CN111080121B - 一种用于不同链长的控制图模式识别方法 - Google Patents

Abstract

本发明公开了一种用于不同链长的控制图模式识别方法，包括使用蒙特卡洛方法模拟控制图的各种模式特点；通过参数取值生成相应模式的数据；将得到的各种模式的数据绘制成对应不同链长的控制图图片；建立卷积神经网络模型，利用其无需手动提取特征以及对高维数据处理无压力的特点对控制图图片进行模式分类识别；根据识别结果从不同的方面查找可能的异常原因；本发明提出了一种可以用于不同链长的控制图模式识别方法，而且不需要手动提取复杂特征，其识别率相对传统的识别方法也有所提升，其准确而自动的模式识别对制造业具有重要的意义。

Description

一种用于不同链长的控制图模式识别方法

技术领域

本发明属于质量状态监控技术领域，特别涉及一种用于不同链长的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、机器、物料、加工方法、环境等多种因素影响的复杂非线性过程，作为统计过程控制的重要工具，控制图在制造质量控制中起着重要作用，其中，控制图被广泛用于监视加工过程是否处于受控状态。如果只有随机原因会影响制造过程，则认为制造过程是自然的或正常的,否则视为异常。传统控制图对于超出控制图的边界的异常较容易检测，而对于在控制图边界内，但显示不自然的图形的异常却难以识别，通常需要通过人工进行判断，易受到人的经验水平的影响。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传统方法是基于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。而且这两种方法不能同时对不同链长的控制图进行模式识别，具有很大的局限性。智能制造的兴起对制造过程质量控制提出了智能化的要求，将机器学习技术引入到过程质量监控中，通过机器学习模型对控制图进行模式识别成为实现过程质量智能化监控的有效手段，故现在急需一种简便且效率高的方法实现对不同链长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相应的问题。

发明内容

本发明的目的在于提供一种用于不同链长的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：

一种用于不同链长的控制图模式识别方法，包括以下步骤：

步骤1，由蒙特卡洛仿真方法生成不同链长的六种控制图模式的特征数据，包括正常模式，向上阶跃和向下阶跃模式，向上趋势和向下趋势模式以及周期模式；

步骤2，对步骤1得到的各种模式的数据绘制成对应不同链长的控制图图片；

步骤3，建立用于控制图模式识别的卷积神经网络，将步骤2的不同链长的控制图图片输入网络进行训练，得到识别模型；

步骤4，根据步骤3建立的识别模型，将实际生产中的不同链长控制图的图片输入网络进行模式识别，对异常模式及时提示报警。

进一步的，步骤1中，由蒙特卡洛仿真方法生成不同链长的六种控制图模式的特征数据，具体方法是：

1)蒙特卡洛仿真方法生成的生产现场数据可以表示为y(t)，则：

y(t)＝μ+x(t)+d(t)

式中：y(t)表示在时间t采集的控制图模式的特征数据样本的值，t是采样时间，根据生产现场需要可以设定t的取值，从而生成所需要的不同链长控制图数据，μ是控制过程时的统计平均值，x(t)是在t时刻出现随机噪声，服从正态分布x(t)～N(0，σ²)，σ是过程处于受控状态时的标准差，d(t)是在时间t由制造过程中的特定因素引起的特殊干扰。

2)，以步骤1)中生产现场的数据表示为基础，各种控制图模式的仿真方法如下：

正常模式由下式给出：

d(t)＝0

向上阶跃模式和向下阶跃模式由以下方式给出：

d(t)＝±v×s

式中：v是决定阶跃位置的参数，在阶跃之前等于0，在阶跃之后等于1，s是阶跃幅度；符号+用于US模式，符号-用于DS模式。

向上趋势模式和向下趋势模式由下式给出：

d(t)＝±v×d×t

式中：v是确定趋势位置的参数，在趋势之前等于0，在趋势之后等于1，d是趋势的斜率；符号+用于UT模式，符号-用于DT模式。

周期模式由下式给出：

d(t)＝v×a×sin(2πt/ω)

式中：a是一个周期的振幅，而ω是一个周期的周期。

3)，根据步骤2)中的六种模式的表示方法，通过设定各参数取值，从而得到不同链长的六种控制图模式的数据。

进一步的，步骤2中，对步骤1得到的各种模式的数据绘制成对应不同链长的控制图图片。

进一步的，步骤3中，采用卷积神经网络进行控制图模式识别：

首先，将步骤2得到的不同链长的控制图图片作为输入信号输入到卷积神经网络中；

然后，设定特征图的数量以及卷积核大小，将输入信号输入到第一个卷积层，卷积层的权重和偏差被组织为一系列卷积核。可以使用不同的卷积核获取一组输出特征图。每个输出特征图都是多个输入特征图和多个卷积核的卷积的结果，其公式为：

