电子质量控制：支持向量机预测方法的研究与分析

~HOS T E D B Y可在www.sciencedirect.com网站上查阅计算设计与工程学报3（2016）91www.elsevier.com/locate/jcde电子质量控制：一种支持向量机方法曾梓良a，胡中华a，权永进b，a美国德克萨斯大学埃尔帕索分校工业、制造和系统工程系，埃尔帕索，TX 79968b韩国，水原，443 - 749，Ajou大学，工业工程系接收日期：2015年1月7日;接收日期：2015年6月15日;接受日期：2015年6月15日2015年7月9日在线发布摘要自动化零件质量检测给工程师提出了许多挑战，特别是当待检测的零件特征变得复杂时。大量零件的快速检测应依赖于计算机化的自动检测方法，这需要先进的质量控制方法。在这种背景下，这项工作使用创新的方法，在远程零件跟踪和质量控制的现代设备的帮助下，并应用支持向量机（SVM）的学习方法来预测质量控制过程的结果。分类器方程建立在从实验中获得的数据上，并使用不同的核函数进行分析。根据分析，详细的结果是六个不同的情况。结果表明，支持向量分类的两个输出类的实验数据的鲁棒性。&2015 年 CAD/CAM 工 程 师 协 会 。 由 Elsevier 制 作 和 主 持 。 这 是 一 篇 基 于 CC BY-NC-ND 许 可 证 的 开 放 获 取 文 章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：支持向量机;零件分类;远程检测;网络化机器人工作站; e-质量1. 介绍更有可能的是，传感器、计算机、通信和信息技术的快速发展正在给制造环境带来根本性的变化。这包括可以处理大量测量数据的全自动、100%质量检测[1其他与生产相关的活动和业务功能也将被整合到公司信息管理网络中，这保证了对关键生产数据的即时访问，以增强决策能力[7这种新方法被称为电子质量控制，其中一个使能工具是能够预测各个生产阶段的变化和性能损失。这意味着依赖于抽样技术的传统质量控制方案将被基于传感器的自动计算机化检测方法所取代，这些方法提供了前所未有的数据处理和处理水平。由于生产设备集成到网络中，n通讯作者。电子邮件地址：yk73@ajou.ac.kr（Y. Kwon）。机器的状态可以被监控，而特定机器的产品质量可以立即被识别。为了检验新的质量控制方法，作者已经开发了一个网络化的质量控制站。这包括两个网络可访问的装配机器人，两个网络视觉传感器和其他构成单元的辅助设备系统的总体设置如图所示。1.一、视觉传感器可以看到零件并测量尺寸。所捕获的图像具有640 - 480像素大小，并且通过计算机算法产生分析结果。通过使用模式匹配技术建立零件测量。对于每个零件，视觉传感器执行预先定义的质量控制任务，并将信息发送给等待的机器人。如果零件通过质量标准，它将被机器人拾起并放入垃圾箱。否则，坏零件将被传送带带走。整个设置的图片如图所示。 二、在电子质量控制的背景下，本文的目标是应用支持向量机（SVM）形式的机器学习方法来预测零件分类的结果。远程视察获得的数据http://dx.doi.org/10.1016/j.jcde.2015.06.0102288-4300/2015 CAD/CAM工程师协会。&由Elsevier制作和主持。这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。92T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）91雅马哈机器人RCX 40控制器应用编程接口网络摄像头互联网机器视觉相机远程用户Fig. 1. 拟议的电子质量控制系统的总体示意图图二. ISEL实验室的联网机器人设置，UTEP。将使用SVM分类器方程来分析实验以建立模型，该模型可用于预测（即，质量好的vs.质量差的）。这项工作背后的动机是建立强大的分类器，它可以根据视觉传感器生成的尺寸数据以自动化的方式将传入的零件分类到预定义的组中。2. 文献综述数据挖掘（Data Mining），又称数据库中的知识发现（Knowledge Discovery in Database），是指从数据库中的数据中提取隐含的、先前未知的和潜在有用的信息（如知识规则、约束、规则等）的过程在现代制造环境中，大量数据从所有相关领域收集到数据库管理系统和数据仓库中，例如产品和工艺设计，装配，材料计划和控制，订单输入和调度，维护，回收等。