论文部分内容阅读
摘 要：论文叙述了质量控制图的原理与基本模式，控制图模式识别的意义以及神经网络在控制图模式识别中的应用、研究现状、在质量工程领域的发展趋势和研究方向。控制图异常模式自动识别在如今的生产制造过程越来越重要，识别方法的合理有效性直接影响质量诊断结果的准确性，利用复杂的神经网络可以有效地进行模式识别，对工业生产制造有很大的意义，有效减少经济损失，取得经济效益。
关键词：神经网络;质量控制图;模式识别
1.引言
质量控制图首先由休哈特提出，之后得到了广泛的研究与应用，取得了相当不错的经济效益与社会效益，对经济的发展做出了巨大的贡献。质量控制图初期主要用于工业生产过程的质量控制，后来逐渐应用到分析实验用来对分析质量的控制。控制图模式的判定准则主要是GB/T4091——2001给出的8种情况，几种常见的基本模式：向上趋势、向下趋势、向上偏移、向下偏移、循环模式和正常模式。质量控制图异常模式自动识别在如今的生产制造过程越来越重要，研究有关控制图模式识别方法的合理有效性很有意义。神经网络是一种旨在模仿人脑结构及其功能的信息处理系统，可通过自学习、自组织和非线性动力学所形成的并行分布方式来处理模式信息进而进行模式识别，用神经网络进行控制图的模式识别是一种有效的方法。
2.质量控制图
质量控制图，由沃特·休哈特博士率先提出。他指出：每一个方法都存在着变异，都受到时间和空间的影响，即使在理想的条件下获得的一组分析结果，也会存在一定的随机误差。质量控制图是一种根据假设检验的原理，在以横坐标表示样组编号、以纵坐标表示根据质量特性或其特征值求得的中心线和上、下控制线。在直角坐标系中，把抽样所得数计算成对应数值并以点子的形式按样组抽取次序标注在图上。视点子与中心线、界限线的相对位置及其排列形状，鉴别工序中有否存在系统原因，分析和判断工序是否处于控制状态，从而具有区分正常波动与异常波动功能的统计图形。它反映和控制质量特性值分布状态随时间而发生的变动情况，判断过程是否处于稳定状态。
控制图的基本原理有四个，包括正态性假定、假设性检验思想、小概率事件原理、3σ准则。任何生产过程生产出来的产品，其质量特性值总会存在一定程度的波动，当过程稳定或者说受控时，这些波动主要是由5M1E的微小变化造成的随机误差。此时，绝大多数质量特性值均服从或近似服从正态分布。由正态分布的性质可知质量数据出现在平均值的正负三个标准差之外的概率仅为0.27%，这是一个很小的概率，根据概率论“视小概率事件为实际上不可能”的原则，可以认为出现在x±3σ区间外的事件是异常波动，它的发生是由于异常原因使其总体的分布偏离了正常位置。
模式识别就是根据研究对象的特征或者屬性，运用一定的分析算法认定其类别，并且分类识别的结果尽可能地符合真实。控制图模式识别有几个步骤，首先需要进行模式采集，即控制图那六种基本模式，之后提取/选择特征，提取一般以分类中使用的某种判决规则为准则。然后进行学习训练：使机器具有分类识别功能，首先对其进行训练，产生分类识别的规则和分析程序。之后分类识别，把特征空间划分为类空间，把未知类别属性的样本确定为类空间中的某一类型。机器中的分类识别知识与待识别对象越匹配，知识的运用越合理，系统的识别功能就越强。
3.基于神经网络的控制图模式识别
根据 SPC 理论，过程中存在两类变差：普通原因变差和特殊原因变差。为了有效对过程中的特殊原因变差进行监控，六类 SPC 控制图模式（即，正常模式，向上/向下中心平移模式，向上/向下趋势模式，循环模式）需要尽快得到识别。然而，传统休哈特控制图不适合于具有相关性质的过程观测数据，会导致过 高的虚发报警。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。随着对人工神经网络的深入研究，其在模式识别领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。