CN109919130A - 一种基于改进遗传算法优化的质量控制图模式识别方法 - Google Patents
一种基于改进遗传算法优化的质量控制图模式识别方法 Download PDFInfo
- Publication number
- CN109919130A CN109919130A CN201910217926.9A CN201910217926A CN109919130A CN 109919130 A CN109919130 A CN 109919130A CN 201910217926 A CN201910217926 A CN 201910217926A CN 109919130 A CN109919130 A CN 109919130A
- Authority
- CN
- China
- Prior art keywords
- data
- mode
- value
- optimization
- quality control
- 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
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明提供的一种基于改进遗传算法优化的质量控制图模式识别方法,包括使用蒙特卡罗方法模拟控制图各种模式特点;通过参数取值生成相应模式的数据;采用PCA主成分分析法对原始数据进行降维去噪,提取出数据的主要特征,减少模型的训练时间,提高了识别准确率;建立概率神经网络模型,利用其结构简单训练方便的特点进行模式分类识别;依靠改进的单目标优化遗传算法对概率神经网络的主要参数平滑因子进行优化;根据识别结果从不同的方面查找可能的异常原因;本发明解决了现有的企业在进行质量控制时不能监测和识别出所有的异常情况,难以从控制图上发现有效的异常信息,无法采取适当的措施修正生产过程中的异常状况。
Description
技术领域
本发明属于质量状态监控领域,特别涉及一种基于改进遗传算法优化的质量控制图模式识别方法。
背景技术
产品的生产制造过程是一个受人员、设备、材料等多种因素综合影响的复杂非线性过程,目前对生产进行监控和质量控制的主要工具是SPC控制图。控制图的模式识别对于及时发现生产异常、避免质量损失有重要的意义。目前对控制图进行模式识别的方法大部分是基于BP神经网络或者SVM支持向量机。BP神经网络训练速度慢、结构设计需要依靠个人经验,不仅费时效率低,而且识别效果也不理想;SVM是一种二分类器,而控制图模式识别属于多分类问题,因此需要构建并训练多个SVM模型才能完全识别所有模式,面对混合模式情况就更复杂。企业急需一种简便且效率高的方法实现对质量控制图各种模式的一次性识别,以快速定位异常并及时解决质量问题。
发明内容
本发明的目的在于提供一种基于改进遗传算法优化的质量控制图模式识别方法,以解决上述问题。
为实现上述目的,本发明采用以下技术方案:
一种基于改进遗传算法优化的质量控制图模式识别方法,包括以下步骤:
步骤1,由蒙特卡罗方法生成六种控制图模式的特征数据,包括正常模式、周期模式、趋势模式和阶跃模式,其中趋势模式和阶跃模式分为上升和下降两种;
步骤2,对步骤1得到的数据进行预处理,提取特征,降低数据维度;
步骤3,建立异常模式识别网络,将步骤2预处理降维后的数据输入网络进行训练,得到初步异常模式识别模型;
步骤4,利用改进的单目标优化遗传算法SGA优化概率神经网络模型的平滑系数,优化算法以模型的准确率为目标,通过迭代寻优得到最佳的平滑系数,从而得到最优的异常模式识别模型;
步骤5,根据步骤4建立的异常识别模型,将实际生产中的控制图数据输入网络进行模式识别,出现异常及时报警。
进一步的,步骤1中,根据蒙特卡罗仿真方法生成模型所需的各种异常模式数据,具体方法是:
1)蒙特卡罗方法生成的生产现场数据可以表示为x(t),则:
x(t)=μ+d(t)+r(t)
式中:t是生产数据的采样时刻,x(t)是t时刻数据的实际数值;μ是生产过程处于稳定状态下采样数据的均值,r(t)是随机因素造成的生产波动,也称作高斯白噪声,r(t)服从均值为0、方差为σ2的正态分布;d(t)是由刀具的磨损、人员的变动的原因造成的系统波动,生产过程稳定状态下d(t)为0;
2),以步骤1)中生产现场的数据表示为基础,通过给d(t)取不同的值得到不同异常模式下的数据表示公式;正常模式下,
