基于集成支持向量機(jī)的控制圖異常模式識(shí)別

張 瑩，褚 娜

（1.武漢理工大學(xué) 物流工程學(xué)院，湖北 武漢 430063；2.港口物流技術(shù)與裝備教育部工程研究中心，湖北 武漢 430063）

0 引言

在生產(chǎn)過程的質(zhì)量管控中，控制圖作為統(tǒng)計(jì)過程控制（SPC）的一種基本工具常被用來監(jiān)控過程中的異常波動(dòng)。傳統(tǒng)控制圖是通過圖上的樣本點(diǎn)數(shù)據(jù)是否超過上下控制限來判斷過程是否異常，無法判斷生產(chǎn)過程異常的原因，近來控制圖模式識(shí)別的研究在質(zhì)量管控中得到了很多學(xué)者的關(guān)注，它是通過識(shí)別異常數(shù)據(jù)自身的規(guī)律，進(jìn)而根據(jù)專家知識(shí)庫找到對(duì)應(yīng)異常數(shù)據(jù)模式產(chǎn)生的原因，并尋找相應(yīng)的糾正措施。例如港口的配煤，主要是由多品種的煤炭按照一定比例混合。將控制圖模式識(shí)別運(yùn)用于港口的配煤中，當(dāng)發(fā)生異常時(shí)識(shí)別出異常原因，提醒操作人員及時(shí)調(diào)整異常工序，能夠有效的降低生產(chǎn)成本，促進(jìn)港口經(jīng)濟(jì)發(fā)展和環(huán)境效益提升。

關(guān)于控制圖模式識(shí)別的研究，一般先利用小波變換對(duì)數(shù)據(jù)進(jìn)行特征提取。然后選擇合適的識(shí)別分類器進(jìn)行控制圖模式識(shí)別。在識(shí)別分類器的選擇中，機(jī)器學(xué)習(xí)的方法被廣泛應(yīng)用于控制圖模式識(shí)別中。Addeh，等提出蜜蜂算法對(duì)高數(shù)目徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)尋優(yōu)，提高了泛化能力和網(wǎng)絡(luò)識(shí)別精度。Zan，等提出一維卷積神經(jīng)網(wǎng)絡(luò)，該模型的識(shí)別精度、收斂速度和迭代時(shí)間明顯優(yōu)于傳統(tǒng)的多層感知器模型。劉貝貝，等指出了概率神經(jīng)網(wǎng)絡(luò)的控制圖模式識(shí)別性能主要取決于對(duì)平滑因子的設(shè)定，利用粒子群算法對(duì)平滑系數(shù)進(jìn)行尋優(yōu)。而神經(jīng)網(wǎng)絡(luò)對(duì)于小樣本數(shù)據(jù)沒有較好的泛化性，網(wǎng)絡(luò)結(jié)構(gòu)也相對(duì)復(fù)雜，易于過擬合。Cuentas，等提出由于支持向量機(jī)具有優(yōu)異的泛化性能，在統(tǒng)計(jì)過程控制應(yīng)用中取得了顯著的效果。宋李俊，等提出了融合特征提取和支持向量機(jī)控制圖異常模式識(shí)別方法，實(shí)驗(yàn)表明對(duì)于小樣本也有較好的識(shí)別性能。Zhou，等提出了混合核函數(shù)的模糊支持向量機(jī)的方法，對(duì)比概率神經(jīng)網(wǎng)絡(luò)和多層感知網(wǎng)絡(luò)等具有良好的性能。他們將該模型運(yùn)用到連桿部件的生產(chǎn)中，表明該方法在實(shí)際應(yīng)用中具有較好的效果。蔣兆，等提出了一種基于遺傳算法對(duì)多核函數(shù)最小二乘支持向量機(jī)中參數(shù)進(jìn)行優(yōu)化的識(shí)別模型，利用仿真實(shí)驗(yàn)證明了該識(shí)別模型在小批量生產(chǎn)中具有應(yīng)用價(jià)值。

