关键词： 精神疲劳   心电图   自主神经活动   机器学习   抑郁症  

摘要： 精神疲劳是一种普遍的精神状态,不仅损害个人身心健康,而且影响社会稳定和发展。一方面,精神疲劳与多种疾病关系密切,如抑郁症。持续精神疲劳状态增加个体的患病风险,影响机体正常功能。另一方面,精神疲劳是许多重大事故的潜在诱因,对行业安全造成严重威胁。因此,及时有效的精神疲劳检测至关重要,有利于身心疾病和安全问题的早期预警和干预。已有疲劳研究大多在实验场景中基于短时特定任务诱发疲劳,进而检测精神疲劳状态。然而实验场景疲劳诱发任务是真实生活中众多疲劳诱因的特例,这些研究提出的方法是否适用于日常精神疲劳检测仍有待探索。因此,本文收集日常生活非控制场景中的长时间生理数据,探索精神疲劳的自主神经生理反应,构建适用于日常精神疲劳检测的生理识别模型,并分析抑郁人群的精神疲劳症状,获得其精神疲劳特征。具体的研究内容和结果如下:(1)采集精神疲劳数据,构建精神疲劳/非疲劳和抑郁/非抑郁生理数据集。本文在非控制场景下采集104名被试的日常心电数据和三维加速度数据,对收集的数据进行预处理,去除严重运动干扰,得到适合精神疲劳分析的心跳间期时间序列;根据被试的精神疲劳自评和睡眠调节双过程模型,标定心跳间期数据的精神疲劳或非疲劳标签,构建精神疲劳和非疲劳生理数据集;将抑郁自评量表分数作为金标准,构建抑郁和非抑郁生理数据集。(2)探索精神疲劳的自主神经反应,构建精神疲劳生理识别模型,探究抑郁人群的精神疲劳特点。本文使用t检验和曼-惠特尼U检验分析精神疲劳对心率变异性参数的影响,结果显示精神疲劳和非疲劳在多个心率变异性参数上存在显著性差异;使用多种有监督机器学习分类器训练精神疲劳生理识别模型,并在独立测试集上评估模型的泛化性能,结果显示反向传播神经网络分类器表现最为均衡,在验证过程和测试过程分别达到了87.80%和89.42%的疲劳识别F分数;基于上述精神疲劳识别模型,从早上9点至晚上9点对抑郁组和非抑郁组进行精神疲劳检测,以半小时为间隔,统计不同时间区间内两组的精神疲劳检出比例。结果显示,在09:30-11:30和14:30-16:30,抑郁和非抑郁人群的精神疲劳检出比例呈现相似的下降趋势,但是在非抑郁组中,精神疲劳检出比例的下降趋势在下午持续更长的时间,并在16:30-17:00达到最低值。在很多时间段内,抑郁组的精神疲劳检出比例高于非抑郁组,尤其是在09:00-09:30、12:30-13:00、14:00-14:30和16:30-18:00。在13:00-13:30和18:30-19:00,非抑郁组的精神疲劳检出比例升高,而抑郁组的精神疲劳检出比例降低,并在18:30-19:00达到最低点。论文研究有如下发现:(1)精神疲劳有异于非疲劳的自主神经生理反应。与非疲劳状态相比,精神疲劳状态下的交感神经活动增加,副交感神经活动减少。(2)精神疲劳和非疲劳具有可区分的神经生理模式。本文的精神疲劳识别模型的精度远高于随机猜测,可以有效地识别个体的精神疲劳状态。(3)抑郁和非抑郁人群的精神疲劳表现既存在相似之处,又存在明显的差异。相似之处在于抑郁和非抑郁人群的精神疲劳状态在特定的时间内都呈现降低的趋势。差异主要体现在以下两个方面:首先,在很多时间段内,抑郁组比非抑郁组出现更多的精神疲劳状态。其次,抑郁和非抑郁人群在某些时间段内呈现相反的精神疲劳特征,即当非抑郁组的精神疲劳程度升高时,抑郁组的精神疲劳程度降低。