x(t)=μ+r(t)
其中:r(t)~N(0,1),d(t)=0。
周期模式下:
x(t)=μ+A×sin(2πt/T)+r(t)
式中A表示周期模式的幅度,取值范围一般为σ≤A≤3σ;T是周期,取值范围为2≤T≤8;
趋势模式下,其生产数据满足:
x(t)=μ±k×t+r(t)
其中,k是趋势模式的斜率,向上趋势模式为取正值,向下趋势模式取负值,其取值范围一般定为0.1σ≤|k|≤0.3σ
阶跃模式下:
x(t)=μ±1(t-t0)×s+r(t)
式中s表示向上(向下)平移的幅度,其取值范围一般为σ≤|s|≤3σ;t0表示阶跃发生的时刻;当t≥t0时,1(t-t0)=1;当t<t0时,1(t-t0)=0;
3),根据步骤2)中的六种模式的表示方法,通过给μ、σ、k、A、T、s、t0设定取值,从而得到六种异常模式的控制图数据。
进一步的,步骤2中进行数据特征提取和降维的方法是主成分分析法;首先,对所有的数据进行中心化,
式中:xj为控制图模式数据中某一特征的所有取值,xj (i)表示第i个样本特征j的取值;μj是特征j的均值,sj为特征j的标准差;
然后计算样本的协方差矩阵Σ:
式中:Σ表示协方差矩阵,X是所有样本的集合,X=(x1,x2,x3,...,xm),m是样本总数
然后通过奇异值分解(SVD)求出协方差矩阵Σ的特征向量;
(U,S,VT)=SVD(Σ)
再将特征向量按对应特征值大小从上到下按行排成矩阵,取前k个左奇异向量,组成一个约减矩阵Ureduce;
Ureduce=(u(1),u(2),...,u(k))
最后计算新的特征向量,对数据进行处理和降维,得到降维后的数据;
进一步的,步骤3中进行异常模式识别所采用的是概率神经网络,基于贝叶斯最优分类决策理论:
若对于都有则其中
式中:为训练样本,wi为样本的所属类别;
PNN网络的判别函数如下:
对所有样本进行归一化,
式中,是属于第wi类的第k个训练样本,l是样本向量的维数,σ是平滑参数,Ni是第wi类的训练样本总数;
根据下面的判别规则判别样本类别归属,
若对于都有则
进一步的,概率神经网络的平滑系数使用遗传算法进行寻优,算法按照以下步骤实现对网络参数的寻优:
首先,设定平滑参数σ的取值范围,然后随机产生初始种群为{σ1,σ2,σ3,...,σM},其中M为种群规模,并设当前代数为t=1;
然后,根据由染色体获得的平滑因子,构建模式识别网络,计算分类结果的准确率,即计算染色体的适应度函数;
再次,选择优胜的个体,即分类准确率较高的个体,进行交叉、变异操作,得到下代种群;
更新当前代数为t=t+1;
检查t和适应度,若进化代数达到设定的目标值则停止遗传,否则返回第二步;
最后将优化得到的平滑因子代入网络模型,输入测试数据,完成控制图异常模式的识别。
进一步的,步骤4中,对该单目标遗传算法的过程做出以下改进:
改进的单目标优化遗传算法通过将父代和子代合并进行选择,添加精英保留机制。
进一步的,步骤5中,将训练好的识别模型用于实际生产中控制图的异常识别时,以每25个检测值为一组绘制控制图进行异常的识别,当出现异常时根据异常的具体模式采取相应的措施;
正常模式表明当前生产过程受控,处于稳定状态;
周期模式是由于某些因素周期性的影响生产过程,如机床功率的波动,测量工具规格的交替或者操作者定期的轮换;
向上趋势模式的出现说明当前操作者工作能力出现下降,或者机床夹具变得松弛;
向下趋势模式则意味着操作人员得到了更好的培训,工作能力得到了提高;
向上阶跃模式是由于生产中的突变因素导致的;
向下阶跃模式表明由于机器设置或材料的突然变化,导致过程能力提高。
与现有技术相比,本发明有以下技术效果:
本发明提供的一种基于改进遗传算法优化的质量控制图模式识别方法,通过对SPC控制图的数据先进行主成分分析,以消除原始数据中存在的随机噪声影响,然后使用基于贝叶斯最优分类决策理论的概率神经网络对质量控制图的异常模式进行识别,并通过改进的单目标优化遗传算法对网络的主要参数平滑因子进行寻优,最后得到最佳的识别模型,用于实际生产中控制图的异常识别和生产监控。经过分析以上步骤总结本发明的有益效果如下,第一通过对数据进行PCA降维预处理,提取原始数据的主要特征,去除了数据中的随机波动,使得模型的训练和识别速度更快,准确率也比未进行降维的时候高;第二使用概率神经网络而不是普通的BP神经网络,以指数函数替代神经网络中常用的S形激活函数,网络学习过程简单,学习速度快,容错性好,分类能力更强;第三通过改进的单目标优化遗传算法对网络的主要参数进行寻优,避免了人工依靠经验的取值带来的不确定性,有助于得到更好的识别模型;第四根据本方法进行质量控制图的模式识别,可以监控生产过程的运行情况,帮助企业更好的识别异常,更快的查明异常发生的原因,有助于企业质量损失的降低和经济效益的提高。
