电能表制造过程控制图判异模式的识别方法研究
这是一篇关于电能表,智能制造,控制图,深度学习,分类的论文, 主要内容为随着电能表智能制造模式的持续深入以及大数据分析在制造业领域的广泛使用,控制图作为对电能表制造过程质量控制的重要方法,其使用方式也必须进行调整。本课题来源于某科技电能表智能制造项目,以电能表电压校正偏倚值作为研究对象,以高分类准确率、低耗时、模型轻量化的控制图异常模式分类方法为研究目标,研究控制图模式的智能识别方法。课题提出了一种基于Dense Net网络的控制图模式识别方法,能够利用制造现场的大数据,实现控制图失控判异模式的高精度快速识别,保证过程质量得到高效控制。本课题主要内容如下:(1)在对GB/T 17989.2-2020《控制图第2部分:常规控制图》国家标准进研究的基础上,按照国家标准中的控制图异常模式划分要求,建立了符合国家标准的控制图模式划分数学模型,在此基础上设计系统技术方案,进行了电压偏倚值数据与采集,为后续的电压偏倚值控制图异常模式分类算法提供高质量样本。(2)为满足控制图异常模式分类的需要,将图像分类算法进行改进运用到控制图异常模式分类中,对Inception V3、Shuffle Net V2、Res Ne Xt以及Dense Net网络对卷积层和池化层进行改造,将卷积层和池化层替换为一维卷积层和一维池化层,并将以上四种图像分类网络应用于一维电能表电压偏倚值控制图异常模式多标签分类模型中。在由257469条电能表电压偏倚数据组成的测试集上,Dense Net虽然分类效果最好但具有最高的计算量584M、模型尺寸881.5MB以及CPU利用率92.77%。因此模型不适合在移动场景配置;得益于参数减小以及网络深度的增加,Res Ne Xt具有最小的计算量238M及最短测试时间667s;Inception V3通过平均池化层代替全连接层、1×1卷积以及瓶颈层设计获得了最小参数量43.8M;Shuffle Net V2使用1×1卷积提高网络效率获得最低CPU利用率50.04%。因此本文以Dense Net网络的为基础,结合Res Ne Xt、Inception V3、Shuffle Net V2三个网络的优势,减小超参数、全连接层数量,并设置1×1卷积和瓶颈层增加网络深度。(3)针对Dense Net网络存在的参数效率低、对显存的消耗巨大等问题,提出了结合Res Ne Xt、Inception V3、Shuffle Net V2三个网络的优势对特征进行提取,通过迁移学习及FCBF算法进行特征增强通过SVM分类器进行特征分类的解决方案,设计高分类准确率、小模型尺寸、消耗显存少、低耗时的量化设计目标,并通过建模得出设计目标总加权得分函数。在特征提取上,通过Dense Net密集连接机制和特征重用的结构特点训练数据,在Dense Net网络中通过瓶颈层设计和模型压缩对特征进行提炼,提高模型参数效率缩短训练时间;在特征选择方面,通过迁移学习增强从全连接层提取的电压偏倚数据特征,增加控制图异常模式分类泛化性,然后采用FCBF算法选择最有效的特征向量以提高模型性能,降低时间复杂度;在特征分类上,使用SVM分类器作为模型输出,能保证模型收敛性稳健。训练结果表明改进后的网络达到最佳收敛效果最高综合评分2.3分,改进后的网络分类性能优于改进前网络,测试时间缩短至三分之一,参数量仅为原模型的一半,计算机运行速度提高了快一倍。同时对多标签的错误分类率小,八种异常模式的分类平均准确率为98.56%,达到了良好分类效果。AUC平均值在0.9,分类正确率优秀。(4)基于改进型Dense Net网络的电能表电压偏倚值控制图异常模式多标签分类算法的现场部署。本文提出了能够对电能表电压偏倚值控制图分类的全自动架构,进行了软件开发。该软件通过Python脚本自动对产线上的数据进行训练集标注及划分,控制图分类结果以及当前的检测速度可以实时显示,将分类过程中各种异常模式的数量汇总统计。试验结果表明总误报率均低于5%,每种异常模式的误报率低于2%,平均CPU利用率为37.49%,F1-score为0.97,分类耗时70s/k,达到设计目标的要求。
机械零件质量追溯与评价系统研究