不同的研究人员试图使用各种机器学习方法来解决质量控制和检查问题使用支持向量机（SVMs）进行下水管道缺陷的自动诊断，结果表明使用SVMs的诊断准确性优于贝叶斯分类器[10]。将模糊逻辑和支持向量机相结合，以模糊支持向量数据描述（F-SVDD）的形式用于目标的自动识别，TFT-LCD阵列工艺，实验结果表明，所提出的方法在目标缺陷识别率方面优于常用的分类器[11]。将独立分量分析（ICA）和支持向量机（SVM）结合用于感应电机的智能故障诊断，结果表明，支持向量机在使用多类策略、一对一和一对所有的分类中实现了高性能[12]。基于粒子群优化和支持向量机进行故障诊断，新方法可以在短时间内选择最佳故障特征，并且比基于主成分分析（PCA）和SVM的方法具有更好的实时性[13]。采用基于核的邻域评分多类支持向量机对滚动轴承进行故障诊断，结果表明，多类支持向量机对故障诊断是有效的，其结果与二进制支持向量机相当[14]。人工神经网络用于解决质量控制问题，作为检测机械前密封表面故障的非传统方法，与已经实施的确定性系统相比，取得了良好的效果[15]。模糊关联规则被用于开发智能质量管理方法，该研究提供了一种具有知识发现和协作能力的通用方法，用于有效和高效地监控过程[16]。采用自动光学检测对眼镜装配线上的小部件进行在线测量，其设计用于装配线的开始，并基于人工视觉，利用两个CCD相机和一个拟人机器人来检查和操纵物体[17]。事实上，非常有见地的资源丰富的模糊学习与内核和SVM。一个例子包括单类SVM的学习，这需要非标记数据[18，19]。其他研究也利用了非标记数据的方法，因此能够以完全无监督的方式进行操作[20，21]。模糊层次分析法用于选择不稳定的切片机来控制晶片切片质量，其中指数加权移动平均控制图的结果证明了所提出的算法在有效选择评估结果和评估性能最差的机器的精度方面的可行性[22]。逻辑回归和PCA是用于监测PCB组装质量的数据挖掘算法，其结果表明，可以通过直观的图形可视化来增强对焊接缺陷分布的统计解释，以识别过程故障并减少变化[23]。模糊逻辑用于工业过程的统计过程控制中的故障检测，基于规则的比较研究表明，开发的模糊专家系统优于先前的基于模糊规则的算法[24]。支持向量机被用于表面缺陷检测的智能实时视觉系统，根据一千多张图像产生的实验结果，发现所提出的系统在检测钢铁表面缺陷方面是有效的[25]。支持向量机也被用作光学检测的一部分T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）9193表1支持向量机的应用。应用方法研究人员自动诊断支持向量机Yang and Su 2008[10]自动目标缺陷识别模糊支持向量数据描述（F-SVDD）Liu et al. 2009[11]智能故障诊断独立元分析（ICA）和支持向量机（SVM）Widodo et al.2007[12]故障诊断支持向量机Yuan and Chu 2007[13]故障诊断多类支持向量机（MSVM）Sugumaran et al. 2008[14]表面缺陷检测人工神经网络Barelli et al. 2008[15]智能质量管理模糊关联规则Lau et al. 2009[16]在线尺寸测量自动光学检测Rosati等人2009[17]使用核函数进行优化学习Schölkopf和Smola 2002[18]机器学习One class SVM for classification Manevitz and Yousef 2001[19]故障检测基于残差的模糊逻辑Serdio et al. 2014[20]故障检测多变量时间序列建模Serdio et al. 2014[21]质量控制模糊层次分析法Chang et al. 2008[22]质量控制Logistic回归，主成分分析（PCA）Zhang and Luk 2007[23]故障检测模糊逻辑El-Shal和Morris 2000[24]表面缺陷检测支持向量机Jia et al. 2004[25]光学检测支持向量机Chen 2007[26]质量监控支持向量机Huang和Chen 2006[27]表面检测神经网络，支持向量机Choi et al. 2006[28]缺陷检测支持向量机Karras 2003[29]质量监控径向基函数（RBF）神经网络（NNS），支持向量机（SVMs）Ribeiro 2005[30]表面检测支持向量机、CART和C4.5决策树、模糊分类器、K-NN、神经分类器等Eitzinger et al. 2010[31]表面检测决策树Heidi et al. 2013[32]球栅阵列焊球系统，其中系统还给出了训练模型调整判断核SVM，其对于图像比较和分类是有效的[26]。