附图说明
图1是控制图六种模式的示意图;
图2是本发明采用的概率神经网络的结构示意图;
图3是本发明设计的模型参数优化流程示意图;
具体实施方式
下面结合附图,对本发明进一步详细说明。
请参阅图1至图3,本发明设计中的SPC控制图是生产过程中进行质量控制的主要工具,控制图最早由美国的质量专家朱兰博士提出,以统计学的方法判断生产过程是否处于稳定状态,当生产处于异常时能够及时报警提示。因此,对控制图模式的识别是进行过程质量控制的前提。
根据GB/T4091-2000提出的八种以统计学原理为依据的控制图异常判断准则,可以对生产过程的失控现象进行监控并预警。然而,由于生产过程存在随机波动,即噪声,导致这些准则并不能涉及所有的失控情况,规则的组合爆炸使得基于判异准则的异常识别不能有效地发挥作用。西方电气公司在1958年提出了控制图模式现象,将控制图模式分为正常模式、周期模式、向上趋势模式、向下趋势模式、向上阶跃模式、向下阶跃模式等。随着人工智能技术的发展,使用智能方法进行控制图的模式识别成为质量监控的重要内容之一。
具体地,如图1所示为控制图的六种模式。本发明提供的一种基于改进遗传算法优化的质量控制图模式识别方法,包括以下步骤:
第一步,由蒙特卡罗方法得到训练模型所需的各种控制图的模式数据。由于在很多情况下,企业一般没有积累和存储模型训练所需要的各种类型的、大量的样本数据,如果选择使用过程现场数据,需要长时间的采集记录,导致企业在人员、设备以及时间上的成本大大增加,在现有条件下很难实现。使用仿真方法生成所需数据,会给研究工作带来很大的便利;
根据蒙特卡罗仿真方法生成模型所需的各种异常模式数据,具体方法是:
步骤1),设生产现场数据为x(t),则:
x(t)=μ+d(t)+r(t)
式中:t是生产数据的采样时刻,x(t)是t时刻数据的实际数值。μ是生产过程处于稳定状态下采样数据的均值,r(t)是随机因素造成的生产波动,也称作高斯白噪声,r(t)服从均值为0、方差为σ2的正态分布。d(t)是由特殊原因造成的系统波动,生产过程稳定状态下d(t)为0。当生产过程因为各种各样的原因出现异常波动的时候,便会在SPC控制图上表现出不同的异常模式。
步骤2),以步骤1)中生产现场的数据表示为基础,通过给d(t)取不同的值得到不同异常模式下的数据表示公式。正常模式下,
x(t)=μ+r(t)
其中:r(t)~N(0,1),d(t)=0。
周期模式下:
x(t)=μ+A×sin(2πt/T)+r(t)
式中A表示周期模式的幅度,取值范围一般为σ≤A≤3σ;T是周期,取值范围为2≤T≤8。
趋势模式下,其生产数据满足:
x(t)=μ±k×t+r(t)
其中,k是趋势模式的斜率,向上趋势模式为取正值,向下趋势模式取负值,其取值范围一般定为0.1σ≤|k|≤0.3σ。
阶跃模式下:
x(t)=μ±1(t-t0)×s+r(t)
式中s表示向上(向下)平移的幅度,其取值范围一般为σ≤|s|≤3σ;t0表示阶跃发生的时刻。当t≥t0时,1(t-t0)=1;当t<t0时,1(t-t0)=0。
步骤3),根据步骤二中的六种模式的表示方法,通过给μ、σ、k、A、T、s、t0等设定取值,从而得到六种异常模式的控制图数据;
第二步,采用PCA主成分分析方法对原始控制图数据进行特征提取,降低数据维度。原始数据每个样本包含25个数据点,即每个样本有25个维度,直接进行网络训练的话训练速度会很慢,而且由于数据中随机波动(噪声)r(t)的存在会影响识别精度。
首先,对所有的数据进行中心化,
式中:xj为控制图模式数据中某一特征的所有取值,xj (i)表示第i个样本特征j的取值;μj是特征j的均值,sj为特征j的标准差。
然后计算样本的协方差矩阵Σ:
式中:Σ表示协方差矩阵,X是所有样本的集合,X=(x1,x2,x3,...,xm),m是样本总数
然后通过奇异值分解(SVD)求出协方差矩阵Σ的特征向量。
(U,S,VT)=SVD(Σ)
再将特征向量按对应特征值大小从上到下按行排成矩阵,取前k个左奇异向量,组成一个约减矩阵Ureduce。
Ureduce=(u(1),u(2),...,u(k))
