（控制科学与工程专业论文）一类基于模糊神经网络的控制图模式识别系统.pdf

学位论文数据集 中图分类号 t p 2 7 3 学科分类号 5 1o 8 0 10 论文编号 1 0 0 1 0 2 0 1 1 0 7 9 7 密级公开 学位授予单位代码 l 0 0 1 0 学位授予单位名称北京化工大学 作者姓名徐文 学号 2 0 0 8 0 0 0 7 9 7 获学位专业名称控制科学与工程获学位专业代码 0 8 1 1 0 1 课题来源自选项目研究方向智能控制 论文题目 一类基于模糊神经网络的控制图模式识别系统 关键词 控制图模式识别，模糊神经网络，判别准则，模糊规则 论文答辩日期2 0 1 1 年5 月2 6 日 宰论文类型 应用研究 学位论文评阅及答辩委员会情况 姓名职称工作单位学科专长 指导教师 李宏光 教授 北京化工大学 智能控制 评阅人1 刘振娟研究员北京化工大学自动化 评阅人2 靳其兵教授北京化工大学先进控制及其工业应用 答辩委员会主席曹柳林教授北京化工大学自适应控制 答辩委员1楚纪正研究员北京化工大学 过程建模仿真 答辩委员2刘振娟研究员 北京化工大学自动化 答辩委员3李大字副教授北京化工大学先进控制 答辩委员4张金会副教授北京化工大学 网络化控制 注：一论文类型：1 基础研究2 应用研究3 开发研究4 其它 二中图分类号在( ( 中国图书资料分类法查询。 三学科分类号在中华人民共和国国家标准( g b t13 7 4 5 9 ) ( ( 学科分类与代码中 查询。 四论文编号由单位代码和年份及学号的后四位组成。 摘要 一类基于模糊神经网络的控制图模式识别系统 摘要 控制图是统计过程控制中一种有效的监控分析和故障诊断工具，被广 泛应用于工业生产领域。对控制图进行实时监控识别，能够尽可能快和早 地发现产生的过程异常情况，消除过程的潜在危险和隐患，保证工业生产 的高效、稳定和安全。 近年来，智能技术在工业过程控制领域的应用越来越广泛。在现有的 控制图模式识别技术基础上，研究更加有效的智能方法成为了必然趋势。 本文将神经网络与模糊逻辑相结合，充分利用先验知识，建立基于模糊神 经网络的混合智能控制图模式识别方法，主要研究工作内容如下： 1 提出了一个将控制图判别准则转变为符号化模糊规则的方法，能够 有效地指导智能识别网络的建模及初始化过程，在此基础上，将神经网络 与模糊逻辑相结合，建立了一类基于模糊神经网络的控制图模式识别方 法。 2 基于二阶时间滞后过程的广义过程对象模型，有效地模拟工业过程 特性，产生更加符合实际情况的控制图数据。在充分地分析了广义过程模 型参数对控制图模式识别的影响规律基础上，建立了一个广义模糊神经网 络控制图模式识别系统，并且针对青霉素发酵过程进行了实例研究，验证 了技术方案的可行性及有效性。 3 应用基于v c + + 的m f c 编程技术，实现广义模糊神经网络模式识 北京化1 = 人学硕上学位论文 别应用系统。给出系统的总体设计和软件设计解决方案，包括划分系统的 模块化框架结构，设计并实现功能类以及友好易用的图形交互界面。 关键词：控制图模式识别，模糊神经网络，判别准则，模糊规则 i i a b s t r a c t c o n t r o lc h a r tp a t t e r nr e c o g n i t i o ns y s t e m ： af u z z yn e u r a ln e t w o r ka p p r o a c h a b s t r a c t c o n t r o lc h a r ti sr e c o g n i z e da sa 妯n do fe f 俺c t i v et o o l sf o rm o n i t o r i n ga n d f a u l td i a g n o s i si ns t a t i s t i c a lp r o c e s sc o n t r o lc o m m u n i t y ，t h e r e b y ，w i d e l yu s e d i nm o d e mi n d u s t r i a l p r o d u c t i o n s t h em a i no b je c t i v eo fc o n t r o lc h a n s u p e i s i o n i st od e t e c tt h ea b n o m a lp r o c e s ss i m a t i o n st i m e l ya n dt a