人工神经网络的特点和优越性，具有自学习功能，联想存储功能和高速寻找优化解的能力。基本思想是：信息处理由神经元节点之间的反馈作用来实现，可对特征复杂的数据进行高精确度的自动分类。BP神经网络由三层网络结构和两部分组成：分别是输入层、隐层、输出层及输入信息的正向传播和误差的反向传播，由于加入了反馈环节，输出层输出若未能达到预期值，则调整误差权重，并进行误差的反向传播。通过正向传播和反馈，不断地计算误差并调节权重，逐渐逼近真实值，从而完成网络的训练。
4.研究现状
神经网络控制图模式识别应用非常广泛，也有很大的发展。有一部分把小波分析与神经网络相结合，根据基本模式识别方法，对比直接概率神经网络识别模型和小波提取特征以及概率神经网络识别模型的性能，就并发模式，并发异常信号进行小波变换，可以将其分解为基本模式信号的组合，其中大尺度逼近部分代表其中的低频部分，而细节部分代表其中的高频部分。并根据得到的数据系数重构原始信号。其中 BP 神经网络的输入问题的难点在于小波基函数的选择、分解水平数的确定以及重构系数的选择，因为并发模式中不同基本模式识别效率存在一定明显差异，其中的原因还没有很清楚的确定，需要更深一步的探索。
5.结束语
质量特性控制图模式识别是统计工序控制进行过程异常预警的重要手段，应用非常广泛。控制图模式识别对于实现控制图应用过程的自动化至关重要。识别方法的合理有效性直接影响质量诊断结果的准确性，利用复杂的神经网络可以有效地进行模式识别，迅速反映异常问题，对生产质量控制监测有很大帮助。利用神经网络进行控制图的模式识别是个研究热点，依然有发展空间。加强神经网络预测控制的稳定性研究和应用研究，使理论研究成果尽快应 用于实际工业过程，从而更好地解决复杂的实际工业控制难题。
参考文献
[1]卓德保.徐济超.质量诊断技术及其应用综述.系统工程学报，2008，23（3）
[2]费仁元.王民.基于神经网络的控制图异常模式识别研究.北京工业大学学报，2006，32（8）
[3]靳富丽.模式识别理论及其应用[J].湖北广播电视大学学报，2007（12）：159-160.
关键词：神经网络;质量控制图;模式识别
1.引言
质量控制图首先由休哈特提出，之后得到了广泛的研究与应用，取得了相当不错的经济效益与社会效益，对经济的发展做出了巨大的贡献。质量控制图初期主要用于工业生产过程的质量控制，后来逐渐应用到分析实验用来对分析质量的控制。控制图模式的判定准则主要是GB/T4091——2001给出的8种情况，几种常见的基本模式：向上趋势、向下趋势、向上偏移、向下偏移、循环模式和正常模式。质量控制图异常模式自动识别在如今的生产制造过程越来越重要，研究有关控制图模式识别方法的合理有效性很有意义。神经网络是一种旨在模仿人脑结构及其功能的信息处理系统，可通过自学习、自组织和非线性动力学所形成的并行分布方式来处理模式信息进而进行模式识别，用神经网络进行控制图的模式识别是一种有效的方法。
2.质量控制图
质量控制图，由沃特·休哈特博士率先提出。他指出：每一个方法都存在着变异，都受到时间和空间的影响，即使在理想的条件下获得的一组分析结果，也会存在一定的随机误差。质量控制图是一种根据假设检验的原理，在以横坐标表示样组编号、以纵坐标表示根据质量特性或其特征值求得的中心线和上、下控制线。在直角坐标系中，把抽样所得数计算成对应数值并以点子的形式按样组抽取次序标注在图上。视点子与中心线、界限线的相对位置及其排列形状，鉴别工序中有否存在系统原因，分析和判断工序是否处于控制状态，从而具有区分正常波动与异常波动功能的统计图形。它反映和控制质量特性值分布状态随时间而发生的变动情况，判断过程是否处于稳定状态。
