本論文以多元過程為研究對象，以計(jì)算機(jī)仿真分析為手段，利用聯(lián)合控制技術(shù)、支持向量機(jī)與級聯(lián)相關(guān)神經(jīng)網(wǎng)絡(luò)等，研究了多元統(tǒng)計(jì)過程控制中，多元過程均值向量和協(xié)方差矩陣的監(jiān)控，以及多元過程質(zhì)量診斷中，發(fā)現(xiàn)過程異常，定位過程失控原因的方法和實(shí)現(xiàn)技術(shù)，以便提高過程產(chǎn)品質(zhì)量，減少質(zhì)量缺陷，對提高企業(yè)的市場競爭力具有重要的意義。研究將進(jìn)一步完善補(bǔ)充多元統(tǒng)計(jì)過程控制與異常診斷的技術(shù)與方法。本論文的主要研究內(nèi)容包括： 1．多元過程均值向量與協(xié)方差矩陣監(jiān)控。研究能同時(shí)監(jiān)控多元過程均值向量和協(xié)方差矩陣的控制圖，發(fā)現(xiàn)過程異常因素，顯得尤為重要�；诖耍疚奶岢隽四茌^大范圍有效地監(jiān)控多元過程的均值向量和協(xié)方差矩陣的單個(gè)控制圖，為企業(yè)在質(zhì)量控制方面提供了較好的應(yīng)用和參考價(jià)值； 2．針對多元過程中特殊的二元過程，本文提出了基于聯(lián)合T2和VMAX控制圖對其監(jiān)控，研究了該聯(lián)合控制圖的ARL性能，并與聯(lián)合T2和|S|控制圖進(jìn)行比較，該聯(lián)合控制圖能夠有效地監(jiān)控二元過程的均值向量和協(xié)方差矩陣；同時(shí)設(shè)計(jì)了聯(lián)合單變量控制圖，提出了基于非中心卡方分布與聯(lián)合單變量控制圖的二元過程均值向量偏移方向診斷方法，能為企業(yè)在線操作人員或質(zhì)量工程師提...

【文章頁數(shù)】：102 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國內(nèi)外研究現(xiàn)狀綜述
        1.2.1 多元控制圖研究綜述
        1.2.2 質(zhì)量診斷研究綜述
    1.3 論文的結(jié)構(gòu)與研究內(nèi)容
    1.4 本研究的創(chuàng)新之處
第二章 多元統(tǒng)計(jì)過程控制與異常診斷理論
    2.1 多元質(zhì)量控制技術(shù)概述
    2.2 多元統(tǒng)計(jì)過程控制圖
        2.2.1 多元休哈特控制圖
        2.2.2 多元 CUSUM 控制圖
        2.2.3 多元 EWMA 控制圖
    2.3 多元過程異常診斷
        2.3.1 基于 BP 神經(jīng)網(wǎng)絡(luò)的方法
        2.3.2 基于支持向量機(jī)的方法
    2.4 本章小結(jié)
第三章 多元過程均值向量與協(xié)方差監(jiān)控
    3.1 基于 WISHART 分布的控制圖
        3.1.1 Wishart 分布
        3.1.2 基于 Wishart 分布的控制圖
    3.2 聯(lián)合控制圖
        3.2.1 聯(lián)合 T2與|S|控制圖
        3.2.2 Max-MEWMA 控制圖
    3.3 控制圖性能分析
        3.3.1 CSDW 控制圖性能
        3.3.2 控制圖性能比較
    3.4 CSDW 控制具體實(shí)施過程及案例
    3.5 案例分析
    3.6 本章小結(jié)
第四章 基于聯(lián)合技術(shù)的二元過程監(jiān)控與診斷
    4.1 聯(lián)合 T²與 VMAX 控制圖
    4.2 聯(lián)合控制圖性能比較
    4.3 實(shí)例分析
    4.4 二元過程均值向量異常診斷
        4.4.1 過程診斷異常簡介
        4.4.2 聯(lián)合 NCS 控制圖
        4.4.3 基于 NCS 的異常診斷流程
    4.5 聯(lián)合 X 均值控制圖
    4.6 仿真分析
    4.7 本章小結(jié)
第五章 基于 SVM 算法的多元控制圖均值偏移診斷
    5.1 多元控制圖診斷概述
    5.2 多元過程控制圖
    5.3 分類及優(yōu)化算法
        5.3.1 支持向量機(jī)原理
        5.3.2 K 折交叉驗(yàn)證
        5.3.3 粒子群優(yōu)化算法
    5.4 模型構(gòu)建與訓(xùn)練集產(chǎn)生
        5.4.1 模型構(gòu)建
        5.4.2 訓(xùn)練數(shù)據(jù)集產(chǎn)生
    5.5 模型模擬分析
        5.5.1 基于 K-CV 優(yōu)化
        5.5.2 基于 PSO 模型參數(shù)優(yōu)化
        5.5.3 模型的性能比較
    5.6 本章小結(jié)
第六章 級聯(lián)相關(guān)神經(jīng)網(wǎng)絡(luò)在制造過程中的應(yīng)用研究
    6.1 神經(jīng)網(wǎng)絡(luò)的應(yīng)用
    6.2 神經(jīng)網(wǎng)絡(luò)算法
        6.2.1 反向傳播算法
        6.2.2 級聯(lián)相關(guān)算法
    6.3 仿真分析
        6.3.1 仿真案例
        6.3.2 實(shí)證研究
    6.4 本章小結(jié)
第七章 結(jié)束語與展望
    7.1 結(jié)束語
    7.2 展望
參考文獻(xiàn)
發(fā)表論文和參加科研情況說明
致謝



本文編號：3778983