李麗麗，陳 琨，高建民，李 輝，馮增行，張 建

(西安交通大學(xué) 機(jī)械制造系統(tǒng)工程國家重點(diǎn)實(shí)驗(yàn)室，陜西 西安 710049)

0 引言

質(zhì)量控制的目標(biāo)是及早發(fā)現(xiàn)質(zhì)量問題并采取適當(dāng)?shù)拇胧┘右越鉀Q，使生產(chǎn)系統(tǒng)能長期保持穩(wěn)定狀態(tài)。統(tǒng)計(jì)過程控制(Statistical Process Control，SPC)是目前應(yīng)用最廣泛的質(zhì)量控制方法?？刂茍D由美國SHEWHART首先提出，根據(jù)一定的處理方法在控制圖上畫出一系列點(diǎn)的分布狀態(tài)，以確定生產(chǎn)過程是否處于穩(wěn)定和受控狀態(tài)?；陲@著性統(tǒng)計(jì)原理，控制圖將生產(chǎn)系統(tǒng)的波動(dòng)分為系統(tǒng)波動(dòng)和異常波動(dòng)，并認(rèn)為系統(tǒng)波動(dòng)總是一直存在且不能消除，而異常波動(dòng)會(huì)在控制圖上顯示一定的規(guī)律，可以通過一定的控制手段消除[1]。

由于控制圖可以監(jiān)測生產(chǎn)系統(tǒng)的運(yùn)行狀態(tài)，預(yù)測可能出現(xiàn)的質(zhì)量問題，質(zhì)量異常的識別主要是識別SPC控制圖的異常模式。早期主要采用基于規(guī)則的專家系統(tǒng)(Expert System, ES)來確定異常模式[2]。事實(shí)上，在基于統(tǒng)計(jì)特性的ESs中，使用規(guī)則的困難在于相似的統(tǒng)計(jì)特性可能來自不同的模式，易產(chǎn)生錯(cuò)誤識別的問題[3]。此外，構(gòu)建基于規(guī)則的專家系統(tǒng)的異常判定方法需要建立大量的判定規(guī)則，這將導(dǎo)致規(guī)則組合爆炸的問題，而且由于隨機(jī)因素的存在，系統(tǒng)的識別精度也會(huì)受到很大影響[4]。人工神經(jīng)網(wǎng)絡(luò)具有良好的學(xué)習(xí)能力和自組織能力，在控制圖模式識別領(lǐng)域得到了廣泛的應(yīng)用。針對控制圖模式識別中存在的特征相似時(shí)模式難以區(qū)分的問題，GUH等[5]提出一種人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network, ANN),用于在線控制圖模式的檢測和判別;EL-MIDANY等[6]提出一種基于人工神經(jīng)網(wǎng)絡(luò)的多變量過程控制圖模式識別框架;WU等[7]研究了基于小波神經(jīng)網(wǎng)絡(luò)的控制圖模式識別方法;EBRAHIMZADEH等[8]提出一種基于改進(jìn)的帝國主義競爭算法和K-means算法(the Modified Imperialist Competitive Algorithm and the K-means algorithm, K-MICA) 聚類和神經(jīng)網(wǎng)絡(luò)的混合智能控制圖模式識別方法;ADDEH等[9]結(jié)合新的訓(xùn)練算法和實(shí)際特點(diǎn)，提出一種基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)(Radial Basis Function Neural Network, RBFNN) 的控制圖模式識別方法。自20世紀(jì)90年代末到2010年，基于特征和小波去噪的輸入表示技術(shù)一直是提高人工神經(jīng)網(wǎng)絡(luò)識別性能的研究熱點(diǎn)，最有意義的工作包括小波神經(jīng)網(wǎng)絡(luò)[10]、形狀特征神經(jīng)網(wǎng)絡(luò)[11]和統(tǒng)計(jì)特征神經(jīng)網(wǎng)絡(luò)[12]。