式中：*代表卷积运算,l代表当前网络层的序列号，D是特征图的数量，ω^l是将第(l-1)层连接到第l层的卷积核，其大小为r×c,r表示高度,l表示宽度,

表示第j个输出特征图,b是每个输出特征图的加性偏差，f是激活函数。最常用的非线性激活函数是Sigmoid函数和ReLU函数，分别由以下公式给出：

f(x)＝1/(1+e^-x)

f(x)＝max(0,x)

第l卷积层的特征图的大小是R_l×C_l,R代表高度,C代表宽度，其计算公式为：

R_l×C_l＝[(R_l-1-r)/s+1]×[(C_l-1-c)/s+1]

式中：s是卷积核的移动步长，在子采样层中，完成了下采样，因此可以快速减少特征图的维数，子采样层表示为：

式中：l代表当前网络层的序列号，D_l代表输入特征图的数量，

代表第j个输出子样本图，down代表池化功能。

其次，将卷积层的输出作为池化层的输入，在最大池化中，将池化区域的最大值作为新特征，而在平均池化中，将池化区域的平均值作为新特征。第l个子采样层的输出子采样图的大小为R_l×C_l，通过以下方式计算：

R_l×C_l＝(R_l-1/u)×(C_l-1/u)

式中：u是池化操作的步长。

再次，输入信号经过三层卷积和三层池化之后，特征图在第一个完全连接的层中展开并拼接在一起，神经元的数量为M，代表卷积神经网络提取的M个特征。M的计算公式为：

M＝R_l-1×C_l-1×D_l-1

全连接层中的神经元与上一层中的所有神经元都具有完整连接，就像在常规神经网络中一样。因此，可以通过矩阵乘法后加上偏置来计算它们：

O＝f(ω_of_v+b_o)

式中：f_v是完全连接层的输入向量，b_o是偏置向量，ω_o是权重矩阵。

最后，卷积神经网络的最后一层是输出层，其中包含N个神经元，代表识别的模式类型的数量。在本发明中，N为6，对应六种控制图模式。

进一步的，步骤4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，将实际生产中不同链长的控制图图片输入到识别模型中进行异常识别，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；

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；

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；

周期模式是由于机床功率的波动，电源的周期性变化以及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。

与现有技术相比，本发明有以下技术效果：

本发明提供的一种用于不同链长的控制图模式识别方法，通过使用蒙特卡洛方法模拟控制图的各种模式特点生成相应模式的数据，将各种模式的数据绘制成对应不同链长的控制图，利用卷积神经网络模型直接对控制图进行模式分类识别，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优异效果如下，第一针对现有的控制图识别方法不能对不同链长的控制图进行模式识别，利用了卷积神经网络可以识别不同链长控制图上独特的优势，提出将卷积神经网络运用于控制图模式识别；第二利用卷积神经网络其无需手动提取特征以及对高维数据处理无压力的特点，使得模型的训练和识别速度更快，收敛速度和迭代时间明显优于传统的识别方法，准确率也有所提高；第三由于深度学习并行加速计算的普及，该方法在模型训练和应用上，效率更高，更能适应未来大数据环境下快速生产的需求，避免了人工依靠经验所带来的不确定性，有助于得到更好的识别模型；第四该方法避免了提取各种复杂特征的问题，使其更有利于实际的质量控制，有助于提高企业质量管理的自动化和智能水平，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是本发明采用的卷积神经网络的结构示意图；

图3是本发明的控制图模式识别流程示意图；

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2，本发明设计中的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，用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提示报警。因此，对控制图模式的识别是进行过程质量控制的前提。

在生产中，产品的生产制造过程是一个受人员、机器、物料、加工方法、环境等多种因素影响的复杂非线性过程，产品生产过程质量特性数据流往往存在着波动，按照这些波动数据流的分布特点，美国西部电气公司将其分为六种模式，包括正常模式，向上阶跃和向下阶跃模式，向上趋势和向下趋势模式和周期模式。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。本发明提供的一种用于不同链长的控制图模式识别方法，包括以下步骤：

第一步，由蒙特卡洛仿真方法生成不同链长的六种控制图模式的特征数据。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。

由蒙特卡洛仿真方法生成不同链长的六种控制图模式的特征数据，具体方法是：

步骤1)，蒙特卡洛仿真方法生成的生产现场数据可以表示为y(t)，则：

y(t)＝μ+x(t)+d(t)