关键词： 滚动轴承   故障诊断   自适应模态分解   核极限学习机   概率神经网络  

摘要： 随着时代的发展和交通运输产业的进步,对城市轨道交通的安全性提出了更高的要求。滚动轴承是最基础也是最广泛使用的旋转设备重要部件之一,如何对其运行状态进行准确而有效的分析和诊断,对于确保设备的安全平稳运行,避免重大突发事件的发生等方面具有重要作用。由于滚动轴承的运行工况较为恶劣,容易受噪声影响,且振动信号不稳定,因此需要采用合适的信号特征提取方法和有效的故障诊断技术,才能确保其工作状态判别的可靠性。因此,实现考虑滚动轴承振动信号的模式识别与故障诊断是具有研究意义的课题。本文的研究成果如下:1.针对轴承振动信号属于非线性、非平稳性信号,对其进行故障信息特征提取时常存在噪声干扰多、提取效果不佳的问题,提出了改进的自适应噪声的完备集成经验模态分解(ICEEMDAN)和能量矩归一化相结合的方法。ICEEMDAN可以将采集到的滚动轴承振动信号分解为多个本征模态分量(IMF),并能够有效的消除分解过程中产生的模态混叠、端点效应等问题。采用该方法将被测信号分解并提取前4个IMF分量,通过能量矩归一化的方法提取其特征向量,从而更深的挖掘信号中的故障信息,全面提取故障特征。2.针对识别故障类型判别准确率不佳的问题,提出了基于改进的果蝇优化算法(MFOA)优化概率神经网络(PNN)的滚动轴承故障诊断方法。对于果蝇优化算法寻优过程中易陷入局部极值的问题,提出一种改进的果蝇优化算法。通过引入松弛因子增大气味浓度判断值,避免算法预收敛。PNN在模式识别等领域有着广泛应用,但其关键参数的选取仍基于传统的样本聚类法或经验估算,选值的大小将直接影响网络的整体性能。对此,通过MFOA对平滑因子进行寻优求解以提高网络性能。利用MFOA对PNN神经网络的参数值进行寻优,实验结果显示,该方法对滚动轴承的故障识别率达到了99.5%,能够有效实现滚动轴承在不同工况下的故障诊断。3.为了进一步改善滚动轴承故障的诊断效果并提高诊断精度,提出一种基于哈里斯鹰算法(HHO)优化核极限学习机(KELM)的故障诊断方法,使用HHO算法对KELM的核参数和正则化系数进行寻优。利用构建的特征向量完成KELM故障分类模型的训练,并利用滚动轴承不同运行状态振动测试数据完成KELM分类。通过实验验证表明,基于HHO-KELM的方法相比于ELM、KELM的方法有更高的准确率,对滚动轴承的故障识别率达到了99.875%,能够更好地提高诊断效果。

