《采用优化概率神经网络的质量异常识别方法》
计算机集成制造/2020/西安交通大学
质量控制的目标:及早发现质量问题并采取适当的措施加以解决,使生产系统能长期保持稳定状态。
控制图:根据一定的处理方法在控制图上画出一系列点的分布状态, 用来确定生产过程是否处于稳定和受控状态。
基于显著性统计原理,控制图将生产系统的波动分为系统波动和异常波动,并认为系统波动总是一直存在且不能消除的,而异常波动会在控制图上显示一定的规律,可以通过一定的控制手段消除。
质量异常的识别主要是识别SPC控制图的异常模式。
1 质量异常模式及其描述
基本质量异常模式有6种:
生产过程可以用下式表示:
2 基于优化概率神经网络的质量异常识别模型
主要分为:特征提取、模式分类、参数优化三个阶段:根据 PCA 方法将高维原始样本数据降低到一定的维度,保留85%原始数据的信息;利用PNN 概率神经网络进行控制图模式的识别,包括基本模式和混合的模式识别;采用改进的单目标优化遗传算法 SGA 对网络主要参数进行寻优,以训练样本的准确率作为算法的适应度函数。
2.1 基于PCA主成分分析的控制图特征提取与降维
从原始的数据分布空间中找到一组相互正交的坐标轴,第一个新坐标轴是原始数据中方差最大的方向,第二个新坐标轴是与第一个轴正交的平面中方差最大的,以此类推可以得到一系列这样的坐标轴。在这些坐标轴中取前几个包含了大部分方差的坐标轴,就实现了对数据特征的降维处理。
2.2 基于概率神经网络(PNN)的异常识别方法
PNN 由输入层、样本层、求和层和输出层(竞争层)构成,输入层的神经元个数是特征向量的 维数,即 PCA 处理后的数据维度,输入层计算输入向量与所有训练样本向量之间的距离;样本层包 括所有训练样本,神经元个数是所有训练样本的个数,激活函数为高斯函数;求和层神经元个数是 类别的个数,将样本层的输出按类相加;输出层也叫竞争层,只有一个神经元,取概率值最大的那 一类输出为1。
在这篇文章种,PNN网络输入层为 PCA 处理后控制图数据,输入层神经元个数由 PCA 处理的结果确定;样本层神经元为训练样本的数量;求和层神经元个数为10,表示异常情况的10种类 别,包括六种基本模式以及四种混合模式。相比传统 BP 神经网络和 RBF 神经网络,PNN 网络学习过程简单,学习速度快;分类更准确,对错误以及噪声的容忍高,没有局部极小值问题,当有代表 性的训练样本数量增加到足够大时,分类器一定能达到贝叶斯最优。
2.3 基于遗传算法的PNN网络参数优化
流程:
仿真试验分析
利用 Monte-Carlo 方法生成六种基本模式和四种混合模式各1000个样本,共10000个控制图模式 样本。选取其中70%作为训练集,30%作为测试集。