式中：y(t)表示在时间t采集的样本的值，t是采样时间，根据生产现场需要可以设定t的取值，从而生成所需要的不同链长控制图数据，μ是控制过程时的统计平均值，x(t)是在t时刻出现随机噪声，服从正态分布x(t)～N(0，σ²)，σ是过程处于受控状态时的标准差，d(t)是在时间t由制造过程中的特定因素引起的特殊干扰。

步骤2)，以步骤1)中生产现场的数据表示为基础，各种控制图模式的仿真方法如下：

正常模式由下式给出：

d(t)＝0

向上阶跃模式和向下阶跃模式由以下方式给出：

d(t)＝±v×s

式中：v是决定阶跃位置的参数，在阶跃之前等于0，在阶跃之后等于1，s是阶跃幅度；符号+用于US模式，符号-用于DS模式。

向上趋势模式和向下趋势模式由下式给出：

d(t)＝±v×d×t

式中：v是确定趋势位置的参数，在趋势之前等于0，在趋势之后等于1，d是趋势的斜率；符号+用于UT模式，符号-用于DT模式。

周期模式由下式给出：

d(t)＝v×a×sin(2πt/ω)

式中：a是一个周期的振幅，而ω是一个周期的周期。

步骤3)，根据步骤2)中的六种模式的表示方法，通过设定各参数取值，从而得到不同链长的六种控制图模式的数据。

第二步，对第一步得到的各种模式的数据绘制成对应不同链长的控制图图片；

第三步，采用卷积神经网络进行控制图模式识别；

首先，第二步得到的不同链长的控制图图片作为输入信号输入到卷积神经网络中；

然后，设定特征图的数量以及卷积核大小，将输入信号输入到第一个卷积层，卷积层的权重和偏差被组织为一系列卷积核。可以使用不同的卷积核获取一组输出特征图。每个输出特征图都是多个输入特征图和多个卷积核的卷积的结果，其公式为：

式中：*代表卷积运算,l代表当前网络层的序列号，D是特征图的数量，ω^l是将第(l-1)层连接到第l层的卷积核，其大小为r×c,r表示高度,l表示宽度,

表示第j个输出特征图,b是每个输出特征图的加性偏差，f是激活函数。最常用的非线性激活函数是Sigmoid函数和ReLU函数，分别由以下公式给出：

f(x)＝1/(1+e^-x)

f(x)＝max(0,x)

第l卷积层的特征图的大小是R_l×C_l,R代表高度,C代表宽度，其计算公式为：

R_l×C_l＝[(R_l-1-r)/s+1]×[(C_l-1-c)/s+1]

式中：s是卷积核的移动步长，在子采样层中，完成了下采样，因此可以快速减少特征图的维数，子采样层表示为：

式中：l代表当前网络层的序列号，D_l代表输入特征图的数量，xl_j代表第j个输出子样本图，down代表池化功能。

其次，将卷积层的输出作为池化层的输入，在最大池化中，将池化区域的最大值作为新特征，而在平均池化中，将池化区域的平均值作为新特征。第l个子采样层的输出子采样图的大小为R_l×C_l，通过以下方式计算：

R_l×C_l＝(R_l-1/u)×(C_l-1/u)

式中：u是池化操作的步长。

再次，输入信号经过三层卷积和三层池化之后，特征图在第一个完全连接的层中展开并拼接在一起，神经元的数量为M，代表卷积神经网络提取的M个特征。M的计算公式为：

M＝R_l-1×C_l-1×D_l-1

全连接层中的神经元与上一层中的所有神经元都具有完整连接，就像在常规神经网络中一样。因此，可以通过矩阵乘法后加上偏置来计算它们：

O＝f(ω_of_v+b_o)

式中：f_v是完全连接层的输入向量，b_o是偏置向量，ω_o是权重矩阵。

最后，卷积神经网络的最后一层是输出层，其中包含N个神经元，代表识别的模式类型的数量。在本发明中，N为6，对应六种控制图模式。

第四步，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，将实际生产中不同链长的控制图图片输入到识别模型中进行异常识别，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；

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；

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；

周期模式是由于机床功率的波动，电源的周期性变化以及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。

Claims (4)

1.一种用于不同链长的控制图模式识别方法，其特征在于，包括以下步骤：

步骤1，由蒙特卡洛仿真方法生成不同链长的六种控制图模式的特征数据，包括正常模式，向上阶跃和向下阶跃模式，向上趋势和向下趋势模式以及周期模式；

步骤2，对步骤1得到的各种模式的数据绘制成对应不同链长的控制图图片；

步骤3，建立用于控制图模式识别的卷积神经网络，将步骤2的不同链长的控制图图片输入网络进行训练，得到识别模型；

步骤4，根据步骤3建立的识别模型，将实际生产中的不同链长控制图的图片输入网络进行模式识别，对异常模式及时提示报警；

步骤3中，采用卷积神经网络进行控制图模式识别：

首先，将步骤2得到的不同链长的控制图图片作为输入信号输入到卷积神经网络中；

然后，设定特征图D的数量以及卷积核ω大小，将输入信号输入到第一个卷积层，卷积层的权重和偏差被组织为一系列卷积核，使用不同的卷积核获取一组输出特征图；每个输出特征图都是多个输入特征图和多个卷积核的卷积的结果，其公式为：