k e c o r r e c t i v ea c t i o n s a c c o r d i n g l yt o a v o i d p o s s i b l e a c c i d e n t so rw a s t eo f m a t e r i a l s i nr e c e n ty e a r s ，t h ea p p l i c a t i o n so fi n t e l l i g e n tt e c h n o l o g yi nt h ef i e l do f i n d u s t r i a lp r o c e s sh a v eb e e ni n c r e a s i n g l ye x t e n s i v e i nt h i ss e n s e ，i tb e c o m e s a ni n e v i t a b l et r e n dt od e v e l o pm o r ee f j e i c i e n ti n t e l l i g e n tm e t h o d sf o rc o n t r o l c h a r tp a t t e mr e c o g n i t i o n a i m i n ga tt a k i n ga d v a n t a g eo fp r i o rp r o c e s s k n o w l e d g ei nc o n t r o lc h a r tp a t t e mr e c o g n i t i o n ，an o v e lf h z z yn e u r a ln e t w o r k b a s e dh y b 订di n t e n i g e n ta p p i o a c hi se x p l i c i t l yi n t r o d u c e di nt h et h e s i s ，w h o s e d e t a i l e dc o v e r a g e sa r ep r e s e n t e da sf o l l o w s 1 an o v e lm e t h o dt oc o n v e r tc o n t r o lc h a r td i s c r i m i n a n tc r i t e r i o n st o s y m b o l i z e d 如z z yr u l e sw h i c hh e l pg u i d et om o d e la n di n i t i a l i z eas p e c i f i c 如z z yn e u r a ln e t w o r ki sp r o p o s e d t h e r e i n ，a 向z z yn e u r a ln e t w o r ka b l et o c o m b i n ep n o rk n o w l e d g ei se x p l i c i t l yi n t r o d u c e d ，a l o n gw i t h 印p r o a c h e st o i l i 北京化工人学硕上学位论文 s t m c t u r ed e i g na n d1 e a m i n ga l g o r i t h m s 2 t w o - o r d e rt i m ed e l a yp r o c e s sm o d e l sa r ee m p l o y e dt og e n e r a t em o r e p r a c t i c a lc o m r o lc h a r t sc o n s i s t e n tw i t hc h a r a c t e r i s t i c so fi n d u s t r i a lp r o c e s s e s w i t hi n d e p t ha n a l y s i so fi m p a c t so fg e n e r a l i z e dp r o c e s sm o d e lp a r a m e t e r so n c o n t r o lc h a r t s ，ag e n e r a l i z e d 如z z yn e u r a ln e t w o r kb a s e dc o n t r o lc h a r tp a t t e