基于多主元特征与支持向量机的动态过程质量异常监控模型

为简化多支持向量机识别模型的计算复杂度、提高动态过程质量异常模式的识别精度,提出一种基于多主元特征与支持向量机相结合的动态过程异常监控模型。利用主元分析方法对动态数据进行特征提取,将所提取的不同主元特征作为支持向量机分类器的输入对模型进行训练。将识别效率高的主元特征对应的转换矩阵与多支持向量机相结合,构建了基于多主元特征的多支持向量机识别模型,对质量异常模式进行识别。仿真实验表明,所提基于多主元分析支持向量机识别模型的识别精度比传统基于主元特征或其他特征提取方法的识别模型有显著提高,且训练所需时间大大减少。     

基于MSVM的多品种小批量动态过程在线质量智能诊断

提出了基于多分类支持向量机(MSVM)的多品种、小批量动态过程在线质量智能诊断方法。离线训练时,提取异常模式仿真数据的小波重构特征,对 MSVM识别和估计模型进行训练和测试,同时建立异常因素诊断库;在线诊断时,对“监控窗口”数据特征的过程模式及参数进行识别与估计,而后利用异常因素诊断库实现对多品种、小批量动态过程实时在线智能诊断。某精密轴加工过程实例验证了该智能诊断方法的有效性。     

基于优化有向无环图支持向量机的多变量过程均值异常识别

针对多变量过程均值异常模式类型数量太大、一般模式识别工具难以适应的问题,提出优化有向无环图支持向量机.该方法识别效率高,并通过启发式方法生成优化的拓扑结构,即先根据定义在核空间的模式类型平均差异测度对类型编号排序,再依序提取对应两分类支持向量机组成有向无环图结构,使越易区分类型间的支持向量机越靠上层布置,由此缓解分类误差累积效应和弥补上层出现类型分类容错能力的不足,保证相对较高的总体分类准确度.仿真实验表明,优化有向无环图支持向量机用于多变量过程均值异常模式的识别相比其他几种多分类支持向量机在识别精度和效率上具有综合优势.基于优化有向无环图支持向量机构建了多变量过程均值异常识别模型,并在实际齿轮生产中进行了应用实验,验证了模型的有效性和实用性.     

基于支持向量机的控制图在线检测和分析系统的研究

针对控制图在线检测和分析的要求，提出了系统基本框架。利用一对一算法的多类分类支持向量机进行控制图模式识别和异常模式下参数估计。在模型构造中，采用混合核函数，并利用遗传算法优化混合核函数支持向量机参数。仿真结果和实际应用表明：该方法结构简单、收敛速度快，识别准确率高，能够满足控制图在线检测和分析的需要。     

基于小波分析和SVM的控制图模式识别

为提高控制图模式尤其是混合控制图模式的识别精度,提出了基于小波分析和支持向量机(SVM)的控制图模式识别方法。该方法通过对工序质量特征数据进行小波包分解,提取低频逼近序列和各频带能量信息,并以此作为SVM分类器的输入,分别识别控制图模式中的趋势信号、阶跃信号和周期信号,最后通过合并这些信号以确定控制图的模式。通过仿真实验的验证,表明该方法相比传统的控制图模式识别方法,具有较好的识别精度。     

基于主元分析的SVM动态过程质量异常模式识别

质量异常模式识别是实现生产动态过程在线质量监控与诊断的关键。针对现有质量异常模式识别在实际应用中存在的计算复杂和识别精度不高等问题,提出了一种基于主元分析的SVM动态过程质量异常模式识别的方法。运用PCA技术对原始样本数据进行特征提取,有效去除原始数据中的噪音并降低数据维数;在特征提取的基础上,将主元特征向量作为SVM分类器的输入向量,进而利用粒子群寻优方法实现了对分类器参数优化选取,并进一步训练得到支持向量机分类器。最后,使用优化后的分类器对质量异常模式进行识别。仿真实验结果表明,该方法整体识别精度达到97.5%,适用于生产过程的质量监控和诊断。     

基于粗糙集与支持向量机的加工过程异常检测

为提高加工过程异常模式检测的自动化程度,在建立控制图数学描述的基础上,利用蒙特卡洛法构建了控制图数据集,研究了基于邻域粗糙集的控制图时域特征约简方法,提出了基于支持向量机的控制图异常模式识别模型。通过仿真实验,使用遗传算法优化了异常识别模型的主要参数,并对不同核函数、不同分类模型的识别精度进行了分析与对比。通过实际生产数据测试验证了所构建模型的有效性与可用性。     

模式识别在机械自动化制造过程中的质量监控

为降低机械自动化制造过程中的废品率,提出模式识别在机械自动化制造过程中的质量监控方法,监控自动化制造过程中的产品质量,提高对产品质量的识别精准度。基于机械自动化制造过程中的质量检测环节,创建机械自动化制造过程中的产品质量监控流程。采用数字化测量仪采集机械自动化制造生产线质量数据,创建 SPC 控制图。基于 SPC 控制图模式识别的质量监控方法,将 k-means 算法与粒子群算法相结合,利用改进 k-means 算法获取控制图模式产品质量数据集聚类中心,结合欧氏距离,提取 SPC 控制图距离特征。将其输入多分类的支持向量机中,识别机械自动化制造过程中的产品质量控制图模式类型,诊断异常因素,并采取相应调控措施,实现机械自动化制造过程中的质量监控。实验表明:该方法可有效提高控制图的识别精准度,缩短训练与测试时间;并有效监控机械自动化制造过程中的产品质量。     

基于SVM和遗传算法的装甲车齿轮箱故障模式识别

装甲车齿轮箱故障会严重影响装甲车的稳定运行,对故障进行模式识别是实现智能诊断的关键。基于支持向量机的齿轮箱故障诊断模型中参数C和σ对齿轮箱模型分类识别性能有很大的影响,利用遗传算法对这2个重要参数进行优化可明显提高模型的分类识别性能。试验信号和实测信号应用结果表明,采用该参数优化模型提高了支持向量机的分类的正确率。该方法的应用为实现齿轮箱轴承故障的模式识别和智能诊断提供了帮助。     

基于图像处理和支持向量机的玉米病害识别

应用计算机图像处理技术和支持向量机分类方法研究了玉米叶部病害的识别,以提高识别的准确性和效率.对采集到的玉米病害彩色图像采用矢量中值滤波法去除噪声,然后提取基于色度的玉米病害图像的彩色纹理特征,并用支持向量靠机的模式识别方法来识别玉米病害.实验结果表明该模型对3种玉米病害的平均正确识别率为87.5%,即使在分类样本较少时,也具有良好的分类能力和泛化能力,适合于玉米病害的分类.