改进孪生神经网络的控制图模式识别方法.docxVIP

改进孪生神经网络的控制图模式识别方法 1 引 言 控制图是基于统计学原理，对生产过程中关键工序参数或产品质量特征观测值进行统计分析，判断制造系统是否处于稳定可控状态.当制造过程出现不稳定因素时，控制图便会产生异常波动，反映出制造系统中的异常因素.生产者根据控制图波动模式采取相应措施，消除生产过程中的异常因素，控制产品质量的稳定性.过去对控制图的识别依赖生产者的经验，难以实现对控制图模式的实时识别，有碍于智能制造产业的发展.随着机器学习和深度学习算法的兴起，对控制图异常模式识别不再依赖于传统的控制界限或人的经验，而是运用机器学习、深度学习等智能算法识别控制图的异常模式. 在机器学习领域，识别控制图异常模式的步骤为：特征提取、维数简约、分类器选择等.首先提取控制图包含的质量特征，主要包含统计特征、形状特征、小波分解特征等.再对质量特征进行融合，如统计特征与形状特征融合、统计特征与原始数据融合等.质量特征融合后，融合特征的维数较大，常利用PCA、KPCA、KECA、ICA等降维算法进行特征简约，最后使用支持向量机、极限学习机、随机森林等分类器对控制图特征进行识别.使用机器学习方法对控制图进行特征识别时需要人工提取质量特征，忽略了数据之间的关联性，容易出现过拟合. 由于深度学习对大数据具有很好的分类效果，且无需人工提取数据特征，能很好的运用特征之间的相关性对控制图进行模式识别.因此，卷积神经网络、迁移学习、脉冲神经网络等深度学习的方法也被运用于控制图的识别.深度学习虽然大样本数据集下有很好的识别性能，但是对样本量较小的情况识别精度低，不适用于小批量多品种生产过程中的控制图识别. 孪生网络是度量学习中的一个重要手段，通过度量样本之间的空间距离，识别出样本的分类，在数据量较少时，表现出良好的分类性能，常用于目标跟踪、文本分类、图片分类等方面.由于统计过程控制(Statistical Process Control，SPC)的应用在很大程度是对生产制造过程的稳定性进行监控，使得异常控制图样本较少，异常模式较多，深度学习的方法难以准确识别异常控制图.针对上述问题，本文提出的基于PCSNN的控制图异常模式识别模型，通过度量控制图样本的空间距离，衡量控制图样本间的相识性，从而实现对控制图的异常模式识别.随着生产制造过程的持续，影响生产过程稳定性的异常因素增多，控制图异常模式的样本量也随之增多，PCSNN模型的识别率也优于其他深度学习方法；同时，在生产制造过程中，产品品种的改变会引发控制图特征参数变动，在此情况下，PCSNN模型也能较好的识别出控制图的异常模式. 2 控制图的基本模式 控制图的基本模式由美国西部电气公司首先提出，共有8种，如图1所示，分别为正常模式(Normal,NOR)、循环模式(Cyclic,CYC)、上升趋势(Uptrend,UT)、下降趋势(Downtrend,DT)、向上阶跃(Upward Shift,US)、向下阶跃(Downward Shift,DS)、系统模式(Systematic,SYS)、分层模式(Stratification,STR).控制图的异常模式，有着各自的表现形式，并代表着生产过程的不稳定状态与各种异常因素.控制图的基本模式在生产过程中可用公式(1)进行描述： 图1 控制图基本模式 Fig.1 Basic patterns of control chart x(t)=μ+d(t)+r(t) (1) 式中，x(t)是t时刻控制图的观测值；μ是产品质量特征的平均值；d(t)是制造系统中的异常因素所引发的异常模式，当制造系统处于稳定状态时，则认为d(t)为0；r(t)是制造系统中正常的随机波动，制造过程处于稳定可控状态时，r(t)服从正态分布. 3 孪生神经网络 孪生神经网络是一种非线性的相似性度量[16]方法，通过使用人工神经网络提取样本特征，并度量样本特征之间的相似概率，对多分类的小样本数据集进行分类.本文构建的PCSNN孪生网络模型如图2所示.先从训练集中抽取两个样本，构建样本对(x1,x2)，分别将样本对中的样本x1,x2作为PCSNN的分支网络感知器-卷积神经网络(Perceptron-Convolutional Neural Network, PCNN)的输入，经过PCNN提取样本特征向量通过度量样本特征的空间距离获取样本相似概率从而判断样本x1与x2是否属于同一类别，输出分类结果1/0.PCSNN的分支网络所采用同一种神经网络，其结构相同，权值共享，因此，孪生神经网络使用较少的参数，就能获得较好的分类结果. 图2 基于PCNN的孪生网络 Fig.2 Siamese network based on PCNN 3.1 One-Shot K-Way分类 要识别一个新样本首先以N个训练集为基础，如公式