另一方面，為了改善監(jiān)測(cè)模型識(shí)別精度不高、容易陷入局部?jī)?yōu)化的問題，許多學(xué)者采用AdaBoost算法對(duì)多個(gè)支持向量機(jī)進(jìn)行集成。Jin，等提出了基于Relief算法和AdaBoost-SVM的內(nèi)部裂紋缺陷檢測(cè)方法，對(duì)比常用分類器具有更好的識(shí)別性能和泛化能力。呂鋒，等提出一種基于多重提升的荷爾蒙遺傳SVM集成學(xué)習(xí)方法，并將其應(yīng)用于網(wǎng)絡(luò)故障診斷，提高故障分類準(zhǔn)確率。Bhosle，等提出了混合鄰近算法和徑向基函數(shù)核支持向量機(jī)作為AdaBoost的弱分類器，識(shí)別乳房X線照片為良性或惡性，提高早期識(shí)別乳腺癌的效率。Zheng，等將AdaBoost-SVM方法應(yīng)用到變換器功率晶體管的故障診斷，提高了故障診斷的精度?？梢钥闯鯯VM作為AdaBoost的弱分類器，在故障診斷、圖像識(shí)別等領(lǐng)域具有較強(qiáng)的應(yīng)用價(jià)值，受到了學(xué)者們的普遍關(guān)注。但是AdaBoost集成算法中每個(gè)弱分類器的權(quán)重依賴于自身分類誤差，并且一味地提高錯(cuò)誤樣本的權(quán)重，這些缺點(diǎn)降低了模型的識(shí)別率。

綜合目前已有研究發(fā)現(xiàn)，AdaBoost和SVM結(jié)合的算法在模式識(shí)別領(lǐng)域已有研究，但在統(tǒng)計(jì)過程控制中，尤其針對(duì)控制圖異常模式識(shí)別的研究中，還沒有考慮將該算法引入進(jìn)來。為了更好地對(duì)產(chǎn)品質(zhì)量進(jìn)行控制，本文采用AdaBoost-SVM 模型對(duì)控制圖進(jìn)行異常模式識(shí)別，為了提高質(zhì)量檢測(cè)效率，本文針對(duì)SVM 識(shí)別精度不高、容易陷入局部?jī)?yōu)化，AdaBoost 算法更新權(quán)重不足的問題，進(jìn)一步提出了基于改進(jìn)的AdaBoost-SVM 的控制圖模式識(shí)別方法，并研究其監(jiān)測(cè)效率。最后將該模型運(yùn)用于港口配煤模擬實(shí)驗(yàn)中，對(duì)其關(guān)鍵質(zhì)量特性進(jìn)行監(jiān)測(cè)，以提高煤炭質(zhì)量，降低生產(chǎn)成本。

1 控制圖模式識(shí)別

1.1 控制圖原理

1.2 控制圖模式分類

傳統(tǒng)控制圖通過判斷樣本點(diǎn)是否超過上下控制限來監(jiān)測(cè)生產(chǎn)過程的狀態(tài)，而對(duì)部分過程異常因素的監(jiān)控靈敏度不高并且無法識(shí)別具體的異常模式。在實(shí)際生產(chǎn)過程中需要及時(shí)報(bào)警并快速地找出過程異常的原因，調(diào)整相應(yīng)的工序，避免造成生產(chǎn)損失。由此可見，控制圖異常模式識(shí)別對(duì)于生產(chǎn)制造企業(yè)產(chǎn)品的質(zhì)量控制和診斷具有重要意義。美國西部電氣公司總結(jié)了控制圖模式（CCP）的相關(guān)概念，并對(duì)控制圖模式的類型進(jìn)行了探討和分析。目前基于控制圖模式識(shí)別診斷的研究，主要以6種基本模式為主，分別為：正常、周期、上升趨勢(shì)、下降趨勢(shì)、向上階躍、向下階躍模式。

2 基于AdaBoost-SVM的控制圖異常模式識(shí)別模型構(gòu)建

本文提出了基于AdaBoost-SVM的控制圖異常模式識(shí)別，其主要步驟為數(shù)據(jù)預(yù)處理、參數(shù)優(yōu)化和模式識(shí)別，如圖1所示。在數(shù)據(jù)預(yù)處理時(shí)，先運(yùn)用小波分析將監(jiān)測(cè)到的數(shù)據(jù)進(jìn)行小波分解和重構(gòu)，消除噪音對(duì)抽樣數(shù)據(jù)的影響；其次利用網(wǎng)格搜索和交叉驗(yàn)證法對(duì)SVM中的參數(shù)進(jìn)行尋優(yōu)；最后運(yùn)用SVM作為AdaBoost的弱分類器，集成強(qiáng)分類器進(jìn)行控制圖異常模式識(shí)別。具體仿真步驟如下：