关键词： 经验行程时间   可靠性预测   拥堵演化   无监督聚类   FGARCH  

摘要： 精准可靠的行程时间预测为道路交通管控和出行服务提供了关键数据支撑。既有研究主要基于两类思路实现行程时间预测,其一为瞬时行程时间预测,其二为经验行程时间预测。相较而言,后者在建模过程中考虑了道路交通状态演化动态,通常可以获得更为精准和可靠的预测结果。现有高速公路经验行程时间预测方法主要存在两方面不足,致使其在交通管控和出行服务决策中的关键支撑作用受到局限。一方面,当前研究大多基于集计型粗粒度交通流数据和简单阈值法对高速公路走廊上的交通拥堵状态进行研判,存在研判结果不可靠的风险,致使在此基础上提取的交通拥堵演化模式与现实交通状况偏离较大,进而降低了经验行程时间预测的准确性;另一方面,当前研究聚焦于经验行程时间均值预测,在建模过程中忽略了交通流随机波动性和数据噪声等不确定性因素对预测结果的影响,从而带来了经验行程时间预测不可靠的风险,无法满足现实中交通管理者和出行者对行程时间信息的高可靠性要求。考虑上述问题,依托无监督机器学习和统计时间序列分析技术,结合高速公路高分辨率交通流数据,本文旨在构建基于高分辨率交通流时间序列聚类的交通状态辨识模型,提出基于自适应拥堵演化模式识别的经验行程时间预测方法,探究经验行程时间可靠性预测技术,从而为高速公路交通管控和出行服务提供关键决策支撑。本文的主要研究工作及结论包括以下三个方面:(1)在交通状态辨识方面,为有效捕捉细粒度交通流序列(如时间间隔为30秒、1分钟等)数据中的短时波动特征和趋势信息,建立了基于高分辨率交通流数据和时间序列聚类的高速公路交通状态辨识模型。利用动态时间规整(Dynamic Time Warping,简称DTW)算法度量细粒度交通流时间序列之间的相似性,依据高速公路走廊关键路段交通流状态确定最优路段状态聚类数目,在此基础上利用模糊C均值聚类(Fuzzy c-means,简称FCM)实现可靠的离线路段交通状态辨识;为克服在线辨识结果中出现的短时间内交通状态频繁切换问题,基于动态规划算法对在线交通状态辨识结果进行了有效平滑。利用时间间隔为1分钟的高分辨率交通流数据对所构建的模型进行了合理性评估与验证。结果表明,所构建模型能够获得可靠合理的交通状态辨识结果,从而为精准可靠的高速公路走廊交通拥堵演化模式识别奠定了良好基础。(2)在经验行程时间预测方面,提出了基于自适应拥堵演化模式识别的高速公路经验行程时间预测方法。利用变分自编码器(Variational Auto-Encoder,简称VAE)算法对交通速度时空图进行降维,以有效降低建模复杂度,利用k-means算法对降维后的速度时空图进行聚类,并设计了自适应交通拥堵演化模式识别策略,实现经验行程时间在线预测。将所提出方法与两类基准方法(瞬时行程时间预测方法和历史平均行程时间预测方法)进行对比评估,结果显示:在非拥堵情形下,所提出方法和瞬时行程时间预测方法的预测效果接近,均要优于历史平均行程时间预测方法;在拥堵情形下,所提出方法要显著优于另外两类基准方法,且与真实经验行程时间更为接近,预测的平均MAE为2.5分钟和平均MAPE为6.7%,证实了所提出方法在现实高速公路应用决策中的优良潜力。(3)在经验行程时间可靠性预测方面,提出了基于广义自回归条件异方差族模型(Family Generalized Autoregressive Conditional Heteroskedasticity,简称 FGARCH)的高速公路经验行程时间可靠性预测方法。以经验行程时间残差序列为输入,基于自回归综合移动平均(Autoregressive Integrated Moving Average,简称 ARIMA)算法构建均值方程,实现残差均值预测;基于FGARCH算法构建方差方程,对残差波动性(置信区间)进行预测,最后通过叠加预测均值和“复原后”的预测残差置信区间,获得经验行程时间的预测区间。利用置信区间无效覆盖率(KP)、平均置信区间长度(ACL)、波动性平均绝对误差(VMAE)和方向准确性(DA)四个评估指标对所提出方法进行了评估与验证。结果表明:所提出方法能够预测合理的经验行程时间波动区间,由此有效提升交通管控和出行服务决策的可靠性;在拥堵和非拥堵情形下,预测模型的平均KP低于8%,在拥堵情形下,预测模型的平均ACL值小于11.5分钟。

关键词： 区间值犹豫模糊集   距离测度   相关系数   犹豫度   多属性决策   模式识别   聚类分析  

摘要： 区间值犹豫模糊集在诸多领域都具有十分广泛的应用,因此对其距离测度以及相关系数进行研究具有十分重要的现实意义.在现有文章中,计算距离时只考虑了区间端点值以及区间个数的多寡,但区间值犹豫模糊集的内部标准差对于距离的衡量也十分重要.本文考虑了区间值犹豫模糊集的内部标准差以及由此引出的区间值犹豫模糊集之间的偏差距离,提出了带有改进犹豫度的区间值犹豫模糊集距离公式,最后给出数值算例说明公式的合理性和优越性.在计算相关系数时,现有文献大都只考虑了犹豫模糊元中的隶属度以及区间值犹豫模糊元之间区间左右端点的差异,而且要求各属性对应的元中的数值个数和区间个数是相等的,导致相关系数公式适用范围窄,具有一定的局限性.根据犹豫模糊集中相关系数计算公式的推广,提出两个区间值犹豫模糊元中的区间两两交互计算的思想,打破了要求区间个数一致的局限性,另外选用犹豫模糊集的内部标准差作为犹豫度,提出了带有犹豫度的犹豫模糊集的相关系数计算公式,并针对犹豫模糊集中的每个元都只有一个数值(导致犹豫度部分分母为0)的情况进行特殊处理,最后将其推广到区间值犹豫模糊集的相关系数的计算中,使相关系数的计算更加合理有效.

