劉玉敏，趙哲耘

(鄭州大學(xué) 商學(xué)院，鄭州 450001)

基于多特征與MSVM的動(dòng)態(tài)過(guò)程異常監(jiān)控*

劉玉敏，趙哲耘

(鄭州大學(xué) 商學(xué)院，鄭州 450001)

為了提高動(dòng)態(tài)過(guò)程異常模式的監(jiān)控效率和精度，將動(dòng)態(tài)過(guò)程質(zhì)量模式的統(tǒng)計(jì)特征和小波變換低頻近似系數(shù)作為分類(lèi)特征的方法，并通過(guò)支持向量機(jī)構(gòu)建多分類(lèi)識(shí)別模型。首先提取出動(dòng)態(tài)數(shù)據(jù)流的均值特征，將六種質(zhì)量模式劃分為正常與周期模式、向上模式、向下模式三大類(lèi)；接著采用均方幅值特征和斜率特征將正常與周期模式進(jìn)行細(xì)分；最后利用低頻系數(shù)對(duì)向上模式和向下模式進(jìn)行進(jìn)一步識(shí)別。仿真實(shí)驗(yàn)表明，所提模型兼顧識(shí)別精度與計(jì)算效率，是一種有效的動(dòng)態(tài)過(guò)程異常監(jiān)控方法。

動(dòng)態(tài)過(guò)程；質(zhì)量異常模式；小波變換；統(tǒng)計(jì)特征；支持向量機(jī)

0 引言

生產(chǎn)制造過(guò)程具有時(shí)變性、高噪聲、非平穩(wěn)等特點(diǎn)，由于受到過(guò)程中人、機(jī)、料、法、環(huán)、測(cè)等因素的影響，極易產(chǎn)生異常波動(dòng)。當(dāng)傳感器采集到的數(shù)據(jù)流呈現(xiàn)出異常變化趨勢(shì)時(shí)，通常表明加工狀態(tài)存在潛在問(wèn)題。對(duì)生產(chǎn)過(guò)程進(jìn)行有效的監(jiān)控，及時(shí)發(fā)現(xiàn)并消除造成生產(chǎn)過(guò)程中的質(zhì)量異常波動(dòng)的因素，是確保產(chǎn)品質(zhì)量、降低企業(yè)質(zhì)量成本的關(guān)鍵。因此，如何提高智能監(jiān)控方法對(duì)于質(zhì)量異常模式的識(shí)別精度，成為了質(zhì)量異常監(jiān)控的核心問(wèn)題[1]。

由于連續(xù)性、非線性、動(dòng)態(tài)性的生產(chǎn)過(guò)程產(chǎn)生的數(shù)據(jù)流具有高維度、高噪聲等特點(diǎn)，對(duì)質(zhì)量異常模式識(shí)別方法的研究主要集中在基于特征提取的質(zhì)量異常模式識(shí)別方面[2-4]。例如，Hassan[5]使用6種統(tǒng)計(jì)特征對(duì)質(zhì)量異常模式進(jìn)行識(shí)別，該方法兼顧了識(shí)別精度和效率；吳少雄[6]利用一維離散小波變換，而后采用概率神經(jīng)網(wǎng)絡(luò)建立了異常識(shí)別模型；Vahid等人[7]將統(tǒng)計(jì)特征與形狀特征進(jìn)行混合，建立了多分類(lèi)支持向量機(jī)(MSVM)模型，并取得了較高的識(shí)別精度。綜上所述，當(dāng)前基于特征提取的方法主要通過(guò)單一數(shù)據(jù)特征或多特征混合與分類(lèi)器相結(jié)合。然而，由于不同質(zhì)量模式間具有不同的分類(lèi)特征，單一類(lèi)特征會(huì)造成信息的缺失；多特征混合會(huì)增加分類(lèi)特征維度從而降低模型的識(shí)別效率。如何根據(jù)不同質(zhì)量模式的特點(diǎn)提取維度低、表征能力強(qiáng)的特征并構(gòu)建高效的識(shí)別模型成為了動(dòng)態(tài)過(guò)程異常監(jiān)控的關(guān)鍵。本文提出了一種基于小波變換與統(tǒng)計(jì)特征相結(jié)合的MSVM動(dòng)態(tài)過(guò)程異常監(jiān)控方法。首先利用均值特征將六種質(zhì)量模式分為三大類(lèi)。繼而，分別通過(guò)統(tǒng)計(jì)特征提取和小波變換對(duì)數(shù)據(jù)流的模式進(jìn)行進(jìn)一步識(shí)別，并使用粒子群算法對(duì)SVM進(jìn)行優(yōu)化，建立基于多特征與MSVM的識(shí)別模型。仿真實(shí)驗(yàn)表明，本文所提模型能夠有效提高識(shí)別精度并減少計(jì)算量。

