基于決策樹的多元過程控制與異常識(shí)別方法研究.pdf

1、現(xiàn)代制造過程是多變量高度相關(guān)的，對(duì)這類生產(chǎn)過程的過程監(jiān)控稱為多元質(zhì)量控制(MQC)或者多元統(tǒng)計(jì)過程控制(MSPC)。Hotelling的T2控制圖是第一種多元統(tǒng)計(jì)過程控制(MSPC)方法，這種方法對(duì)均值較小移動(dòng)不敏感。因此，指數(shù)加權(quán)移動(dòng)平均(EWMA)控制圖和累計(jì)求和(CUSUM)控制圖被擴(kuò)展到多元過程監(jiān)控這個(gè)領(lǐng)域。即MEWMA控制圖和MCUSUM控制圖。這類控制圖能有效識(shí)別過程參數(shù)變化，但不能提供導(dǎo)致失控信號(hào)的變量或變量集。
　

2、　 尋找失控原因的過程被稱為MSPC診斷或異常識(shí)別。主要有兩類方法：一是統(tǒng)計(jì)分解技術(shù)；二是基于機(jī)器學(xué)習(xí)的技術(shù)。統(tǒng)計(jì)分解是將統(tǒng)計(jì)量分解為不同的組件，并識(shí)別出對(duì)異常信號(hào)影響最大的組件。主流分解技術(shù)包括了主成分分析(PCA)，特征空間比較法，MTY方法、步降方法、多向核主成分分析方法。然而，這些方法通常都包含了復(fù)雜統(tǒng)計(jì)過程，不利于應(yīng)用。隨著計(jì)算機(jī)技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)成為這一領(lǐng)域的研究熱點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)(ANN)和決策樹(DT)算法已經(jīng)被應(yīng)用

3、于MSPC領(lǐng)域。針對(duì)多元控制圖在多元過程監(jiān)控和異常診斷中的不足，本文建立了基于決策樹算法的多元過程監(jiān)控和異常診斷模型，并通過蒙特卡洛方法驗(yàn)證了模型的效率、準(zhǔn)確性和易用性。為優(yōu)化決策樹性能，采取如下措施：對(duì)輸入數(shù)據(jù)采用了適度預(yù)處理和構(gòu)成優(yōu)化，降低輸入維度；使用不同的決策樹分類器分別用于過程監(jiān)控和異常診斷，減少每個(gè)分類器的輸出類別數(shù)量；提出基于馬氏距離等值線的取樣方式選擇訓(xùn)練樣本，抑制模型所需的訓(xùn)練樣本數(shù)量。分別用雙變量和三變量過程對(duì)模型進(jìn)