工程科学学报，第38卷，第12期：1791-1797,2016年12月 Chinese Journal of Engineering,Vol.38,No.12:1791-1797,December 2016 D0l:10.13374/j.issn2095-9389.2016.12.019:http://journals.ustb.edu.cn 基于支持向量数据描述方法的生产过程监控、诊断与 优化 赵启东》，徐钢23》，黎敏)区 1)北京科技大学机械工程学院，北京1000832)北京科技大学计算机与通讯学院，北京100083 3)北京科技大学钢铁共性技术协同创新中心，北京100083 ☒通信作者，E-mail:limin@usth.cdu.cm 摘要提出一种基于支持向量数据描述(support vector data description,SVDD)的生产过程监控、诊断与优化方法.首先，利 用正常样本建立SVDD监控模型，获得控制限：然后，利用贡献图对超过控制限的异常点进行诊断，分析引起异常的主要原 因：最后，利用邻近点替换法对异常的生产样本进行工艺参数优化.将新方法应用于热轧薄板的生产过程中，结果表明：新方 法比传统的监控方法T心具有更高的检出率，且可以实现对异常点的工艺参数优化，使之回到受控状态. 关键词支持向量数据描述：生产过程：监控：诊断：参数优化 分类号TP273 Production process monitoring,diagnosis and optimization based on SVDD ZHAO Qi-dong",XU Gang?3),LI Min 1)School of Mechanical Engineering,University of Science and Technology Beijing,Beijing 100083,China 2)School of Computer and Communication Engineering,University of Science and Technology Beijing,Beijing 100083.China 3)Collaborative Innovation Center of Steel Technology,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:limin@ustb.edu.en ABSTRACT A support vector data description (SVDD)was proposed to be introduced in the monitoring,diagnosis and optimization of processes.Firstly,the SVDD monitor model was established to obtain the control limit based on normal samples.Then,the contri- bution chart was used to diagnose outliners exceeding the control limit in statistics to find the main causes of abnormal production. Finally,the process parameter optimization was performed by the adjacent point replacement.The proposed method was applied to the process of cold rolled sheets.The results show that this method has a higher detection rate than traditional during the production process monitoring,and can optimize the process parameters to make it return to the controlled state. KEY WORDS support vector data description:production processes;monitoring:diagnosis;parameter optimization 随着计算机系统、数据库技术的普及与应用，现代tio,SVDD)D是由TAX等基于支持向量机SVM所 企业信息化系统中拥有丰富的数据资源，从而也提出提出的一种单分类方法，其基本原理是构造一个尽可 采用各种数据分析方法对产品质量进行全流程监控的能小的超球体来包含尽可能多的数据点，该方法已被 迫切需求.如何从海量的数据中提取出有价值的信 成功应用于故障诊断可、图像处理圆、医学信号处理闭 息，完善产品质量管理体系，已成为企业提高管理水平 等领域.SVDD方法最大的优势在于，对数据分布没有 的必然趋势☒ 特殊的要求，从而避免了传统的多变量统计控制方法 支持向量数据描述(support vector data descrip- 需要假设数据服从高斯分布的不足. 收稿日期：2016-05-09 基金项目：“十二五”国家科技支撑计划资助项目(2015BAF30BO1)工程科学学报，第 38 卷，第 12 期: 1791--1797，2016 年 12 月 Chinese Journal of Engineering，Vol． 38，No． 12: 1791--1797，December 2016 DOI: 10． 13374 /j． issn2095--9389． 2016． 12． 019; http: / /journals． ustb． edu． cn 基于支持向量数据描述方法的生产过程监控、诊断与 优化 赵启东1) ，徐 钢2，3) ，黎 敏3)  1) 北京科技大学机械工程学院，北京 100083 2) 北京科技大学计算机与通讯学院，北京 100083 3) 北京科技大学钢铁共性技术协同创新中心，北京 100083  通信作者，E-mail: limin@ ustb． edu． cn 摘 要 提出一种基于支持向量数据描述( support vector data description，SVDD) 的生产过程监控、诊断与优化方法． 首先，利 用正常样本建立 SVDD 监控模型，获得控制限; 然后，利用贡献图对超过控制限的异常点进行诊断，分析引起异常的主要原 因; 最后，利用邻近点替换法对异常的生产样本进行工艺参数优化． 将新方法应用于热轧薄板的生产过程中，结果表明: 新方 法比传统的监控方法 T2 PCA 具有更高的检出率，且可以实现对异常点的工艺参数优化，使之回到受控状态． 关键词 支持向量数据描述; 生产过程; 监控; 诊断; 参数优化 分类号 TP273 收稿日期: 2016--05--09 基金项目: “十二五”国家科技支撑计划资助项目( 2015BAF30B01) Production process monitoring，diagnosis and optimization based on SVDD ZHAO Qi-dong1) ，XU Gang2，3) ，LI Min3)  1) School of Mechanical Engineering，University of Science and Technology Beijing，Beijing 100083，China 2) School of Computer and Communication Engineering，University of Science and Technology Beijing，Beijing 100083，China 3) Collaborative Innovation Center of Steel Technology，University of Science and Technology Beijing，Beijing 100083，China  Corresponding author，E-mail: limin@ ustb． edu． cn ABSTＲACT A support vector data description ( SVDD) was proposed to be introduced in the monitoring，diagnosis and optimization of processes． Firstly，the SVDD monitor model was established to obtain the control limit based on normal samples． Then，the contri￾bution chart was used to diagnose outliners exceeding the control limit in statistics to find the main causes of abnormal production． Finally，the process parameter optimization was performed by the adjacent point replacement． The proposed method was applied to the process of cold rolled sheets． The results show that this method has a higher detection rate than traditional T2 PCA during the production process monitoring，and can optimize the process parameters to make it return to the controlled state． KEY WOＲDS support vector data description; production processes; monitoring; diagnosis; parameter optimization 随着计算机系统、数据库技术的普及与应用，现代 企业信息化系统中拥有丰富的数据资源，从而也提出 采用各种数据分析方法对产品质量进行全流程监控的 迫切需求． 如何从海量的数据中提取出有价值的信 息，完善产品质量管理体系，已成为企业提高管理水平 的必然趋势［1--2］． 支持 向 量 数 据 描 述 ( support vector data descrip￾tion，SVDD) ［3--4］是由 TAX 等基于支持向量机 SVM 所 提出的一种单分类方法，其基本原理是构造一个尽可 能小的超球体来包含尽可能多的数据点，该方法已被 成功应用于故障诊断［5］、图像处理［6］、医学信号处理［7］ 等领域． SVDD 方法最大的优势在于，对数据分布没有 特殊的要求，从而避免了传统的多变量统计控制方法 需要假设数据服从高斯分布的不足．