m r e c o g n i t i o ns y s t e mi s 向r t h e re s t a b l i s h e d c a s es t u d i e sc o n s i s t i n gi np e n i c i l l i n f e n n e n t a t i o na r ec a 盯i e do u tt od e m o n s t r a t et h ev a l i d i t ya n de h e c t i v e n e s so f t h ei n t e l l i g e n ts y s t e m 3 a n 印p l i c a t i o ns y s t e mc o n c e m i n gc o n t r o lc h a r tp a t t e mr e c o g n i t i o n u s i n gm f cp r o g r a m m i n g ( s u a lc + + ) i sd e v e l o p e d ，a c c o r d i n gt ot h eu t i l i t y r e q u i r e m e n t s t h eo v e r a ud e s i g no fm ea p p l i c a t i o ns y s t e mt o g e t h e rw i t hi t s s o r w a r ed e v e l o p m e n ta n di m p l e m e n t a t i o na r ee l a b o r a t e d a d d i t i o n a l l y ，s c r e e n c a p t u r e so ft h e 衔e n d l ye a s y a c c e s sg m p h i c a lu s e ri n t e r f a c ea r ep r e s e m e dt o e x e m p l i 矽t h ec o n t d b u t i o n s 1 ( e yw o r d s ：c o n t r o lc h a np a t t e mr e c o g n i t i o n ，如z z yn e u r a ln e 时o r k s ， d i s c r i m i n a n tc r i t e r i o n s ，如z z y1 1 j 1 e s l v 目录 目录 第一章前言l 1 1 课题研究背景、目的和意义1 1 2相关技术文献综述2 1 2 1控制图模式识别2 1 2 2基于神经网络的控制图模式识别3 1 2 3模糊神经网络技术5 1 3论文主要内容与结构安排6 第二章基于模糊神经网络的控制图模式识别方法9 2 1控制图模式及其判别准则。9 2 1 1控制图模式9 2 1 2控制图模式判别准则1 1 2 2控制图模式识别模糊神经网络h v i n t n e t 1 2 2 2 1控制图判别模糊规则的提取1 2 2 2 2 h y i l l t n e t 网络拓扑结构1 3 2 2 3h v h n n e t 网络设计1 5 2 2 4h v i n t n e t 网络的学习算法1 9 2 3实例研究2 2 2 3 1 h y i n t n e t 网络程序设计与实现2 2 2 3 2仿真与分析2 5 2 4本章小结2 9 第三章面向广义过程对象的控制图模式识别系统3 l 3 1广义过程对象3 l 3 1 1问题的提出3 l 3 1 2广义过程对象模型及其特征参数3 l 3 1 3广义过程对象的控制图模式3 3 3 2特征参数对控制图模式识别的影响3 7 3 3控制图模式识别系统3 9 v 北京化工大学硕十学位论文 3 3 1系统的框架结构3 9 3 3 2模式识别网络设计4 0 3 4实例研究4 1 3 4 1p e n s i m 青霉素发酵过程概述4 1 3 4 2 实验及分析一4 2 3 5 本章小结4 5 第四章应用系统的设计与实现。4 7 4 1 总体设计4 7 4 1 1功能模块设计4 7 4 1 2 数据访问方法4 7 4 1 3 开发环境及工具。4 8 4 2 软件设计4 8 4 2 1 系统功能类设计4 8 4 2 2 系统对话框设计4 9 4 3应用系统软件实现5 1 4 4本章小结5 6 第五章结论与展望5 7 5 1 结论5 7 5 2 展望5 8 参考文献。