[发明专利]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

说明书

技术领域

本发明属于质量工程技术领域，具体涉及一种基于支持向量机和遗传优化多元质量过程失控信号诊断方法。

背景技术

在多变量工业生产过程中，当T²控制图发出报警信号时，并不能告知具体哪个变量或是变量的组合失控。目前，多变量异常信号的诊断问题已经成为多变量过程控制中的研究热点。Hotelling最先认识到单变量控制图容易忽略变量之间的相关性，并提出了监控多元质量特性的Hotelling统计量。近年来，基于数据挖掘的多元过程质量诊断方法得到了深入的研究。文献[1](杜福洲,唐晓青.基于PCA的多元质量控制与诊断方法研究.制造业自动化,2006(8):10-18.)给出了基于PCA的多元质量控制与诊断方法，提出了一个过程模型，有效地降低了过程受控变量的维数，并且消除了变量之间共线性所带来的困难。但由于每个主成分可能包含多个原始变量，因而异常值很难解释到原始变量。文献[2](J.-b.Yu,L.-f.Xi,“A neural network ensemble-based model for on-line monitoring and diagnosis of out-of-control signals in multivariate manufacturing processes,”Expert Systems with Applications,vol.36,pp:909-921,2009.)采用离散粒子群优化算法和神经网络来监控二元过程的失控信号，取得不错的效果。文献[3](Chuen-Sheng Cheng,Pei-Wen Chen and Kuo-Ko Huang,“Estimating the shift size in the process mean with support vector regression and neural networks,”Expert Systems with Applications,vol.38,pp:10624-10630,2011.)采用支持向量机进行训练，使用训练好的支持向量机模型来预测异常过程的均值偏移幅值。作为一种新兴的学习机器，SVM还存在有待完善的地方。其参数选取便是亟待解决的问题之一，惩罚因子C、核函数g以及核函数参数取值的好坏直接影响分类器的识别精度和效率。

发明内容

为了克服以上不足，考虑到遗传算法(Genetic Algorithm,GA)是一种基于群体的智能寻优算法，具有很强鲁棒性，隐含并行性和全局搜索特性等优点。鉴于此，本发明首次使用支持向量机和遗传算法来进行多元质量过程失控信号诊断。利用遗传算法搜索出的最优的支持向量机模型，以此来进行质量诊断，避免了参数选择的盲目性和不准确性，同时提高了诊断准确率。

本发明的技术方案如下：一种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，其关键在于按如下步骤进行：

步骤一：根据多元过程的均值维数确定可能导致多元质量过程异常的信号类型，即确定分类器模型的结构；对于一个P维工序过程，其每个变量有正常和异常两种状态，共有2^p种可能的情况，一旦T²控制图发现过程异常，其异常情况一定属于(2^p-1)种异常状态之一，将这(2^p-1)种不同的异常状态看成是(2^p-1)种需要加以识别的异常模式，则多元过程的质量诊断问题就是一个多类型的模式识别问题。

针对一个P维工序过程，设变量x₁,x₂,…,x_p构成一个系统，对此系统可应用多元T²控制图进行监控。其特征参数如下：

（1）μ_i,i=1,2,…,p；

（2）σ_i,i=1,2,…,p；

（3）S_ij,i≠j,i,j=1,2,…,p.

若所有上述参数全部异常，当然系统异常。但若在上述参数中只有部分参数异常，其余正常，则如何判异常？因此，与一元控制图的判异不同，多元控制图的判异必须从整个系统出发，应用一个综合评价指标对整个系统进行总评价。T²控制图的统计量T²值就是一个评价整个系统的科学的总评价值。