关键词： 星地网络   调制模式识别   分布式训练   传输优化   边缘计算   验证平台  

摘要： 空天地一体化网络架构飞速发展,接入大量设备和需要支持更多的业务形式对频谱态势安全掌控提出了更高的要求,其中调制模式识别作为态势安全掌控的重要方面。然而,因星地间的长传播时延,使得卫星接收到的信号可能具有信噪比低、且不同卫星接收到的信号还有较大差异的特性。为此,综合利用多颗卫星进行调制模式协作识别可成为适应这种特性的一种有效途径。但是也会面临以下挑战:1)星上计算能力弱,如何优化和减少网络参数,并通过多星协作以保证调制模式识别性能;2)星地间传播距离远和时延大,如果仅利用卫星传输调制模式识别结果,将不可避免导致数据传输时效性低和星地传输管道开销大的问题,如何基于星地协作,将识别结果高效传输给监测节点;3)如何设计分布式处理软硬件平台,以验证调试模式识别性能。为缓解以上挑战,本文研究基于星地协作的分布式调制模式识别与传输优化机制,并结合云服务和边缘计算技术构建验证平台,主要研究工作和创新点如下: 首先,针对星上计算能力弱及低信噪比时调制模式识别准确度低的问题,本文设计了一种基于低复杂度融合网络的分布式调制模式识别方法。具体来说,首先通过预处理获得信号对应的星座图和高阶累计量等特征,其次优化神经网络模型参数与参数量以识别预处理后数据对应的调制模式,最后融合多颗卫星和地面节点的识别结果保证识别性能。实验表明,相比于单节点调制模式识别,所提方法的识别性能提升3%以上,且相比于Inception V3网络,不损失识别性能时优化后的融合网络的模型参数降为1/5。 其次,针对仅利用卫星传输调制模式识别结果可能导致的时延大和传输开销大的问题,,本文设计了一种基于节点选择和功率优化的星地协作传输机制。具体的,所设计机制基于所部署的地面内容服务器构建卫星到监测节点和内容服务器到监测节点的两阶段传输模型,并将该模型建模为一个非线性混合整数优化问题,进而设计了一种改进的启发式算法来解决该问题以获得优化的传输功率。评估结果表明,相比于传统求解器,所设计的改进的启发式算法更适用于复杂星地网络优化问题。 最后,为满足调试模式识别的验证需求,结合云计算和边缘计算技术,本文设计并开发了分布式调制模式识别验证系统。该系统包括软硬件两部分,通过在树莓派和服务器上分别搭建Kubernetes和Kube Edge,实现通信、计算和存储功能的高效运行。实验结果表明,通过各功能模块间的协同,所设计的系统可支撑融合网络的训练和测试,且可实时监测融合网络运行时所消耗的资源。

关键词： 故障模式识别   变分模态分解   多参数融合降维   多尺度排列熵   支持向量机  

摘要： 涡扇发动机主轴承作为传动的关键部件之一,其稳定运转对于发动机至关重要,因而故障诊断识别技术越来越受重视。论文以轴承振动信号为基础,从信号分解方法、故障特征提取和模式识别等方面开展方法研究,提出了基于时域参数分析和频率故障因子分析的涡扇发动机主轴承状态监测方法;基于变分模态分析(VMD)、多参数融合降维信息的提取、多尺度排列熵信息提取和支持向量机的故障模式识别技术方法。 首先,本文在构建仿真信号的基础上,分别使用经验模态分解和变分模态分解处理仿真信号,实验结果表明,相比于EMD分析,VMD分析更能有效处理模态的混叠和过分配等问题。提出了基于VMD-Kurt筛选重构的主轴承运行状态监测方法,通过分析有效值、峰值和频率故障因子的变化来反映涡扇发动机主轴承运行状态,从而对其运行状态进行监测。 其次,研究基于时域信息特征参数、频域信息特征参数和IMF能量矩特征信息参数提取。针对三种参数组成的融合向量维度过大、数据量庞大和信息冗余的问题,提出主成分分析方法,对三种数据进行融合降维,根据主成分累积贡献率提取有效的主成分分量。 然后,研究基于VMD和多尺度排列熵(MPE)相结合的轴承故障特征信息提取方法。分析了MPE参数数据长度N、嵌入维数m、时间延迟τ和尺度因子λ对其熵值的影响,对于如何选择确定MPE参数以及考虑到参数间的相互影响,提出基于改进粒子群算法(IPSO),以信号偏度平方为目标函数的优化参数方法。以MPE熵值为表征故障特征信息的向量,用于后续智能识别,验证方法有效性。 最后,分别建立以时域特征向量、频域特征向量、IMF能量矩特征向量、多参数融合降维特征向量和MPE特征向量为特征向量集,利用智能识别方法支持向量机(SVM)训练建立主轴承各种类型故障模式识别模型。分析对比各特征向量识别结果,针对单一特征向量无法表征轴承故障信息的问题,提出基于多参数融合降维特征向量的支持向量机故障识别方法和基于多尺度排列熵的支持向量机故障识别方法。之后,将该方法应用于涡扇发动机轴承故障模拟试验。结果显示,本文提出多参数融合降维特征向量和MPE特征向量能完整反应涡扇发动机主轴承故障特征信息,以二者为特征向量集,进行SVM识别模型建立,能准确对故障模式进行分类识别,而且识别准确率很高。

