基于主元分析的svm动态过程质量异常模式识别.docVIP

基于主元分析的SVM动态过程质量异常模式识别 刘玉敏1，张帅1 (1.郑州大学商学院，河南 郑州 450001；) 摘要：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。 关键词：动态过程；模式识别；主元分析；支持向量机；粒子群算法 中图分类号：TP274+.3 文献标识码：A Quality abnormal pattern recognition for dynamic process based on principal component analysis and SVM Yumin Liu收稿日期：2013-12-16资助项目：国家自然科学基金项目 收稿日期：2013-12-16 资助项目：国家自然科学基金项目 61271146) 作者简介：刘玉敏（1956—）女，汉，河南濮阳人，博士，教授，博士生导师，研究方向：质量控制，质量智能诊断等，电子邮箱：yuminliu@zzu.edu.cn. (1.Business School of Zhengzhou University, Zhengzhou 450001, Henan, China) Abstract: Quality abnormal pattern recognition for dynamic process is the key problem to achieve the online quality control and diagnose of automatic production. In the practical applications, there are some existing problems such as computational complexity and low recognition accuracy. A recognition method for quality abnormal pattern of dynamic process with PCA-SVM was proposed. This paper proposes a feature selection technique that employs a principal component analysis, to avoid this information loss. Then, the extracted features were treated as input vector for SVM classifier, following a particle swarm optimization algorithm is proposed to improve the generalization performance of the recognizer. Simulation results show that the proposed algorithm has very high recognition accuracy reached 97.5%. It is significant for quality monitoring and diagnosis in manufacture dynamic process. Key words: Dynamic process；Pattern recognition；Principal component analysis; Support vector machine; Particle swarm optimization 0 引言 现代工业不断向复杂化和连续化方向发展，自动化生产及加工过程会产生大量的实时动态数据。随着信息技术的进步，对动态数据实时采集进而实现质量监控已成为可能。以控制图为代表的传统质量监控方法在对动态过程监控中无法有效利用实时数据，因此，基于人工智能的动态过程质量异常模式识别方法引起了愈来愈多学者的关注。而如何有效地提高智能监控的识别精度以及减少模型计算复杂度是动态过程质量诊断的核心问题[1-2]。 目前