5 9 致谢6 3 研究成果及发表的学术论文6 5 作者及导师简介6 7 v i c o n t e n t s co n t e n t s c h a p t e rl i n t r o d u c t i o n 1 1 1 1 2 1 2 1 1 2 2 1 2 3 1 3 b a c k 目0 u n da n ds i g n i f i c a n c e 1 r e v i e wo f r e l e v a n tt e c h n 0 1 0 百e s 一2 c o n t r o lc h a r tp a t t e n lr e c o g n i t i o n 2 n e u r a ln e 研o r ka p p r o a c h e st oc o n 仃o lc h a np a t t e n lr e c o 印i t i o n ：3 f u z z y n e u i a 1n e 觚o r l ( s 5 c 叩t e n t s ，i n n o v a t i o n sa 1 1 ds t m c t l l r a la n 硼g e m e n t s 6 c h a p t e r2f u z z yn e u r a ln e 帆o r kb a s e da p p r o a c ht o c o n t r o lc h a r t p a t t e r nr e c o g n i t i o n 9 2 1c o n t r o lc h a np a t t e n l sw i md i s c r i m i n a n tc r i t e r i o n s 9 2 1 1c o n t r 0 1c _ h a r tp a t t e m s 9 2 1 2d i s c r i m i n a n tc r i t e r i o n sf o rc o n t r o lc h a r t s ll 2 2 h y i n t n e t ：a 勉z yn e u r a ln e 觚o r kd e s i 印e df o rc o n 们lc h 硪p a t t e mr e c o 印i t o n 1 2 2 2 1e x t r a c t i o no f m z z y1 1 l l e s 1 2 2 2 2 t o p o l o g ys t m c t u r eo f h y i n t n e t 1 3 2 2 - 3 m o d e l i n gm e m o do fh y i n t n e t 15 2 2 4 l e a n l i n ga l g o r i t h m so f h y i i l t n e t 1 9 2 3c a s es t u d i e s 2 2 2 3 1 p r o 黟a md e s i 印a n di m p l e m e l l t i o no f h y i n t n e t 2 2 2 3 2s i m u l a t i o na 1 1 a l y s i s 2 5 2 4 s u m m a r y 2 9 c h a p t e r3 g e n e r a i i z e dp r o c e s so b j e c tb a s e dc o n t r o lc h a r tp a t t e r n r e c o g n i t i o ns y s t e m 31 3 1 g e n e r a l i z e dp r o c e s sm o d e l s 一3 l 3 1 1 p r o b l e mo r i 百n s 31 3 1 2 m o d e ls t n l c t u r e sa n dp a r a m e t e r s 31 3 1 3g e n e r a l i z e dp r o c e s sm o d e ib a s e dc o n t r 0 1c h a np a t t e n l s 3 3 v i i 北京化t 大学硕上学位论文 3 2i i l n u e n c eo f m o d e lp a t 锄e t e r so nc o n 仃d lc h a np a t t 锄r e c o 印i t i o n 3 7 3 3g e n e r a l i z e dp r o c e s sm o d e lb a s e