最后计算新的特征向量,对数据进行处理和降维,得到降维后的数据。
第三步,将降维后的数据输入识别网络进行训练,识别模型使用概率神经网络(PNN),如图2所示为PNN的结构示意图。概率神经网络以指数函数替代神经网络中常用的S形激活函数,可以计算出接近于贝叶斯最佳判定面的非线性判别边界,通常用于分类和模式识别领域,其优势在于用线性学习算法完成非线性学习算法所做的工作,同时保证非线性算法的高精度等特性。概率神经网络基于贝叶斯最优分类决策理论:
若对于都有则其中
式中:为训练样本,wi为样本的所属类别。
PNN网络的判别函数如下:
对所有样本进行归一化,
式中,是属于第wi类的第k个训练样本,l是样本向量的维数,σ是平滑参数,Ni是第wi类的训练样本总数。
根据下面的判别规则判别样本类别归属,
若对于都有则
第四步,使用改进的遗传算法对PNN网络的关键参数平滑因子σ进行优化,图3所示为模型参数优化流程图。PNN模型唯一需要调整的参数是σ,σ太小,对于单独训练的样本仅仅起到隔离的作用,本质上是最近邻分类器;σ值太大不能够完全区分细节,得到的是接近于线性的分类器,分类效果会不理想。如何确定合适的σ值是PNN网络的关键问题。本发明通过遗传算法对σ进行迭代寻优,遗传算法以生物进化原理为基础,在每一代群体中,不断按照个体适应度大小选择,并进行交叉和变异,产生新的群体,不断重复此过程使种群得以进化,同时以全局并行搜索技术来进行搜索寻找最优个体,以求得问题的近似最优解。遗传算法不受函数连续与可微的限制,结果全局最优。
首先,设定平滑参数σ的取值范围,然后随机产生初始种群为{σ1,σ2,σ3,...,σM},其中M为种群规模,并设当前代数为t=1;
根据由染色体获得的平滑因子,构建模式识别网络,计算分类结果的准确率,即计算染色体的适应度函数;
然后选择优胜的个体,即分类准确率较高的个体,进行交叉、变异操作,得到下代种群;
更新当前代数为t=t+1;
检查t和适应度,若进化代数达到设定的目标值则停止遗传,否则返回第二步;
最后将优化得到的平滑因子代入网络模型,输入测试数据,完成控制图异常模式的识别。
本方法中对该单目标遗传算法的过程做出以下改进:
经典遗传算法通过选择、重组和变异后,得到的后代有可能与父代种群的个体数不相同。为了保持种群的规模,需要将后代重新插入到父代中替换父代的一部分个体,或者丢弃一部分雨中个体,最终形成子代种群。
改进的单目标优化遗传算法通过将父代和子代合并进行选择,添加精英保留机制,从而使得适应度高的个体更容易被保存下来,不论是存在于子代还是父代中。
第五步,将优化好参数的模型用于实际生产中控制图模式的识别。以每25个检测值为一组绘制控制图进行异常的识别,当出现异常时根据异常的具体模式采取相应的措施。
正常模式表明当前生产过程受控,处于稳定状态;
周期模式是由于某些因素周期性的影响生产过程,如机床功率的波动,测量工具规格的交替或者操作者定期的轮换;
向上趋势模式的出现说明当前操作者工作能力出现下降,或者机床夹具变得松弛;
向下趋势模式则意味着操作人员得到了更好的培训,工作能力得到了提高;
向上阶跃模式是由于生产中的突变因素导致的;
向下阶跃模式表明过程能力提高了,通常由于机器设置或材料的突然变化。
Claims (7)
1.一种基于改进遗传算法优化的质量控制图模式识别方法,其特征在于,包括以下步骤:
步骤1,由蒙特卡罗方法生成六种控制图模式的特征数据,包括正常模式、周期模式、趋势模式和阶跃模式,其中趋势模式和阶跃模式分为上升和下降两种;
步骤2,对步骤1得到的数据进行预处理,提取特征,降低数据维度;
步骤3,建立用于控制图模式识别的概率神经网络,将步骤2预处理降维后的数据输入网络进行训练,得到初步模式识别模型;
步骤4,利用改进的单目标优化遗传算法SGA优化概率神经网络模型的平滑系数,优化算法以模型的准确率为目标,通过迭代寻优得到最佳的平滑系数,从而得到最优的模式识别模型;
步骤5,根据步骤4建立的识别模型,将实际生产中的控制图数据输入网络进行模式识别,出现异常及时报警。
2.根据权利要求1所述的一种基于改进遗传算法优化的质量控制图模式识别方法,其特征在于,步骤1中,根据蒙特卡罗仿真方法生成模型所需的各种异常模式数据,具体方法是:
1)蒙特卡罗方法生成的生产现场数据可以表示为x(t),则:
x(t)=μ+d(t)+r(t)
