基于特征融合的動態(tài)過程質量異常模式識別方法研究.pdf

1、隨著生產制造過程的日益自動化、連續(xù)化與復雜化，動態(tài)過程的質量異常模式識別與質量診斷引起了眾多學者的關注。質量異常模式識別的準確率主要取決于模式分類特征與分類器這兩個關鍵因素，從質量模式原始數(shù)據(jù)中所提取出的特征分量，不僅能夠有效地反映出質量模式的屬性與狀態(tài)，增強不同模式之間的區(qū)分度，還能夠在很大程度上減少數(shù)據(jù)的冗余性與繁雜性，已經成為提升質量模式識別精度的有效手段之一。然而，由于動態(tài)過程大數(shù)據(jù)的復雜性，任何一類異常模式，僅依靠單一類型的數(shù)

2、據(jù)特征難以獲得較高的識別精度。因此，如何針對動態(tài)數(shù)據(jù)流提取低維數(shù)且細節(jié)信息較強的特征數(shù)據(jù)，采用融合特征的方法以提高動態(tài)過程異常模式識別效率是亟待解決的問題。
　　本文在收集整理大量國內外研究文獻的基礎上，以模式識別和質量診斷為理論依據(jù)，將系統(tǒng)地研究基于特征融合的動態(tài)過程質量異常模式識別方法。首先，在國內外動態(tài)過程模式識別、特征提取方法與質量診斷研究綜述的基礎上，界定了動態(tài)過程的質量異常模式；隨后，提出了基于特征融合的動態(tài)過程質量異

3、常模式識別方法，并采用粒子群優(yōu)化算法尋找支持向量機最佳參數(shù)組合。最后，通過仿真實驗驗證了本文所提方法的有效性。研究結果表明：①本文所提出的基于特征融合優(yōu)化與多支持向量機的質量異常模式識別方法比傳統(tǒng)識別方法的效率更高；②通過粒子群優(yōu)化算法尋找支持向量機的最優(yōu)參數(shù)組合，并將融合約簡特征作為多支持向量機的輸入向量能夠獲得比其他識別模型更好的識別效果；③該模型利用粗糙集對串聯(lián)特征組合進行約簡，能夠降低特征的維數(shù)，并剔除冗余與無關特征，提升整個模

4、型的識別精度。
　　本文的研究特色與創(chuàng)新之處在于：①提出了基于融合特征的動態(tài)過程質量異常模式識別方法；②將粗糙集約簡方法應用于質量異常模式識別的特征組合融合優(yōu)化，消除對分類貢獻較小或是包含冗余信息的特征，進而得到便于進行分類的特征集合；③構建了多支持向量機作為質量異常模式識別的分類器，并利用粒子群算法尋找其最優(yōu)參數(shù)組合，實現(xiàn)了動態(tài)過程質量異常模式的識別。本文的研究克服了單一類型的數(shù)據(jù)特征僅用部分信息來反映動態(tài)過程運行狀態(tài)的缺陷，并