CN107346122A - 改进模糊支持向量机的制造过程多元质量诊断分类器 - Google Patents
改进模糊支持向量机的制造过程多元质量诊断分类器 Download PDFInfo
- Publication number
- CN107346122A CN107346122A CN201710396107.6A CN201710396107A CN107346122A CN 107346122 A CN107346122 A CN 107346122A CN 201710396107 A CN201710396107 A CN 201710396107A CN 107346122 A CN107346122 A CN 107346122A
- Authority
- CN
- China
- Prior art keywords
- quality
- control
- manufacturing process
- vector machine
- support vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4083—Adapting programme, configuration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/35—Nc in input of data, input till input file format
- G05B2219/35356—Data handling
Landscapes
- Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
改进模糊支持向量机的制造过程多元质量诊断分类器,收集制造过程中质量特性的原始数据,进行数据预处理,应用混合算法对关键工序的多元质量特性进行过程分析,根据控制图记录的数据判稳以及是否出现异常现象,应用改进模糊支持向量机方法查找出过程异常源所在,为了使分类结果更加准确,目标函数中增添了隶属度因子以及中心点、边界点修正。本发明过程能力系数条件严谨、判定状态准确,算法复杂度低,处理的时间快,综合了多元质量、误判因子、主成分因子,适用性更强,参数处理规范,数据处理完善,降低了误判概率,解决了数据偏置、单位不统一的问题,可以实现异常诊断技术。
Description
技术领域
本发明涉及机械产品加工制造过程质量诊断技术领域,具体涉及一种改进模糊支持向量机的制造过程多元质量诊断分类器。
背景技术
现代制造过程是多变量高度相关的,对这类生产过程的过程监控称为多元质量控制(MQC)或者多元统计过程控制(MSPC)。寻找失控原因的过程被称为MSPC诊断或异常识别。主要有两类方法:一是统计分解技术;二是基于机器学习的技术。主流分解技术包括了主成分分析(PCA),特征空间比较法,MTY方法、步降方法、多向核主成分分析方法。然而,这些方法通常都包含了复杂统计过程,不利于应用。随着计算机技术的发展,机器学习成为这一领域的研究热点。人工神经网络(ANN)和决策树(DT)算法已经被应用于MSPC领域。生产过程的质量特性一般具有两个可能引起波动的分量。一个是由于过程本身的原因而必然存在的较稳定的分量,另一个则是由于异常原因而造成的间断性的分量。通常情况下,第二类波动(间断分量)能够通过一些方法加以监控,从而得到发现和规避,而第一类波动是过程进行时必然存在的,是不可能被消除的。控制图的作用就是可以把正常波动和异常波动区分开来。基于上述需求,本发明提供了改进模糊支持向量机的制造过程多元质量诊断分类器。
发明内容
针对多元控制图在多元过程监控和异常诊断中的不足,本发明提供了一种改进模糊支持向量机的制造过程多元质量诊断分类器。
为了解决上述问题,本发明是通过以下技术方案实现的:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算。
步骤2:对关键工序的多元质量特性进行过程分析;
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象;
步骤4:根据识别结果,应用改进模糊支持向量机方法查找出过程异常源所在;
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;
步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
本发明有益效果是:
1、过程能力系数条件更严谨,判定状态结果更加准确。
2、算法复杂度低,处理的时间短,得到了较好的结果准确度。
3、为后续制造过程诊断技术奠定了较好的基础。
4、考虑了质量间的多元特性,算法适应性更强,更符合实际的应用。
5、参数因子处理的更加规范合理,得到的值更符合经验判定的结果。
6、考虑了误判因子、又结合主成分分析方法,结果准确度得到的进一步提升。
7、数据处理更完善,减低了误判的概率。
8、解决了数据的偏置、单位不统一的问题。
9、可以实现异常诊断技术。
附图说明
图1制造过程控制与诊断技术的结构流程图
图2本发明车间数据采集方案图
图3二维过程修正的规格区域与实际分布区域示例图
具体实施方式
为了解决多元控制图在多元过程监控和异常诊断中的不足,结合图1-图3对本发明进行了详细说明,其具体实施步骤如下:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算,其具体计算过程如下:
在生产过程中,当工序不存在系统性误差时,产品的质量特性值X符合正态分布;由于多元质量特性值得单位不统一,数值大小差距也较大,需对数据做进一步处理;
生产过程正常运行收集的数据矩阵为Xn×m,n为样本的个数,m为样本质量属性个数。
上式Xn×i为第n个样本第i种质量属性值,μi为第i种质量属性均值,σi第i种质量属性标准差。
对预处理后的数据X′n×i,进行比重计算如下:
假设m维正态分布Nm(μ,∑),即Xm~Nm(μ,∑),其中μ为总体均值向量,∑为协方差矩阵,由于∑m×m为对称矩阵,因此存在对称矩阵P,使得
其中λ1,λ2,…,λm为协方差矩阵的特征值,其满足(λ1,λ2,…,λm)>0,即m维多元质量的权重分配可以表示为下式:
取前k个主元的累计贡献率达到80%以上,即贡献率为W:
则主元模型为
分别为k个主元质量的属性向量,E为误差。
步骤2:对关键工序的多元质量特性进行过程分析,其具体计算过程如下:
这里主要对步骤1中E的计算和估计;
X∈N(μ,σ2),其中X是质量特性值,μ是总体均值,σ2是总体方差。当质量特性值服从正态分布时,其均值也服从正态分布,其中,n为样本容量。依照正态分布的特性,则
P(μ-3σ<X<μ+3σ)=99.73%
即,无论μ和σ取何值,X落在之间的概率是99.73%,也就是说,落在这个分布范围之外的概率只有0.27%。
对于过程修正的规格区域是一个椭球体,其体积计算公式为:
Ui、Li分别为控制图上第i元质量因子的上下限。
多元过程在(1-α)置信度下实际分布区域的椭球体为:
|∑|为多元质量因子的协方差行列式。
设其修正系数为k;
ε=[(M1-μ1)2+(M2-μ2)2+…+(Mt-μt)2]1/2
Mi、μi分别为规格图、和实际过程的均值位置,ε为t维均值差值。
另一影响因子为(Uj、Lj)为规格上下限的交点。
即
综上所述,表征过程能力函数如下:
为了完善上式的结果,这里整合下面的方法,具体过程如下:
错判误差的概率分为两类,一是受控状态判为失控状态,概率即为P1,二是失控状态判为受控状态,概率即为P2。
样本X,当处于受控状态时。设其分布为正态分布X∈N(μ,σ2);过程处于失控状态时,其分布发生了变化,变化后的分布函数为F(x)。
记控制图的上、下控制限分别为U、L;
P1=2(1-Φ(λ))
P2=F(U)-F(L)
总误差概率为P1+P2
上式Φ(λ)为标准正态分布的分布函数在点λ处的值,λ为控制图中实际参数,这个具体情况可以具体确定。
一元修正系数k′:
β1、β2分别为中心距离差值|λ-μ|、误判概率的权重分配值,这里β1+β2=1,(β1,β2)>0。
表征过程能力函数CP:
CP=min(CPU,CPL)
多元表征过程能力函数MC′P:
表征E
E=|MCp-MC′P|
根据X′主模型即可提取制造过程质量异常的主特征。
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象,其具体描述如下:
如果过程处于非统计过程受控状态时用样本点建立的控制图控制后续的生产过程,不仅起不到良好的控制效果,反而会给企业带来错误的预报,给企业造成损失。
步骤4:根据识别结果,应用改进模糊支持向量机方法查找出过程异常源所在,其具体计算过程如下:
设训练集为
S={(xi,yi,fi)|xi∈X=Rm,yi∈{-1,1},ε≤fi≤1,i=1,2,…,n}
此时它所对应的优化问题为:
隶属度函数fi的确定:为了便于分类,这里引入了核函数
中心点的确定x0:
找到离最小的那个点xi=x0
边界点的确定xb:当边界点的个数则
r、,r1、r2、t均为预设参数。
应用上式优化函数,即可找到最优的超平面将训练样本归类,进而可以对测试样本归类,这样就构成了一个分类器。
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;
步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
Claims (2)
1.改进模糊支持向量机的制造过程多元质量诊断分类器,本发明涉及机械产品加工制造过程质量控制技术领域,具体涉及一种改进模糊支持向量机的制造过程多元质量诊断分类器,其特征是,包括如下步骤:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算,其具体计算过程如下:
在生产过程中,当工序不存在系统性误差时,产品的质量特性值符合正态分布;由于多元质量特性值得单位不统一,数值大小差距也较大,需对数据做进一步处理;
生产过程正常运行收集的数据矩阵为,为样本的个数,为样本质量属性个数
上式为第个样本第种质量属性值,为第种质量属性均值,第种质量属性标准差
对预处理后的数据, 进行比重计算如下:
假设维正态分布,即,其中为总体均值向量,为协方差矩阵,由于为对称矩阵,因此存在对称矩阵,使得
其中为协方差矩阵的特征值,其满足,即维多元质量的权重分配可以表示为下式:
取前个主元的累计贡献率达到80%以上,即贡献率为:
则主元模型为
分别为个主元质量的属性向量,为误差
步骤2:对关键工序的多元质量特性进行过程分析,其具体计算过程如下:
这里主要对步骤1中的计算和估计;
,其中是质量特性值,是总体均值,是总体方差,当质量特性值服从正态分布时,其均值也服从正态分布,其中,n为样本容量,依照正态分布的特性,则
即,无论和取何值,落在之间的概率是,也就是说,落在这个分布范围之外的概率只有
对于过程修正的规格区域是一个椭球体,其体积计算公式为:
、分别为控制图上第元质量因子的上下限
多元过程在置信度下实际分布区域的椭球体为:
为多元质量因子的协方差行列式