式中:t是生产数据的采样时刻,x(t)是t时刻数据的实际数值;μ是生产过程处于稳定状态下采样数据的均值,r(t)是随机因素造成的生产波动,也称作高斯白噪声,r(t)服从均值为0、方差为σ2的正态分布;d(t)是由刀具的磨损、人员的变动造成的系统波动,生产过程稳定状态下d(t)为0;
2),以步骤1)中生产现场的数据表示为基础,通过给d(t)取不同的值得到不同异常模式下的数据表示公式;正常模式下,
x(t)=μ+r(t)
其中:r(t)~N(0,1),d(t)=0;
周期模式下:
x(t)=μ+A×sin(2πt/T)+r(t)
式中A表示周期模式的幅度,取值范围一般为σ≤A≤3σ;T是周期,取值范围为2≤T≤8;
趋势模式下,其生产数据满足:
x(t)=μ±k×t+r(t)
其中,k是趋势模式的斜率,向上趋势模式为取正值,向下趋势模式取负值,其取值范围一般定为
0.1σ≤|k|≤0.3σ
阶跃模式下:
x(t)=μ±1(t-t0)×s+r(t)
式中s表示向上(向下)平移的幅度,其取值范围一般为σ≤|s|≤3σ;t0表示阶跃发生的时刻;当t≥t0时,1(t-t0)=1;当t<t0时,1(t-t0)=0;
3),根据步骤2)中的六种模式的表示方法,通过给μ、σ、k、A、T、s、t0设定取值,从而得到六种异常模式的控制图数据。
3.根据权利要求2所述的一种基于改进遗传算法优化的质量控制图模式识别方法,其特征在于,步骤2中进行数据特征提取和降维的方法是主成分分析法;首先,对所有的数据进行中心化,
式中:xj为控制图模式数据中某一特征的所有取值,xj (i)表示第i个样本特征j的取值;μj是特征j的均值,sj为特征j的标准差;
然后计算样本的协方差矩阵Σ:
式中:Σ表示协方差矩阵,X是所有样本的集合,X=(x1,x2,x3,...,xm),m是样本总数
然后通过奇异值分解(SVD)求出协方差矩阵Σ的特征向量;
(U,S,VT)=SVD(Σ)
再将特征向量按对应特征值大小从上到下按行排成矩阵,取前k个左奇异向量,组成一个约减矩阵Ureduce;
Ureduce=(u(1),u(2),...,u(k))
最后计算新的特征向量,对数据进行处理和降维,得到降维后的数据;
4.根据权利要求3所述的一种基于改进遗传算法优化的质量控制图模式识别方法,其特征在于,步骤3中进行模式识别所采用的概率神经网络,基于贝叶斯最优分类决策理论:
若对于都有则其中
式中:为训练样本,wi为样本的所属类别;
PNN网络的判别函数如下:
对所有样本进行归一化,
式中,是属于第wi类的第k个训练样本,l是样本向量的维数,σ是平滑参数,Ni是第wi类的训练样本总数;
根据下面的判别规则判别样本类别归属,
若对于都有则
5.根据权利要求4所述的一种基于改进遗传算法优化的质量控制图模式识别方法,其特征在于,概率神经网络的平滑系数使用遗传算法进行寻优,算法按照以下步骤实现对网络参数的寻优:
首先,设定平滑参数σ的取值范围,然后随机产生初始种群为{σ1,σ2,σ3,...,σM},其中M为种群规模,并设当前代数为t=1;
然后,根据由染色体获得的平滑因子,构建模式识别网络,计算分类结果的准确率,即计算染色体的适应度函数;
再次,选择优胜的个体,即分类准确率较高的个体,进行交叉、变异操作,得到下代种群;
更新当前代数为t=t+1;
检查t和适应度,若进化代数达到设定的目标值则停止遗传,否则返回第二步;
最后将优化得到的平滑因子代入网络模型,输入测试数据,完成控制图异常模式的识别。
6.根据权利要求1所述的一种基于改进遗传算法优化的质量控制图模式识别方法,其特征在于,步骤4中,对该单目标遗传算法的过程做出以下改进:
改进的单目标优化遗传算法通过将父代和子代合并进行选择,添加精英保留机制。
7.根据权利要求1所述的一种基于改进遗传算法优化的质量控制图模式识别方法,其特征在于,步骤5中,将训练好的识别模型用于实际生产中控制图的异常识别时,以每25个检测值为一组绘制控制图进行异常的识别,当出现异常时根据异常的具体模式采取相应的措施;
正常模式表明当前生产过程受控,处于稳定状态;
周期模式是由于机床功率的波动,测量工具规格的交替或者操作者定期的轮换的周期性的影响生产过程;
向上趋势模式的出现说明当前操作者工作能力出现下降,或者机床夹具变得松弛;
向下趋势模式则意味着操作人员得到了更好的培训,工作能力得到了提高;
向上阶跃模式是由于生产中的突变因素导致的;
