论文部分内容阅读
摘要 可变样本参数控制图在质量控制过程中的应用可以更快识别微小变化，本文提出了一种采用BP网络结合可变样本容量和抽样区间进行过程控制与异常模式识别的系统框架，并设计了控制图样本参数组及BP网络组模型。
关键词 可变样本 BP网络 模式识别
Abstract Mean shifts in production process could be detected quicker by the application of variable sampling rate （VSP）control charts。In this paper， a framework which using the integration of Variable sample sizes and sampling intervals（VSSI） and back-propagation（BP） networks for process controlling and non-normal patterns recognition was proposed， and the sampling rate groups and BP networks group model were designed.
Keywords： Variable sampling BP Networks patterns recognition
引言
统计过程控制（SPC）在生产过程中的应用主要是为了维持特定质量特性的稳定性和可接受性，其中，休哈特控制图作为SPC的重要工具之一，也是最常采用的手段。控制图呈现的状态可以反映生产过程是否受控，当出现非受控情形，需要对其异常模式进行识别并进行相应的调整。在控制图异常模式识别的研究中主要集中于人工神经网络（ANNs）D T Pham和E Oztemel[1]采用学习矢量量化（LVQ）网络组建立了一个控制图异常模式识别系统，并讨论了提高识别器精度方法；S K Gauri和S Chakraborty[2]采用经由反向传播算法训练的多层感知神经网络构建了异常模式识别器，并对其进行了评估。C S Cheng和C A Tzeng使用反向传播网络进行了控制图异常模式识别的研究[3]。本文中采用BP神经网络来进行控制图异常模式识别。
另一方面，传统的休哈特控制图采用固定样本容量和抽样区间的方式进行样本组的抽取。近些年来对可变样本参数控制图的研究表明可变样本容量（VSS）与可变抽样区间（VSI）的控制图能够更快地发现生产过程中存在的微小变化。A F B Costa[4]对可变样本参数的控制图进行了深入研究，提出了可变警告限的方法并通过与CUSUM和EWMA的对比，证明了该方法可以获得更高的灵敏度；Y C Lin与C Y Chou[5]采用Burr分布，针对非正态分布的情况下设计了可变样本容量与区间（VSSI）的均值图，并通过对比验证其具有更高的精确性和鲁棒性。
本文结合VSSI的均值-极差控制图，提出一种采用BP网络进行过程控制，以及控制图异常模式识别的系统框架。
1 系统实现框架
系统的主要功能包括模式识别与样本参数组控制两大方面，在系统的应用过程中，需要综合考虑异常模式识别与样本参数选择和控制图数据之间的相互关系。经过对系统的分析，确定系统包括三个模块，分别是：传递模块、异常模式识别模块、样本参数反馈模块。系统的总体框架如图1所示：
图1 系统总体框架图
（1）传递模块 该模块的主要作用是接收生产过程中采集的质量数据，并初步判断是否超出控制限，若超出控制限则将数据只传递至异常模式识别模块，同时自行生成样本参数调整信号，反之传递至异常模式识别模块与样本参数反馈模块；此外，该模块接受异常模式识别模块反馈的模式识别结果，并反馈至生产过程决策端以供误差识别与调整使用，同时接受样本参数模块的反馈结果，并传递是否调整样本参数的信号至生产过程的信号采集端。该模块即为系统的中转站。
（2）异常模式识别模块 该模块的主要作用是根据传递模块所传送的生产过程数据，通过内置神经网络，对其进行模式识别，并将模式识别的结果反馈至传递模块。
（3）样本参数反馈模块 该模块的主要作用是根据经由传递模块转达的过程数据，通过当前内置控制图参数进行判断是否需要更改控制图参数，将判断结果以选择信号的形式反馈至传递模块。
系统工作的流程图如图2所示：
图2 系统流程图
为了实现基于可变样本参数与神经网络的控制图异常模式识别系统，使其能够满足控制图异常模式识别和控制图参数可变的需求，系统需要解决两个方面的问题， 分别为可变参数控制图样本参数的选取和异常模式识别模块的设计，本文其后将详细探讨这两个方面。
2 可变样本参数控制图的主要原理
可变样本容量与抽样区间控制图是近些年来兴起的应用方向，与传统的休哈特控制图不 同的是，可变样本容量与抽样区间控制图一般设计为具有两组或以上取样参数的模式，从而能根据当前系统的过程数据，灵活确定样本参数，从而提高效率。考虑到对于一般的过程控制，当取样模式大于两种时，在取样行为更改与实施过程中所耗费的时间可能会大于所节省的时间，因此，本文采用两组取样参数s1（n1，h1）和s2（n2，h2），其中n和h分别代表样本容量与抽样区间。其中，s1为较小样本容量和较大取样区间，对应于良好的过程情况，反之，s2为较大样本容量和较小取样区间，对应于需要密切监控的过程情况。假设过程均值为 ，标准差为 ，两组模式的上下控制限分别表示为UCL1、LCL1和UCL2、LCL2，上下警告限分别表示为UWL1、LWL1和UWL2、LWL2。其计算公式如式（1）和式（2），其中k为控制限系数，w为警告限系数。
关键词 可变样本 BP网络 模式识别
Abstract Mean shifts in production process could be detected quicker by the application of variable sampling rate （VSP）control charts。In this paper， a framework which using the integration of Variable sample sizes and sampling intervals（VSSI） and back-propagation（BP） networks for process controlling and non-normal patterns recognition was proposed， and the sampling rate groups and BP networks group model were designed.
