网络化制造资源状态估计研究——基于主成分分析（PCA）和加权支持向量机（WSVM）.pdfVIP

第26卷 第2期 郑州航空工业管理学 院学报 Vo1．26 No．2 2008年4月 Journal of Zhengzhou Institute of Aeronautical Industry Management Apr．2008 网络化制造资源状态估计研究 — — 基于主成分分析(PCA)和加权支持向量机(WSVM) 焦合军 ，施进发 ，李济顺 (1．河南科技大学机电工程学院，河南 洛阳 471003；2．郑州航空工业管理学院，河南 郑州 450015) 摘 要：针对网络化制造资源配置受多因素影响，变化趋势复杂，难以用单一预测方法进 行有效预测的问题，提出一种新的基于主成分分析和加权支持向量机的智能混合预测模型。 模型首先使用主成分分析弱化数据序列波动性，然后借助加权支持向量机在处理小样本和模 糊神经系统处理非线性模糊信息的优点，进行趋势预测。研究结果表明，所提出的模型能有效 地提高状态估计方案的可行性，为网络化制造资源状态估计的在线实施提供了方便。 关键词：主成分分析；加权支持向量机；网络化制造；资源状态估计 中图分类号：TH116 文献标识码：A 文章编号：1007—9734(2008)02—0078—03 在网络化制造环境中，如果能用某种方法对 者提出一种基于主成分分析和加权支持向量机 资源状态的发生和改变进行有效的预测，在故障 相结合的网络化制造资源状态估计方法。该方 发生的初始阶段或萌芽时期就采取必要的防护 法首先对工序中的初始样本数据进行PCA变换， 措施，而不是在故障发生以后再去处理事故，那 消除数据间的相关性，有效地降低其维数，突出 将是一件十分有意义的事情 。然而网络化制造 了主要特征信息。再根据过程数据特征的分布 系统是一个受到随机性、时变性、分散性等众多 特点，有针对性地设计适合制造资源状态估计的 因素影响的复杂系统，用常规的数学方法来建立 多分类WSVM结构进行函数估计。 模型，不仅工作量大，而且精度也难以保证。 一 、 主成分分析和加权支持向量机的基本原 网络化制造是企业在有限资源条件下为了 理 应对经济全球化、信息和服务网络化的挑战而采 取的一种先进制造模式。传统的网络化制造资 1．主成分分析算法 源状态估计方法有：灰色系统、神经模糊系统、遗 主成分分析是将研究对象的多个相关变量 传算法等，支持向量机(Support Vector Machines， 转化为少数几个相互独立的综合变量的一种多 SVM)建立在V．Vapnik提出的统计学习理论的 元统计方法，可用于在模式矢量空间中选择模式 VC维理论和结构风险最小原理的基础上②，突破 特征子空间。设 为多个相关变量(i=1，2，…， 了线性判别模型的限制，具有出色的学习性能和 P)，每一个分量均值为0，即E( )=0，各个主元 检测性能，较好地解决了小样本、局部最优点、非 向量是互相正交的，各个负荷向量之间也是正交 线性等实际问题，已在模式识别、函数估计、图像 的，同时每个负荷向量的长度都是1，E为噪声矩 处理等领域得到了应用。加权支持向量机 阵。总体X=( 。， ：，…， 。) 为P维随机矢量。 (Weighted SVM，WSVM)采用给不同类别的样本 对矩阵进行PCA变化，等同于分析 的特征值 设置一定比例关系的权值，有效地补偿了类别大 问题。其中 表示多个相关变