以往的研究大多采用原始過程數(shù)據(jù)作為控制圖模式識別(Control Chart Pattern Recognition, CCPR)的輸入向量[13]。近年研究主要集中在特征提取和分類算法改進(jìn)上。由于輸入數(shù)據(jù)的維數(shù)過高，直接基于原始數(shù)據(jù)識別和診斷異?？赡軐?dǎo)致算法訓(xùn)練時(shí)間過長。因此，一些研究首先提取了控制圖的特征，然后識別控制圖的模式。ZHANG等[14]將形狀和統(tǒng)計(jì)特征與主成分分析(Principal Component Analysis, PCA)相結(jié)合，實(shí)現(xiàn)特征維數(shù)的減少;GAURI等[15]首先基于分類與回歸樹(Classification And Regression Tree, CART)提取了控制圖的7個(gè)特征，然后利用ANN進(jìn)行模式識別，取得了良好的效果;XANTHOPOULOS等[16]研究了統(tǒng)計(jì)特征提取和加權(quán)支持向量機(jī)相結(jié)合的控制圖模式識別方法;ZHAO等[17]研究了采用改進(jìn)的監(jiān)督局部線性嵌入和支持向量機(jī)的控制圖模式的識別方法，有效地消除了特征集中的冗余特征，降低了分類模型的復(fù)雜度;ZAN等[18]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的控制模式識別方法，并通過Monte Carlo仿真驗(yàn)證了該方法的可行性和有效性。此外，一些新的神經(jīng)網(wǎng)絡(luò)如Elman網(wǎng)絡(luò)[19]、Spiking神經(jīng)網(wǎng)絡(luò)(Spiking Neural Network, SNN)[20]等也被應(yīng)用于異常模式的識別。綜上所述，大多數(shù)學(xué)者在CCPR領(lǐng)域采用人工神經(jīng)網(wǎng)絡(luò)，因?yàn)槿斯ど窠?jīng)網(wǎng)絡(luò)具有顯著的優(yōu)勢，但是人工神經(jīng)網(wǎng)絡(luò)難以選擇神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浜徒Y(jié)構(gòu)，而且人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)也很難確定。針對這一問題，GUH[21]采用遺傳算法(Genetic Algorithm, GA)來進(jìn)化ANN模型的結(jié)構(gòu)和訓(xùn)練參數(shù)集，以解決在線CCPR問題。ADDEH等[22]研究了一種精確的控制圖模式識別系統(tǒng)的設(shè)計(jì)方法，并應(yīng)用布谷鳥優(yōu)化算法(Cuckoo Optimization Algorithm, COA)尋找徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的最優(yōu)參數(shù)。

近年來，人工神經(jīng)網(wǎng)絡(luò)(ANN)和支持向量機(jī)(Support Vector Machine, SVM)等多種機(jī)器學(xué)習(xí)技術(shù)在CCPR領(lǐng)域得到了成功應(yīng)用和深入研究，但對于并發(fā)CCPs(同時(shí)發(fā)生兩個(gè)或兩個(gè)以上的基本控制圖模式(Control Chart Pattern, CCP)的識別問題，國內(nèi)外學(xué)者較少關(guān)注。YANG等[23]使用極值點(diǎn)對稱模式分解和極值學(xué)習(xí)機(jī)完成了并發(fā)控制圖模式的識別和量化;ZHANG等[24]研究了基于融合特征約簡和焰火算法優(yōu)化的多類別支持向量機(jī)(Multiclass Support Vector Machine, MSVM)的混合控制圖模式識別方法。然而，目前對并發(fā)CCPs的識別研究還不夠深入，需要進(jìn)一步探索。