支持向量机用于机器人弧焊的质量监测，结果表明该方法可以在焊接生产中在线识别缺陷[27]。使用具有良好分类能力和泛化性能的神经网络和SVM开发了用于轧制系统表面检测的缺陷分类算法[28]。SVM以及基于矢量量化和SVD技术的小波特征提取用于改进缺陷检测，其结果概述了明智选择和处理工业模式识别应用的2D DWT小波系数的重要性，以及通过使用SVM神经网络而不是其他ANN模型获得的泛化性能优势[29]。径向基函数（RBF）神经网络（NNS）和SVM用于塑料注射成型过程中的质量监控，迄今为止获得的实验结果表明，大幅度分类器的泛化能力得到了提高，并且性能更好，增强了实际案例研究所选模型的强度和效率[30]。两个非常不同的研究涉及表面检测应用，其中不同的方法可以在类似的质量检测领域中使用[31，32]。表1总结了手稿中列出的应用。虽然大量的文献发表在解决质量相关的问题，使用数据挖掘技术或支持向量机，特别是，解决电子质量的概念，使用支持向量机仍然没有探索。这是因为，整个电子质量观念仍处于发展阶段。然而，一些研究人员提出了在基于互联网的系统框架内解决电子质量问题的想法。研究人员设计了一种设置，使用雅马哈机器人和机器视觉摄像机在互联网上执行质量控制操作。目前的工作是这种类型的工作，从这些实验中获得的使用SVM进行这项工作的想法完全是基于这样一个事实，即与其他广泛使用的方法（如神经网络，主成分分析和独立成分分析）相比，SVM在二进制输出数据上的性能大多数文献都支持支持向量机在许多质量应用中优于其他方法. 请注意，本文的目标是基于不同SVM内核之间的参数调整来确定更好的3. 方法本节解释了使用支持向量分类器运行实验的模型选择、所选训练参数的值以及用于不同核函数的参数值图3显示了作为这项工作的一部分使用3.1. 模型选择在训练SVM时，我们需要选择一个核，并为边缘参数C设置一个值。为了开发最佳分类器，94T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）91不同的测试样品远程检查流程¼.Σ.ΣðÞ其中，γ40π。式中，系数Z0 =0。¼¼¼模型选择数据采集准备训练数据灵敏度分析与不同C值比较结果与不同内核图三. 概念框架。我们需要确定最优核参数和C的最优值。一个k倍（一个值的k10）交叉验证方法采用估计的训练参数的值。考虑的最小值为0.1，最大值为500。具有高水平训练准确率百分比的C值被确定为最佳值（以粗体字突出显示）。分类器的性能通过使用不同的核函数在测试准确性、训练准确性、多个支持向量和验证准确性方面进行评估。基于从文献综述中获得的它们包括（1）线性核，（2）多项式核，（3）径向基函数（RBF）核和（4）Sigmoid核。多项式和RBF核函数是目前研究领域最常用的核函数。下一节将识别所有内核中涉及的不同参数，并讨论每个参数的范围。3.1.1. 线性核k x i;x j1/4xi;xj它是xi;xj的内积，所以没有伽玛和偏差。3.1.2. 多项式核kxi;xjγxixj系数哪里 系数Z 0;γ 40在此基础上设计了2度和3度两种情况。基于数据选择Gamma为2，系数为1。采用试错法找出最佳值，这使得测试数据分类精度高。3.1.3. 径向基函数核K.xi;xj=exp.-γjxi-xjj23基于该内核设计了两种情况，伽玛值分别为0.5和2。采用试凑法寻找最优值，提高了试验数据分类精度。3.1.4. Sigmoid核函数K.x i;xjtan h.γxixj系数4根据数据，本工作3.2. 训练支持向量分类器从实验中获取数据后，确定了以下特征。病例总数138例（注：实验运行的总次数。它包括“自动”和“手动”模式。输入特征数量5（注：5个特征包括试样的5个不同尺寸）。输出特征数量2（注：两个输出包括试样“符合”或“不符合”的情况）。由于支持向量机是监督学习方法的一部分，因此将数据分为训练集和测试集。