动态可调主元分析的多元自相关质量控制方法

刁广州; 赵丽萍; 要义勇

doi:10.7652/xjtuxb201303005

您当前的位置：

首页 >

文章列表页 >

动态可调主元分析的多元自相关质量控制方法

更新时间：2025-07-09

- 动态可调主元分析的多元自相关质量控制方法
- The Dynamic Regulated Principal Component Analysis for Multivariate Autocorrelation Process Quality Control Method
- 西安交通大学学报 2013年47卷第3期页码：24-29
- 作者机构：
  
  西安交通大学机械制造系统工程国家重点实验室,西安,710049
- 作者简介：
- 基金信息：
  
  : 2012-06-12。作者简介: 刁广州(1986—),男,博士生;赵丽萍(通信作者),女,教授,博士生导师。基金项目: 国家自然科学基金资助项目(51275399)
- DOI：10.7652/xjtuxb201303005
  中图分类号： TH166
- 网络首发：2013-03-10，
  
  纸质出版：2013
- 稿件说明：
移动端阅览
刁广州, 赵丽萍, 要义勇. 动态可调主元分析的多元自相关质量控制方法[J]. 西安交通大学学报, 2013,47(3):24-29.

The Dynamic Regulated Principal Component Analysis for Multivariate Autocorrelation Process Quality Control Method[J]. 2013, 47(3): 24-29.
刁广州, 赵丽萍, 要义勇. 动态可调主元分析的多元自相关质量控制方法[J]. 西安交通大学学报, 2013,47(3):24-29. DOI： 10.7652/xjtuxb201303005.

The Dynamic Regulated Principal Component Analysis for Multivariate Autocorrelation Process Quality Control Method[J]. 2013, 47(3): 24-29. DOI： 10.7652/xjtuxb201303005.

摘要

为解决在复杂产品制造过程中由多元质量数据自相关引起的大量虚发报警问题

以提高产品制造过程中监测的准确性

提出了一种动态可调的主元分析(DRPCA)方法。通过对主元分析方法引入折息因子

构建了多个参数可调的动态主元分析(PCA)算法。利用实验数据计算各变量的特征值和贡献率

来确定主元个数

降低多元自相关过程的计算复杂度

消除数据间的自相关。根据计算的各变量的每个主元负荷值来确定主导变量

结合多变量控制图和主导变量控制图

对多元自相关制造过程进行了实时监测。研究结果表明: DRPCA方法不仅能够消除数据间的自相关

减少制造过程中的虚发报警

而且可以准确地检测出制造过程中的异常变量。

Abstract

To solve the fault alarm problems from multivariate quality data autocorrelation in the product manufacturing process

the dynamic regulated principal component analysis(DRPCA)method is proposed. The dynamic PCA algorithm of multiple adjustable parameters is constructed by introducing the discount factors. The principal component number is determined by calculating the cumulative contribution and the characteristic value of variables via experimental data. The autocorrelation among data is eliminated to decrease the computational complexity in autocorrelation process. The main variables are found according to the load values by the variables with the principal component. The multiple variable chart and single value control chart are adopted to real-time monitor of the manufacturing process

which enables to eliminate the autocorrelation among data and reduce the false alarms

and to find out the abnormal variables in manufacturing process accurately.

关键词

Keywords

references

ISSAM B K, CLAUS W, MOHAMED L. Support vector regression control charts for multivariate nonlinear autocorrelated processes [J]. Chemometrics and Intelligent Laboratory Systems, 2010, 103(1): 76-81.

JESSREY E J, XIA P. The quality control chart for monitoring multivariate autocorrelated processes [J]. Computational Statistics Data Analysis, 2007, 51(8): 3862-3870.

SEOUNG B K, WEERAWA J, SUN K P. Data mining model-based control charts for multivariate autocorrelated processes [J]. Expert Systems with Applications, 2012, 39(2): 2073-2081.

杨穆尔, 孙静. 多元自相关过程的VAR控制图 [J]. 数理统计与管理, 2008, 27(2): 403-406.

YANG Mu'er, SUN Jing. A VAR control scheme for multivariate autocorrelated observations [J]. Application of Statistics and Management, 2008, 27(2): 403-406.

田海晶, 潘尔顺. 自相关过程的多变量统计过程监控 [J]. 上海交通大学学报, 2008, 42(3): 496-499.