1 動(dòng)態(tài)過(guò)程質(zhì)量模式分類(lèi)

在生產(chǎn)過(guò)程中，動(dòng)態(tài)過(guò)程由于受到偶然因素和異常因素的影響，其質(zhì)量特性值的波動(dòng)也呈不同的變化形態(tài)。其中，偶然影響下的質(zhì)量特性值在目標(biāo)值上下隨機(jī)波動(dòng)如圖1a所示，其動(dòng)態(tài)過(guò)程運(yùn)行狀態(tài)當(dāng)屬于正常模式(Normal pattern,NOR)。當(dāng)生產(chǎn)加工過(guò)程受到異常因素影響時(shí)，動(dòng)態(tài)數(shù)據(jù)流呈現(xiàn)上升趨勢(shì)(Increasing Trend, IT)、下降趨勢(shì)(Decreasing Trend, DT)、向上階躍(Upward Shift, US)、向下階躍(Downward Shift, DS)和周期模式(Cycle, CYC)，6種質(zhì)量模式如圖1所示。

圖1 動(dòng)態(tài)過(guò)程質(zhì)量模式

由于實(shí)際生產(chǎn)過(guò)程中的數(shù)據(jù)難以批量獲取，因此根據(jù)其他學(xué)者的研究經(jīng)驗(yàn)，本文采用Monte Carlo方法生成所需要的樣本數(shù)據(jù)，公式如下：

x(t)=μ+γ×σ+d(t),t=1,2,…,n

(1)

式中，x(t)為t時(shí)刻下質(zhì)量特性值；μ為質(zhì)量特性目標(biāo)值；σ為過(guò)程標(biāo)準(zhǔn)差；γ為隨機(jī)因素造成的波動(dòng)，通常為服從(0,σ2)的高斯白噪聲，在此令γ～N(0,1)，d(t)為異常因素導(dǎo)致的波動(dòng)。為了簡(jiǎn)化仿真實(shí)驗(yàn)，通常取μ=0，正常、周期、趨勢(shì)和階躍模式的仿真見(jiàn)式(2)～式(5)：

x(t)=μ+γ×σ

(2)

x(t)=μ+γ×σ+Asin(2πt/T)

(3)

x(t)=μ+γ×σ±k×t

(4)

x(t)=μ+γ×σ±b×s

(5)

式中：k為趨勢(shì)變化斜率，在此取k∈[0.2σ,0.4σ]；T為變化周期，通常取T=15或20；A為周期幅度，取A∈[1σ,2.5σ]；s為階躍幅度，取s∈[1σ,2.5σ]；b為階躍位置，階躍前b=0，階躍后b=1。