式中：*代表卷积运算,l代表当前网络层的序列号，D是特征图的数量，ω^l是将第(l-1)层连接到第l层的卷积核，其大小为r×c,r表示高度，c表示宽度，

表示第j个输出特征图，b是每个输出特征图的加性偏差，f是Sigmoid激活函数或ReLU激活函数，分别由以下公式给出：

f(x)＝1/(1+e^-x)

f(x)＝max(0,x)

第l卷积层的特征图的大小是R_l×C_l,R代表高度,C代表宽度，其计算公式为：

R_l×C_l＝[(R_l-1-r)/s+1]×[(C_l-1-c)/s+1]

式中：s是卷积核的移动步长，在子采样层中，完成了下采样，因此快速减少特征图的维数，子采样层表示为：

式中：l代表当前网络层的序列号，D_l代表输入特征图的数量，

代表第j个输出子样本图，down代表池化函数；

其次，将卷积层的输出作为池化层的输入，池化方法是最大池化和平均池化；在最大池化中，将池化区域中的最大值作为新特征，而在平均池化中，将池化区域中的平均值作为新特征；第l个子采样层的输出子采样图的大小为R_l×C_l，通过以下方式计算：

R_l×C_l＝(R_l-1/u)×(C_l-1/u)

式中：u是池化操作的步长；

再次，输入信号经过三层卷积和三层池化之后，特征图在第一个完全连接的层中展开并拼接在一起，神经元的数量为M，代表卷积神经网络提取的M个特征；M的计算公式为：

M＝R_l-1×C_l-1×D_l-1

全连接层中的神经元与上一层中的所有神经元都具有完整连接，因此，通过矩阵乘法后加上偏置来计算它们：

O＝f(ω_of_v+b_o)

式中：f_v是完全连接层的输入向量，b_o是偏置向量，ω_o是权重矩阵；

最后，卷积神经网络的最后一层是输出层，其中包含N个神经元，代表识别的模式类型的数量,，N为6，对应六种控制图模式。

2.根据权利要求1所述的一种用于不同链长的控制图模式识别方法，其特征在于，步骤1中，由蒙特卡洛仿真方法生成不同链长的六种控制图模式的特征数据，具体方法是：

步骤1)蒙特卡洛仿真方法生成的生产现场数据表示为y(t)，则：

y(t)＝μ+x(t)+d(t)

式中：y(t)表示在时间t采集的样本的值，t是采样时间，根据生产现场需要设定t的取值，从而生成所需要的不同链长控制图数据，μ是控制过程时的统计平均值，x(t)是在t时刻出现随机噪声，服从正态分布x(t)～N(0，σ²)，σ是过程处于受控状态时的标准差，d(t)是在时间t由制造过程中的特定因素引起的特殊干扰；

步骤2)，以步骤1)中生产现场的数据表示为基础，各种控制图模式的仿真方法如下：

正常模式由下式给出：

d(t)＝0

向上阶跃模式和向下阶跃模式由以下方式给出：

d(t)＝±v×s

式中：v是决定阶跃位置的参数，在阶跃之前等于0，在阶跃之后等于1，s是阶跃幅度；符号+用于向上阶跃模式，符号-用于向下阶跃模式；

向上趋势模式和向下趋势模式由下式给出：

d(t)＝±v×d×t

式中：v是确定趋势位置的参数，在趋势之前等于0，在趋势之后等于1，d是趋势的斜率；符号+用于UT模式，符号-用于DT模式；

周期模式由下式给出：

d(t)＝v×a×sin(2πt/ω)

式中：a是一个周期的振幅，而ω是一个周期的周期；

步骤3)，根据步骤2)中的六种模式的表示方法，通过设定各参数取值，从而得到不同链长的六种控制图模式的数据。

3.根据权利要求2所述的一种用于不同链长的控制图模式识别方法，其特征在于，步骤2中，对步骤1得到的各种模式的数据绘制成对应不同链长的控制图图片。

4.根据权利要求1所述的一种用于不同链长的控制图模式识别方法，其特征在于，步骤4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，将实际生产中不同链长的控制图图片输入到识别模型中进行异常识别，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；

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；

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；

周期模式是由于机床功率的波动，电源的周期性变化以及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。

Images