设其修正系数为;
、分别为规格图、和实际过程的均值位置,为t维均值差值
另一影响因子为,为规格上下限的交点
即
综上所述,表征过程能力函数如下:
为了完善上式的结果,这里整合下面的方法,具体过程如下:
错判误差的概率分为两类,一是受控状态判为失控状态,概率即为,二是失控状态判为受控状态,概率即为
样本,当处于受控状态时,设其分布为正态分布;过程处于失控状态时,其分布发生了变化,变化后的分布函数为
记控制图的上、下控制限分别为 、;
总误差概率为
上式为标准正态分布的分布函数在点处的值,为控制图中实际参数,这个具体情况可以具体确定
一元修正系数:
、分别为中心距离差值、误判概率的权重分配值,这里,
表征过程能力函数:
多元表征过程能力函数:
表征
根据模型即可提取制造过程质量异常的主特征
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象,其具体描述如下:
如果过程处于非统计过程受控状态时用样本点建立的控制图控制后续的生产过程,不仅起不到良好的控制效果,反而会给企业带来错误的预报,给企业造成损失
步骤4:根据识别结果,应用改进模糊支持向量机方法查找出过程异常源所在;
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
2.根据权利要求1中所述的改进模糊支持向量机的制造过程多元质量诊断分类器,其特征是,以上所述步骤4中的具体计算过程如下:
步骤4:根据识别结果,应用改进模糊支持向量机方法查找出过程异常源所在,其具体计算过程如下:
设训练集为
此时它所对应的优化问题为:
隶属度函数的确定:为了便于分类,这里引入了核函数
中心点的确定:
找到离最小的那个点
边界点的确定:当边界点的个数,则
、、、均为预设参数
应用上式优化函数,即可找到最优的超平面将训练样本归类,进而可以对测试样本归类,这样就构成了一个分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710396107.6A CN107346122A (zh) | 2017-05-27 | 2017-05-27 | 改进模糊支持向量机的制造过程多元质量诊断分类器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710396107.6A CN107346122A (zh) | 2017-05-27 | 2017-05-27 | 改进模糊支持向量机的制造过程多元质量诊断分类器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107346122A true CN107346122A (zh) | 2017-11-14 |
Family
ID=60254415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710396107.6A Pending CN107346122A (zh) | 2017-05-27 | 2017-05-27 | 改进模糊支持向量机的制造过程多元质量诊断分类器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107346122A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN111523662A (zh) * | 2020-04-22 | 2020-08-11 | 北京航空航天大学 | 基于adaline神经网络的动态过程控制限确定方法及设备 |
CN113341888A (zh) * | 2021-04-06 | 2021-09-03 | 普赛微科技(杭州)有限公司 | 一种多变量工艺过程控制的方法 |
CN113642261A (zh) * | 2021-10-15 | 2021-11-12 | 南京信息工程大学 | 一种电离层tec扰动判定方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268517A (zh) * | 2013-04-23 | 2013-08-28 | 重庆科技学院 | 基于支持向量机和遗传优化的多元质量过程失控信号诊断方法 |
CN104268350A (zh) * | 2014-09-30 | 2015-01-07 | 中国西电电气股份有限公司 | 一种仿真预测和实际生产相集成的闭环质量控制仿真方法 |
CN104360677A (zh) * | 2014-12-18 | 2015-02-18 | 厦门烟草工业有限责任公司 | 一种卷烟加工过程质量评价与诊断方法 |
CN104700200A (zh) * | 2014-12-18 | 2015-06-10 | 西安交通大学 | 一种面向数字化车间的产品多元质量监控方法 |
-
2017
- 2017-05-27 CN CN201710396107.6A patent/CN107346122A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268517A (zh) * | 2013-04-23 | 2013-08-28 | 重庆科技学院 | 基于支持向量机和遗传优化的多元质量过程失控信号诊断方法 |
CN104268350A (zh) * | 2014-09-30 | 2015-01-07 | 中国西电电气股份有限公司 | 一种仿真预测和实际生产相集成的闭环质量控制仿真方法 |
