残差控制图应用中的自相关过程模型研究

随着自动化技术的发展,数据自相关现象在现代制造业中普遍存在.基于自相关模型的残差控制图是解决自相关数据统计监控问题的一类较好方法.现有研究均假设数据呈一阶自相关,仅研究一阶自回归模型与残差控制图结合的过程监控问题.但是,实际生产中观测数据可能服从多阶自相关.基于此,针对数据多阶自相关的过程监控问题,运用蒙特卡洛仿真法,...     

神经网络方法在自相关过程控制中的应用

将传统休哈特控制图应用于自相关过程控制时,会引发大量虚发报警.本文将使用时间序列模型模拟自相关过程并将神经网络方法引入自相关过程控制中.以神经网络特有的模式识别技术,对自相关过程中均值发生突变的情况进行监控,取得了良好效果.     

平稳自相关过程的EWMA控制图

讨论了对平稳自相关过程中出现的较小波动进行监控的一种方法.采用自回归移动平均(ARMA)模型对平稳自相关过程进行适当的拟合,通过计算残差的方法消除过程中的自相关要素,并在此基础上提出对于均值和方差出现的较小波动进行监控的指数加权移动平均(EWMA)控制图的构造.通过与其它几种方法的比较来说明该方法在监控平稳自相关过程时有更好的效率.     

自相关过程的修正均值控制图在MAP中的应用

传统控制图的应用前提是来自过程的观测值彼此独立,但通过自动化测试设备获得的校准值通常存在自相关现象,违背独立性假定.结合新型计量保证方案应用的工程实际,对观测值的自相关参数做出辨识和估计,建立一阶自回归时间序列模型,修正了传统控制图的控制限,使之适用于自相关过程.实例分析表明,当过程观测值存在自相关时使用常规控制图将得到错误的控制限设置,使用修正均值控制图则可以正确判断过程是否受控.     

卷积门控循环残差网络在轴承故障诊断中的研究

针对滚动轴承故障特征较难提取及许多深度学习方法因模型简单而导致准确率偏低的问题,提出一种基于残差网络的门控循环网络(GRU),该算法可以减少时序信息的丢失及解决由于网络较深而出现性能下降的问题。该模型包含2个卷积层、2个GRU层、1个残差块以及1个输出层,其先利用具有强大特征提取能力的卷积神经网络(CNN)提取轴承振动信号中的信息,然后将提取到的信息输入GRU中以保证时序信息不丢失,再通过残差模块解决神经网络深度较深问题,最后通过输出层输出结果。结果表明：该方法可以一次性诊断多种轴承的不同位置及不同尺寸的故障,且对比其他深度学习网络,该算法具有更高的准确性。     

基于GRU神经网络的UWB定位算法研究

针对复杂环境下的室内精确定位需求,采用基于双边双向测距的超宽带定位方案。为解决非视距情况下超宽带测距误差大而引起定位精度下降的问题,考虑到超宽带测距具备时间序列预测问题的特点,引入了循环门控单元(Gate Recurrent Unit, GRU)来搭建神经网络,并设计不同隐藏层数、结构来验证其有效性。实验结果表明,相比于LS(Least Square)、 UKF(Unscented Kalman Filter)定位算法,该GRU神经网络定位算法的均方根误差指标平均降低了30.81%、 21.51%,定位效果更好。     

输入层神经元数对自相关过程控制的影响

由于将传统休哈特控制图应用于自动化连续生产过程,经常会引发大量虚发报警,而使用神经网络方法对存在相关性的连续生产过程进行研究时,可取得良好效果.使用时间序列模型模拟自相关过程中的均值变动,在以BP神经网络对自相关过程进行监控的基础之上,通过神经网络识别率的变化趋势分析,对输入层神经元数对于神经网络识别率的影响进行分析研究,以便使BP神经网络的识别率得到优化.     