这是一篇关于质量信息,控制图,追溯与评价系统,SSH架构的论文, 主要内容为机械零件质量追溯与评价的目的在于提高零件质量,同时在促使企业发展和提高客户满意度上也起着重要的作用。机械零件生产过程参与的因素众多,原材料种类繁多、人员、设备、工艺、加工环境等因素对零件质量的影响急剧增加,质量问题频频发生。面对突发的质量问题,企业往往采用"事后反馈"来处理。本文在"事后反馈"的基础上,融入"事中控制",形成质量追溯与评价系统,通过"事中控制"减少"事后反馈"的频率,在零件加工过程中消除零件异常,进而提高在制品的质量,整体上提高零件的质量。本文以陕西北方动力有限公司曲轴事业部为研究背景,以机械零件为研究对象,研究了质量的可追溯信息,并采用控制图评价零件质量。首先,对影响零件质量的因素进行分析,针对国内外研究和零件的特点,从零件的形成过程出发,研究了影响零件质量的四个阶段:设计、原材料采购、加工和销售,确定出质量追溯信息。然后,分析了控制图的原理和评价流程,采用质量控制图来评价零件质量。利用控制图的判异准则评价零件加工过程的质量关键点的异常。最后,通过系统开发实现质量追溯与评价。本系统采用java语言进行编程,后台程序采用SSH架构,前端页面通过jsp、css、js等技术实现,所采用的开发工具是myeclipse、tomcat及mysql数据库。开发流程包括:需求分析、模型处理(建模)、功能设计、页面设计、程序设计。
基于文本挖掘的用户情感分析及用户评分监控
这是一篇关于电子商务,自然语言处理,情感分类,控制图的论文, 主要内容为近年来,随着互联网技术的快速发展,驱动了消费体验升级,电子商务已快速发展成为了我国社会经济的一个重要组成部分。然而当前网络购物过程中假货不断、退款难、质量存疑、售后无门等的消费问题也给消费者带来不少的烦恼与困扰,电商产品质量依旧难以保障。电商产品质量优劣是影响其客户情绪的主要因素,而用户情绪主要反映在电商网站留下的用户评论和评分中。因此,若能有效获取蕴含在评论文本中丰富的、有关产品质量方面的信息,并对时序状态下的用户情绪进行监控,将会大大提高商家提升产品质量的效率以及客户消费体验。因此,本文基于自然语言处理技术以及控制图的方法,对国内外相关的文献进行了梳理和总结,主要做了以下几点工作:(1)针对长评论文本的跨域情感分析:通过改进Text-Rank算法,在图排名网络结构中引入了句子情感权重,综合考虑每条评论句在整体文本语义重要性以及情感重要性的占比,从而有效抽取篇章级文本的关键情感句,该句子级别的预处理方法实现了更为准确的长评论文本分类;同时,考虑到某些领域产品无标签且标签数据难以获取的情况,基于半监督学习中的伪标签方式,并微调预训练语言模型以不断适应无标签的目标域产品评论数据,实现了跨域产品情感分析。(2)基于融合注意力机制的细粒度情感分析:利用预训练语言模型和Bi-LSTM(Bi-directional Long Short-Term Memory)构建了新的网络以加强对评论文本语义的捕捉能力,同时引入了包含属性语义的外部知识,并通过动态融合的自注意力机制和标签注意力机制捕捉文本语义与产品属性标签之间的关联性。最终本文提出的多标签分类模型在于近年来提出的属性级情感分类模型对比中取得了最好的结果,该模型能有效识别用户评论中提及到的产品质量属性及用户对应的情感倾向,有助于企业在产品属性的粒度级别下分析产品质量,同时也帮助消费者对产品质量判断产生更清晰的认知。(3)基于评分修正的用户情绪监控:对于当前用户评分系统存在的评分过于集中且区分性不强的问题,本文基于协同过滤算法的思想对用户评分进行修正,将个人的评分标准转换为更一般的整体评分标准,并削弱客户个体对评分的主观影响,得出更加准确的评分。同时,对经过预处理后的评分数据采取控制图的方式对用户对产品的评分进行实时监控,对用户情绪失控状态给出及时反馈。对于失控评分数据,本文通过进一步分析产品各质量属性的变化情况以及用户对产品各质量属性的重要性,找到对用户情绪变化影响最大的产品属性,为企业有针对性的进一步提升产品质量,稳定用户情绪提供切实依据。
面向倒装芯片拾取的视觉系统设计与开发