2 質(zhì)量異常模式識(shí)別模型

2.1 質(zhì)量模式統(tǒng)計(jì)特征提取

統(tǒng)計(jì)數(shù)據(jù)在刻畫(huà)動(dòng)態(tài)過(guò)程質(zhì)量模式的基本特征時(shí)，可以通過(guò)提取不同的統(tǒng)計(jì)特征來(lái)增加不同模式間的區(qū)分度，從而提高分類(lèi)器對(duì)質(zhì)量異常模式的識(shí)別效率和識(shí)別精度[8-9]。本文在文獻(xiàn)[8-9]的基礎(chǔ)上，進(jìn)一步選取均值、均方幅值和斜率作為特征參與后續(xù)的質(zhì)量異常模式識(shí)別。選取的依據(jù)是：①該特征能夠有效的區(qū)分六種動(dòng)態(tài)過(guò)程質(zhì)量模式；②控制所取特征集的維度，降低訓(xùn)練復(fù)雜度。依據(jù)式(6)～式(8)對(duì)動(dòng)態(tài)數(shù)據(jù)流提取均值特征、均方幅值及斜率特征：

(6)

(7)

(8)

2.2 一維離散小波分解

雖然原始特征對(duì)質(zhì)量模式序列有較為全面的描述，能反映了全局信息，但由于原始數(shù)據(jù)受到大量的噪聲干擾，實(shí)用性較差。為凸顯數(shù)據(jù)流的變化信息，將動(dòng)態(tài)數(shù)據(jù)流進(jìn)行一維離散小波分解，分別獲取高頻細(xì)節(jié)部分和低頻近似部分。低頻近似系數(shù)過(guò)濾掉了周期信號(hào)和噪聲信號(hào)，保留了趨勢(shì)信號(hào)和階躍信號(hào)。因此為了使得所提取的特征對(duì)趨勢(shì)模式和階躍模式間具有更強(qiáng)的區(qū)分性，本文對(duì)原始數(shù)據(jù)進(jìn)行一維離散小波分解。如圖2所示。

一維離散小波分解(DiscreteWaveletTransform,DWT)通過(guò)低通濾波器h(n)和高通濾波器g(n)，將數(shù)據(jù)流X(t)分解為高頻細(xì)節(jié)系數(shù)和低頻近似系數(shù)，經(jīng)過(guò)L層變換后，能夠有效的刻畫(huà)數(shù)據(jù)流變化趨勢(shì)的信息分布在低頻部分，其噪聲主要分布在高頻細(xì)節(jié)部分。在第j層上的一維離散小波變換通過(guò)正交投影PjX和QjX將Pj-1X分解為：

(9)

(10)

(11)

式(9)～式(11)中，P0X=X，h(n)和g(h)分別為低通與高通權(quán)重系數(shù)，p為權(quán)系數(shù)的長(zhǎng)度。cAj為低頻近似系數(shù)，cDj為高頻細(xì)節(jié)系數(shù)；N為輸入信號(hào)長(zhǎng)度，L為分解的層數(shù)；φ(t)和ψ(t)分別為尺度函數(shù)和小波基函數(shù)。

圖2 一維離散小波分解與重構(gòu)

3 基于PSO-SVM的識(shí)別模型

3.1 分類(lèi)器構(gòu)建

支持向量機(jī)(SupportVectorMachine，SVM)通過(guò)尋求結(jié)構(gòu)風(fēng)險(xiǎn)最小化來(lái)提高分類(lèi)器的泛化能力，并通過(guò)核函數(shù)將線性不可分的數(shù)據(jù)映射到高維空間尋找最優(yōu)分類(lèi)超平面；SVM在解決小樣本、非線性和高維模式識(shí)別問(wèn)題中展現(xiàn)出許多特有的優(yōu)勢(shì)，解決了小樣本和線性不可分的二分類(lèi)問(wèn)題。其分類(lèi)原理如下：

(12)

s.t.yi(ωTxi+b)≥1-ξi,i=1,2,…,n

(13)

式中:ξi為松弛變量；C為懲罰因子，C越大表明對(duì)錯(cuò)誤分類(lèi)的懲罰力度越大。引入核函數(shù)k(xi,x)后，可得到SVM的分類(lèi)函數(shù)為：

(14)