按照标准方法，三分之二的数据被分成训练集，剩下的三分之一被分成测试集。因此，确定最佳值用于未来预测T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）91950rαrC对于所有i<$1;~设置为训练数据样本量为92，测试数据样本量为46。根据文献综述，在获得支持向量时，需要求解方程：表2工件规格（单位：mm）。M m最大化αAm WXαi-1 = 2 Xαiαjyiyjkx i; x j受限制1/1i;j¼1Mð5Þ我我我1/1因此，必须估计训练参数C的值。在密切关注文献并浏览已发表的材料后，决定使用k折交叉验证方法来估计训练参数C的值。4. 结果和比较在本节中，介绍了进行实验过程中涉及的各个步骤。在六种不同情况下使用分类器产生的结果也以表格的形式显示。此外，不同的核函数的性能之间的比较给定的数据和报告的发现。4.1. 准备测试样品本研究所考虑的实验装置处于开发阶段，到目前为止，它还不能完全商业化并用于现实世界的问题。由于这个原因，设计了一个类似的场景，描述了现实世界的情况。代替在典型生产线上处理的零件，设计小的测试件来进行实验。与各种类型的行业中使用的零件相比，这些零件尺寸较小，尺寸和形状不太复杂。 图图4示出了在本发明中使用的试件的几何形状。CCLD2W实验表明，L：长度的一块;W：宽度的一块;D1和D2：两个圆的直径;和CCL：圆心之间的距离。大约有20件作品。每个都至少在一个维度上与原件不同，以描述生产线上有缺陷产品4.2. 执行检查过程该实验包括记录在传送带上传送的样品工件（产品）的实时测量值，将这些尺寸与所需规格进行比较，对产品的质量做出决定（即，是否符合要求），并对产品采取适当措施我们使用康耐视DVT 540视觉传感器对测试对象进行检查和测量我们已经将相机设置为具有640 - 480位的图像分辨率摄像头最初经过训练，以了解被测物体的轮廓，并对其进行所需的测量。经过训练后，它可以在不同的方向上检测到同一种物体的存在摄像机可以使用IP地址进行寻址，并且能够通过数据网络与其他实体交换信息。随后，在检查过程中，摄像机对传送带上经过的物体进行测量，并通过网络将测量结果与物体的位置一起报告给应用服务器。该应用程序是用VB6编写的软件，在PC上运行。它通过网络与摄像机通信，并接收有关对象的测量和位置信息。然后，它使用这些信息来决定产品是否符合所需的规格。一旦做出决定，它就通过网络与机器人进行通信，并指示它停止传送带并对物体进行适当的拾取和放置操作机器人将合规和不合规的物体放置在两个不同的堆栈上。放置在视察地点的摄像机还可以从远处对正在进行的进程进行视觉监测表2总结了用于实验的不同类型工件的规格第1类由符合所需规范的对象组成其他类型在一个维度上偏离这些规范4.3. 数据采集D1L在前一阶段的基础上，进行见图4。 试样几何形状。允许用户测试不同的样品。用户已经类型LWD1D2CCL言论15050121237正确尺寸25250121237错误长度35052121237宽度错误45050141237半径错误55050121437半径错误65050121239错误中心75050121239错误中心96T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）91¼图五. STATISTICA 8.0界面的屏幕截图。有两种选择来执行这种类型的实验，其中包括在手动和自动模式下处理机器人。用于该实验的数据包括以两种模式记录的数据。(1)手动模式：当试件被放置在传送系统上后，当它到达记录尺寸的DVT视觉传感器正下方时，它立即停止。通过VB界面，用户可以看到数值，并作出判断是否符合或不符合测试件。在用户做出决定后，机器人被编程为拾取物体并将其放置在相应的堆栈中。该过程继续进行，直到所有测试样品都被放置在传送带上。这种模式的意义在于用户能够做出正确的决策来对对象进行分类。(2)自动模式：该过程几乎类似于手动模式，除了在DVT视觉传感器摄像机记录尺寸之后，应用程序本身决定工件是否符合要求。VB应用程序可以选择将记录的所有数据以及采取的行动写入Excel文件。大多数分析部分是使用一个名为STATISTICA的统计软件包完成的，该软件包提供了一系列数据分析，数据管理，数据挖掘和数据可视化程序。