盡管以上研究為后續(xù)研究工作提供了非常重要的參考，但都存在一定的缺陷。神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)難以選擇，網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)也難以確定;支持向量機(jī)(SVM)是一種雙分類器，在異常模式的多分類識別問題上效率不高。此外，在大多數(shù)情況下，實(shí)際生產(chǎn)中往往會(huì)遇到幾種異常模式同時(shí)出現(xiàn)的情況，目前的研究大多集中在單一模型的識別上。因此，有關(guān)CCPR的研究需要進(jìn)一步拓展。

綜上所述，本文提出一種基于概率神經(jīng)網(wǎng)絡(luò)(Probabilistic Neural Network, PNN)的質(zhì)量異常識別方法，采用改進(jìn)的單目標(biāo)優(yōu)化遺傳算法(Single-objective Genetic Algorithm, SGA)對PNN的關(guān)鍵參數(shù)進(jìn)行尋優(yōu)，以消除經(jīng)驗(yàn)取值的不足。同時(shí)，在本文提出的方法中加入了混合異常模式識別的內(nèi)容。仿真實(shí)驗(yàn)表明，該方法在異常模式識別的準(zhǔn)確性、網(wǎng)絡(luò)訓(xùn)練的快速性和方法的易用性等方面具有一定的優(yōu)勢。

1 質(zhì)量異常模式及其描述

西方電氣公司于1958年率先提出了控制圖模式的問題，并總結(jié)了控制圖的異常模式[25]，后來的學(xué)者們據(jù)此對控制圖的異常模式及其識別問題做了深入的研究。隨著人工智能技術(shù)的發(fā)展，使用人工智能技術(shù)進(jìn)行控制圖的異常模式識別和判定成為質(zhì)量診斷領(lǐng)域的重要研究內(nèi)容之一。控制圖的基本模式共有6種，如圖1所示。不同的異常模式以及異常模式的組合反映了生產(chǎn)過程的不同狀態(tài)以及不穩(wěn)定因素。從控制圖的異常模式入手，能發(fā)現(xiàn)當(dāng)前生產(chǎn)過程中存在的質(zhì)量隱患，進(jìn)而及時(shí)采取相應(yīng)的解決措施。生產(chǎn)過程可以表示為：

x(t)=μ+d(t)+r(t)。

(1)

式中：t表示生產(chǎn)數(shù)據(jù)的采樣時(shí)刻;x(t)表示生產(chǎn)過程的觀測值;μ表示生產(chǎn)穩(wěn)定時(shí)質(zhì)量特性的均值;d(t)表示特殊因素引起的異常波動(dòng)，d(t)的不同導(dǎo)致了生產(chǎn)過程出現(xiàn)不同的異常模式，正常情況下d(t)為0；r(t)表示隨機(jī)因素引起的正常波動(dòng)，服從均值為0、方差為σ2的正態(tài)分布。

正常情況下，d(t)=0，控制圖呈現(xiàn)正常模式，上面的點(diǎn)隨機(jī)分布；d(t)=A×sin(2πt/T)是處于周期模式，A和T分別為幅值和周期；向上(向下)趨勢模式時(shí)d(t)=±k×t，k為趨勢的斜率，向上時(shí)為正，向下時(shí)為負(fù)；向上(向下)階躍模式中d(t)=±1(t-t0)×s，t0為階躍發(fā)生的時(shí)刻，s為階躍幅度，當(dāng)t≥t0時(shí)，1(t-t0)=1，否則1(t-t0)=0。對于混合異常模式，可以描述為基本異常模式異常波動(dòng)d(t)的相加，在此不再贅述。

2 基于優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的質(zhì)量異常識別模型

本文提出的基于優(yōu)化概率神經(jīng)網(wǎng)絡(luò)(PNN)的質(zhì)量異常識別模型如圖2所示，主要可分為特征提取、模式分類、參數(shù)優(yōu)化3個(gè)階段。在特征提取階段，根據(jù)PCA方法將高維原始樣本數(shù)據(jù)降低到一定的維度，保留85%原始數(shù)據(jù)的信息；利用PNN進(jìn)行控制圖模式的識別，包括基本模式和混合的模式識別；采用改進(jìn)的單目標(biāo)優(yōu)化遺傳算法(SGA)對網(wǎng)絡(luò)主要參數(shù)進(jìn)行尋優(yōu)，以訓(xùn)練樣本的準(zhǔn)確率作為算法的適應(yīng)度函數(shù)。

