典型文献
基于DPC-SVDD的制造过程异常诊断
文献摘要：
文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法.采用DPC算法对质量特征数据进行聚类分析,将聚类结果作为模型输入训练得到各类超球体中心和决策边界;以此建立基于内核距离的DPC控制图,实现对生产过程质量波动的实时监控;最后将该控制图应用到再制造曲轴生产过程监控中.结果表明,该文提出的DPC控制图可以有效监测再制造曲轴生产过程质量异常波动,验证了该检测方法的可行性和有效性.
文献关键词：
支持向量数据描述(SVDD)算法;密度峰值聚类(DPC)算法;异常检测;密度峰值聚类(DPC)控制图
中图分类号：
作者姓名：
沈维蕾;杨雪春;吴善春
作者机构：
合肥工业大学 机械工程学院,安徽 合肥 230009
文献出处：
引用格式：
[1]沈维蕾;杨雪春;吴善春-.基于DPC-SVDD的制造过程异常诊断)[J].合肥工业大学学报（自然科学版）,2022(04):433-439
A类：
B类：
DPC,SVDD,制造过程,程异,异常诊断,质量数据,数据分布,分布类型,质量控制图,图异常检测,检测精度,支持向量数据描述,support,vector,data,description,密度峰值聚类,density,peaks,clustering,异常检测方法,对质,质量特征,特征数据,模型输入,练得,超球,球体,决策边界,过程质量,实时监控,再制造,曲轴,过程监控,有效监测
AB值：
0.384603
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