图5显示了STATISTICA 8.0数据挖掘模块中用于分析的输入数据的屏幕截图。4.4. 案例研究本节介绍了从六个不同案例中获得的结果。所有情况下用于分类的核函数的类型各不相同。案例包括：案例1。径向基函数核（gamma 1/40.5）;情况2。径向基函数内核（gamma¼2.0）;情况3。多项式核（阶数1/2，γ<$2，系数<$1）;情况4。多项式核（阶数<$3，伽玛<$2 ， 系 数 <$1 ） ; 情 况 5 。 线 性 内 核 ; 以 及 情 况 6 。Sigmoid Kernel（gamma <$0.2，coefficient <$0.1）。4.4.1. 案例1.径向基函数核（gamma0.5）使用伽马值为0.5的径向基函数内核测试分类器方程，并使用不同的训练参数值进行不同的运行。对于每次运行，生成许多支持向量，同时记录训练和测试集中数据分类的准确性。总结见表3。来自表的值以图6所示的曲线图的形式绘制，其中训练参数值在X轴上，准确度百分比在Y轴上。找到最佳交叉验证值并在图中突出显示T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）9197最佳交叉验证值结果培训测试分类精度¼¼¼¼¼¼¼表3简表案例1.表4简表案例2.培训数量的支撑培训测试培训数量的支撑培训测试参数向量准确度（%）准确度（%）参数向量准确度（%）准确度（%）0.17272720.1618987139908912991892319287224958910229387102197892022938920209991402198894016999160199989601599918020999380129991100199993100129991165169993200139991200179993300139991300109991376139993400109991400139993500109991500139993105训练参数“C”与分类准确度RBF核（gamma = 0.5）100训练参数“C”与分类准确度RBF核（gamma = 2.0）10098959690948592809075700.1121020406080 100 165 200 300 400 500训练参数“C”88860.11 21020406080100 200 300 376 400 500训练参数“C”图六、显示不同“C”值与准确度水平关系的图表图7.第一次会议。显示不同“C”值与准确度水平关系的图表4.4.2. 案例2.径向基函数核（gamma2.0）使用伽马值为2的径向基函数内核测试分类器方程，并使用不同的训练参数值进行不同的运行。对于每次运行，注意到在训练和测试集中对数据进行分类的准确性所生成的总结见表4。使用Statistica以图7所示的图表的形式绘制来自表的值，其中训练参数值在X轴上，准确度百分比在Y轴上。找到最佳交叉验证值并在图形中突出显示4.4.3. 案例3.多项式核（度2，伽马2，系数1）使用多项式内核测试分类器方程，并使用不同的训练参数值进行不同的运行。对于每次运行，生成多个支持向量，并且分类数据在训练集和测试集中，所有这些观察结果的总结见表5。使用Statistica以图8所示的图表的形式绘制来自表的值，其中训练参数值在X轴上，准确度百分比在Y轴上。找到最佳交叉验证值并在中突出显示 图表。4.4.4. 案例4.多项式核（阶数3，伽玛2，系数1）使用多项式核测试分类器方程，并使用不同的训练参数值进行不同的运行。对于每次运行，记录生成的支持向量的数量以及对训练集和测试集中的数据进行分类的准确性。所有这些观察结果的总结见表6。使用Statistica以图9所示的图表的形式绘制来自表的值，其中训练参数值在X轴上，准确度百分比在Y轴上。最佳交叉验证值结果培训测试分类精度98T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）91¼¼表5简表案例3.表6简表案例4.