模型詳細(xì)步驟如下：

步驟1產(chǎn)生樣本數(shù)據(jù)。利用蒙特卡羅方法模擬產(chǎn)生6種基本模式和4種混合模式的樣本數(shù)據(jù)。

步驟2特征提取。使用PCA方法將樣本數(shù)據(jù)降低到一定維度，作為PNN網(wǎng)絡(luò)的輸入。

步驟3建立PNN。確定網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)定參數(shù)范圍，用于后續(xù)的模式識別和算法優(yōu)化。

步驟4優(yōu)化參數(shù)。改進(jìn)的SGA用于優(yōu)化參數(shù)。以PNN的識別準(zhǔn)確率作為適應(yīng)度函數(shù)，尋找最優(yōu)的平滑系數(shù)σ。

步驟5分類。結(jié)合優(yōu)化參數(shù)后的PNN網(wǎng)絡(luò)實(shí)現(xiàn)對控制圖異常模式的識別。

2.1 基于PCA的控制圖特征提取與降維

本文采用的基于PCA的特征提取方法，是除去計(jì)算形狀與統(tǒng)計(jì)特征和小波變換之外的一種新的可行的控制圖模式數(shù)據(jù)處理方法。PCA免去了需要計(jì)算多種特征的復(fù)雜性，也不需要如小波變換一般需要選取適當(dāng)?shù)姆纸鈱訑?shù)和小波水平，經(jīng)實(shí)驗(yàn)證明可以達(dá)到同樣的處理效果。

PCA是數(shù)據(jù)處理中用于特征降維的最常用手段，可以從復(fù)雜的多維數(shù)據(jù)中提取主要成分，在盡量不損失模型質(zhì)量的情況下，大大提高模型的訓(xùn)練速度[26]。PCA方法從原始的數(shù)據(jù)分布空間中找到一組相互正交的坐標(biāo)軸，第一個(gè)新坐標(biāo)軸是原始數(shù)據(jù)中方差最大的方向，第二個(gè)新坐標(biāo)軸是與第一個(gè)軸正交的平面中方差最大的，以此類推可以得到一系列這樣的坐標(biāo)軸。在這些坐標(biāo)軸中，取前幾個(gè)包含了大部分方差的坐標(biāo)軸，以實(shí)現(xiàn)對數(shù)據(jù)特征的降維處理。

如圖3所示為原始數(shù)據(jù)和PCA處理后數(shù)據(jù)的二維散點(diǎn)圖，圖4所示為原始數(shù)據(jù)和PCA處理后數(shù)據(jù)的三維散點(diǎn)圖。從兩圖可以清楚地看出，經(jīng)過PCA后，不同異常類型的數(shù)據(jù)明顯被區(qū)分開，便于后續(xù)進(jìn)行概率神經(jīng)網(wǎng)絡(luò)的分類識別。

2.2 基于概率神經(jīng)網(wǎng)絡(luò)的異常識別方法

概率神經(jīng)網(wǎng)絡(luò)(PNN)屬于徑向基神經(jīng)網(wǎng)絡(luò)的一種，以指數(shù)函數(shù)替代神經(jīng)網(wǎng)絡(luò)中常用的S形激活函數(shù)，進(jìn)而能夠計(jì)算出接近于貝葉斯最佳判定面的非線性判別邊界[27]。PNN基于貝葉斯最優(yōu)分類決策理論和統(tǒng)計(jì)學(xué)中的概率密度函數(shù)的非參數(shù)估計(jì)方法[28]，與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)使用的反向傳播算法不同，是一種前向傳播算法，沒有反饋。典型的PNN結(jié)構(gòu)如圖5所示。

