统计过程监测与反馈控制的整合: 状态空间下的一般方法

将状态空间模型引入统计过程监测,选取状态变量为统计过程控制(SPC)统计量,以解决自相关过程的统计监测问题.在分析常用的最小均方误差(MMSE)和PID控制器的基础上,提出了工业过程控制(EPC)反馈控制器的一般设计方法和基本设计原则.作为演绎示例,给出了两组新型反馈控制器,并与MMSE和PID的反馈调整进行比较,当过程均值发生阶跃扰动时,可进一步提高统计监测效果.     

统计过程监测中低阶EPC控制器分析与设计

观测值相互独立并服从正态分布是应用统计过程控制(SPC)的基本前提,然而由于某些不可消除因素,实际过程的输出观测值常常是自相关的。采用SPC与EPC整合,消除过程自相关,实现对自相关过程的监控。将状态空间分析法引入到EPC控制器的设计中,通过极点配置方法来分析EPC控制器的性能,研究平均运行链长(ARL)与极点配置的关系。最后对均值发生阶跃型故障的自相关ARMA(1,1)过程进行仿真实验,得到EPC控制器极点的较优配置范围。仿真结果亦证明了该方法的可行性和有效性。     

应用统计过程控制监控软件测试过程

统计过程控制(SPC)是通过使用控制图来制定过程决策和预测过程行为的一种质量控制方法.SPC的方法用于软件过程,可以通过描述过程行为来监控过程的稳定性.讨论了将SPC应用于软件测试过程,针对测试过程中所度量的不同分布形式的数据而采用不同计算方式应用SPC的控制图,然后根据控制图判断测试过程是否稳定,并分析可能存在的可归属原因.     

spc技术在软件过程监控中的应用探讨

统计过程控制(SPC)是质量管理的重要内容。该文在介绍软件过程质量管理的相关理论基础上,主要探讨了SPC特别是控制图在软件过程监控中的应用,并简单讨论软件过程改进的SPC方法。     

AHP和SPC技术在量化过程管理中的应用

为了实施能力成熟度模型集成(CMMI)高成熟度实践,研究了层次分析法(AHP)和统计过程控制(SPC)两种重要的定量分析技术在量化过程管理中的应用.应用AHP建立从量化的目标到过程的映射关系,为过程进行优先级排序,辅助选择待分析的标准过程和项目过程.应用SPC建立组织过程性能基线,并定量地监控项目过程能力和过程稳定性.通过实例表明了应用AHP和SPC辅助量化过程管理的实施方法,最后分析了在应用AHP和SPC时要注意的问题.     

基于统计过程控制的软件开发过程研究与应用

为了将统计过程控制(statistical process control,SPC)应用于软件开发过程,根据项目实例和经验分析了软件开发过程的特点及应用SPC的难点,通过在测试阶段进行SPC控制图检测,分析得出以过程为中心的重要性,提出了一种利用前摄活动改进软件过程的方法.讨论了自我导向能力在改善软件过程中的意义和价值,给出了将SPC应用于软件开发过程的方法、步骤及注意事项,通过同行审查实例表明了该方法的可行性和有效性.     

基于反馈调整的自相关过程质量损失分析

传统的SPC要求过程观测值统计独立,而实际过程大多具有自相关性,不满足统计独立的要求。在SPC与EPC的整合框架下,分析了自相关过程的质量损失。根据模型的自相关系数(ACF)和偏相关系数(PACF)以及选择迭代算法识别模型参数;采用MMSE反馈控制器对自相关过程进行调整,并结合过程能力,对自相关过程的质量损失进行分析。结果表明,在MMSE反馈调整后,自相关过程质量损失才符合实际情况。     

SPC研究及其在芯片制造工艺中的应用

统计过程控制(SPC)技术是集生产技术与科学管理于一体的现代工艺质量管理技术。在企业生产过程中,SPC是生产过程控制的有效手段和工具。SPC作为一种过程控制方法,运用数理统计概率论的原理,应用统计方法对过程中的各个阶段进行监控,可及时发现生产过程中的异常情况。     

磨矿过程磨机负荷的智能监测与控制

磨机过负荷是磨矿过程的常见故障工况, 如果不及时、准确处理, 就会造成磨矿产品质量变坏甚至磨矿生产的停顿. 采用规则推理(RBR)和统计过程控制(SPC)技术, 提出了由SPC机制、过负荷监测模块和监督控制器构成的磨机负荷智能监测与控制方法. 该方法通过对磨机过负荷的智能监测与诊断, 由监督控制器自动修改控制回路的设定值, 通过控制回路的输出跟踪修改后的设定值, 使磨机负荷逐渐远离过负荷状态. 工业应用表明, 该方法能够实现磨矿生产的安全、稳定和连续运行.     

基于SPC的过程监控软件的实现

简要介绍了统计过程控制(SPC)的原理和基于SPC过程监控软件的结构设计和具体实现方法,以及用SPC监控过程的方法.并给出了相应的实例.开发了基于SPC的监控过程的软件系统,用软件可以实时分析生产过程情况,对异常情况提前预测,并给出合理化建议,从而控制生产过程的波动情况,使过程更稳定、直观、易控.     