TIAN Haijing, PAN Ershun. Multivariate statistical process control for autocorrelated process [J]. Journal of Shanghai Jiao Tong University, 2008, 42(3): 496-499.

CHEN S H, NEMBHARD H B. Multivariate Cuscore control charts for monitoring the mean vector in autocorrelated processes [J]. IIE Transactions, 2011, 43(4): 291-307.

DING S, ZHANG P, DING E, et al. On the application of PCA technique to fault diagnosis [J]. Tsinghua Science and Technology, 2010, 15(2): 138-144.

王华忠, 俞金寿. 基于核函数PCA的非线性过程实时监控方法 [J]. 华东理工大学学报, 2005, 31(6): 783-824.

WANG Huazhong, YU Jinshou. On-line monitoring of nonlinear processes based on kernel principal component analysis [J]. Journal of East China University of Science and Technology, 2005, 31(6): 783-824.

LIU Xueqin, UWE K, TIM L. Moving window kernel PCA for adaptive monitoring of nonlinear processes [J]. Chemometrics and Intelligent Laboratory Systems, 2009, 96(2): 132-143.

郭小萍, 陆宁云, 高福荣, 等. 间歇过程滑动窗口子时段建模和在线监测 [J]. 控制与决策, 2005, 20(9): 1034-1037.

GUO Xiaoping, LU Ningyun, GAO Furong, et al. Sub-stage PCA modeling and on-line monitoring with moving windows for batch processes [J]. Control and Decision, 2005, 20(9): 1034-1037.

冯雄峰, 阳宪惠, 徐用懋. 多元统计过程控制方法的平方预测误差分析 [J]. 清华大学学报: 自然科学版, 1999, 39(7): 41-45.

FENG Xiongfeng, YANG Xianhui, XU Yongmao. Squared prediction error analysis of multivariate statistical process control [J]. Tsinghua University: Science Technology, 1999, 39(7): 41-45.

吴君,张荻,马丹丹,张明辉,谢永慧. 利用三维接触有限元法的透平叶片枞树型叶根轮缘优化.2012,46(5):25-31.

尚万峰,赵升吨. 伺服压力机加工工艺的Bezier模型及其优化研究. 2012,46(3):31-35.

郝元宏,韩静,齐春. 一种新的浮选泡沫图像识别方法. 2011,45(4):104-108.

杜锦华,梁得亮. 波能直驱互感耦合式开关磁阻发电机的最佳效率跟踪控制. 2012,46(4):52-57.

支强,蔡远利. 动能杀伤器侧窗定向机制分析及建模. 2012,46(1):91-96.

赵鹏,姚敏立,沈晓卫,胡友涛. 非奇异快速终端滑模液位跟踪控制. 2011,45(12):39-44.

邵伟,郭俊杰,周阿维. 应用在线整定广义最小方差多项式权值的测头控制方法. 2011,45(4):100-103.

张洋,别朝红. 一种无速度传感器的双馈风力发电机滞环矢量控制策略. 2010,44(6):109-113.

武利龙,陈斌. 气泡堆积法生成局部加密非结构化网格. 2009,43(9):19-22.

方素平,夏晓华,肖燕,郭瑞. 一种线阵相机镜头畸变的标定方法. 2013,47(1):11-14.

胡国伟,别朝红. 一种适用于配电网重构的动态调整策略. 2012,46(12):78-84.

杨攀,桂小林,田丰,王刚. 一种高效的用于话题检测的关键词元聚类方法. 2012,46(10):24-28.

张进华,李婷,王孙安,李小虎. 可变视场下的火灾探测算法. 2012,46(10):29-35.

陈明,胡安,刘宾礼. 绝缘栅双极型晶体管失效机理与寿命预测模型分析. 2012,46(10):65-71.

何英杰,刘进军,王兆安,邹云屏. 三电平有源电力滤波器谐波电流跟踪无差控制方法. 2009,43(8):90-94.

袁敞,刘进军,王晓钰,李晶,王兆安. 一种新型串联型有源电力滤波器无谐波检测控制方法. 2009,43(2):86-89.

张国亮,王捷,刘宏. 大范围视觉伺服方法在空间机器人上的应用. 2009,43(1):85-89.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

超临界水异常区域热力学特性研究

冷库水平空气幕热湿阻隔性能数值模拟研究

EBSILON软件在热电联产系统优化中的应用综述

不同板叠材料热声热机能量转换过程数值模拟研究

隧道内燃料电池汽车氢气泄漏扩散特性及影响因素