dc o n t r o lc h a np a t t 锄r e c o 鲥t i o ns y s t e m 3 9 3 3 1s v s t e l n 仔锄e w o f k 3 9 3 3 2 d e s i 印o f r e c o g l l i t i o nn e 似o r k s 4 0 3 4c a s es t u d i e s 4 1 3 4 1p e n s i ms i m u l a c o r 4 1 3 4 2s i m u l a t i o na n a l v s i s 4 2 3 5s u m m a i v 4 5 c h a p t e r4d s i g na n di m p l e m e n t a t i o no fa p p l i c a t i o ns y s t e m 4 7 4 1o v e m ud e s i g n 4 7 4 1 1m o d u l e 劬c t i o nd e s i 盟4 7 4 1 2d a t aa c c e s sm e t h o d 4 7 4 1 3 d e v e l o p m e n te n v i r o n m e n t 狮dt o o l s 4 8 4 2s o m v a l ed e s i 擘皿4 8 4 2 1f u n c t i o n a lc l a s s e s 4 8 4 2 2 ( h 印1 1 i c a lu s e ri n t e r f a c e 4 9 4 3 s o m a 1 ei m p l e r n e n t i o n 5l 4 4s u m m a r y 5 6 c h a p t e r5s u n u n a r y a n do u t l o o k 5 7 5 1 s u l n m a l y 5 7 5 2 ( ) u t l o o k 5 8 r e f i e r e n c e s 5 9 a c k n o w l e d g e m e n t s 6 3 a c a d e m i ca c h i e v e m e n t s 。6 5 p r o f i l e so fa u t h o ra n da d v i s o r 6 7 v i i i 1 1 课题研究背景、目的和意义 控制图( c o n t r o lc h a n s ) 是统计过程控制( s t a t i s t i c a lp r o c e s sc o n t r o l ，s p c ) 中一 种有效的监控分析和故障诊断工具，被广泛应用于化工、炼油、纺织、机械等诸多工 业生产领域【l 】。控制图模式识别通过识别控制图中数据点的特征分布判断过程状态， 数据点在控制限内的非随机排列则对应不同类型的控制图异常模式，这些异常往往由 设备调整不当、元件安装定位错误等影响生产过程质量变化的系统因素( 可避免的) 造成，若不能及时发现并采取相应措施纠正，将产生不必要的物料投入而造成巨大经 济损失，当系统失控时甚至可能引发重大安全事故。因此，对控制图模式进行实时监 控识别，尽可能快和早地发现可能造成过程失控的异常情况，不仅能够有效避免不必 要的物料投入，保证产品质量和提高经济效益的同时，更能消除系统的潜在危险隐患，。 对指导工业生产高效、稳定、安全运行具有重大现实意义。 智能控制是一种模拟人类智能的高级自动控制方法，它融合了仿生学、信息处理、 计算机技术等多学科领域知识，实现在无人干预情况下自主地驱动智能机器实现控制 目标。自1 9 7 1 年“智能控制”这一概念被提出，历经四十年的发展，已从包括人工 智能和控制论的二元论发展到由人工智能、模糊集理论、运筹学和控制论组成的四元 论阶段，各类智能技术的协同与互补作用，使得自动控制逐渐走向集成化、开放化、 复杂化大系统【2 】。其中，神经网络具有记忆、学习和并行计算能力，模糊逻辑则可以 通过规则形式让机器理解并表达知识，因而成为众多学者们关注的焦点，作为两个独 立的智能技术在各自应用领域经历了数十年的发展。大量研究【3 。8 】阐述了这两项技术之 间明显的优势互补特性。因此，神经网络与模糊逻辑的融合己成为智能控制发展的必 然趋势。作为其两大主要融合方向，有关模糊神经网络和模糊推理系统的理论研究与 集成开发j 下在逐渐渗透到实际应用中的各个领域【9 lo j 。 控制图为过程控制操作人员提供了一种共同语言，在大量统计分析和对专家经验 的总结基础上，逐渐形成了一套控制图判别准则。