SPC与EPC的集成及相关关键技术研究

构建了SPC与EPC的集成模型。通过对模型运转方式和各模块集成方式的分析及对模型中所采用的联合控制图技术、基于MCMC方法的过程调整技术、系列过程调整策略、模糊质量诊断技术、EPC模块起停控制规则的研究阐明了该集成模型的合理性。     

一种面向二阶动态过程的集成控制方法

针对较为复杂的二阶动态过程和稳态干扰ARMA（1,1）组成的系统模拟制造过程,采用SPC与EPC整合的集成过程控制方法,实现对全过程的监控。整合的关键是EPC控制器的设计。将状态空间分析法引入到对EPC控制器的设计中,并通过分析MMSE和PID控制器的状态空间模型,得出EPC控制器的一般设计模型。最后通过仿真实验,比较MMSE、PI控制器和文中设计的控制器的监控性能,验证了该方法的有效性。     

Decision rule of assignable causes removal under an SPC-EPC integration system

In order to obtain the advantages of eliminating both assignable causes and common causes, an effective method to integrate Statistical Process Control (SPC) and Engineering Process Control (EPC) under the continuous process is rousing increasing interest. This study found that an EPC feedback compensation mechanism affects SPC out-of-control detection and degrades the output quality once suddenly assignable causes are removed. Based on this finding, we propose a novel SPC control scheme that can effectively detect and identify the disturbance types. Further, we introduce a cost-oriented decision rule for removing assignable causes in an SPC and EPC integration system. Based on this decision rule, a more accurate selection methodology of SPC charts' control limits is also proposed.     

Identification of process disturbance using SPC/EPC and neural networks

Since solely using statistical process control (SPC) and engineering process control (EPC) cannot optimally control the manufacturing process, lots of studies have been devoted to the integrated use of SPC and EPC. The majority of these studies have reported that the integrated approach has better performance than that by using only SPC or EPC. Almost all these studies have assumed that the assignable causes of process disturbance can be identified and removed by SPC techniques. However, these techniques are typically time-consuming and thus make the search hard to implement in practice. In this paper, the EPC and neural network scheme were integrated in identifying the assignable causes of the underlying disturbance. For finding the appropriate setup of the networks' parameters, such as the number of hidden nodes and the suitable input variables, the all-possible-regression selection procedure is applied. For comparison, two SPC charts, Shewhart and cumulative sum (Cusum) charts were also developed for the same data sets. As the results reveal, the proposed approaches outperform the other methods and the shift of disturbance can be identified successfully.     

Process disturbance identification through integration of spatiotemporal ICA and CART approach

Many studies have been conducted over the past several years evaluating the integrated use of statistical process control (SPC) and engineering process control (EPC). The majority of these studies reported that combining SPC with EPC outperforms the use of only SPC or EPC. Basically, the former aims to rapidly detect assignable causes and time points for abnormalities that take place during process; and the latter is a method in which input variables are adjusted against process outputs through a feedback control mechanism. Although combining SPC with EPC can effectively detect time points when abnormalities occur during process, their combination can also cause an increased occurrence of false alarms when autocorrelation is present in the process. In this study, to increase the accuracy of process disturbance identification, we propose the integration of spatiotemporal independent component analysis (stICA) with the classification and regression tree (CART) approach to improve our capability to identify process disturbances and recognize shifts in the correlated process parameters. The integration of the CART methodology results in the development of decision rules that can provide valuable information related to the impact of variation in process variable values. These decision rules can provide an increased understanding of process behavior and useful information for process control. For comparison, the integration of traditional principle component analysis (PCA) with CART (called PCA-CART), ICA with CART (called ICA-CART) and cumulative sum chart approaches were applied to evaluate the identification capability of the proposed approach. As the results reveal, the proposed approach is more effective for monitoring correlated process.     

轴承统计过程控制的研究及软件编制

统计过程控制（SPC）是指应用统计分析技术对生产过程进行实时监控,区分出生产过程中产品质量的异常波动,以便管理人员及时采取措施,消除异常,达到提高和控制质量的目的。针对SPC的实际应用研究,SPC的软件编制阐述了统计过程控制原理,提出相关数学模型,对其模拟软件的设计进行了研究分析,并对相关的内容作了进一步的讨论。在理论知识的基础上采用高级编程语言进行软件编制,实现具有一定实用性的软件应用系统。     

CIMS工程中SPC系统的开发与应用

统计过程控制（SPC）是生产过程质量控制的重要工具。本文以三水健力宝富特公司为实例,分析了CIMS工种中SPC系统的开发与应用,该技术具有良好的经济和社会效益。     

统计过程控制(SPC)软件的设计

文章在分析了不同生产过程的关键质量特性的基础上设计了相应的数据文件类型。介绍了不同生产过程的统计分析技术与过程控制方法。最后重点介绍了作者开发的中文统计过程控制软件。