第一步：生成仿真數(shù)據(jù)。通過蒙特卡羅模擬生成六種控制圖模式數(shù)據(jù)。

第二步：數(shù)據(jù)預(yù)處理。選擇合適的小波函數(shù)，通過小波變化進(jìn)行分解和系數(shù)重構(gòu)，達(dá)到消除噪音的目的。

第三步：參數(shù)優(yōu)化。利用網(wǎng)格搜索和交叉驗(yàn)證對(duì)SVM中的參數(shù)懲罰因子c和核參數(shù)g進(jìn)行尋優(yōu)。

其次，可以舉一些優(yōu)秀的“阿姨”的例子，展示給她們看，這個(gè)職業(yè)可以到達(dá)的高度和狀態(tài)，為阿姨樹立學(xué)習(xí)的榜樣。可以將國內(nèi)外家政服務(wù)人員的學(xué)習(xí)和教育經(jīng)歷展示給阿姨看，英國、菲律賓等家政培訓(xùn)課程和學(xué)員學(xué)習(xí)情況，都可介紹給阿姨看，目的是希望阿姨認(rèn)識(shí)到，這個(gè)工作不像她們想象的那樣簡(jiǎn)單，有很多方面可以做得更好，但必須經(jīng)過艱苦的學(xué)習(xí)和自我改變。

第四步:模式識(shí)別。利用改進(jìn)的AdaBoost-SVM模型進(jìn)行控制圖模式識(shí)別。

圖1 基于改進(jìn)的AdabBoost-SVM的控制圖模式識(shí)別框架

2.1 基于交叉驗(yàn)證的SVM網(wǎng)格參數(shù)優(yōu)化

在SVM 中，選擇合適的核函數(shù)和參數(shù)值對(duì)SVM 的學(xué)習(xí)能力來說非常重要。徑向基函數(shù)（RBF）作為核函數(shù)具有很強(qiáng)的學(xué)習(xí)能力，能夠快速的解決非線性問題，在模式識(shí)別、故障診斷等許多問題的研究中表現(xiàn)出很好的性能。核參數(shù)g 和懲罰因子c 的選取對(duì)SVM 的性能影響較大。如果g 值選取不當(dāng)，會(huì)出現(xiàn)“過學(xué)習(xí)”或“欠學(xué)習(xí)”現(xiàn)象；而懲罰因子c 越高，越容易過擬合，c 越小，越容易欠擬合。因此，本文將選擇RBF 函數(shù)作為SVM 的核函數(shù)，采用網(wǎng)格搜索和交叉驗(yàn)證法尋找合適的懲罰因子和核參數(shù)。

交叉驗(yàn)證的基本思想是將數(shù)據(jù)集分割成N份，使用其中的1份作為測(cè)試集，剩余的N-1份作為訓(xùn)練集，并將訓(xùn)練好的模型用于測(cè)試集上。網(wǎng)格搜索的基本原理是將SVM中參數(shù)c和g分別劃分一個(gè)區(qū)間范圍，并計(jì)算出對(duì)應(yīng)各參數(shù)變量值組合的準(zhǔn)確率，逐一擇優(yōu)，以得到該區(qū)間內(nèi)的最佳參數(shù)組合值。因此本文將利用交叉驗(yàn)證法檢驗(yàn)每組（c，g）的準(zhǔn)確率，具體步驟如下:

第一步：設(shè)置參數(shù)范圍。取g=[-x，x]，c=[-y，y]，并設(shè)置步長為L。

第二步：采用k折交叉驗(yàn)證方法。將訓(xùn)練集劃分為k份，選其中k-1份數(shù)據(jù)用于模型的訓(xùn)練，留下一份數(shù)據(jù)作為測(cè)試集。重復(fù)上述步驟k次，可得k次分類準(zhǔn)確率，取其平均值作為該組參數(shù)(c，g)的分類準(zhǔn)確率。

