[发明专利]一种基于改进遗传算法优化的质量控制图模式识别方法

说明书

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。

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)