间歇过程多变量统计过程控制的理论与方法

统计过程控制技术作为一种用统计分析方法保证产品质量和生产稳定性的手段,在现代工业生产中的应用日益广泛。间歇生产过程因其过程变量的时间相关性和变量之间大多存在强非线性关系的特点,采用传统的统计过程控制方法难以满足其对产品高质量的要求。通过多元投影的方法压缩过程变量的维数,在较低维的主元空间对过程进行监控,可以较好的解决上述矛盾。针对间歇过程运行的特点,分析了线性和非线性多元统计过程控制技术的理论和方法。     

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。     

统计过程控制及其软件实现

统计过程控制是指利用统计技术来控制生产过程，本文对计算机实现统计过程控制的基本方法、事后质量监督及其软件实现等相关内容作了介绍。     

多元统计过程状态监测分布式系统的实现

过程监测与故障诊断是工业过程工程中的一项重要任务,是保证生产过程安全运行、提高生产率的重要环节。本文在分析各种监控系统的基础上,结合多元统计过程控制方法,提出并开发了一个基于CORBA技术的多客户端工业过程实时监测软件系统。该系统由数据采集、多元统计数据分析服务端、监测界面客户端三部分组成,采用开放式结构具有良好的易维护性和扩充性。     

基于趋势相似性特征的异常工况监测方法研究

当前火力发电生产过程中,多元变量检测方法难以实现多元非平稳过程变量异常工况监测。对此,首先计算多元变量之间在固定时间窗口宽度内数据之间的趋势相似性,采用所得到的趋势相似性作为监控特征。其次,采用主元分析方法对所得到相似性特征序列进行降维,对降维后所得到的主元空间趋势相似性特征序列进行监控。最后,以T2统计量作为监测指标,依据T2统计量与其控制阈值T2α的大小关系产生告警信号,从而达到有效监控多元非平稳过程变量的目的。通过在华北电网某300 MW火电机组的应用,验证了所提出方法的有效性与可靠性。该方法较好地解决了多元非平稳过程的检测问题,对于相关研究与应用具有借鉴意义。     

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。     

密闭鼓风炉铅锌熔炼的统计过程监测系统设计

密闭鼓风炉熔炼过程中的铅锌冶炼反应工艺非常复杂,且工况变化较大,目前还没有比较有效的方法对其监测。主元分析(PCA)是一种有效的多元统计过程监测方法,将PCA应用于密闭鼓风炉熔炼生产的统计过程控制,分析了T~2统计、SPE统计量的变化趋势,与密闭鼓风炉实际生产状况的对应关系。试验结果表明,PCA方法可快速有效地反映生产过程的变化,生产运用效果表明该方法大大提高了对密闭鼓风炉生产工况的实时监测能力,提高了生产效率。     

基于PCA多变量统计的故障检测与诊断

主元分析(PCA)是一种能够对过程生产进行监测和质量控制的有效方法,在保证数据信息丢失最少的情况下,大大降低了原始数据空间的维数。为了更好地进行故障检测与诊断,介绍了基于PCA多变量统计的故障检测与诊断,给出了广泛应用在多变量统计过程上的T2和Q(或SPE)统计量。利用PCA分析建模可以消除变量间的非线性关联,降低噪声影响。用田纳西-伊斯曼过程TEP(Tennessee-Eastman Process)平台产生仿真数据,并利用Matlab软件建立故障检测与诊断模型。通过T2和Q(或SPE)统计量与其阈值的判断,进行对系统的故障检测与诊断。实验表明,基于PCA的故障诊断方法能够对过程的非正常变化做出反应,也能较正确地找出发生故障的原因以及相应环节。     

一种新型非线性偏最小二乘方法研究及应用--基于Chebyshev多项式改进的PLS方法

在实际生产过程中，过程变量之间往往存在大量相关关系，甚至非线性相关关系。过程变量间存在线性相关时，可采用偏最小二乘方法(Partial Least Squares，PLS)计算模型参数，但由于PLS方法采用线性关系来联系输入和输出因子，因而并不能有效地应用于非线性较强的过程。在这种情况下要对变量进行有效的压缩维数．需要采用非线性PLS方法。基于Chebyshev多项式改进的多元多项式PLS方法，是一种新的非线性PLS方法。该方法利用Chebyshev多项式的正交性质和递推性质，将过程输入变量正交化、线性化后，再应用PLS方法计算模型参数并还原，从而得到比较精确的模型。由于该方法综合考虑了输入变量的自相关和输入变量间的协相关关系。能够更有效地表达过程变量间的非线性关系，因此其对非线性过程的研究提供了新的思路。     