PNN由輸入層、樣本層、求和層和輸出層(競爭層)構(gòu)成。輸入層計(jì)算輸入向量與所有訓(xùn)練樣本向量之間的距離，其神經(jīng)元個(gè)數(shù)是特征向量的維數(shù)，即PCA處理后的數(shù)據(jù)維度；樣本層包括所有訓(xùn)練樣本，神經(jīng)元個(gè)數(shù)是所有訓(xùn)練樣本的個(gè)數(shù)，激活函數(shù)為高斯函數(shù)；求和層神經(jīng)元個(gè)數(shù)是類別的個(gè)數(shù)，將樣本層的輸出按類相加；輸出層也叫競爭層，只有一個(gè)神經(jīng)元，取概率值最大的那一類輸出為1。

本文用于異常識別的PNN輸入層為PCA處理后控制圖數(shù)據(jù)，輸入層神經(jīng)元個(gè)數(shù)由PCA處理的結(jié)果確定；樣本層神經(jīng)元為訓(xùn)練樣本的數(shù)量；求和層神經(jīng)元個(gè)數(shù)為10，表示異常情況的10種類別，包括6種基本模式和4種混合模式。相比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)，PNN學(xué)習(xí)過程簡單，學(xué)習(xí)速度快，分類更準(zhǔn)確，對錯(cuò)誤以及噪聲的容忍高，沒有局部極小值問題，當(dāng)有代表性的訓(xùn)練樣本數(shù)量增加到足夠大時(shí)，分類器一定能達(dá)到貝葉斯最優(yōu)。

2.3 基于遺傳算法的PNN參數(shù)優(yōu)化

PNN模型中，唯一需要調(diào)整的參數(shù)是σ，也稱為平滑參數(shù)。若σ太小，對單獨(dú)訓(xùn)練的樣本僅僅起到隔離的作用，本質(zhì)上是最近鄰分類器；若σ太大，不能夠完全區(qū)分細(xì)節(jié)，對于界限不明顯的不同類別，可能得不到理想的分類效果，接近于線性分類器。

GA是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過程的計(jì)算模型，是一種通過模擬自然進(jìn)化過程搜索最優(yōu)解的方法[29]。遺傳算法以生物進(jìn)化原理為基礎(chǔ)，在每一代群體中，不斷按照個(gè)體適應(yīng)度大小選擇并進(jìn)行交叉和變異，產(chǎn)生新的群體，使種群得以不斷進(jìn)化，同時(shí)以全局并行搜索技術(shù)進(jìn)行搜索優(yōu)化最優(yōu)個(gè)體，以求得問題的近似最優(yōu)解。遺傳算法不受函數(shù)連續(xù)與可微的限制，結(jié)果全局最優(yōu)。因此本文采用遺傳算法對PNN的平滑系數(shù)進(jìn)行優(yōu)化，尋找最優(yōu)的參數(shù)。具體流程如下：

(1)設(shè)定平滑因子σ的取值范圍，隨機(jī)產(chǎn)生初始種群{σ1,σ2,σ3,…,σM}，M為種群的規(guī)模，當(dāng)前代數(shù)t=1；

(2)根據(jù)由染色體獲得的平滑因子，構(gòu)建PNN，計(jì)算分類正確的個(gè)數(shù)以及準(zhǔn)確率，據(jù)此計(jì)算染色體的適應(yīng)度函數(shù)；