关键词： 下肢外骨骼   下肢运动数据采集系统   SVM   步态相位   模式识别  

摘要： 外骨骼是一种结合了机械、传感和控制技术的助力装置,在军事、医疗、工业等领域得到了广泛应用。外骨骼研究的关键问题是如何实现外骨骼对穿戴者运动意图的精确感知,从而达到人机运动的协调。考虑到单一信号不足以判断步态模式,为此本课题通过搭建下肢运动信息采集系统,获取下肢运动的多传感器信息,并利用滑动窗口、主成分分析方法(Principal component analysis,PCA)提取的下肢运动的步态特征,最后通过支持向量机(Support vector machine,SVM)算法识别预测下肢各种运动模式及步态相位。本文主要内容如下:(1)搭建了一套人体下肢运动数据采集系统,包括足底压力模块、肌肉硬度传感器、关节角度模块和数据中转站。足底压力模块由足底压力鞋垫和数据采集模块组成,足底压力鞋垫由自制的柔性薄膜压力传感器和柔性电路板(Flexible printed circuit,FPC)组成。自制的柔性薄膜压力传感器用聚二甲基硅氧烷(Polydimethylsiloxane,PDMS)/炭黑复合材料制得。为了确定最佳的炭黑掺杂比例,设计了复合材料炭黑掺杂比例的实验,实验得到的最佳的炭黑质量占比为5～6wt%。数据采集模块分别设计了基于Zig Bee的无线采集模块和基于STM32的有线采集模块。肌肉硬度模块利用肌肉硬度传感器感知肌肉的发力程度,并对肌肉硬度传感器进行结构设计。关节角度模块采用AS5600芯片制作的磁角度传感器。数据中转站能够收集所有模块的信息,并将整理过后的信息统一发送到电脑上。(2)以足跟触地、全足触地、足跟离地、足尖离地为界限对平路行走和连续上梯运动进行步态相位划分,并将连续深蹲起划分成坐区、起身区、站立区、深蹲区四个相位。通过与肌电信号的对比实验表明肌肉硬度模块采集的肌肉硬度信息能够反映肌肉的发力情况。为了确定最佳的肌肉硬度传感器的绑缚位置,进行了肌肉硬度传感器绑缚位置对比实验。结果显示,绑缚位置在中部时是最佳的。此外,还进行了肌肉硬度传感器采集信号与肌电信号传感器采集信号的相关性实验。实验结果表明,肌肉硬度模块采集的信号能够准确反映肌肉的力量输出情况。(3)利用滑动窗口技术对步态信息进行采样,并提取时域和频域特征,得到102维特征。然后采用PCA算法提取其中权重最高的10维特征,作为SVM模型的输入。模型结果表明,该人体运动意图识别模型可以很好地识别平路行走、连续上梯和连续深蹲起的运动模式,分别达到了90.62%、96.15%和90.62%的准确率。此外对于人体步态相位的识别正确率也很高,在平路行走、连续上梯、连续深蹲起动作中,该模型的步态相位识别准确率分别为99.13%、98.26%和98.36%。

