證集，訓(xùn)練集樣本數(shù)量應(yīng)不少于50％；

步驟7：SVM模型訓(xùn)練和參數(shù)優(yōu)化；

使用用訓(xùn)練集數(shù)據(jù)訓(xùn)練生產(chǎn)物流系統(tǒng)預(yù)警信息分類模型，在訓(xùn)練過程中使用改進(jìn)FOA算法對(duì)分類模型參數(shù)進(jìn)行優(yōu)化，最終得到最佳參數(shù)組合(C，g)并確定最終的預(yù)警信息分類識(shí)別模型；

步驟7.1：初始化改進(jìn)FOA參數(shù)，定義一個(gè)果蠅種群位于平面坐標(biāo)系中，初始化種群規(guī)模sizepop，最大迭代次數(shù)maxgen；

步驟7.2：確定果蠅個(gè)體位置坐標(biāo)；使用待優(yōu)化參數(shù)(C，g)隨機(jī)初始化種群位置為(C_axis，g_axis)，賦予果蠅個(gè)體隨機(jī)的運(yùn)動(dòng)方向和距離，生成種群中各個(gè)果蠅個(gè)體位置，種群中果蠅的只數(shù)為m，第i只果蠅的坐標(biāo)為：

其中，Random Value為隨機(jī)搜索距離；

步驟7.3：計(jì)算果蠅個(gè)體尋優(yōu)的適應(yīng)度值；

將訓(xùn)練數(shù)據(jù)導(dǎo)入SVM模型，計(jì)算模型準(zhǔn)確率accuracy，將模型準(zhǔn)確率作為果蠅尋優(yōu)的適應(yīng)度值Fitness(C,g)，根據(jù)適應(yīng)度值評(píng)價(jià)果蠅個(gè)體位置優(yōu)劣進(jìn)行評(píng)價(jià)；

Smell＝Fitness(C,g)＝accuracy(C,g) (6)

步驟7.4：尋找最優(yōu)果蠅個(gè)體；

求得種群中離食物位置最近的果蠅Fly，即求適應(yīng)度的極大值maxFitness對(duì)應(yīng)果蠅個(gè)體BestIndex：

步驟7.5：保存最佳味道濃度值；

將第一次執(zhí)行的最佳味道濃度值保存于Smellbest，同時(shí)保存對(duì)應(yīng)的C，g坐標(biāo)；

步驟7.6：確定誘導(dǎo)學(xué)習(xí)果蠅的平均位置坐標(biāo)；

對(duì)本代搜尋完成的果蠅味道適應(yīng)度值進(jìn)行排序，以僅次于最優(yōu)果蠅的兩個(gè)果蠅個(gè)體subBestIndex1和subBestIndex2作為誘導(dǎo)學(xué)習(xí)個(gè)體，分別計(jì)算其坐標(biāo)的位置并求算術(shù)平均值得到C_e，g_e；

步驟7.7：計(jì)算果蠅群體收斂方向的目標(biāo)位置；

利用公式(10)進(jìn)行更新果蠅種群位置：

在果蠅尋優(yōu)過程中引入一種學(xué)習(xí)因子η促使果蠅種群向精英果蠅個(gè)體學(xué)習(xí)，采取分?jǐn)?shù)衰減機(jī)制設(shè)置學(xué)習(xí)因子η；

η＝η₀/(1+c_f(T-1)) (11)

其中，η₀為初始學(xué)習(xí)因子，c_f為學(xué)習(xí)因子衰減幅度控制參數(shù)；

步驟7.8：迭代尋優(yōu)；

將本代的Bestsmell賦予preBestsmell后進(jìn)入迭代循環(huán)，重復(fù)執(zhí)行步驟7.3-步驟7.8，保存每代Smellbest值，當(dāng)達(dá)到maxgen的設(shè)定值時(shí)結(jié)束循環(huán)，獲得的最佳參數(shù)組合(C，g)：

步驟8：生產(chǎn)物流預(yù)警信息SVM模型驗(yàn)證；

根據(jù)獲得的最佳參數(shù)組合(C，g)確定后最終的分類模型，使用驗(yàn)證集數(shù)據(jù)對(duì)SVM分類模型進(jìn)行驗(yàn)證；

步驟9：生產(chǎn)物流系統(tǒng)預(yù)警信息識(shí)別；

針對(duì)生產(chǎn)物流系統(tǒng)新的預(yù)警信息，經(jīng)過數(shù)據(jù)預(yù)處理和特征提取后，輸入到SVM分類模型中，得到具體的信息分類結(jié)果，并根據(jù)信息分類結(jié)果對(duì)車間生產(chǎn)計(jì)劃進(jìn)行相應(yīng)的調(diào)整，同時(shí)將信息分類結(jié)果以及其對(duì)應(yīng)的具體特征、對(duì)應(yīng)環(huán)節(jié)、產(chǎn)生原因、實(shí)際影響、采取措施等信息進(jìn)行記錄，定期更新預(yù)警信息數(shù)據(jù)庫(kù)。