由SVM的原理可知，單個(gè)的SVM僅能解決二分類(lèi)問(wèn)題，對(duì)于要識(shí)別六種質(zhì)量異常模式，需要構(gòu)建多支持向量機(jī)模型(MSVM)來(lái)實(shí)現(xiàn)多分類(lèi)問(wèn)題。常用的用于構(gòu)建MSVM的方法有一對(duì)多(One Versus Rest, O-V-R)、一對(duì)一(One Versus One，O-V-O)、半對(duì)半(Half Against Haft，HAH)、有向無(wú)環(huán)圖等[10]。本文將“一對(duì)一”與“半對(duì)半”的方法結(jié)合起來(lái)構(gòu)建MSVM。SVM中罰函數(shù)和核函數(shù)參數(shù)的選擇直接影響到支持向量機(jī)分類(lèi)精度，用支持向量機(jī)做分類(lèi)時(shí)，最大的問(wèn)題就是如何選擇模型的參數(shù)[11]。由于粒子群算法(Particle Swarm Optimization，PSO)具有無(wú)需編碼、收斂速度快、操作簡(jiǎn)單等優(yōu)點(diǎn)，因此，本文采用粒子群算法對(duì)支持向量機(jī)的罰函數(shù)和函核數(shù)參數(shù)進(jìn)行優(yōu)化，尋找到模型的全局最優(yōu)解，從而提升分類(lèi)器的分類(lèi)性能。本文構(gòu)建的識(shí)別模型如圖3所示。

圖3 基于PSO-SVM的質(zhì)量異常模式識(shí)別模型

核函數(shù)需要滿足Mercer條件，常見(jiàn)的核函數(shù)包括：

(1)多項(xiàng)式核函數(shù)：

K(x,xi)=x·xi

(15)

(2)p階多項(xiàng)式核函數(shù)：

K(x,xi)=[(x·xi)+1]ρ

(16)

(3)多層感知機(jī)核函數(shù)：

K(x,xi)=tanh[v(x·xi)+c]

(17)

(4)高斯徑向基核函數(shù):

(18)

高斯核函數(shù)(RadialBasisFunction，RBF)被廣泛用于質(zhì)量診斷中，實(shí)驗(yàn)表明，RBF核函數(shù)擁有更好的識(shí)別精度。因此，本文選用RBF核函數(shù)作為SVM中的核函數(shù)。

3.2PSO參數(shù)尋優(yōu)

粒子群算法(ParticleSwarmOptimization)是種群智能算法，最初受到飛鳥(niǎo)捕食研究的啟發(fā)，其原理是通過(guò)群體中粒子間的合作與競(jìng)爭(zhēng)產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索。算法中，每個(gè)粒子的位置都為待優(yōu)化問(wèn)題的一個(gè)隨機(jī)解，并且每個(gè)粒子都具有一個(gè)適應(yīng)度，該適應(yīng)度由目標(biāo)函數(shù)決定。由于目前SVM參數(shù)的選擇大多還依賴于經(jīng)驗(yàn)和手動(dòng)的方法，缺乏指導(dǎo)參數(shù)選擇的理論支撐，存在盲目性和效率低等問(wèn)題。故本文通過(guò)PSO算法實(shí)現(xiàn)SVM的參數(shù)自動(dòng)尋優(yōu)，如圖4所示。即將SVM-RBF的核函數(shù)參數(shù)g和懲罰因子C作為粒子群算法中的粒子的位置，即Xi=(C,g)，并選取SVM的識(shí)別精度作為算法的適應(yīng)度函數(shù)，其表達(dá)式為：

(19)

式中，Ctrue和Cfalse分別為分類(lèi)正確數(shù)和分類(lèi)錯(cuò)誤數(shù)。

粒子群算法的數(shù)學(xué)表達(dá)為：在n維空間，X={x1,x2,…,xm}為優(yōu)m個(gè)粒子組成的種群，在t時(shí)刻，第i個(gè)粒子的位置為Xi(t)=(xi1(t),xi2(t),…,xiN(t))，其個(gè)體最優(yōu)位置為Pi(t)=(pi1,pi2,…,piN),其全局最優(yōu)位置表示為Pg(t)=(pg1,pg2,…,pgN)，則SVM中粒子的速度的更新過(guò)程如式(20)：