然而，面对现代工业过程复杂大系 统的需要，控制图模式识别已经不再仅仅局限于传统的人工统计分类方法。专家系统、 神经网络、模糊逻辑等智能技术的快速发展和完善，以及相关学科问的交叉和相互渗 透，使得控制图模式识别技术也向智能化自动化方向不断推进。因此，研究基于模糊 神经网络这一混合智能技术的控制图模式识别方法及相关应用系统的研发，是现代工 业过程发展的必然要求，对进一步提高工业自动化水平意义重大。 北京化工人学硕士学位论文 1 2 相关技术文献综述 1 2 1 控制图模式识别 控制图由美国贝尔电话实验室的s h e w h a n 博士于1 9 2 4 年首先提出【l l 】，是一种根 据假设检验原理构造的生产过程图形化表示方法，图中点的特征分布称为控制图模式 ( c o n t r o lc h a np a 钍e n l s ) ，通过识别这些模式能够有效监控过程状态。经历了数十年 的发展和演变，控制图模式识别技术主要涉及统计分类方法、专家系统、神经网络方 法等【1 2 1 ，并逐渐向结合了神经网络与模糊逻辑的模糊神经网络方法发展。 早期的控制图模式识别研究主要集中在基于统计分析的人工识别。这种方法依靠 操作人员通过肉眼观察控制图中点的排列分布，再根据一些基于统计分析提前制定的 补充规则判断过程状态。因而，在该时期形成了大量的统计规则【”，1 4 】，如区域测试 ( z o n et e s t s ) 、连串法则( r u i lr u l e s ) 等。传统控制图只用当前样本点监控过程状态 而无法提供失控状态下异常模式的相关信息，这些规则就是专门针对这一缺点而设 计，用来辅助监控人员完成检测，但是通用性普遍较差。由于工业生产过程的复杂性 和特殊性，需要根据具体实际应用制定相应判定规则。连串法则虽然能够用来识别任 意模式，通用性得到提高，但往往误报警率过高，而且无法识别具有相似性的模式， 识别性能仍然不甚理想。此外，基于统计分析的控制图模式识别过程受操作人员的主 观性判断影响较大，而对于异常模式发生初期的细微变化，很难通过肉眼识别。因此， 这种识别方法几乎无法实现过程失控前的预报警。 由于借助人工统计分析的模式识别方法存在主观性强、误报警率高的缺点，研究 人员开始寻求其它方法以改善控制图模式识别性能。直到上世纪6 0 年代，基于规则 推理的专家系统( e x p e ns y s t 锄s ，e s ) 出现，大量学者开始尝试将这一智能技术应 用到控制图模式识别中。专家系统包括知识库和推理机两大部分，集合大量领域专家 的专门知识与经验建立规则知识库，通过自动推理判断模拟人类专家的决策过程。其 优点在于简单直接的异常模式描述，并且可以根据需要随时改变或者更新规则库。作 为专家系统的核心问题，学者们应用模版匹配、统计测试、启发式算法等诸多方法设 计专家规则库i l5 1 。这样的建库过程往往需要数位过程领域专家投入大量时间才能完 成，得到的系统却非常脆弱且通用性仍不理想，当过程状态或操作环境改变时不得不 对规则库频繁进行更新操作，否则识别率将大大降低。此外，专家系统的识别过程基 于大量规则推理描述，易引发“组合爆炸”，无法满足生产过程的在线实时监控需要【1 6 】。 研究表明，虽然相对于传统统计分析方法，专家系统的识别性能显著提高，但是系统 对相似模式的误识别问题仍然非常严重。这种现象在识别阶跃和趋势模式时尤为明 显，l u c y b o u l e r ( 1 9 9 1 ) 】在相关论文中指出，其设计的基于c u s u m 图及连串规则的 2 第一章前苦 专家系统对阶跃、趋势和周期模式的总体识别率分别只有6 6 5 0 、5 7 2 2 和7 4 7 7 。 可见，不论是最初的统计分析方法，还是具有决策机制的专家系统，都无法充分 满足控制图模式识别的性能要求。因此，在经历技术低潮期后，在理论研究方面突飞 猛进的神经网络一直是近年来控制图模式识别的主流技术。 1 2 2 基于神经网络的控制图模式识别 人类通过“联想”而善于识别事物，人工神经网络( a n i f i c i a ln e u r a ln e 觚o r l ( s ， a n n ) 则从连接的角度模拟生物神经元的这种工作机制，通过分布式并行信息处理， 实现从输入空间到输出空间的非线性映射模型。其信息处理功能则依靠神经元间复杂 的拓扑结构以及不断调整结点间的连接权值实现。这样的模型结构使神经网络具有自 学习和自适应能力，在预先提供的样本数据训练下，掌握输入数据间的潜在规律，并 根据这些内在关系对未经训练的新数据进行推理演算，进而得到最终输出结果。