第三步：選取最優(yōu)參數(shù)組合。遍歷網(wǎng)格上所有的參數(shù)組合，選取分類準(zhǔn)確率最大的一組參數(shù)組合。

2.2 基于改進(jìn)的AdaBoost-SVM的識(shí)別模型

AdaBoost 算法的原理是在迭代過程中賦予多個(gè)弱分類器不同的權(quán)重，得到一個(gè)強(qiáng)分類器。傳統(tǒng)的AdaBoost算法存在明顯的不足，在迭代過程中對(duì)錯(cuò)誤樣本賦予較大的權(quán)重，正確樣本賦予較小的權(quán)重，容易導(dǎo)致錯(cuò)誤樣本權(quán)重?zé)o限的增加，正確樣本被忽視，影響樣本訓(xùn)練效果?；诖瞬蛔?，本文對(duì)AdaBoost算法進(jìn)行改進(jìn)：（1）更新弱分類器權(quán)重時(shí)，僅考慮弱分類器訓(xùn)練誤差率，未考慮樣本權(quán)重分布情況。R反應(yīng)了樣本權(quán)重分布情況，R越大說明被正確分類樣本越多；反之說明被錯(cuò)誤分類樣本越多。加入k*exp(R)，使R越小，弱分類器權(quán)重越小。（2）更新訓(xùn)練樣本權(quán)重時(shí)，為了改善對(duì)錯(cuò)誤樣本的過度關(guān)注，加入l 調(diào)節(jié)因子，減少錯(cuò)誤樣本權(quán)重增長速度和正確樣本權(quán)重減緩速度。本文提出的改進(jìn)AdaBoost-SVM 識(shí)別模型，其具體的訓(xùn)練步驟如下：

}(x,y),(x,y),...,(x,y) ，其中x是樣本特征向量，y是樣本對(duì)應(yīng)的類別標(biāo)簽，輸入初始迭代次數(shù)t=1，總迭代次數(shù)T。

3 仿真實(shí)驗(yàn)

3.1 仿真數(shù)據(jù)

在實(shí)際生產(chǎn)中存在著噪聲干擾，因此將隨機(jī)因素作為噪聲加入正常控制圖模式中，各種異常因素加入相應(yīng)的異?？刂茍D模式中。為了更加貼合實(shí)際，提高分類模型的泛化能力，在每種控制圖異常模式中設(shè)置不同程度的偏移，保證數(shù)據(jù)的多樣性。對(duì)采用蒙特卡羅仿真產(chǎn)生的不同模式下的樣本數(shù)據(jù)進(jìn)行研究，詳細(xì)的樣本點(diǎn)數(shù)據(jù)公式描述如下：

其中y(t)表示t時(shí)刻的工序質(zhì)量值，q(t)表示t時(shí)刻的隨機(jī)因素，x(t)表示t時(shí)刻的異常干擾因素。表1給出了控制圖的六種模式以及相應(yīng)的模式表達(dá)式，為了討論方便，不失一般性，此處取μ=0、σ=1。本文一共生成1 080組數(shù)據(jù)（即6種模式，每種模式180組），每組數(shù)據(jù)包含10 個(gè)特征值，即一共生成1 080*10 的數(shù)據(jù)集。其中取720*10為訓(xùn)練集（每種模式120組）；取360*10為測(cè)試集（每種模式60組）。各模式下的具體參數(shù)設(shè)置見表1。

表1 每種模式的參數(shù)設(shè)置

3.2 參數(shù)優(yōu)化

為了更好地對(duì)控制圖數(shù)據(jù)進(jìn)行模式識(shí)別，利用小波分析進(jìn)行特征提取，消除數(shù)據(jù)中包含的噪音，其方法是通過提取少量的數(shù)據(jù)來代表控制圖模式數(shù)據(jù)中的數(shù)據(jù)變化趨勢(shì)。本文采用db3小波函數(shù)來對(duì)控制圖模式數(shù)據(jù)進(jìn)行分解，將低頻近似系數(shù)與小波重構(gòu)數(shù)據(jù)的形狀特征相結(jié)合，作為控制圖模式數(shù)據(jù)的特征。將預(yù)處理好的數(shù)據(jù)，放入采用SVM作為改進(jìn)的Ada-Boost弱分類器識(shí)別器的識(shí)別模型中，其中SVM的參數(shù)優(yōu)化是通過網(wǎng)格搜索法和交叉驗(yàn)證法對(duì)懲罰因子c和核參數(shù)g進(jìn)行參數(shù)尋優(yōu)。方法如下:設(shè)置c和g的范圍都是[2，2]，對(duì)該范圍內(nèi)的參數(shù)進(jìn)行網(wǎng)格搜索和5折交叉驗(yàn)證，得到最優(yōu)的參數(shù)組合是[16，12.125 7]，訓(xùn)練集的準(zhǔn)確率為96.805 6%。