υij(t+1)=υij(t)+c1rand()[pij(t)-zij(t)]+

c2rand()[pgj(t)-zij(t)]zij(t+1)=zij(t)+υij(t+1)

(20)

式中：υij(t)表示第i個(gè)粒子在第t次迭代中第j維上的速度。c1和c2為加速常數(shù)，pij和pgj分別為粒子的局部極值和全局極值，rand()為0～1范圍內(nèi)的隨機(jī)數(shù)，zij為第i個(gè)粒子在第j維空間上的位置。

圖4 SVM參數(shù)尋優(yōu)

4 仿真實(shí)驗(yàn)分析

4.1 數(shù)據(jù)特征提取

很據(jù)MonteCarlo公式，對(duì)每種模式仿真生成120組仿真樣本，其中前20個(gè)為訓(xùn)練樣本，另外100組為測(cè)試樣本，共生成720組數(shù)據(jù)，每組樣本均為60維，總計(jì)43200個(gè)質(zhì)量特性值點(diǎn)。

首先，對(duì)6種質(zhì)量模式序列原始數(shù)據(jù)提取均值特征。均值特征可以有效的把正常模式、周期模式、上升趨勢(shì)、下降趨勢(shì)、向上階躍、向下階躍分為正常與周期模式、上升趨勢(shì)與向上階躍模式、下降趨勢(shì)與向下階躍模式三大類(lèi)[12]，見(jiàn)圖5a。接著，提取正常模式和周期模式的均方幅值特征和斜率特征作為PSO-SVM2的輸入特征向量。由圖5b可知，均方幅值特征和斜率特征可以有效的對(duì)兩種模式進(jìn)行區(qū)分。

(a) (b)圖5 統(tǒng)計(jì)特征可視化

而后，采用Db4小波函數(shù)對(duì)趨勢(shì)模式和階躍模式的原始數(shù)據(jù)進(jìn)行三水平的一維離散小波分解。從圖6可以得知，cA3有效去除了原始數(shù)據(jù)中的周期信號(hào)和噪聲信號(hào)，保留了動(dòng)態(tài)數(shù)據(jù)流的主要變化特征。因此，分別提取向上模式和向下模式的低頻近似系數(shù)作為PSO-SVM4和PSO-SVM5分類(lèi)器的輸入特征向量。

圖6 一維離散小波三層分解后的低頻系數(shù)

4.2SVM訓(xùn)練及參數(shù)優(yōu)化

實(shí)驗(yàn)基于MATLAB和LIBSVM工具箱，模型是支持向量分類(lèi)機(jī)(SVC)。利用PSO算法確定SVM的最優(yōu)參數(shù)組合。其中，PSO算法的設(shè)定參數(shù)C的范圍為[0.1,100]，參數(shù)的變化范圍為[0.01,1000]；粒子進(jìn)化代數(shù)為200次，PSO種群數(shù)量為20，加速常數(shù)C1和C2的值設(shè)定為1.5和1.7。參數(shù)初始化完成后，利用統(tǒng)計(jì)特征、小波低頻近似系數(shù)多特征對(duì)每個(gè)SVM進(jìn)行參數(shù)優(yōu)化及訓(xùn)練，本文模型的識(shí)別精度及參數(shù)見(jiàn)表1。

表1 SVM-RBF參數(shù)優(yōu)化及識(shí)別性能

4.3 試驗(yàn)結(jié)果對(duì)比分析

為驗(yàn)證本文所提模型對(duì)質(zhì)量模式識(shí)別的有效性，利用上述Monte Carlo方法產(chǎn)生的720組相同數(shù)據(jù)對(duì)不同方法的識(shí)別性能進(jìn)行對(duì)比，其中每種模式下的訓(xùn)練集和測(cè)試集分別為20組和100組。首先利用粒子群算法對(duì)SVM-RBF的參數(shù)進(jìn)行尋優(yōu)，將所提多特征分別與原始特征、統(tǒng)計(jì)特征、和小波分解近似系數(shù)與統(tǒng)計(jì)特征混合下的PSO- MSVM進(jìn)行對(duì)比，識(shí)別性能見(jiàn)表2。

