[发明专利]基于一分类支持向量机的自相关线性轮廓监控设计方法

说明书

本发明涉及一种基于一分类支持向量机的自相关线性轮廓监控设计方法，针对现生产过程中都是基于构造统计量建立控制图对具有自相关性线性轮廓进行监控，此类方法需要对原始数据进行处理，过程较为复杂且难以理解及应用，本发明基于一分类支持向量机提出了一种易于实现的监控方法，并给出详细的实现流程，仿真实验表明本方法在自相关系数，截距发生大偏移时表现良好；自相关系数时，对截距的监测优于其他方法。监控斜率偏移时，监控标准差以及监控截距、斜率同时变化时，优于其他方法，同时便于及时发现异常波动。

技术领域

本发明涉及统计过程控制的技术领域，具体为基于一分类支持向量机的自相关线性轮廓监控设计方法。

背景技术

统计过程控制(Statistical Process Control，SPC)应用中，通常运用传统控制图监控一元或者多元质量特性值。如果一个产品的质量可以用多个响应变量与多个解释变量之间的函数关系表示，可以采用轮廓控制图监控，此时这种函数关系称为轮廓(Profile)。传统的控制图方法的前提条件是质量数据观测值是独立的，一些学者提出了多元T²，EWMA、ANN等控制图对简单线性轮廓进行监控，但随着工业信息技术的发展，数据采集方法的改进，采集到的轮廓数据内通常存在自相关关系。对于不满足独立性假设的轮廓数据，一些学者研究时忽略相关关系，结果发现即使轮廓内数据的相关关系不强，也会影响传统控制图的监控效果，导致虚发警报增多，进而影响生产过程。一些学者提出了消除轮廓间相关性的方法，之后采用多元T²，EWMA等方法进行参数监控。

由于控制图可以看成区分受控过程和失控过程的分类器，使用机器学习方法监控生产过程，不需要对数据进行复杂的处理，亦能达到较好的效果。一些学者讨论了二分类支持向量机在监控线性轮廓中的应用。由于二分类的方法需要大量受控和失控样本训练分类器，在一定程度上限制了二分类方法的应用范围。一些学者分别提出了基于支持向量数据描述的线性轮廓与非线性轮廓控制图。但一分类方法在存在相关性的线性轮廓中，还没有应用。故本发明提出了一种基于一分类支持向量机监控线性轮廓内存在自相关关系的方法，及时发现异常波动。

且消除相关性和构造统计量建立控制图监控生产过程，需要进行复杂的数据处理。对于没有较深数学功底的质量监测人员，难以理解及应用。因此，本发明提供一种基于一分类支持向量机的自相关线性轮廓监控设计方法，发现异常波动。OCSVM作为机器学习的一种方法，应用时仅需要正常轮廓数据便可完成训练，进而监控生产过程，便于理解，且对输入数据的类型没有限制。

发明内容

针对上述情况，为克服现有技术缺陷，本发明的目的是提供一种基于一分类支持向量机的自相关线性轮廓监控设计方法，保证受控运行长度相同的情况下，通过比较失控运行长度，得到所设计的方法在优于T²等控制图，从而便于及时发现异常波动。

本发明解决其技术问题所采用的技术方案是：基于一分类支持向量机的自相关线性轮廓监控设计方法，其特征在于，包括以下几个步骤：

步骤一：数据采集设备采集工业生产线中各监测传感器产生的正常轮廓数据y_ij(i＝1,2,...,m；j＝1，2,...,n)，代表收集的第i个样本第j个位置的轮廓质量特性。

步骤二：数据预处理：将S1采集的正常样本值转化到[0,1]的区间内，转化后的数据为{z|z_i∈Rⁿ,i＝1,2,...,m}。

步骤三：创建模型：

有受控训练样本{z|z_i∈Rⁿ,i＝1,2,...,m}，最优超平面表达式为w·z-b＝0，其中w为权重向量，b为偏差，类标签为+1，目标函数是坐标原点到超平面距离b/||w|| 最大。上述过程可以表示为一个二次规划问题：