培训数量的支撑培训测试培训数量的支撑培训测试参数向量准确度（%）准确度（%）参数向量准确度（%）准确度（%）0.12893850.120938711993871139991217978921299916149993108999110149993209999120139991408100894011999160810085601299918081008580129991100810085100119991200810085200109991300810085300111008940081008540091009150081008550011100891021009896949290888684训练参数“C”与分类精度多项式核（度=2，伽马= 2，系数= 1）最佳交叉验证值结果培训测试0.11 261020406080100 200 300 400 500训练参数“C”1021009896949290888684训练参数“C”与分类精度多项式核（度= 3，伽马= 2，系数= 1）最佳交叉验证值结果培训测试0.11 21020406080100200300400 500训练参数“C”图8.第八条。显示不同“C”值与准确度水平关系的图表图9.第九条。显示不同“C”值与准确度水平关系的图表找到最佳交叉验证值并在中突出显示 图表。4.4.5. 案例5.线性核使用线性核测试分类器方程，并使用不同的训练参数值进行不同的运行。对于每次运行，生成多个支持向量，并记录对训练集和测试集中的数据进行分类的准确性。所有这些观察结果的总结见表7。表中的值以图10所示的曲线图的形式绘制。找到最佳交叉验证值并在图形中突出显示。4.4.6. 案例6. Sigmoid Kernel（gamma 0.2，coefficient 0.1）使用Sigmoid Kernel测试分类器方程，并使用不同的训练参数值进行不同的运行。对于每次运行，生成多个支持向量，并记录对训练集和测试集中的数据进行分类的准确性。该撮要见表8。表7病例5的汇总表。训练参数支持向量数培训准确率（%）测试准确度（%）0.1737876139938523093851022938520209385402093876018938580179387100169387200169693300159693400159693476189793500199693表中的值以图11所示的曲线图的形式绘制。找到最佳交叉验证值并在图形中突出显示。分类精度分类精度T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）9199¼训练参数“C”与分类精度线性核989694929088868482807876740.1121020406080100 200 300 400 476 500训练参数“C”训练参数“C”与分类精度Sigmoid内核（gamma =0.2，coeff = 0.1）9590858075706560550.112101620406080100 200 300 400 500训练参数“C”图10个。显示不同“C”值与准确度水平关系的图表图十一岁显示不同“C”值与准确度水平关系的图表表8病例6的汇总表。表9实验总结训练参数支持向量数培训准确率（%）测试准确度（%）核心训练参数培训率（%）检测率（%）SVS0.1 72 61 67线性476 97 93 18（7a）1 72 86 802 58 86 8010 35 93 8516 30 93 85多项式（二次）多项式（次数（1/3）6 99 93 14（8a）1 99 91 13（6a）一20 28 93 8540 24 93 8560 24 93 85径向基函数（γ 1/40.5）165 99 93 16（6）径向基函数（γ 1/2）376 99 93 13（1a）S形（伽马值¼0.2，16 93 85 30（25a）4.5. 比较本节比较了从不同案例中获得的结果在使用不同的内核函数执行模型之后，特定内核提供最佳准确性的结果被识别并用于与其他内核进行比较。表9总结了调查结果。此外，为了显示支持向量机的优势，还测试了另外两种常用的方法。结果示于表10中。5. 结论本节介绍从分析中得出的重要结论本研究的目的是建立一个基于实验数据的以促进电子质量控制的进程。本研究在以下假设下进行。(1)用于分析的数据包含138种不同的情况，这些情况是通过使用不同的测试样品进行实验(2)训练参数C的模型选择基于v折交叉验证方法。(3)训练参数C值的范围包括0.01到500，其中还可以基于数据的特性使用四位数和五位数的更高的(4)核函数的参数是基于试错法来假设的，以获得最佳的精度水平。