Keywords： Variable sampling BP Networks patterns recognition
引言
统计过程控制（SPC）在生产过程中的应用主要是为了维持特定质量特性的稳定性和可接受性，其中，休哈特控制图作为SPC的重要工具之一，也是最常采用的手段。控制图呈现的状态可以反映生产过程是否受控，当出现非受控情形，需要对其异常模式进行识别并进行相应的调整。在控制图异常模式识别的研究中主要集中于人工神经网络（ANNs）D T Pham和E Oztemel[1]采用学习矢量量化（LVQ）网络组建立了一个控制图异常模式识别系统，并讨论了提高识别器精度方法；S K Gauri和S Chakraborty[2]采用经由反向传播算法训练的多层感知神经网络构建了异常模式识别器，并对其进行了评估。C S Cheng和C A Tzeng使用反向传播网络进行了控制图异常模式识别的研究[3]。本文中采用BP神经网络来进行控制图异常模式识别。
另一方面，传统的休哈特控制图采用固定样本容量和抽样区间的方式进行样本组的抽取。近些年来对可变样本参数控制图的研究表明可变样本容量（VSS）与可变抽样区间（VSI）的控制图能够更快地发现生产过程中存在的微小变化。A F B Costa[4]对可变样本参数的控制图进行了深入研究，提出了可变警告限的方法并通过与CUSUM和EWMA的对比，证明了该方法可以获得更高的灵敏度；Y C Lin与C Y Chou[5]采用Burr分布，针对非正态分布的情况下设计了可变样本容量与区间（VSSI）的均值图，并通过对比验证其具有更高的精确性和鲁棒性。
本文结合VSSI的均值-极差控制图，提出一种采用BP网络进行过程控制，以及控制图异常模式识别的系统框架。
1 系统实现框架
系统的主要功能包括模式识别与样本参数组控制两大方面，在系统的应用过程中，需要综合考虑异常模式识别与样本参数选择和控制图数据之间的相互关系。经过对系统的分析，确定系统包括三个模块，分别是：传递模块、异常模式识别模块、样本参数反馈模块。系统的总体框架如图1所示：
图1 系统总体框架图
（1）传递模块 该模块的主要作用是接收生产过程中采集的质量数据，并初步判断是否超出控制限，若超出控制限则将数据只传递至异常模式识别模块，同时自行生成样本参数调整信号，反之传递至异常模式识别模块与样本参数反馈模块；此外，该模块接受异常模式识别模块反馈的模式识别结果，并反馈至生产过程决策端以供误差识别与调整使用，同时接受样本参数模块的反馈结果，并传递是否调整样本参数的信号至生产过程的信号采集端。该模块即为系统的中转站。
（2）异常模式识别模块 该模块的主要作用是根据传递模块所传送的生产过程数据，通过内置神经网络，对其进行模式识别，并将模式识别的结果反馈至传递模块。
（3）样本参数反馈模块 该模块的主要作用是根据经由传递模块转达的过程数据，通过当前内置控制图参数进行判断是否需要更改控制图参数，将判断结果以选择信号的形式反馈至传递模块。
系统工作的流程图如图2所示：
图2 系统流程图
为了实现基于可变样本参数与神经网络的控制图异常模式识别系统，使其能够满足控制图异常模式识别和控制图参数可变的需求，系统需要解决两个方面的问题， 分别为可变参数控制图样本参数的选取和异常模式识别模块的设计，本文其后将详细探讨这两个方面。
2 可变样本参数控制图的主要原理
可变样本容量与抽样区间控制图是近些年来兴起的应用方向，与传统的休哈特控制图不 同的是，可变样本容量与抽样区间控制图一般设计为具有两组或以上取样参数的模式，从而能根据当前系统的过程数据，灵活确定样本参数，从而提高效率。考虑到对于一般的过程控制，当取样模式大于两种时，在取样行为更改与实施过程中所耗费的时间可能会大于所节省的时间，因此，本文采用两组取样参数s1（n1，h1）和s2（n2，h2），其中n和h分别代表样本容量与抽样区间。其中，s1为较小样本容量和较大取样区间，对应于良好的过程情况，反之，s2为较大样本容量和较小取样区间，对应于需要密切监控的过程情况。假设过程均值为 ，标准差为 ，两组模式的上下控制限分别表示为UCL1、LCL1和UCL2、LCL2，上下警告限分别表示为UWL1、LWL1和UWL2、LWL2。其计算公式如式（1）和式（2），其中k为控制限系数，w为警告限系数。