向下阶跃模式表明由于机器设置或材料的突然变化,导致过程能力提高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217926.9A CN109919130A (zh) | 2019-03-21 | 2019-03-21 | 一种基于改进遗传算法优化的质量控制图模式识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910217926.9A CN109919130A (zh) | 2019-03-21 | 2019-03-21 | 一种基于改进遗传算法优化的质量控制图模式识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109919130A true CN109919130A (zh) | 2019-06-21 |
Family
ID=66966115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910217926.9A Pending CN109919130A (zh) | 2019-03-21 | 2019-03-21 | 一种基于改进遗传算法优化的质量控制图模式识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919130A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401488A (zh) * | 2019-07-12 | 2019-11-01 | 北京邮电大学 | 一种解调方法及装置 |
CN110490226A (zh) * | 2019-07-09 | 2019-11-22 | 联想(北京)有限公司 | 一种识别方法及设备 |
CN110543908A (zh) * | 2019-08-30 | 2019-12-06 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN110794809A (zh) * | 2019-10-28 | 2020-02-14 | 郑州航空工业管理学院 | 基于预防维修和质量损失函数的vsi ewma控制图经济设计方法 |
CN111080121A (zh) * | 2019-12-11 | 2020-04-28 | 北京工业大学 | 一种用于不同链长的控制图模式识别方法 |
CN113065583A (zh) * | 2021-03-13 | 2021-07-02 | 宁波大学科学技术学院 | 一种基于在线非线性判别特征分析的精馏过程异常监测方法 |
CN114970646A (zh) * | 2022-07-29 | 2022-08-30 | 中南大学 | 一种人工源电磁伪随机信号去趋势和噪声识别方法 |
CN114997070A (zh) * | 2022-07-15 | 2022-09-02 | 合肥中科迪宏自动化有限公司 | 控制图模式识别模型的训练方法及控制图模式识别方法 |
CN116893314A (zh) * | 2023-09-04 | 2023-10-17 | 国网浙江省电力有限公司余姚市供电公司 | 一种非侵入式电力负荷监测方法、装置、设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090048125A1 (en) * | 2006-11-03 | 2009-02-19 | Jaw-Chyng Lue | Biochip microsystem for bioinformatics recognition and analysis |
KR101117271B1 (ko) * | 2009-08-20 | 2012-03-20 | 경북대학교 산학협력단 | 촬상정보 처리방법 및 장치 |
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 |
CN108710771A (zh) * | 2018-05-31 | 2018-10-26 | 西安电子科技大学 | 基于深度特征集成提取的机械装备服役可靠性评估方法 |
CN109086999A (zh) * | 2018-08-02 | 2018-12-25 | 东南大学 | 灌装生产线远程数据采集分析系统及其异常分析方法 |