在分析获得的数据最佳交叉验证值结果培训测试最佳交叉验证值结果培训测试分类精度分类精度80229385系数：0.1）100229385200189285a有界支持向量。300179285400179285500169285表10决策树与逻辑回归方法的比较。方法培训率（%）检测率（%）决策树9787Logistic回归7883100T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）91使用SVM分类器并使用不同的内核测试准确度水平，可以得出以下结论由于SVM对具有二元结果的数据产生了良好的分类结果，因此该数据所获得的结果是显著的。在不同情况下，使用线性、多项式和RBF核函数时，最高测试率达到93%二次多项式核和具有伽马值的RBF核具有略高的训练率值。在所有情况下，伽马值为2的RBF核被认为是表现最好的，因为它在分类方法中使用的支持向量数量最少。启发式地，较少数量的支持向量意味着分类器的鲁棒性。然而，这可能并不是在所有情况下都是正确的，因为它还取决于位于边距之间的有界支持向量的数量RBF核的训练参数“C”的值被标识为376，这也满足了选择理想训练参数的基本必要性。如果“C”太小，则会对训练数据的拟合施加不足的压力。如果它太大，算法会导致数据过度拟合。在数据量方面，虽然现有的数据不多，但对于研究来说已经足够了。它可能具有更好的结果（即，更好的预测精度）。基本上，在处理大数据时也存在问题，例如过度拟合和离群值。此外，所提出的模型可能只对某些数据集不敏感。换句话说，不同的数据集可能导致各种“最优“模型。因此，建议预处理工作可以集中于消除偏差，特别是在使用SVM分类之前预先存在的模式未来的工作之一可以致力于开发一个更好的模型，它可以是混合的性质，通过结合不同的方法（即，SVM和非SVM）和/或在可行条件下融合不同的核函数。另一个未来的工作可能是实现动态环境中的平等。新算法在自动设置参数优化模型时，会受到动态数据的影响致谢这项工作得到了美国国家科学基金会（Award DUE-1246050）和美国教育部（Award P031 S120131和P120A130061）的部分支持。本研究也得到了基础科学研究计划的支持，通过韩国国家研究基金会（NRF）由教育部资助（批准号NRF-2013 R1 A1 A2006108）。作者希望对他们在研究期间获得的财政支持表示诚挚的引用[1] A.陈文辉，基于仿真的设计，国防部高级研究计划局关于SBDAlpha发布的研讨会（国防部高级研究计划局/TTO计划），1997。[2] [10]杨文，杨文，杨文.形位公差的统计分析。一个案例研究。 J. 质量。Eng. 2005; 17（3）419-27.[3] GoldinD，Venneri S，Noor A.工程学的新领域 机甲Eng.1998;120（2）63[4] Goldin D，Venneri S，Noor A.为未来做好准备了吗？机械工程师1999;121（11）61-70.[5] Kwon Y，Wu T，Ochoa J. SMWA.基于CAD的焊接有效设计决策支持系统。J. Concurr.工程研究应用2004; 12（4）295-304.[6] Y.权，G. Fischer，本科教学实验室三年远景规划。以模拟为基础，可调整的整合式精益制造系统，以改善学习效率，（一项获得10万美元资助的提案），工程设备基金学院，爱荷华大学，爱荷华市，2003年。[7] Waurzyniak P.走向电子工厂。制造业迈出了实施协同电子制造系统的第一步。SME制造工程2001; 127（5）43-60.[8] 阿伦森河更多的自动化，更少的人力。更智能的细胞和中心。SME制造工程2005; 134（6）85-108.[9] 智 能 维 护 系 统 中 心 ， 2005 年 ， 可 在 以 下 网 址 查 阅 ：wumrc.engin.umich.edu/ims/? page=home[10] 杨M，苏T.基于机器学习方法的下水管道缺陷自动诊断。专家系统应用2 0 0 8 ; 35（3）1327-37.[11] 刘毅，林松，薛毅，李明.基于核FCM模糊SVDD集成的TFT-LCD阵列工艺检测目标缺陷自动识别专家系统应用2009; 36（2）1978-1998.[12] 作者：Zhang B，Zhang C.独立分量分析与支持向量机相结合的感应电动机智能故障诊断。