基于支持向量機(jī)的智能質(zhì)量控制及關(guān)鍵技術(shù)研究.pdf

1、本論文是國家自然科學(xué)基金資助項目--“基于支持向量機(jī)的智能質(zhì)量控制方法及關(guān)鍵技術(shù)研究”(批準(zhǔn)號：70672096，起止日期：2007.1-2009.12)研究內(nèi)容的一部分，主要針對多品種、小批量生產(chǎn)模式下的質(zhì)量控制和信息集成問題進(jìn)行研究和討論，本論文的研究內(nèi)容主要分為以下四個部分：
　　 第一部分--參數(shù)設(shè)計的智能方法研究：
　　 研究參數(shù)設(shè)計的智能輔助方法及相關(guān)技術(shù)。采用支持向量機(jī)(SVM)回歸方法對正交試驗(yàn)數(shù)據(jù)進(jìn)行擬

2、合，建立質(zhì)量指標(biāo)和信噪比與各參數(shù)之間精確的關(guān)系模型，通過參數(shù)優(yōu)化設(shè)計，在實(shí)現(xiàn)對質(zhì)量目標(biāo)值逼近的同時減小質(zhì)量波動。
　　 第二部分--質(zhì)量信息采集與集成技術(shù)研究：
　　 (1)研究了傳感器靜態(tài)非線性特性的智能識別方法及相關(guān)技術(shù)，在對傳感器靜態(tài)非線性特性認(rèn)識的基礎(chǔ)上，提出基于最小二乘支持向量機(jī)(LS-SVM)的識別方法，建立了LS-SVM識別模型，并對溫度傳感器進(jìn)行了靜態(tài)非線性校正，同時對參考端溫度進(jìn)行了補(bǔ)償；研究了傳感系統(tǒng)

3、的動態(tài)非線性特性，將動態(tài)非線性響應(yīng)分為靜態(tài)非線性和動態(tài)線性兩個部分，在此基礎(chǔ)上建立動態(tài)非線性逆響應(yīng)數(shù)學(xué)模型，并建立LS-SVM校正模型。實(shí)驗(yàn)表明，LS-SVM模型能夠?qū)鞲衅鞯撵o態(tài)非線性和動態(tài)非線性誤差進(jìn)行有效地補(bǔ)償，提高了信息采集的精度。
　　 (2)研究了多傳感器的信息采集問題。分析和討論了傳感器陣列在多個信息解耦和提取中面臨的問題，提出基于SVM的多傳感器多維信息提取的智能方法，建立輸入與所有耦合輸出的智能模型，實(shí)現(xiàn)對輸入

4、信號的提取。仿真實(shí)驗(yàn)表明，該方法無需對各個傳感器的特性作具體的了解便能夠一次性完成對所有輸入信號的提取，且具有精度高、速度快的優(yōu)點(diǎn)，適合對多維信號的測量。
　　 第三部分--過程質(zhì)量控制技術(shù)研究：
　　 (1)提出了一種基于LS-SVM構(gòu)造函數(shù)鏈接型神經(jīng)網(wǎng)絡(luò)(FLANN)的加工機(jī)械狀態(tài)診斷方法，在對傳統(tǒng)FLANN診斷結(jié)構(gòu)認(rèn)識的基礎(chǔ)上，提出了基于LS-SVM回歸方法改進(jìn)的FLANN識別結(jié)構(gòu)，從理論上分析了該方法的優(yōu)越性。應(yīng)

5、用結(jié)果表明，該方法繼承了LS-SVM的優(yōu)點(diǎn)，保證了學(xué)習(xí)過程全局收斂、結(jié)果唯一和魯棒性。
　　 (2)針對控制圖模式識別中存在憑經(jīng)驗(yàn)、主觀臆斷及滯后等問題，提出了基于主元分析(PCA)和SVM的控制圖模式識別方法。在對控制圖可能存在的8種“微觀”異常進(jìn)行識別后，采用了PCA方法對控制圖樣本進(jìn)行主元分析，得到各樣本在三維主元空間的特征分布圖，建立對應(yīng)的SVMHAH聚類結(jié)構(gòu)；針對混合型控制圖，提出了基于SVMOAO投票策略的識別方法，

6、實(shí)驗(yàn)表明，上述方法可以有效提高控制圖識別精度，并且具有識別速度快的優(yōu)點(diǎn)，適合控制圖模式的實(shí)時在線識別。
　　 (3)在對現(xiàn)有各種預(yù)測模型分析的基礎(chǔ)上，提出基于SVM和LS-SVM的產(chǎn)品質(zhì)量預(yù)測方法，對基于時間序列的質(zhì)量預(yù)測，根據(jù)歷史產(chǎn)品對未來短期產(chǎn)品質(zhì)量影響遵從“近重輕遠(yuǎn)”原則的實(shí)際特點(diǎn)，提出了加權(quán)最小二乘支持向量機(jī)(WLS-SVM)。提出基于標(biāo)準(zhǔn)誤差σ的工序波動預(yù)測，降低隨機(jī)因素的干擾，增加了預(yù)測結(jié)果的客觀性和使用價值。對SV

7、M模型的參數(shù)進(jìn)行了優(yōu)化，提出基于預(yù)測樣本均方差MSE最小的迭代尋優(yōu)方法，提高了模型的預(yù)測精度，實(shí)驗(yàn)結(jié)果令人滿意。
　　 第四部分--質(zhì)量檢測階段的質(zhì)量控制技術(shù)研究：
　　 針對產(chǎn)品質(zhì)量無法或不便直接判斷、評價的問題，建立了產(chǎn)品質(zhì)量與特征參數(shù)之間的LS-SVM智能診斷模型。該模型能夠通過一些可測或易測的相關(guān)參數(shù)，對產(chǎn)品質(zhì)量進(jìn)行及時、準(zhǔn)確地判斷，應(yīng)用結(jié)果表明了該方法的有效性。
　　 本論文以SVM及其改進(jìn)模型等新型人