王宁, 郭梓昱, 田淑珂, 李可雨阳
为解决控制图质量异常模式识别中, 实时质量数据呈现出高维非线性等复杂特征导致模型过拟合以及失真等问题, 提出一种基于融合特征 $t$ 分布随机近邻嵌入($t$-distributed stochastic neighbor embedding, $t$-SNE) 降维的控制图质量异常模式识别方法. 首先, 从生产过程动态数据流中提取其统计特征、形状特征并与原始特征进行融合, 形成动态数据流的高维融合特征; 然后利用 $t$-SNE 算法对融合特征进行降维, $t$-SNE 算法能够有效地处理线性和非线性数据, 并产生更有意义的聚类; 进而利用一维卷积神经网络(one-dimensional convolutional neural networks, 1DCNN)作为分类器实现复杂产品制造过程的质量异常模式识别; 最后, 通过仿真实验将本文所提方法与单一类型特征方法、融合特征方法以及融合特征主成分分析法(principal component analysis, PCA)、核主成分分析(kernel PCA, KPCA) 和局部线性嵌入算法(locally linear embedding, LLE) 降维方法的识别模型进行比较, 并利用锂离子电池极片制造过程为例进一步说明本文模型的有效性与实用性. 仿真与实例结果表明, 本文所提算法具有更高的识别效率和精度, 特别适用于处理在复杂产品制造过程背景下的高维非线性数据.