表2 基于不同特征的識(shí)別結(jié)果

由表2可知，采用不同特征提取方法，模型的識(shí)別性能也有較大差異。原始特征中包含有大量的噪聲，無(wú)法取得較高的識(shí)別精度；使用單一種類(lèi)統(tǒng)計(jì)特征對(duì)動(dòng)態(tài)過(guò)程質(zhì)量模式進(jìn)行識(shí)別時(shí)，總體識(shí)別精度相對(duì)較低，為94.5%；多特征混合模型的總體識(shí)別精度分別為97.3%?；诮y(tǒng)計(jì)特征特征的識(shí)別方法會(huì)造成質(zhì)量模式序列的信息缺失，因此相比原始數(shù)據(jù)其識(shí)別率提升有限；基于多特征混合和小波包方法的識(shí)別模型在一定程度上彌補(bǔ)了單一特征的信息缺失，但其會(huì)增加特征維度，從而降低模型的識(shí)別效率。而本文所提模型能根據(jù)不同質(zhì)量模式的特點(diǎn)提取維度低、表征能力強(qiáng)的特征，并與MSVM相結(jié)合，大大降低了模型的計(jì)算復(fù)雜度。仿真實(shí)驗(yàn)表明，基于多特征的MSVM模型對(duì)動(dòng)態(tài)過(guò)程質(zhì)量異常模式具有較好的監(jiān)控性能。

5 結(jié)束語(yǔ)

本文根據(jù)各個(gè)質(zhì)量模式的特點(diǎn)提出了一種基于多特征與MSVM的動(dòng)態(tài)過(guò)程質(zhì)量實(shí)時(shí)監(jiān)控新方法。該方法首先采用均值特征將動(dòng)態(tài)過(guò)程質(zhì)量模式分為兩大類(lèi)，即正常與周期模式和階躍與趨勢(shì)模式，并進(jìn)一步將階躍與趨勢(shì)模式分為向上模式和向下模式。通過(guò)提取均方幅值特征和斜率特征進(jìn)一步區(qū)分正常模式和周期模式；通過(guò)一維離散小波的低頻近似系數(shù)對(duì)向上模式和向下模式進(jìn)行進(jìn)一步分類(lèi)。然后，使用粒子群算法實(shí)現(xiàn)對(duì)分類(lèi)器的參數(shù)優(yōu)化，并進(jìn)一步訓(xùn)練得到支持向量機(jī)分類(lèi)器。通過(guò)與單一特征、混合特征識(shí)別模型的分類(lèi)性能進(jìn)行對(duì)比，仿真結(jié)果表明，該方法有如下特點(diǎn)：(1)均值特征、斜率特征、均方幅值能夠有效的降低分類(lèi)器輸入向量的特征維數(shù)，其中，斜率特征和均方幅值特征能夠有效的對(duì)周期模式和正常模式進(jìn)行區(qū)分，在提升分類(lèi)器性能的同時(shí)，提高訓(xùn)練和識(shí)別效率。

(2)一維離散小波低頻近似系數(shù)能夠過(guò)濾掉周期信號(hào)和噪聲信號(hào)，保留趨勢(shì)信號(hào)和階躍信號(hào)，可有效的對(duì)上述兩種信號(hào)做出分類(lèi)。但從圖6可知，第三層低頻近似系數(shù)已經(jīng)破壞了原始數(shù)據(jù)中的一些關(guān)鍵信息，并且隨著分解水平的增加，信息缺失更為明顯，如何使得特征更能突出原始數(shù)據(jù)的趨勢(shì)變化特性需要進(jìn)一步研究。

[1] 桌德保, 徐濟(jì)超. 質(zhì)量診斷技術(shù)及其應(yīng)用研究綜述[J].系統(tǒng)工程學(xué)報(bào), 2008, 23(3)：101-104.