3.3 模式識(shí)別實(shí)驗(yàn)結(jié)果及分析

本文將用預(yù)處理好的數(shù)據(jù)，取每種模式的60組數(shù)據(jù)作為測(cè)試集，即一共生成360*10的測(cè)試集。設(shè)置對(duì)照試驗(yàn)，對(duì)比各種算法的識(shí)別性能：（1）BP神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元為10，隱含層個(gè)數(shù)為2。（2）采用參數(shù)優(yōu)化后的SVM分類器進(jìn)行模式識(shí)別。（3）采用方法一中的BP神經(jīng)網(wǎng)絡(luò)作為AdaBoost的弱分類器進(jìn)行模式識(shí)別。（4）采用參數(shù)優(yōu)化后的SVM分類器作為AdaBoost的弱分類器進(jìn)行模式識(shí)別。（5）利用本文提出的改進(jìn)后的AdaBoost-SVM進(jìn)行模式識(shí)別。測(cè)試結(jié)果見表2。

表2 每種識(shí)別方法的識(shí)別率（%）

對(duì)表2的結(jié)果分析如下：（1）BP神經(jīng)網(wǎng)絡(luò)對(duì)六種控制圖模式的平均識(shí)別率為81.67%左右，而單獨(dú)使用SVM的平均識(shí)別率為89.44%。相比于傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)分類方案，SVM訓(xùn)練的時(shí)間雖然比神經(jīng)網(wǎng)絡(luò)慢，但是其性能卻表現(xiàn)得更好。

（2）對(duì)比單一分類器，集成分類器識(shí)別率更高。說明將多個(gè)弱分類器集成為強(qiáng)分類器，對(duì)提高控制圖模式識(shí)別率有一定的價(jià)值。

（3）可以看出，使用改進(jìn)后的AdaBoost-SVM集成分類器相比AdaBoost-SVM 集成分類器，每種模式的識(shí)別率得到了大大的提升。改進(jìn)后的AdaBoost-SVM集成分類器平均識(shí)別率達(dá)到97.78%。

對(duì)比發(fā)現(xiàn)識(shí)別性能有明顯的提高，綜上所述，在控制圖數(shù)據(jù)相同的情況下，對(duì)比單一的分類器和集成分類器，發(fā)現(xiàn)集成SVM算法對(duì)于控制圖模式識(shí)別有一定的價(jià)值，本文進(jìn)一步提出的改進(jìn)AdaBoost-SVM 算法具有較高的準(zhǔn)確率。

4 實(shí)驗(yàn)驗(yàn)證

4.1 實(shí)驗(yàn)設(shè)計(jì)

本文將AdaBoost-SVM控制圖識(shí)別模型應(yīng)用于物流港口配煤中。在散貨碼頭物流裝備實(shí)驗(yàn)室中進(jìn)行模擬實(shí)驗(yàn)，假設(shè)需要生成的混配煤的物料比例為1:2，實(shí)驗(yàn)過程由斗輪取料機(jī)取料到各皮帶機(jī)上運(yùn)輸，最后通過斗料機(jī)進(jìn)行混合生成混煤。設(shè)置兩條皮帶機(jī)均以1m/s勻速運(yùn)行，抽樣檢測(cè)5組60s內(nèi)各皮帶機(jī)上物料的質(zhì)量，計(jì)算得到的各皮帶運(yùn)輸機(jī)的瞬時(shí)流量作為配煤工藝的關(guān)鍵質(zhì)量特性，采用均值控制圖進(jìn)行控制圖模式識(shí)別。主要的監(jiān)測(cè)流程是：將瞬時(shí)流量輸入到本文的模型進(jìn)行識(shí)別，判斷配煤的過程狀態(tài)。如果處于正常狀態(tài)則繼續(xù)生產(chǎn)；處于異常狀態(tài)則進(jìn)一步判斷異常的模式，發(fā)出報(bào)警并根據(jù)專家知識(shí)庫對(duì)應(yīng)異常模式下的原因調(diào)整工序。

