机构名称：
¥ 1.0
在生产线上解决产品质量标准时，一个关键问题是确定定义最终产品质量的参数并对其进行跟踪。自动机械工作条件不一致时的过程控制问题，即当某些参数高度可变时，在文献中仍未得到充分探索。当最重要的过程变量无法直接测量时，这一目标变得更具挑战性。本文表明，通过将软传感器（其预测模型是神经网络）与异常检测器耦合，可以实现质量控制。该方法已应用于生产线上的自动机械，其中生产率的高变化性对测量的物理变量有重要影响。这使得自动化和准确的质量控制变得困难，因为在这个测试案例中收集的数据是加速度计信号，根据定义，加速度计信号对机器生产率的变化极为敏感。结果表明，该方法优于过去提出的许多其他分类方法（支持向量机、集成袋装树、判别分析、K 近邻和直接应用神经网络），即使在有限数量的机器工作点中收集了异常数据，也能根据四个指标（准确率、精确度、召回率和 𝐹 1 分数）获得令人满意的结果。特别是，在仅收集标称条件的生产率下，准确率也达到了 92% 以上。该程序超过了神经网络的直接训练（新生产率的准确率为 57.6%），以及基于无量纲特征提取的浅层方法的应用（新生产率的准确率约为 35%）。
人工智能的工程应用
主要关键词
相关文件推荐
