工艺产品加工质量监测优化

质量监测可以有效地提高产品质量和生产效率。在复杂产品的生产过程当中,多个质量特性之间相互作用,共同对产品的生产质量产生影响。由于质量特性的数量较多、有些特性的关系是耦合的,因此准确诊断出异常变量是研究的难点。为了高效、准确地诊断出异常变量,提高产品的质量和生产效率,提出了基于改进网格优化的principal component analysis(PCA)-support vector machines(SVM)多元控制图均值偏移诊断模型。在模型训练之前,使用主元分析(PCA)算法对数据进行预处理,降低数据维数和提取数据特征信息;再用改进网格算法对支持向量机(SVM)的参数进行优化,最终得到优化的SVM模型。仿真结果表明,采用的方法与传统方法相比,训练时间更短,且拥有更高的分类准确率。     

基于PSO优化的SVM在心脏病分类上的应用

心脏病是世界上致人死亡的主要疾病之一,疾病的早期诊断有利于后期的治疗。针对心脏病数据样本量少,特征变量多的特性,提出了一种基于粒子群优化（PSO）的支持向量机（SVM）心脏病辅助诊断算法。该方法以Cleveland heart disease为数据驱动,采用PSO优化SVM的超参数（包括惩罚参数和核函数参数）,将PSO寻得的最优超参数作为最终模型参数。实验结果表明,所提算法的准确性比传统的SVM有所提高,最高分类准确率达到88%,并且训练过程更加自动化。     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

基于改进粒子群SVM的海洋赤潮监测算法设计

为克服传统的海洋赤潮监测算法滞后性问题,提出了一种改进粒子群SVM的海洋赤潮监测算法。首先,给出基于改进粒子群SVM的海洋赤潮监测算法的基本原理,采用改进粒子群算法来对SVM的参数进行优化。优化后的SVM模型作为初始模型,采用有标签的样本数据对SVM进行训练,得到训练好的SVM模型。测试当前数据时,将其输入到训练好的SVM模型,通过投票方法统计得到该数据对应的预测结果。仿真实验结果表明,预测结果较为精确,与其他方法相比,具有监测精度高和时间开销小等优点。     

基于果蝇优化算法的多元质量控制故障模式诊断

针对目前以神经网络为代表的主流智能故障模式诊断方法存在训练时间长、收敛速度慢、容易陷入局部最优等缺陷,本文将果蝇优化算法用于多变量生成过程故障模式诊断,重点分析了果蝇优化算法(FOA)的原理及其搜索优势,设计了一种基于FOA的多变量生产过程故障模式诊断算法。将所设计的果蝇优化算法应用于汽车曲轴生产过程控制,并与神经网络模型处理结果进行对比。对比结果表明,果蝇优化算法训练时间短,收敛速度快且诊断结果更加准确。     

基于PSO-SVM的多阶段产品质量预测控制方法研究

本文以钢铁产品为例,在分析多工序多阶段产品质量预测控制特点的基础上,建立了多控制点递阶SVM预测控制模型,在模型的求解过程中,提出了基于粗集理论和主成分分析法的数据预处理与模型简化,并利用带约束的PSO算法分别优化了SVM的核超参数和相关影响因素的决策范围,实现了多阶段产品质量预测和相关过程参数的全局优化,为生产过程的质量改进提供了科学的决策依据。     

集群SVM大规模数据分类算法

为了提高SVM在大规模数据集上的训练效率和检测精度,对训练数据预处理后进行无监督聚类,通过一定规则选取对训练SVM有用的样本向量,并结合改进的AdaBoost算法来增强SVM在大规模数据的分类和泛化能力,最后通过Kdd Cup 99数据进行实验验证算法性能.     

动态可调主元分析的多元自相关质量控制方法

为解决在复杂产品制造过程中由多元质量数据自相关引起的大量虚发报警问题,以提高产品制造过程中监测的准确性,提出了一种动态可调的主元分析(DRPCA)方法.通过对主元分析方法引入折息因子,构建了多个参数可调的动态主元分析(PCA)算法.利用实验数据计算各变量的特征值和贡献率,来确定主元个数,降低多元自相关过程的计算复杂度,消除数据间的自相关.根据计算的各变量的每个主元负荷值来确定主导变量,结合多变量控制图和主导变量控制图,对多元自相关制造过程进行了实时监测.研究结果表明:DRPCA方法不仅能够消除数据间的自相关,减少制造过程中的虚发报警,而且可以准确地检测出制造过程中的异常变量.     

基于改进GOA-SVM算法的异常流量识别

异常流量的准确识别在网络安全中起着重要作用,支持向量机(Support Vector Machine,SVM)已经成功地应用于分类和函数逼近等方面,而核函数参数和惩罚参数(C)的选取对SVM的分类性能起着关键作用.为了提高SVM的分类性能,提出一种基于改进蚱蜢算法优化SVM的异常流量识别方法,命名为SAGOA-SVM.在对蚱蜢算法进行实验研究后发现其局部搜索能力较弱,本文通过引入模拟退火算法和位置偏移机制增强蚱蜢趋向食物源的随机性来改进蚱蜢算法优化SVM参数的性能,从而提高SAGOA-SVM算法对异常流量的识别率.在选取的7个标准UCI数据集上的实验结果表明,所提出的SAGOA-SVM算法有很好的分类精度和性能.     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

Temperature Prediction Model Identification Using Cyclic Coordinate Descent Based Linear Support Vector Regression

Temperature prediction plays an important role in ring die granulator control, which can influence the quantity and quality of production. Temperature prediction modeling is a complicated problem with its MIMO, nonlinear, and large time-delay characteristics. Support vector machine （SVM） has been successfnlly based on small data. But its accuracy is not high, in contrast, if the number of data and dimension of feature increase, the training time of model will increase dramatically. In this paper, a linear SVM was applied combing with cyclic coordinate descent （ CCD） to solving big data regression. It was mathematically strictly proved and validated by simulation. Meanwhile, real data were conducted to prove the linear SVM model＇s effect. Compared with other methods for big data in simnlation, this algorithm has apparent advantage not only in fast modeling but also in high fitness.     