CN109491345A (zh) * | 2018-12-14 | 2019-03-19 | 中国计量大学 | 一种基于关键工序质量控制的研究方法 |
-
2019
- 2019-03-21 CN CN201910217926.9A patent/CN109919130A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090048125A1 (en) * | 2006-11-03 | 2009-02-19 | Jaw-Chyng Lue | Biochip microsystem for bioinformatics recognition and analysis |
KR101117271B1 (ko) * | 2009-08-20 | 2012-03-20 | 경북대학교 산학협력단 | 촬상정보 처리방법 및 장치 |
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 |
CN108710771A (zh) * | 2018-05-31 | 2018-10-26 | 西安电子科技大学 | 基于深度特征集成提取的机械装备服役可靠性评估方法 |
CN109086999A (zh) * | 2018-08-02 | 2018-12-25 | 东南大学 | 灌装生产线远程数据采集分析系统及其异常分析方法 |
CN109491345A (zh) * | 2018-12-14 | 2019-03-19 | 中国计量大学 | 一种基于关键工序质量控制的研究方法 |
Non-Patent Citations (3)
Title |
---|
RUEY-SHIANG GUH 等: "Robustness of the nerural netwrok based control chart pattern recongnition system to non-normality", 《INTERNATIONAL JOURNAL OF QUALITY& RELIABILITY MANAGEMENT》 * |
杨静等: "神经网络主成分分析法在控制图模式识别中的应用", 《冶金自动化》 * |
胡霞: "基于遗传算法和神经网络的质量控制研究", 《中国优秀硕士学位论文全文数据库-经济与管理科学辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110490226A (zh) * | 2019-07-09 | 2019-11-22 | 联想(北京)有限公司 | 一种识别方法及设备 |
CN110401488B (zh) * | 2019-07-12 | 2021-02-05 | 北京邮电大学 | 一种解调方法及装置 |
CN110401488A (zh) * | 2019-07-12 | 2019-11-01 | 北京邮电大学 | 一种解调方法及装置 |
CN110543908A (zh) * | 2019-08-30 | 2019-12-06 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN110543908B (zh) * | 2019-08-30 | 2022-03-25 | 北京航空航天大学 | 一种基于动态观测窗口的控制图模式识别方法 |
CN110794809A (zh) * | 2019-10-28 | 2020-02-14 | 郑州航空工业管理学院 | 基于预防维修和质量损失函数的vsi ewma控制图经济设计方法 |
CN111080121B (zh) * | 2019-12-11 | 2023-01-03 | 北京工业大学 | 一种用于不同链长的控制图模式识别方法 |
CN111080121A (zh) * | 2019-12-11 | 2020-04-28 | 北京工业大学 | 一种用于不同链长的控制图模式识别方法 |
CN113065583A (zh) * | 2021-03-13 | 2021-07-02 | 宁波大学科学技术学院 | 一种基于在线非线性判别特征分析的精馏过程异常监测方法 |
CN113065583B (zh) * | 2021-03-13 | 2023-11-14 | 宁波大学科学技术学院 | 一种基于在线非线性判别特征分析的精馏过程异常监测方法 |