(3)選擇優(yōu)勝的個(gè)體，進(jìn)行交叉、變異等操作，得到下代種群；

(4)更新當(dāng)前代數(shù)t=t+1；

(5)檢查t是否滿足終止條件，即達(dá)到設(shè)定的迭代次數(shù)，若滿足結(jié)束條件則算法停止，否則返回(2)；

(6)輸出適應(yīng)度值最優(yōu)的個(gè)體作為算法優(yōu)化的結(jié)果代入PNN，得到最終的識別模型。

3 仿真實(shí)驗(yàn)分析

3.1 數(shù)據(jù)仿真與參數(shù)設(shè)置

利用Monte-Carlo方法生成6種基本模式和4種混合模式各1 000個(gè)樣本，共10 000個(gè)控制圖模式樣本。選取其中70%作為訓(xùn)練集，30%作為測試集。其中每個(gè)控制圖樣本包括的數(shù)據(jù)點(diǎn)為25個(gè)，根據(jù)美國汽車工業(yè)行動(dòng)集團(tuán)(Automotive Industry Action Group，AIAG)的TS16949系列質(zhì)量技術(shù)標(biāo)準(zhǔn)中SPC手冊的控制圖標(biāo)準(zhǔn)而設(shè)定。各個(gè)異常模式的參數(shù)取值如表1所示。

表1 各種異常情況的參數(shù)設(shè)置

3.2 特征提取和降維

使用PCA對原始數(shù)據(jù)進(jìn)行降維處理和特征提取，一般取前85%的維度，恰好為前9個(gè)維度的和。因此，取方差貢獻(xiàn)率之和為85%的主成分作為降維后的數(shù)據(jù)。如圖6所示為累計(jì)方差貢獻(xiàn)率之和為85%的主成分及其分別所占比重。

根據(jù)PCA分析結(jié)果，將原本25維的數(shù)據(jù)降低到只有9個(gè)維度。以9個(gè)主成分作為降維后的數(shù)據(jù)輸入PNN進(jìn)行模式識別學(xué)習(xí)訓(xùn)練，可以大大降低模型的訓(xùn)練時(shí)間，同時(shí)增加識別結(jié)果的準(zhǔn)確率。

3.3 算法參數(shù)優(yōu)化

改進(jìn)的SGA沒有采用標(biāo)準(zhǔn)的遺傳算法流程，而是先進(jìn)行交叉和變異生成子代，然后父子兩代合并，再從合并的種群中擇優(yōu)保留，從而實(shí)現(xiàn)了精英保留，使算法收斂速度更快。

優(yōu)化算法每代種群有100個(gè)個(gè)體，共進(jìn)化200代。SGA運(yùn)行時(shí)，先隨機(jī)產(chǎn)生一組平滑參數(shù)σ，然后進(jìn)行交叉變異產(chǎn)生子代，再將父代和子代合并從中選擇適應(yīng)度高的個(gè)體存活下來。最終尋優(yōu)結(jié)果如圖7所示，實(shí)線表示種群個(gè)體平均目標(biāo)函數(shù)值，虛線表示種群最優(yōu)個(gè)體目標(biāo)函數(shù)值。算法在運(yùn)行到第11代的時(shí)候種群中最優(yōu)個(gè)體的訓(xùn)練準(zhǔn)確率達(dá)到最高，由此得到最優(yōu)的平滑參數(shù)為1.738 5，進(jìn)而得到的最優(yōu)的目標(biāo)函數(shù)值即訓(xùn)練準(zhǔn)確率為95.10%。而采用傳統(tǒng)遺傳算法得到的最優(yōu)平滑參數(shù)為0.816 1，得到的最優(yōu)的目標(biāo)函數(shù)值即訓(xùn)練準(zhǔn)確率為81.69%，其優(yōu)化結(jié)果如圖8所示。通過與傳統(tǒng)遺傳算法的優(yōu)化結(jié)果進(jìn)行對比，本文采用的改進(jìn)的SGA具有明顯的優(yōu)勢，訓(xùn)練準(zhǔn)確率相比傳統(tǒng)遺傳算法有了顯著的提高。