控制图的基本原理有四个，包括正态性假定、假设性检验思想、小概率事件原理、3σ准则。任何生产过程生产出来的产品，其质量特性值总会存在一定程度的波动，当过程稳定或者说受控时，这些波动主要是由5M1E的微小变化造成的随机误差。此时，绝大多数质量特性值均服从或近似服从正态分布。由正态分布的性质可知质量数据出现在平均值的正负三个标准差之外的概率仅为0.27%，这是一个很小的概率，根据概率论“视小概率事件为实际上不可能”的原则，可以认为出现在x±3σ区间外的事件是异常波动，它的发生是由于异常原因使其总体的分布偏离了正常位置。
模式识别就是根据研究对象的特征或者屬性，运用一定的分析算法认定其类别，并且分类识别的结果尽可能地符合真实。控制图模式识别有几个步骤，首先需要进行模式采集，即控制图那六种基本模式，之后提取/选择特征，提取一般以分类中使用的某种判决规则为准则。然后进行学习训练：使机器具有分类识别功能，首先对其进行训练，产生分类识别的规则和分析程序。之后分类识别，把特征空间划分为类空间，把未知类别属性的样本确定为类空间中的某一类型。机器中的分类识别知识与待识别对象越匹配，知识的运用越合理，系统的识别功能就越强。
3.基于神经网络的控制图模式识别
根据 SPC 理论，过程中存在两类变差：普通原因变差和特殊原因变差。为了有效对过程中的特殊原因变差进行监控，六类 SPC 控制图模式（即，正常模式，向上/向下中心平移模式，向上/向下趋势模式，循环模式）需要尽快得到识别。然而，传统休哈特控制图不适合于具有相关性质的过程观测数据，会导致过 高的虚发报警。神经网络是一种运算模型，由大量的节点（或称神经元）之间相互联接构成。随着对人工神经网络的深入研究，其在模式识别领域已成功地解决了许多现代计算机难以解决的实际问题，表现出了良好的智能特性。人工神经网络的特点和优越性，具有自学习功能，联想存储功能和高速寻找优化解的能力。基本思想是：信息处理由神经元节点之间的反馈作用来实现，可对特征复杂的数据进行高精确度的自动分类。BP神经网络由三层网络结构和两部分组成：分别是输入层、隐层、输出层及输入信息的正向传播和误差的反向传播，由于加入了反馈环节，输出层输出若未能达到预期值，则调整误差权重，并进行误差的反向传播。通过正向传播和反馈，不断地计算误差并调节权重，逐渐逼近真实值，从而完成网络的训练。
4.研究现状
神经网络控制图模式识别应用非常广泛，也有很大的发展。有一部分把小波分析与神经网络相结合，根据基本模式识别方法，对比直接概率神经网络识别模型和小波提取特征以及概率神经网络识别模型的性能，就并发模式，并发异常信号进行小波变换，可以将其分解为基本模式信号的组合，其中大尺度逼近部分代表其中的低频部分，而细节部分代表其中的高频部分。并根据得到的数据系数重构原始信号。其中 BP 神经网络的输入问题的难点在于小波基函数的选择、分解水平数的确定以及重构系数的选择，因为并发模式中不同基本模式识别效率存在一定明显差异，其中的原因还没有很清楚的确定，需要更深一步的探索。
5.结束语
质量特性控制图模式识别是统计工序控制进行过程异常预警的重要手段，应用非常广泛。控制图模式识别对于实现控制图应用过程的自动化至关重要。识别方法的合理有效性直接影响质量诊断结果的准确性，利用复杂的神经网络可以有效地进行模式识别，迅速反映异常问题，对生产质量控制监测有很大帮助。利用神经网络进行控制图的模式识别是个研究热点，依然有发展空间。加强神经网络预测控制的稳定性研究和应用研究，使理论研究成果尽快应 用于实际工业过程，从而更好地解决复杂的实际工业控制难题。
参考文献
[1]卓德保.徐济超.质量诊断技术及其应用综述.系统工程学报，2008，23（3）
[2]费仁元.王民.基于神经网络的控制图异常模式识别研究.北京工业大学学报，2006，32（8）
[3]靳富丽.模式识别理论及其应用[J].湖北广播电视大学学报，2007（12）：159-160.