CN114997070A (zh) * | 2022-07-15 | 2022-09-02 | 合肥中科迪宏自动化有限公司 | 控制图模式识别模型的训练方法及控制图模式识别方法 |
CN114970646B (zh) * | 2022-07-29 | 2022-11-01 | 中南大学 | 一种人工源电磁伪随机信号去趋势和噪声识别方法 |
CN114970646A (zh) * | 2022-07-29 | 2022-08-30 | 中南大学 | 一种人工源电磁伪随机信号去趋势和噪声识别方法 |
CN116893314A (zh) * | 2023-09-04 | 2023-10-17 | 国网浙江省电力有限公司余姚市供电公司 | 一种非侵入式电力负荷监测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919130A (zh) | 一种基于改进遗传算法优化的质量控制图模式识别方法 | |
CN106779087B (zh) | 一种通用机器学习数据分析平台 | |
CN108632279B (zh) | 一种基于网络流量的多层异常检测方法 | |
Kuo et al. | Integration of particle swarm optimization and genetic algorithm for dynamic clustering | |
CN106682454B (zh) | 一种宏基因组数据分类方法和装置 | |
CN107465664B (zh) | 基于并行多人工蜂群算法和支持向量机的入侵检测方法 | |
CN106855957A (zh) | 基于相似日和最小二乘支持向量机的工厂母线负荷预测 | |
CN109145948A (zh) | 一种基于集成学习的注塑机堵料异常检测方法 | |
CN110020680B (zh) | 一种基于随机矩阵理论和模糊c均值聚类算法的pmu数据分类方法 | |
CN112749840B (zh) | 一种火电机组能效特征指标基准值的获取方法 | |
CN116485280B (zh) | 基于人工智能的uvc-led生产质量评价方法及系统 | |
CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
CN111815054A (zh) | 基于大数据的工业蒸汽热网短期负荷预测方法 | |
CN111428766B (zh) | 一种高维海量量测数据的用电模式分类方法 | |
CN110363214A (zh) | 一种基于gwa-svm的机器人装配的接触状态识别方法 | |
CN116187836A (zh) | 一种电力物资质量评价及抽检方法 | |
CN111209939A (zh) | 一种具有智能参数优化模块的svm分类预测方法 | |
CN113901621A (zh) | 一种基于人工鱼群算法优化的svm的配电网拓扑辨识方法 | |
CN109978023A (zh) | 面向高维大数据分析的特征选择方法及计算机存储介质 | |
CN117493922A (zh) | 一种基于数据驱动的配电网户变关系识别方法 | |
Fong et al. | Rules extraction in short memory time series using genetic algorithms | |
Olfati et al. | Feature subset selection and parameters optimization for support vector machine in breast cancer diagnosis | |
CN111144569A (zh) | 一种基于遗传算法的良率提升适用模型的优化方法 | |
Sakthi et al. | An enhanced K means clustering using improved Hopfield artificial neural network and genetic algorithm | |
Dlapa | Differential migration: Sensitivity analysis and comparison study |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190621 |