统计过程控制中基于数据深度的非参数变点控制图

为了解决多元非正态分布情况下的过程控制问题,提出基于数据深度的变点控制图,并对构建该控制图检验统计量的具体方法及控制流程进行了详细描述.为了检验该控制图的控制效果,采用服从二元伽马分布的样本数据对其进行了验证,并设置位置参数偏移范围为0.2至1.0,变点为14、24、34,几种情况分别检验其控制效果.数据仿真的结果表明:偏移越大,检测效果越好;偏移量小于0.7时,变点越大,检测效率越高;而当变点大于0.7时变点对检测效果的影响不明显.偏移量在0.1至0.4的范围内,变点越大,检测效果越好,但是这种边际效果在减小.     

控制图自动分析系统

描述了一种控制图自动分析系统,该系统具有自动计算各统计量与控制界限、绘图以及根据国标GB/T4091-2001对控制图进行自动分析等功能.通过该系统的应用实例,证明其具有很强的实用性.     

基于深度残差学习的彩色图像去噪研究

目的 当噪声存在时,尤其是等级相对较大的噪声,会导致彩色图像的视觉质量下降,为了有效去除噪声的同时使去噪后的图像有更好的视觉效果,提出一种基于深度残差学习的彩色图像去噪方法。方法 首先设计由多个残差单元模块组成的残差层,然后在每个残差单元模块之间添加跳跃连接,构成由噪声图像到去噪图像的非线性映射,并优化残差单元个数,使网络能学习到更多的图像细节特征,以提升网络的去噪性能,同时将每个残差单元模块中的激活函数提到卷积层前面,以加速网络收敛。结果 与常用去噪算法相比,文中方法在Kodak24和CBSD100数据集上的主观视觉打分MOS值以及客观指标(PSNR和SSIM)上,较其他方法有更好的效果。结论 提出的基于深度残差学习的彩色图像去噪方法能有效去除图像中的噪声,尤其是较严重的噪声,并取得了良好的视觉效果,表明该方法具有良好的去噪性能。     

基于神经网络的质量控制图模式识别技术的研究

提出了一种用于质量控制图模式识别的新的神经网络模型，它与以往的神经网络模型相比，具有较强的识别能力和较短的训练时间。     

同类过程控制图的一个实例

讨论了多台机器生产相同产品时应用控制图的问题。按同类过程的思路,采取了应用箱子图帮助建立共同管理用控制图。这样不但可避免作分层控制图,还可在提高产品质量时抑制多台机器生产过程出现差别。     

A distribution-free tabular CUSUM chart for autocorrelated data

A distribution-free tabular CUSUM chart called DFTC is designed to detect shifts in the mean of an autocorrelated process. The chart's Average Run Length (ARL) is approximated by generalizing Siegmund's ARL approximation for the conventional tabular CUSUM chart based on independent and identically distributed normal observations. Control limits for DFTC are computed from the generalized ARL approximation. Also discussed are the choice of reference value and the use of batch means to handle highly correlated processes. The performance of DFTC compared favorably with that of other distribution-free procedures in stationary test processes having various types of autocorrelation functions as well as normal or nonnormal marginals.     

A Neural Network Method for Modelling the Parameters of a CUSUM Chart

The cumulative sum (CUSUM) chart is widely employed in quality control to monitor a process or to evaluate historic data. CUSUM charts are designed to exhibit acceptable average run lengths both when the process is in and out of control. This paper introduces a functional technique for generating the parameters h and k for such a chart that will have specified average run lengths. It employs the method of artificial neural networks to derive the appropriate coefficients. An EXCEL spreadsheet to assist computing the parameters is presented.     

Alternatives to the Multivariate Control Chart for Process Dispersion

In this article, we compare the performances of six new multivariate control chart schemes for process dispersion to the standard multivariate process dispersion control chart. The six new schemes are designed by transforming the standard multivariate control chart statistic for process dispersion into a standard scale so that runs rules can be incorporated into these schemes. This article discusses a simple extension for using runs rules in a multivariate control chart for process dispersion. The extension is deemed important since the use of runs rules is always confined to univariate control charts only. The performances of the six control chart schemes together with the standard control chart are based on the computed average run length (ARL) profiles. Five of the six schemes have shown better ARL performances than the standard multivariate process dispersion control chart.