4.2 實(shí)驗(yàn)結(jié)果及分析

模擬實(shí)驗(yàn)中，人為的加入干擾因素導(dǎo)致各皮帶機(jī)瞬時(shí)流量出現(xiàn)偏移。實(shí)驗(yàn)設(shè)置皮帶機(jī)一在運(yùn)輸物料前，從第45個(gè)采樣點(diǎn)開始，周期性的改變斗輪取料機(jī)取料量；在第20-26個(gè)采樣點(diǎn)時(shí)，皮帶機(jī)二前端放置一張紙片，改變此處皮帶張力，使其出現(xiàn)向上階躍異常模式。將采集的數(shù)據(jù)放入AdaBoost-SVM 模型中，進(jìn)一步測(cè)試本文模型在實(shí)際生產(chǎn)環(huán)境中的可行性。如圖2所示，對(duì)兩個(gè)皮帶機(jī)的瞬時(shí)流量繪制均值控制圖，瞬時(shí)流量要求分別是W=（4±0.3）kg/s、Q=（8±0.3）kg/s。將采集到的數(shù)據(jù)點(diǎn)采用與仿真實(shí)驗(yàn)相同的窗口寬度（n=10）在控制圖上移動(dòng)取值，分別得到51和42個(gè)樣本。將樣本輸入到訓(xùn)練好的模型中進(jìn)行特征提取和模式識(shí)別，結(jié)果如圖3所示。

圖2 皮帶運(yùn)輸機(jī)瞬時(shí)流量控制圖

圖3 瞬時(shí)流量模式識(shí)別

將瞬時(shí)流量作為關(guān)鍵質(zhì)量特性輸入到控制圖在線監(jiān)測(cè)系統(tǒng)中。當(dāng)皮帶運(yùn)輸機(jī)一的控制圖在第45個(gè)點(diǎn)監(jiān)測(cè)到異常時(shí)，將其輸入到改進(jìn)的AdaBoost-SVM模型識(shí)別異常模式，運(yùn)用模型識(shí)別出在49-60個(gè)點(diǎn)時(shí)為周期模式，此時(shí)識(shí)別模型的性能指標(biāo)ARL=5；當(dāng)皮帶運(yùn)輸機(jī)二的控制圖在第20個(gè)點(diǎn)監(jiān)測(cè)到異常時(shí)，將其輸入到改進(jìn)的AdaBoost-SVM 模型識(shí)別異常模式，運(yùn)用模型識(shí)別出在23-26個(gè)點(diǎn)時(shí)為向上階躍模式，此時(shí)ARL=4。上述實(shí)驗(yàn)中ARL的值均小于質(zhì)量管理體系手冊(cè)中規(guī)定的25，識(shí)別性能較好，能及時(shí)報(bào)警，且識(shí)別異常模式與實(shí)際的實(shí)驗(yàn)設(shè)計(jì)相符。改進(jìn)后的Ada-Boost-SVM模型識(shí)別與實(shí)際模擬實(shí)驗(yàn)情況吻合，由此可以說明，改進(jìn)的AdaBoost-SVM 模型在實(shí)際生產(chǎn)過程中對(duì)監(jiān)測(cè)到異常狀態(tài)，并及時(shí)調(diào)整工藝規(guī)則和實(shí)施糾正預(yù)防措施都具有應(yīng)用價(jià)值。

5 結(jié)語

通過對(duì)關(guān)鍵工序質(zhì)量特性進(jìn)行控制圖異常模式識(shí)別，在線監(jiān)測(cè)產(chǎn)品生產(chǎn)過程中的狀態(tài)。本文主要通過小波分析對(duì)蒙特卡羅仿真數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理后，將處理好的數(shù)據(jù)放入?yún)?shù)優(yōu)化后的SVM 中，最后將SVM作為AdaBoost的弱分類器進(jìn)行模式識(shí)別。為了比較識(shí)別的效果，設(shè)置對(duì)照實(shí)驗(yàn)結(jié)果表明：對(duì)比單一使用SVM和BP神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)SVM相比BP神經(jīng)網(wǎng)絡(luò)具有較高的識(shí)別準(zhǔn)確率；將單一分類器和集成分類器相比較，結(jié)果表明在每種模式下集成分類器具有更好的識(shí)別性能，平均識(shí)別率達(dá)到96%以上；改進(jìn)后的AdaBoost-SVM分類器相比傳統(tǒng)集成分類器，控制圖模式識(shí)別率進(jìn)一步提高，達(dá)到97.78%。最后通過對(duì)皮帶機(jī)瞬時(shí)流量進(jìn)行監(jiān)測(cè)，得出的結(jié)果和實(shí)際的模擬實(shí)驗(yàn)相同，進(jìn)一步證明了在實(shí)際生產(chǎn)中的應(yīng)用價(jià)值。