多元统计方法在故障诊断中的应用综述

在对常用故障诊断方法进行简单介绍的基础上,着重对多元统计方法在故障诊断领域的应用进行综述。针对常规方法在解决非线性、时变动态、故障隔离和辨识等问题的缺陷,总结了不同学者解决这些问题的最新进展。最后给出了多元统计方法在工业过程故障诊断领域可能的发展方向。     

Non-parametric confidence bounds for process performance monitoring charts

Statistical Process Control (SPC) provides a tool for achieving and maintaining product quality. In today's climate of major data monitoring campaigns there has been an increase in interest in the multivariate statistical projection techniques of principal components analysis and projection to latent structures for process performance monitoring. Within univariate SPC, techniques for identifying when a process is moving out of control are well established. Similar guidelines are required for multivariate statistical process control (MSPC). Two approaches will be discussed - Hotelling's T² statistic and a new approach, the M² statistic. Both approaches will be illustrated by application to a high pressure low density polyethylene tubular reactor and to a batch methyl methacrylate polymerisation reactor.     

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。     

Data mining model-based control charts for multivariate and autocorrelated processes

Process monitoring and diagnosis have been widely recognized as important and critical tools in system monitoring for detection of abnormal behavior and quality improvement. Although traditional statistical process control (SPC) tools are effective in simple manufacturing processes that generate a small volume of independent data, these tools are not capable of handling the large streams of multivariate and autocorrelated data found in modern systems. As the limitations of SPC methodology become increasingly obvious in the face of ever more complex processes, data mining algorithms, because of their proven capabilities to effectively analyze and manage large amounts of data, have the potential to resolve the challenging problems that are stretching SPC to its limits. In the present study we attempted to integrate state-of-the-art data mining algorithms with SPC techniques to achieve efficient monitoring in multivariate and autocorrelated processes. The data mining algorithms include artificial neural networks, support vector regression, and multivariate adaptive regression splines. The residuals of data mining models were utilized to construct multivariate cumulative sum control charts to monitor the process mean. Simulation results from various scenarios indicated that data mining model-based control charts performs better than traditional time-series model-based control charts.     

A review of neural networks for statistical process control

This paper aims to take stock of the recent research literature on application of Neural Networks (NNs) to the analysis of Shewhart's traditional Statistical Process Control (SPC) charts. First appearing in the late 1980s, most of the literature claims success, great or small, in applying NNs for SPC (NNSPC). These efforts are viewed in this paper as useful steps towards automatic on-line SPC for continuous improvement of quality and for real-time manufacturing process control. A standard NN approach that can parallel the universality of the traditional Shewhart charts has not yet been developed or adopted, although knowledge in this area is rapidly increasing. This paper attempts to provide a practical insight into the issues involved in application of NNs to SPC with the hope of advancing the use of NN techniques and facilitating their adoption as a new and useful aspect of SPC. First, a brief review of control chart analysis prior to the introduction of NN technology is presented. This is followed by an examination and classification of the NNSPC existing literature. Next, an extensive discussion of implementation issues with reference to significant research papers is presented. Finally, after summarising the survey, a set of general guidelines for future applications of NNs to SPC is outlined.     

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.     

基于时段的间歇过程统计建模、在线监测及质量预报

首先针对基于多元统计技术的间歇过程统计建模、在线监测、故障诊断及质量预测等热点问题进行了论述, 回顾了各类方法的发展, 并分析了各自的优缺点. 接下来重点针对间歇工业过程多时段及时段过渡特性, 详细介绍了基于时段的统计分析策略, 分析了各时段的潜在过程行为及其对产品质量的影响与作用关系, 探讨了该思想方法的本质依据, 揭示了其研究价值和重要意义. 最后从解决实际问题的角度出发, 发掘了其存在的潜在问题及今后的研究前景与发展空间. 基于时段的间歇过程多元统计分析是一个既有理论意义又有较高实际应用价值的研究课题, 必将有利于后续的过程监测、故障诊断及质量改进.     

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。     

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。     

基于Labview开发统计过程控制软件

统计过程控制是质量管理的重要内容,介绍了SPC的原理,并用Labview软件实现了SPC软件.这种开发方法应用了Labview软件提供的统计过程控制模块,方便了程序的开发,很容易被质量人员掌握,设备改动或软件应用于别的设备时,只需简单地修改参数,大大方便了统计过程控制的普及,提高企业的质量水平.