Yarn Quality Prediction and Diagnosis Based on Rough Set and Knowledge-Based Artificial Neural Network

In the spinning process, some key process parameters（ i. e.,raw material index inputs） have very strong relationship with the quality of finished products. The abnormal changes of these process parameters could result in various categories of faulty products. In this paper, a hybrid learning-based model was developed for on-line intelligent monitoring and diagnosis of the spinning process. In the proposed model, a knowledge-based artificial neural network（ KBANN） was developed for monitoring the spinning process and recognizing faulty quality categories of yarn. In addition,a rough set（ RS）-based rule extraction approach named RSRule was developed to discover the causal relationship between textile parameters and yarn quality. These extracted rules were applied in diagnosis of the spinning process, provided guidelines on improving yarn quality,and were used to construct KBANN. Experiments show that the proposed model significantly improve the learning efficiency, and its prediction precision is improved by about 5. 4% compared with the BP neural network model.     

甲状腺结节超声图像多特征融合及识别

为更加精确地判别甲状腺结节的良恶性, 提出基于改进的 CLBP(Completed Local Binary Pattern)模型和 GLCM(Gray Level Co-occurrence Matrix)模型相结合的纹理特征提取算法。 首先在传统的 CLBP 模型中引入局部 方差信息, 使 CLBP 算子对局部纹理特征的描述更加精细; 然后与 GLCM 模型描述的全局纹理特征相融合; 最 后结合纵横比、 圆形度、 紧致度等形状特征并将其输入 SVM(Support Vector Machine)分类器。 为进一步提高识 别率, 同时给出基于粒子群算法与网格搜索算法相结合的 SVM 参数优化算法, 以提高识别率。 对比实验结果 表明, 该算法提取的特征用于分类识别时具有更高的识别率, 且提出的参数寻优算法相对于传统寻优算法效率 更高。     

生产质量在线监测、诊断和控制的粗糙集模型研究

为了确保企业持续稳定的产品质量，提出了基于两种质量统计过程控制和粗糙集理论相结合的生产过程质量监测－诊断－控制集成模型。研究了统计过程控制及两种质量理论的质量在线监测和上下工序诊断模型。针对实际生产获取信息的不完备性，重点研究了不一致信息环境下基于粗糙集理论的工序质量诊断模型，分析工序中各生产参数对质量影响的可能性，度量参数对质量影响的重要程度。提出的面向用户需求的质量优化控制算法在实际应用中具有更大的适应性和可操作性。     

基于遗传算法与支持向量机的水质预测模型

水质预测是众多水务相关问题的重要内容之一,通过水质预测,可以发现水质恶化的预兆,方便决策者提前采取措施.依据常见的水质数据,使用基于遗传算法与支持向量机的水质预测模型在实际应用环境下自行适配污染物权重,提高预测准确率.本模型首先使用遗传算法,训练当前数据的特征权重向量,使得权重适配当前预测问题,然后使用该特征权重向量应用于SVM模型训练.在以重庆某污水处理厂数据为对象进行实验后,验证了该模型在实际应用中的可行性,为水质预测提供了一种新思路.     

基于DW-ICA-SVM的工业过程故障检测算法

为了有效提高支持向量机(SVM)算法的故障检测和监视性能,提出一种新的基于DW-ICA-SVM的工业过程故障检测算法.首先,对训练数据进行标准化,运用独立元分析(ICA)获取数据的独立元矩阵,提取隐藏的非高斯信息.其次,运用杜宾-瓦特森(Durbin-Watson,DW)准则计算独立元(ICs)的DW值,通过DW方法有...     

基于PSR和SVM方法的化工过程单变量故障诊断

基于相空间重构(SPR)和支持向量机(SVM)算法本文提出了一种利用单一变量进行化工过程故障诊断的方法。首先进行变量筛选,然后对筛选出的关键变量进行相空间重构,再利用SVM对重构后的数据进行故障分类。通过对TE(Tennessee Eastman)过程几类故障进行仿真测试,结果表明在单一故障和多故障情况下,本方法均可实现化工过程的单变量故障诊断;与传统SVW方法相比,相空间重构可有效提高诊断正确率。此方法可为建立简单而有效的单变量故障诊断系统提供理论依据。     

基于SPC的高炉炉况异常检测研究

针对高炉冶炼过程复杂多变,影响高炉炉况的因素众多且运行过程复杂,为保证高炉炉况稳定顺行,开发了一种基于主元分析(PCA)和统计过程控制(SPC)的高炉炉况异常检测模型。由于高炉运行参数具有高耦合和非高斯的特点,该模型首先采用主元分析算法对高炉实际生产的历史离线数据进行聚类分析,然后应用基于T²统计量的多元控制图和单值控制图对聚类后的新变量和相关参数进行监测,从而达到监测高炉出现异常炉况的目的。该模型可以实时监测高炉炉况的异常波动,其中PCA算法将高炉本身的高维数据降到低维,大幅去除数据中的噪声和不重要特征,在实际生产和应用中,节省了大量的成本和时间。选取马钢某高炉炼铁过程为应用场景,结合数据特点调整和改进算法,通过历史数据模拟和实时在线运行验证模型的可靠性和算法的有效性,同时也对指导高炉实际操作技术做出了一定的贡献。