CN104360677A (zh) * | 2014-12-18 | 2015-02-18 | 厦门烟草工业有限责任公司 | 一种卷烟加工过程质量评价与诊断方法 |
CN104700200A (zh) * | 2014-12-18 | 2015-06-10 | 西安交通大学 | 一种面向数字化车间的产品多元质量监控方法 |
Non-Patent Citations (3)
Title |
---|
肖承杭: "《基于决策树的多元过程控制与异常识别方法研究》", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
赵凯: "《多元制造过程能力分析及质量诊断》", 《中国博士学位论文全文数据库 工程科技II辑》 * |
马义中: "《减小和控制多元质量特性波动的理论和方法》", 《中国优秀博硕士学位论文全文数据库(博士) 工程科技II辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109932908A (zh) * | 2019-03-20 | 2019-06-25 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN109932908B (zh) * | 2019-03-20 | 2022-03-01 | 杭州电子科技大学 | 一种基于报警信度融合的多向主元分析过程监测方法 |
CN111523662A (zh) * | 2020-04-22 | 2020-08-11 | 北京航空航天大学 | 基于adaline神经网络的动态过程控制限确定方法及设备 |
CN111523662B (zh) * | 2020-04-22 | 2023-07-07 | 北京航空航天大学 | 基于adaline神经网络的动态过程控制限确定方法及设备 |
CN113341888A (zh) * | 2021-04-06 | 2021-09-03 | 普赛微科技(杭州)有限公司 | 一种多变量工艺过程控制的方法 |
CN113642261A (zh) * | 2021-10-15 | 2021-11-12 | 南京信息工程大学 | 一种电离层tec扰动判定方法及系统 |
CN113642261B (zh) * | 2021-10-15 | 2022-01-28 | 南京信息工程大学 | 一种电离层tec扰动判定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6285494B2 (ja) | サンプリングレート決定機構付きの測定サンプル抽出方法及びそのコンピュータプログラム製品 | |
CN111782472B (zh) | 系统异常检测方法、装置、设备及存储介质 | |
CN106371427B (zh) | 基于层次分析法和模糊融合的工业过程故障分类方法 | |
CN106355030B (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
CN107346122A (zh) | 改进模糊支持向量机的制造过程多元质量诊断分类器 | |
TWI543102B (zh) | 異因分析與校正方法與系統 | |
CN113779496B (zh) | 一种基于设备全景数据的电力设备状态评估方法及系统 | |
TWI521360B (zh) | 量測抽樣方法與其電腦程式產品 | |
CN115630839B (zh) | 一种基于数据挖掘的生产智能反馈调控系统 | |
CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN107256003A (zh) | 一种模糊支持向量机的制造过程多元质量诊断分类器 | |
CN108037744A (zh) | 基于统计方法的制造过程多元质量诊断分类器 | |
CN108052087A (zh) | 基于信息熵的制造过程多元质量诊断分类器 | |
CN107291065A (zh) | 改进的基于决策树的制造过程多元质量诊断分类器 | |
CN108537249B (zh) | 一种密度峰值聚类的工业过程数据聚类方法 | |
CN107203198A (zh) | 改进的制造过程多元质量诊断分类器 | |
CN112748331A (zh) | 一种基于ds证据融合的断路器机械故障识别方法及装置 | |
CN108090506A (zh) | 改进信息熵的制造过程多元质量诊断分类器 | |
CN108074295A (zh) | 改进卡方值方法的制造过程多元质量诊断分类器 | |
CN108021111A (zh) | 基于卡方值的制造过程多元质量诊断分类器 | |
CN107272611A (zh) | 一种衡量制造过程质量能力的算法 | |
CN107390667A (zh) | 基于决策树的制造过程多元质量诊断分类器 | |
CN114936600A (zh) | 单证异常监控方法、装置、设备及存储介质 | |
TW201020806A (en) | Product quality fault detection method and real metrology data evaluation method | |
CN105302036A (zh) | 监控根据多个进程方案运行的进程状态的方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171114 |