这是一篇关于芯片识别与定位,二值化,算法优化,控制图的论文, 主要内容为随着电子科学技术的迅猛发展,LCD(Liquid Crystal Display)显示屏几乎深入到我们生活的方方面面。随着LCD的像素越来越高,管脚密度逐渐增加,COG(Chip on Glass)互联精度也越来越高;国内目前COG高精度设备主要依赖进口,因此在我国自主开发自动高精度COG倒装机就显得尤为重要。而机器视觉技术是COG倒装机的重要组成部分之一,它为倒装机中芯片拾取和定位提高了精度和效率,因此,研究面向倒装芯片拾取的视觉系统具有重要的意义。本文主要研究工作如下: 一、针对倒装机中芯片拾取模块的工作流程和工艺要求,从倒装设备整体上分析了视觉系统与上位机和底层运动系统之间的关系,建立了芯片拾取模块视觉系统整体架构。 二、针对芯片拾取模块中视觉定位系统的所要满足的需求,参照工业界识别系统所选用的主流硬件,以前期设计的倒装机硬件为基础,对芯片拾取视觉系统进行指标设计和硬件选型,搭建视觉系统的试验平台。 三、对芯片图像做了二值化与边缘提取的预处理,提出了一套芯片识别的系统算法,并通过跳转,提前返回,内存数据缓冲等一系列的优化处理,使得芯片识别的精度和效率达到生产要求。 四、通过使用C#语言,完成芯片拾取视觉系统的软件开发,自主研发出芯片识别与定位软件Chip-Detecting,设计了友好的人机交互界面和简便的操作流程,输出芯片的位置和角度数据,供芯片拾取系统使用。通过各项参数的比较,此软件在某些方面功能达到要求,有替代之前实验室所购置的视觉开发组件FVX的可能,大大降低了开发成本。 五、将提出的芯片识别算法和实验室之前所用的FVX视觉库函数以及通用的分层搜索算法进行比较,在芯片有缺陷,外部环境变化的情况下,分析三种算法的优劣。 六、通过引入工业界统计过程控制的方法,将芯片匹配精度量化,并画出芯片识别系统计量值的控制图,去除非随机性原因的不可控样本,分析使用Chip-Detecting系统识别芯片所得数据的可控性。
基于文本挖掘的用户情感分析及用户评分监控
这是一篇关于电子商务,自然语言处理,情感分类,控制图的论文, 主要内容为近年来,随着互联网技术的快速发展,驱动了消费体验升级,电子商务已快速发展成为了我国社会经济的一个重要组成部分。然而当前网络购物过程中假货不断、退款难、质量存疑、售后无门等的消费问题也给消费者带来不少的烦恼与困扰,电商产品质量依旧难以保障。电商产品质量优劣是影响其客户情绪的主要因素,而用户情绪主要反映在电商网站留下的用户评论和评分中。因此,若能有效获取蕴含在评论文本中丰富的、有关产品质量方面的信息,并对时序状态下的用户情绪进行监控,将会大大提高商家提升产品质量的效率以及客户消费体验。因此,本文基于自然语言处理技术以及控制图的方法,对国内外相关的文献进行了梳理和总结,主要做了以下几点工作:(1)针对长评论文本的跨域情感分析:通过改进Text-Rank算法,在图排名网络结构中引入了句子情感权重,综合考虑每条评论句在整体文本语义重要性以及情感重要性的占比,从而有效抽取篇章级文本的关键情感句,该句子级别的预处理方法实现了更为准确的长评论文本分类;同时,考虑到某些领域产品无标签且标签数据难以获取的情况,基于半监督学习中的伪标签方式,并微调预训练语言模型以不断适应无标签的目标域产品评论数据,实现了跨域产品情感分析。(2)基于融合注意力机制的细粒度情感分析:利用预训练语言模型和Bi-LSTM(Bi-directional Long Short-Term Memory)构建了新的网络以加强对评论文本语义的捕捉能力,同时引入了包含属性语义的外部知识,并通过动态融合的自注意力机制和标签注意力机制捕捉文本语义与产品属性标签之间的关联性。最终本文提出的多标签分类模型在于近年来提出的属性级情感分类模型对比中取得了最好的结果,该模型能有效识别用户评论中提及到的产品质量属性及用户对应的情感倾向,有助于企业在产品属性的粒度级别下分析产品质量,同时也帮助消费者对产品质量判断产生更清晰的认知。(3)基于评分修正的用户情绪监控:对于当前用户评分系统存在的评分过于集中且区分性不强的问题,本文基于协同过滤算法的思想对用户评分进行修正,将个人的评分标准转换为更一般的整体评分标准,并削弱客户个体对评分的主观影响,得出更加准确的评分。同时,对经过预处理后的评分数据采取控制图的方式对用户对产品的评分进行实时监控,对用户情绪失控状态给出及时反馈。对于失控评分数据,本文通过进一步分析产品各质量属性的变化情况以及用户对产品各质量属性的重要性,找到对用户情绪变化影响最大的产品属性,为企业有针对性的进一步提升产品质量,稳定用户情绪提供切实依据。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码工坊 ，原文地址：https://m.bishedaima.com/lunwen/53598.html
