基于神經(jīng)網(wǎng)絡(luò)的控制圖模式識別.pdf

1、日益激烈的市場競爭和日趨復(fù)雜的生產(chǎn)過程，促進了企業(yè)將信息技術(shù)、計算機技術(shù)、智能控制等先進技術(shù)引入生產(chǎn)過程控制之中，為企業(yè)實現(xiàn)現(xiàn)代化質(zhì)量管理與質(zhì)量保證奠定了基礎(chǔ)。隨著計算機集成技術(shù)，數(shù)據(jù)采集技術(shù)的發(fā)展，統(tǒng)計過程控制已經(jīng)成為自動化領(lǐng)域的一個重要的發(fā)展方向。 本文首先簡介了在質(zhì)量控制系統(tǒng)中的過程定義及控制圖，闡明了控制系統(tǒng)中過程控制的復(fù)雜性。統(tǒng)計過程控制的基本元素是控制圖，控制圖的自動識別是統(tǒng)計過程自動控制的前提條件。研究的主要內(nèi)容包

2、括以下幾個方面： (1)研究了基本的BP網(wǎng)絡(luò)理論和其基本的缺陷，闡述了幾種改進的BP算法。提出了一種復(fù)合型神經(jīng)網(wǎng)絡(luò)解決控制圖識別問題，它具有較強的網(wǎng)絡(luò)適用范圍及精度。通過仿真實驗對比，結(jié)果表明其識別準(zhǔn)確率高，并可同時用于識別多個復(fù)雜的不同模式。 (2)研究了基于尺度化共扼梯度算法的質(zhì)量控制圖模式識別方法，同時引入了頻譜分析來近一步加強識別精度，比單純通過神經(jīng)網(wǎng)絡(luò)來識別提高了一個檔次。所提出的模型能夠識別出基本的六種控制圖

3、模式，包括正常模式、上升趨勢模式、下降趨勢模式、上升階躍模式、下降階躍模式和周期模式。仿真結(jié)果表明所構(gòu)建的復(fù)合神經(jīng)網(wǎng)絡(luò)模型具有收斂速度快、識別精度高、容錯能力強的特點。 各種控制圖參數(shù)的識別為統(tǒng)計過程控制自動化系統(tǒng)的診斷提供了定量分析的依據(jù)，所建立的神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)可以識別趨勢模式的傾斜度，階躍模式的幅值以及周期模式的幅值與周期長度。論文研究了在MATLAB、VB、VC語言環(huán)境下質(zhì)量控制圖自動識別系統(tǒng)。通過開發(fā)系統(tǒng)的人機界面，用戶可