[2] Petros X, Talayeh R. A weighted support vector machine method for control chart pattern recognition[J]. Computer&Industrial Engineering, 2014, 70：134-149.

[3] 趙方方,何楨. 基于SVM的控制圖模式識(shí)別方法研究[J].組合機(jī)床與自動(dòng)化加工技術(shù), 2009(8)：1-4.

[4] Du S C, Huang D L,Jun L. Recognition of concurrent control chart patterns using wavelet transform decomposition and multiclass support vector machines[J]. Computers & Industrial Engineering, 2013, 66 (5): 683-695.

[5] A Hassan, M Shariff,AM shaharoun,et al. Improved SPC chart pattern recognition using statistical features[J]. International Journal of Production Research, 2003, 41(7): 1587-1603.

[6] 吳少雄. 基于小波概率神經(jīng)網(wǎng)絡(luò)的控制圖模式識(shí)別[J]. 中國(guó)機(jī)械工程, 2006,17(s2): 135-139.

[7] Vahid R,Ata E,Reza G. Application of the PSO-SVM model for recognition of control chart patterns[J]. ISA Transaction, 2010,49:577-586.

[8] Ata E, Jalil A, Vahid R. Recognition of control chart patterns using an intelligent technique[J]. Applied Soft Computing, 2013,13(5):2970-2980.

[9] 張宇波, 藺小楠. 改進(jìn)序列向前選擇法(ISFS)和極限學(xué)習(xí)機(jī)(ELM)相結(jié)合的SPC控制圖模式識(shí)別方法[J]. 青島科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015,35(2): 322-326.

[10] 劉玉敏,周昊飛.基于MSVM的多品種小批量動(dòng)態(tài)過(guò)程在線質(zhì)量智能診斷[J].中國(guó)機(jī)械工程, 2015,26(17):2356-2363.

[11] 張敏,程文明.基于自適應(yīng)粒子群算法和支持向量機(jī)的控制圖模式識(shí)別[J].工業(yè)工程,2012,15(5):125-129.

[12] 劉玉敏,周昊飛.基于小波重構(gòu)與SVM-BPNN的動(dòng)態(tài)過(guò)程在線智能監(jiān)控[J].系統(tǒng)工程理論與實(shí)踐, 2016, 36(7)：1890-1897.

(編輯 李秀敏)

Dynamic Process Abnormal Monitoring Based on Multi-features with MSVM

LIU Yu-min，ZHAO Zhe-yun

(Business School, Zhengzhou University, Zhengzhou 450001, China)

In order to improve the monitoring efficiency and accuracy for abnormal patterns in dynamic process, a novel method proposed in this paper selected statistical features and wavelet approximation coefficients as input features for classifier that is constructed through multi-class SVM. Firstly, the mean characteristics extracted from data flow of dynamic process could effectively recognize the patterns including normal and cyclic patterns, increasing trend and upward shift, and decreasing trend and downward shift patterns. Then, SVM based on the features of root mean square and slope are used to develop the discrimination between normal pattern and cyclic pattern. Finally, approximation coefficients are used to recognize shift pattern and trend patterns. The simulation result show that the recognition accuracy of proposed method has a remarkable improvement of performance and computational efficiency, which is a efficient way for abnormal monitoring in dynamic process.

dynamic process; quality abnormal patterns; wavelet transform; statistics features; support vector machine

1001-2265(2017)02-0077-04

10.13462/j.cnki.mmtamt.2017.02.019

2016-09-27；

2016-11-13

國(guó)家自然科學(xué)基金資助項(xiàng)目(71272207,71672182)

劉玉敏(1956—)，女，河南濮陽(yáng)人，鄭州大學(xué)教授，博士，博士生導(dǎo)師，研究方向?yàn)橘|(zhì)量控制、質(zhì)量智能診斷，(E-mail)zzuyml@163.com；通訊作者：趙哲耘(1993—)，男，河南遂平人，鄭州大學(xué)碩士研究生，研究方向?yàn)橘|(zhì)量智能診斷，(E-mail)zhaozheyun@qq.com。

TH166;TG506

A