一种用于控制图模式识别的数据特征增强处理方法技术

本发明专利技术公开了一种用于控制图模式识别的数据特征增强处理方法，该方法的实现主要包括以下步骤：首先利用蒙特卡洛方法生成各模式的控制图数据，并组成原始数据集，然后将原始数据集作为输入，通过少数类过采样算法与平滑移动处理方法结合的特征增强算法，将原始数据集各模式控制图数据进行特征增强处理得到增强数据集，并从增强数据集提取控制图的各统计特征与形状特征，得到统计特征数据集与形状特征数据集，然后利用主成分分析法对所得到的两类数据集进行降维，得到可进行控制图模式识别的最终数据集。通过该方法可以实现控制图模式识别输入数据集生成处理，可以有效地提高模式识别的准确度并降低各模式之间出现误判的概率，对控制图模式识别研究起到促进作用。对控制图模式识别研究起到促进作用。对控制图模式识别研究起到促进作用。

【技术实现步骤摘要】
一种用于控制图模式识别的数据特征增强处理方法


[0001]本专利技术属于智能制造及智能质量监控领域，特别涉及一种用于控制图模式识别的数据特征增强处理方法。

技术介绍

[0002]控制图作为产品质量趋势判断的辅助手段已经广泛用于生产过程中。通过控制图统计质量数据的上下限来捕捉产品质量的波动与异常的方法，已经逐渐退出了产品质量控制的研究领域，随着生产节奏的加快与生产过程自动化程度提升，目前有很多学者开始研究控制图的模式以追求质量的精准控制，通过各种智能识别的方法对控制图的几种模式展开识别研究，但是大多数模式识别研究容易出现识别困难，个别模式之间误判的情况，不能做到对各模式间清晰的区分。
[0003]为实现产品智能化质量控制、提高控制图模式识别准确率，提出一种用于控制图模式识别的数据特征增强处理方法。本专利技术可实现对控制图各模式特征的增强，提取控制图模式特征数据，提高各模式之间的区分度，为后续构建趋势预测模型更好的预测异常状态提供一个坚实的基础。

