离散制造车间存在制造要素偏离生产计划导致的生产异常事件,准确的车间异常检测有助于实时监控生产过程,提高动态决策响应速度,保证订单按时交付。针对异常检测的准确性和实时性需求,提出一种增量式无监督学习的车间生产异常检测方法。首先,以在制品在车间的流转过程为主线定义生产异常种类,搭建离散制造车间生产异常检测框架;其次,使用增强自组织增量神经网络实时检测生产异常,并根据当前生产数据在线更新模型,以适应数据分布的动态变化,提高模型检测准确率;最后以某航天机加车间为例,将所提方法与两种增量式及两种非增量式聚类算法进行对比实验,并在离散制造车间应用生产异常检测系统,验证了该方法在生产异常检测问题上的有效性。

以实现RBF网络的增量学习能力和提高其增量学习的稳健性为目的，给出了一种RBF网络增量学习算法。算法首先对初始数据集进行聚类得到初始的RBF网络结构，然后采用GAP—RBF算法中的隐层节点调整策略动态调整网络结构实现RBF网络增量学习。RBF网络的初始化降低了初始数据集样本训练顺序对RBF网络性能的影响，增强了其增量学习的稳健性。IRIS数据集和雷达实测数据集仿真实验表明，算法具有较好的增量学习能力。