专家系统应用2007; 32：299-312.[13] 袁S，朱F.基于粒子群优化和支持向量机的故障诊断。机械系统信号处理。2007; 21：1787-98.[14] 放大图片创作者：Sugumaran V，Sabareesh G，Ramachandran K. 基于核邻域得分多类支持向量机的滚动轴承故障诊断。专家系统应用2008; 34（4）3090-8.[15] [10] Barelli L，Bidini G，Mariani F，Svanziroli M.一种非传统的质量控制系统，用于检测机械前密封的表面缺陷。Eng. 应用人工制品内特尔2 0 0 8 ; 21（7）1065-72.[16] 刘豪，何国，朱克，何伟，李俊。应用模糊关联规则之智慧型品质管理系统之开发。专家系统 Appl. 2009; 36（2）1801-15.[17] Rosati G，Boschetti G，Biondi A，Rossi A.眼镜装配线上小零件的在线尺寸测量。光学激光工程2 0 0 9 ; 47（3-4）320-8.[18] Schölkopf B，Smola AJ. 用核学习-支持向量机，正则化，优化及其他。London，England：MIT Press.[19] 放大图片作者：Manevitz L.用于文档分类的单类SVM。J. 马赫学习.Res. 2001; 2：139-54。[20] SerdioF，Lughenie E，Pichler K，Buchegger T，Efendic H. 利用软计算技术进行轧机状态监测的基于残差的故障检测。信息科学20 1 4 ;259：304-20.[21] [10] Serdio F，Lughenie E，Pichler K，Pichler M，Buchegger T，Efendic H. 基于多元时序模型和正交变换的多传感器网络故障检测。Inf. Fusion2014; 20：272-91.[22] 张春，吴春，陈宏.运用专家技术，通过模糊层次分析法，选择不稳定切片机，控制硅片切片质量。专家系统应用2008; 34：2210-20.[23] 张飞，陆涛.一种用于PCB组装质量监控的数据挖掘算法。IEEE电子封装制造商2007; 30（4）299-305.[24] El-Shal S，Morris A.工业过程统计过程控制中故障检测的模糊专家系统。IEEE Trans. Syst. ManCybern. C.应用修订版2000; 30（2）281-9.[25] H. Jia，Y. Murphey，J. Shi和T. Chang，一种用于表面缺陷检测的智能 实 时 视 觉 系 统 ， 在 ： 第 17 届 国 际 模 式 识 别 会 议 论 文 集 ，ICPR'04，第3卷，2004，pp. 239-242.[26] S. Chen，使用支持向量机分类的BGA焊球光学检测系统，在：第六届机器学习和控制论国际会议论文集，香港，pp. 2007年19-22日。T.- L. （Bill）Tseng et al./计算设计与工程学报3（2016）91101[27] 黄X，陈S.基于支持向量机的弧焊过程模糊建模。Mater. Sci.工程师：A2006; 427（1-2）181-7。[28] K.崔，K. Koo和J. Lee，POSCO轧制带材表面检测系统缺陷分类算法的开发，2006年10月18[29] D. Karras，基于矢量量化和SVD技术的支持向量机和小波特征提取的改进缺陷检测，在：神经网络国际联合会议论文集，卷。3，2003，pp.2322-2327[30] 里贝罗湾支持向量机在塑胶射出成型制程品质监控之应用。IEEETrans. Syst. Man Cybern. C：应用修订版2005; 35（3）401-10.[31] Eitzinger C ， Heidl W ， LughenE ， Raiser S ， Smith J ， Ahir M ，SannenD，范德塞尔河可训练表面检查系统中自适应部件影响的评估。 马赫目视Appl. 2010; 21（5）613-26.[32] Heidl W，Thumfart S，Lughlane E，Eitzinger C，Klement E. 机基于学习的视觉检查决策中的性别差异分析。信息科学2013; 224：62-76.