技术实现思路

[0004]本专利技术的目的：针对控制图模式的周期性、阶跃性、趋势性等特性，基于控制图的九种模式，提出一种用于控制图模式识别的数据特征增强处理方法，实现针对各种控制图模式的特征增强处理，并对各控制图模式提取统计特征与形状特征，提高各模式之间的区分度，提高识别准确率并降低模式误判概率。
[0005]本专利技术提出了一种用于控制图模式识别的数据特征增强处理方法，为实现上述目的本专利技术采用以下技术方案：
[0006]一种用于控制图模式识别的数据特征增强处理方法，包括以下步骤：
[0007]步骤1：生成控制图模式数据。
[0008]确定控制图的9种模式分别为：正常模式(NOR)、周期模式(CYC)、系统模式(SYS)、分层模式(STR)、上升趋势模式(UT)、下降趋势模式(DT)、向上阶跃模式(US)、向下阶跃模式(DS)、混合模式(MIX)，利用蒙特卡洛(MC)方法生成9种控制图的控制图模式数据。
[0009]步骤2：进行数据增强处理。
[0010]在控制图模式识别过程中，一般采用的方法是直接应用原始数据进行趋势的预测，但这种方式的识别精度不高。该步骤的建立可将控制图各模式的特征显化、加深各模式区分度。该模块建立分为两步：
[0011]第一步：建立数据扩增模型，根据研究发现，蒙特卡洛方法生成的数据特征分布不明显，难以反映控制图所处的模式。通过数据扩增模型去增强模式特征。
[0012]建立该模型的方法如下：
[0013]a)基于K近邻算法的少数类样本点选择，计算数据集每个数据之间的距离S；
[0014]b)按照计算出距离递增次序排序，选出少数类样本与多数类样本，并生成少数类样本集A；
[0015]c)通过步骤一中生成的少数类样本集，根据自身的需要，确定近邻点个数k；
[0016]d)对这k个样本进行随机线性插值拟合出新的少数类样本点。
[0017]第二步：进行特征平滑移动处理，经过第一步中数据扩增，改善了数据特征分布不明显的情况，但也为数据特征带来一定干扰，因此通过特征平滑移动处理模型对数据进行处理，进一步显化特征排除干扰。
[0018]建立该模型的方法如下：
[0019]a)构建卷积核X；
[0020]b)卷积核X与需卷积数据进行卷积计算得到处理后数据。
[0021]步骤3：进行增强数据特征处理。
[0022]为了能更加精准的进行控制图趋势的区分，排除质量数据的内在影响，对控制图数据进行特征提取，从统计特征与形状特征两方面出发进行特征提取。但由于统计特征与形状特征数据太过于庞大、大大增加了控制图模式识别的复杂性，因此当两类特征数据提取出后，分别采用PCA数据降维方法将统计特征数据与形状特征数据分别进行降维处理，该模块建立分为两步：
[0023]第一步：建立特征提取模型，提取质量数据的统计特征包括：均值、标准差、最大值、最小值、极差、中位数、离散系数、均方值、峰度、偏度、平均偏差、平均幅值、均方辐、波形、脉冲、平均自相关系数；质量数据形状特征包括：SB、RVE、RDIST、AASBP、ASL、SRANGE、ABL、BRANGE、REAE、REVE、DABL、DBRANG、PSME、AABPE、ABDPE、SASDPE、SASPE、REPEPE、RVPEPE、ACLPI、ALSPI、ACLMLC、ALSLSC、RACLALS、PMLC、PLSC、PSMLS。
[0024]第二步:建立数据降维模型，该步骤采用主成分分析方法将提取出的统计特征数据与形状特征数据进行降维处理，建立该部分的方法步骤如下:
[0025]a)计算所有训练样本的均值向量；
[0026]b)计算原始高维数据组零均质化的标准矩阵；
[0027]c)计算原始数据组的协方差矩阵；
[0028]d)计算协方差矩阵的特征值并将特征值由大到小进行排序处理，计算每个主成分的贡献率σ
i
和累计贡献率δ；
[0029]e)通过累计贡献率δ，进行降维范围选择。
[0030]本专利技术的有益效果是：针对控制图的9种模式区别不明显，提出了一种用于控制图模式识别的数据特征增强处理方法，能够对控制图的9种模式的特征进行增强，使得每种模式之间的区分度更明显。可用于控制图模式识别研究的识别准确度提高，有效降低各模式的误判。
附图说明
[0031]图1为本方法的流程图。
[0032]图2为9种控制图模式的图像。
[0033]图3为特征增强后9种控制图模式的图像。
[0034]图4为统计特征增强前后对比图。
[0035]图5为形状特征增强前后对比图。
[0036]图6为特征数据降维示意图。
具体实施方式
[0037]下面结合说明书附图详细描述本专利技术的技术方案：
[0038]该方法的主体部分总结为三个部分。首先，通过蒙特卡洛方法生成控制图模式数据。其次，先利用少数类样本生成算法对控制图模式数据进行扩增处理，再通过平滑处理方法对扩增数据进行特征增强。最后，先利用控制图的特征提取技术，提取特征增强后数据的统计特征与形状特征，然后利用主成分分析算法，分别对两类特征进行数据降维得到最终数据。通过如下步骤进行具体的论述：
[0039]步骤1：进行控制图的模式数据生成处理。
[0040]分析在生产过程中会出现的模式。受实际生产的影响，产品质量的波动会呈一定的规律出现并影响接下来的生产。设计不同的参数来生成不同类型的趋势图如图2所示为9种模式的图形：正常模式、混合模式、周期模式、分层模式、系统模式、上趋势模式、下趋势模式、上阶跃模式、下阶跃模式的控制图模式数据，具体方法如下：
[0041]仿真公式：y＝μ+R(t)+d(t)
[0042]其中：μ为质量数据的均值，R(t)为t时刻的正态分布随机偏差，d(t)为生产过程出现异常因素导致的偏差，下面是生产时各模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于控制图模式识别的数据特征增强处理方法，其特征在于，首先利用蒙特卡洛方法生成各模式的控制图数据，并组成原始数据集；然后将原始数据集作为输入，通过少数类过采样算法与平滑移动处理方法结合的特征增强算法，将原始数据集各控制图模式数据进行特征增强处理得到增强数据集，并从增强数据集提取控制图的各统计特征与形状特征，得到统计特征数据集与形状特征数据集；然后利用主成分分析法对所得到的两类数据集进行降维，得到可进行控制图模式识别的最终数据集。2.根据权利要求1所述一种用于控制图模式识别的数据特征增强处理方法，其特征在于，该方法的实现包括以下三个步骤：生成控制图模式数据：确定九种控制图模式为正常、周期、分层、系统、上升趋势、下降趋势、向上阶跃、向下阶跃、混合模式，利用蒙特卡洛方法生成对应的控制图模式数据；进行数据增强处理中分为两步：控制图模式数据扩增处理及对控制图模式扩增数据的平滑移动处理；增强数据特征处理中分为两步：控制图模式增强数据特征提取处理及提取特征数据降维处理。3.根据权利要求2所述一种用于控制图...

【专利技术属性】
技术研发人员：初红艳，东岳峰，程强，曹勇，张笑宇，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：