关键词： 发电机   定子绕组   局部放电   PRPD图谱   TF-P特征融合   模式识别  

摘要： 大型发电机在运行过程中若定子绝缘发生故障将会直接导致机组停机,影响电力系统供电的可靠性。发电机定子绕组端部绝缘劣化是发电机绝缘故障的重要原因,而局部放电(简称局放)是评估发电机定子绝缘状态的主要手段。本文围绕发电机定子绕组端部局部放电特性分析和模式识别开展研究,取得的主要研究成果如下: (1)基于IEC60270系统搭建发电机定子绕组端部放电加压测试平台,制作了4种典型的发电机定子线棒端部放电缺陷模型。构建发电机定子绕组端部放电指纹库,实验共累计原始数据样本270071个,图谱样本33750个,为后续发电机定子绕组端部放电模式识别奠定基础。 (2)分析了发电机定子线棒4种端部缺陷局部放电的升降压特性和耐压特性,并对4种缺陷的危险程度进行评估。揭示了端部不同缺陷类型局放各类特征参数随电压等级升降以及耐压时间增长的变化规律,并对端部4种缺陷局部放电相位图谱的轮廓进行分析总结,提取了能够有效区分不同种缺陷类型的局放表征特征量。 (3)分析了发电机定子线棒端部同种缺陷不同发展阶段的局部放电发展特性。对高低阻搭接不良缺陷和出槽口放电缺陷随着绝缘劣化程度加深而逐步发展的不同阶段所表现出的图谱特性和特征参数变化趋势展开分析,揭示了这两类缺陷局部放电随绝缘劣化发展变化的规律,并通过该发展规律评估端部缺陷绝缘劣化的程度。 (4)提出了基于TF-P特征融合与卷积神经网络的发电机定子绕组端部放电模式识别方法。基于CNN网络模型提取PRPD图像经不同层池化层输出的多层特征,并将其和统计参数特征进行融合输入到分类器中进行判断,对于端部不同缺陷的识别精度可达到98.6%,对于端部高低阻搭接不良不同发展阶段的识别精度可达到95.3%,对于出槽口放电不同发展阶段的识别精度可达到97.3%。

关键词： 控制图混合模式识别   非固定窗口长度   卷积神经网络   支持向量机   鲸鱼优化算法  

摘要： 近年来,统计过程控制方法广泛应用于企业生产过程中,一方面能够提高生产能力,降低生产成本,另一方面能够保证产品质量。控制图作为统计过程控制中的一种分析工具,可以判断生产过程是否为受控状态。控制图模式不但可以反映生产过程是否处于可控状态,而且可以在异常模式出现时缩小异常原因的诊断范围。在控制图模式识别领域中应用机器学习和深度学习算法,有助于提高控制图的识别准确率和识别效率,及时检测出生产过程中存在的质量问题。在大多数控制图模式识别研究中,通常将窗口大小设置为固定值,然而,实际生产中可能存在窗口大小不固定的现象。因此,本文针对窗口长度不固定的控制图混合模式展开研究,研究内容如下:(1)针对窗口长度不固定的控制图混合模式识别问题,利用蒙特卡洛法生成10种窗口长度的仿真数据,并将数据转化为图像。通过优化Le Net-5的网络结构和参数,以图像作为卷积神经网络的输入,自动提取特征并识别13种控制图混合模式。仿真结果表明,相较于将时间序列作为输入的支持向量机和一维卷积神经网络,本文提出的方法对变窗口长度的控制图混合模式识别问题具有更高的识别率,识别率达到了98.41%。(2)针对窗口长度随机变化的控制图混合模式识别问题,建立一种基于卷积神经网络和鲸鱼算法优化支持向量机的控制图混合模式识别模型。首先,应用蒙特卡洛法生成仿真数据,将数据转化为图像后进行灰度化处理。由于卷积神经网络训练时需要大量样本且训练时间较长,将卷积神经网络和支持向量机进行融合,卷积神经网络作为特征提取器,对图像提取特征,支持向量机作为分类器,对13种控制图混合模式进行识别和分类。其次,通过对比分析确定支持向量机的核函数,并采用鲸鱼优化算法对支持向量机的核参数和惩罚参数进行寻优。最后,将该方法与其它四种方法进行对比,结果表明,本文所提方法的识别率最高,13种混合控制图模式的平均识别率为96.86%。(3)利用仿真数据训练的模型,对实际生产过程中的控制图模式进行识别。实验表明,本文所提方法能够有效识别实际生产中出现的异常模式,具有一定的应用价值。