3.4 模型測試結(jié)果

將優(yōu)化后的參數(shù)代入模型，輸入測試樣本數(shù)據(jù)，得到最終的識別結(jié)果如表2所示。

從表2的模型測試結(jié)果可以看出，本文提出的方法對于基本模式的識別準(zhǔn)確率較高，大部分都在97%以上，對于混合模式的識別也有平均90%以上的準(zhǔn)確率。但在識別準(zhǔn)確率相對較低的循環(huán)階躍模式、循環(huán)趨勢階躍模式以及循環(huán)趨勢模式中，有相當(dāng)一部分被識別成了其他模式，說明模型對于控制圖中的趨勢成分和階躍成分的區(qū)分還有待進(jìn)一步改進(jìn)。

表2 質(zhì)量異常識別模型測試結(jié)果

3.5 與其他方法的對比

為了與本文提出的PCA-SGA-PNN方法進(jìn)行對比，分別建立BP，PNN和PCA-PNN控制圖識別模型。其中：①BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元為25，隱含層個(gè)數(shù)為3;②利用PNN進(jìn)行模式識別，不進(jìn)行數(shù)據(jù)處理;③利用PCA降維后的數(shù)據(jù)輸入PNN網(wǎng)絡(luò)進(jìn)行識別，不進(jìn)行參數(shù)的優(yōu)化;④通過改進(jìn)的SGA方法對PNN參數(shù)優(yōu)化再進(jìn)行識別，即本文所采用的方法;⑤使用粒子群算法優(yōu)化的SVM建立識別模型。幾種方法的對比結(jié)果如表3所示。

表3 不同方法的對比

分析表3結(jié)果可得以下結(jié)論：

(1)單一的BP神經(jīng)網(wǎng)絡(luò)或者PNN識別精度都比較低，而先進(jìn)行PCA分析降維的模型識別精度有明顯提高，說明特征提取有助于控制圖基本模式和混合模式的識別。

(2)利用SGA對PNN參數(shù)優(yōu)化后模型的準(zhǔn)確率有了進(jìn)一步的提高。通過參數(shù)尋優(yōu)，避免了依靠經(jīng)驗(yàn)取值時(shí)的盲目，從而得到更好的識別率。

(3)與粒子群優(yōu)化的SVM相比，本文方法的準(zhǔn)確率更高，說明PNN在控制圖模式識別問題上有一定的優(yōu)勢，是一種可行且有效的識別方法。

4 結(jié)束語

本文提出一種基于遺傳算法優(yōu)化概率神經(jīng)網(wǎng)絡(luò)的質(zhì)量異常模式識別方法。本方法使用主成分分析(PCA)對控制圖原始數(shù)據(jù)進(jìn)行降維處理，減少模型的訓(xùn)練時(shí)間；利用PNN網(wǎng)絡(luò)結(jié)構(gòu)簡單，識別效果好的特點(diǎn)實(shí)現(xiàn)控制圖單一模式和混合模式的識別；通過改進(jìn)的SGA對PNN的關(guān)鍵參數(shù)尋優(yōu)，以消除經(jīng)驗(yàn)取值的不足；最后通過仿真實(shí)驗(yàn)對所提方法進(jìn)行了驗(yàn)證，并與傳統(tǒng)的BP網(wǎng)絡(luò)、單一的PNN、未進(jìn)行參數(shù)優(yōu)化的PCA-PNN模型以及粒子群優(yōu)化(PSO)的SVM模型進(jìn)行了對比，證明了本文所提方法的有效性。本文提出的方法對于促進(jìn)控制圖在實(shí)際生產(chǎn)中的應(yīng)用以及幫助企業(yè)及時(shí)發(fā)現(xiàn)生產(chǎn)過程中的質(zhì)量異?，F(xiàn)象具有一定的積極意義。

未來可能考慮對這兩種模式采取其他措施進(jìn)行分類識別，如對不同模式取不同的平滑參數(shù)，使得模型的識別效果更好。