人脑 被称作功能强大的二维分类器，过程控制的领域专家在多年现场经验及丰富理论知识 的基础上，可以成功发现监控数据中显示的异常状态。因此，从结构上模拟人脑思维 过程的神经网络已成为目前模式识别领域的主流技术之一。 早在1 9 4 3 年，心理学家w s m c c u l l o c h 和数理逻辑学家w p i t t s 就已经提出了 最早的神经元模型m p 多层感知器模型。但是，m i i l s k y 等人在1 9 6 9 年给出的关 于简单线性神经元感知器功能局限性的严格论证，使得神经网络在接下来二十年中陷 入了研究低潮期【l8 1 。之后，在众多研究学者的不懈努力下，人工智能技术不断演进和 发展，直到上世纪8 0 年代，神经网络理论研究终于取得重大突破，重新成为各个应 用领域关注的焦点。至此，基于仿生学和计算机技术的神经网络也为控制图模式识别 提供了新的发展空间【1 9 。2 1 】。人脑是最佳的模式识别器，神经网络从结构上模拟生物神 经元，用不同结构表现不同功能和行为，并通过计算机硬件实现类似人脑的思维模式， 因而非常适合解决模式识别问题【2 2 2 3 1 。通过记忆训练样本的模式特征以及神经元间复 杂的连接结构，经过并行运算给出对各类模式的识别结果。b p 神经网络、径向基神 经网络、概率神经网络等都在控制图模式识别领域得到了广泛应用。其中，具有单隐 层的b p 神经网络更是模式识别中最为常用的一类人工神经网络模型【2 4 1 。然而，这类 识别方法在区分相似模式时也遇到了和统计分类、专家系统相同的难题。对此，国内 外学者进行了大量研究和探讨，提出了多种修正策略和改进方案。其研究方向主要集 中在以下几个方面： ( 1 ) 层次化结构设计：层次化结构设计将一个复杂问题分割为几个相对容易解决 的子问题，有层次地逐级解决，从而有效简化整个问题的复杂度。从这一思想出发， g u l l ( 2 0 0 5 ) 【2 5 】、陈平和罗晶等人( 2 0 0 6 ) 【2 6 】提出了基于b p 神经网络的层次化识别模型， 在监督学习后能够实现对包括正常、阶跃、趋势、周期模式在内的多种控制图模式的 3 北京化工大学硕十学位论文 监控识别，并通过参数估计给出异常模式的相关信息。 ( 2 ) 特征提取：控制图是生产过程的形象化表示方法，不同控制图模式具有特定 形态，并通过一系列特征进行描述，通过提取并识别这些特征，即可实现模式分类。 基于这一思想，p h 锄& w 砌( 1 9 9 7 ) 【2 。7 】提出了用包括最小二乘斜率、中心线交点个数 等在内的9 个几何特征识别最常见的六类控制图模式。h a s s a n 等人( 2 0 0 3 ) 【2 8 】利用6 个 统计特征同样实现了对这些模式的分类。g a u r i & c h a l ( r a b o n y ( 2 0 0 6 ) ( 2 0 0 9 ) 【2 9 3 0 】在前 人研究的基础上给出基于7 8 个形态特征的b p 神经网络模式分类器，识别包括分层 型和系统型在内的八类基本控制图模式。 ( 3 ) 多尺度小波分析：小波分析是一种监测窗口大小固定但形状可变的时频局部 化分析方法，在低频部分具有较高的频率分辨率以及较低的时间分辨率，而在高频部 分具有相反特性。正是由于小波变换对信号的这种自适应性，使其享有“数学显微镜 之称。对于工业过程信号，普遍存在时频多尺度特性。因此，提取频率特征进行控制 图模式识别的研究引起了学者的兴趣【3 卜3 3 】。作为多尺度方法，小波变换实现了控制图 模式时频特性的充分结合。但该方法自身存在的频率泄漏( 仔e q u e n c yl e a k a g e ) 现象， 使整体应用效果有所下降。 ( 4 ) 多元控制图：在统计过程控制中，往往需要同时监控多个质量特性，通常仍 采用单变量控制图，用多个控制图分别监控不同质量特性。但是，当某些质量特性具 有高度相关性时，这种用多个单变量控制图分别监控的方法就可能导致错误的诊断结 果。为此，e 1 m i d a n y 等人( 2 0 1 0 ) 3 4 】对基于神经网络的多元控制图模式识别方法进行 了研究。 可见，在众多学者的不懈努力下，基于神经网络的控制图模式识别技术不断完善。 但是，由于大多数研究仍基于b p 神经网络展开，而其自身的技术缺陷，基于b p 神 经网络的控制图模式识别方法普遍存在以下问题： ( 1 ) 随着问题规模的扩展，基于全连接结构的神经网络，其结构复杂度和计算复 杂度也将迅速增加，使其在目前的复杂工业大系统应用中具有一定局限性： ( 2 ) 神经网络拓扑结构的难以确定，参数的初始化普遍采用经验试凑得到，不但 费时，而且缺乏合理可靠的理论依据或物理意义； ( 3 )目前基于神经网络的控制图模式识别方法中，训练数据完全依靠 m o n t e c a r l o 仿真方法产生，这种基于纯数学公式的模式数据无法有效模拟真实数据 问广泛存在的不确定性和模糊性。即便神经网络本身具有识别未经训练数据的能力， 但却并不能够保证结果的正确性。因此，作为目前广泛应用于控制图模式识一类神经 网络，b p 神经网络对新出现的模式数据的适应性普遍较差； ( 4 ) 作为黑箱模型，神经网络不具有知识表达特性，无法直接形象地表达信息， 也无从得知，模式被分类的具体过程和决策细节。而网络透明度的不理想更进一步造 成了操作人员对识别结果信任度的下降，不利用系统的实际应用。 4 第一章前言 目前，基于连接主义的神经网络已成为智能控制的主要形式之一。在明显技术优 势的同时，神经网络也存在着上述无法克服的缺陷，使其逐渐向着与其它计算智能技 术技术的交叉、融合方向发展。其中，将神经网络与模糊逻辑结合的模糊神经网络 ( f u z z yn e u r a ln 咖o r k s ，n ) 则为智能控制开辟了崭新的应用前景。 1 2 3 模糊神经网络技术 在过去几十年中，模糊逻辑和神经网络作为两个独立的智能技术在控制领域得到 了深入研究和广泛应用，在具有强大应用优势的同时，却都存在着自身无法突破的技 术瓶颈。因而，学者们将研究重点转向了二者的交叉结合方面，神经网络具有联想、 记忆功能，不但能够自学习和自适应，而且能够实现并行计算及分布式的信息处理， 但是黑箱模型结构使其缺乏知识表达特性，既不能利用已有的先验知识，也无法得知 网络内部的具体工作细节，非常不利于使用者的理解。模糊逻辑则能够以模糊规则的 形式表达知识，却不具有并行计算和学习功能，不利于隶属函数的调整。将二者结合 起来，将神经网络作为“硬件”载体，提供模糊逻辑以学习和分布处理能力，而模糊 逻辑则赋予神经网络以知识表达特征，使其能够处理模糊信息、提高其网络透明度， 不但可以发挥各自的技术优势，并且可以利用彼此的互补特性，实现具有理想适用性 和适用性的模式识别网络。因此，将模糊逻辑与神经网络相结合而构造出的模糊神经 网络是技术深入研究与发展的必然趋势【3 引。 1 9 8 7 年，b 砒k o s k o 首次对模糊逻辑与神经网络相结合的问题进行了系统研究。 此后，有关模糊神经网络的结构和学习算法设计受到前所未有的学术关注，应用领域 也随之不断拓宽，遍及函数逼近、非线性预测、系统辨识、模式识别等诸多方面。譬 如，w a n d 将m 锄d a m 模糊模型与b p 神经网络相结合，得到了具有万能逼近能力的 标准模糊神经网络模型，简单的网络结构简单及明确的物理意义，使其在系统辨识中 得到了广泛应用。1 9 9 3 年，将t s 模糊模型与神经网络相结合的a n f i s 自适应神经 模糊推理系统问世【3 6 】，并在系统建模中表现出显著优势。o s t e 肌破( 1 9 9 9 ) 【3 7 】设计了 一种用于经济统筹领域的混合模糊神经网络框架。h u a n g & x i n g ( 2 0 0 2 ) p 8 】对具有连续 输入的神经网中的模糊规则提取方法进行了研究。“m u k a i d o n o 等人( 2 0 0 2 ) 【3 9 】设计 了兼具统计特征提取和识别功能的f w d ( f e a t u r e w e i 曲t e dd e t e c t o r ) 模糊神经网络， 实现了对i r i s 鸢尾花数据( r a f i s h e r ，l9 3 6 ) 的成功识别。b o 酊a ng a b r y s ( 2 0 0 4 ) 【4 0 】 结合m i n m a ) 【规则对一类g f m m ( g e n e r a lf u z z ym i n m a ) 【) 模糊神经模式识别器的 设计方法进行了系统研究，并给出了包括识别性能、网络透明度、计算复杂度以及适 应性在内的四个性能评价指标。 经过二十多年的摸索与探讨，模糊逻辑与神经网络的结合在网络结构、学习算法 等方面都取得了丰硕成果，理论研究的深入同时推动了作为模式识别技术的模糊神经 北京化工大学硕士学位论文 网络在各个应用领域的不断发展。因此，将这一先进智能技术与控制图模式识别相结 合，研究基于模糊神经网络的控制图模式识别方法，建立健壮高效的工业过程智能控