时空相关计数型数据的稳健监控及诊断方法研究

It is a crucial issue to improve product quality in the period of manufacturing industry transformation and upgrading. Monitoring and diagnosing manufacturing processes contribute to improving product quality. Due to the fact that manufacturing process data are becoming more and more complicated under the environment of big data, the fundamental assumptions of traditional statistical process control methods are no longer invalid, which makes them unreliable to monitor and diagnose process data effectively. This project will concentrate on spatiotemporally correlated count data, and study the robust modeling, monitoring and diagnosing methods as follows. 1) The nonparametric model for analyzing data will be studied based on spatiotemporal local smoothing, which takes the temporal and spatial correlation into consideration simultaneously. The model is robust and does not rely on data distributions. 2) Based on the nonparametric model, the clustering analysis will be done by using a Dirichlet process and the robust nonparametric control charts will be proposed to monitor the clusters. Parameters optimization and performance comparison of the control charts will also be studied. 3) The statistical method will be integrated with the supervised machine learning method to diagnose anomalies when the control charts signal. The diagnosis performance will be evaluated based on the new proposed performance metrics. This project will be of significant importance for enriching the research on statistical process control. The project will also provide useful guidelines for analyzing, monitoring and diagnosing spatiotemporally correlated count data, which is helpful for making management decisions and valuable for practical use.

提升产品质量是制造业转型升级亟待解决的关键问题。对制造过程进行监控和诊断有利于提升产品质量。在大数据环境下，制造过程中的数据越来越复杂，传统的统计过程控制方法所依赖的假设条件不再成立，无法对数据进行有效监控和诊断。本项目以时空相关计数型数据为对象，研究其建模分析、在线监控和异常诊断的稳健方法，包括：1)兼顾时间和空间相关性，采用非参数回归方法进行建模分析，不依赖于数据分布，具有较好的稳健性；2)基于非参数模型，采用Dirichlet过程进行聚类分析，构建稳健的非参数控制图对聚类后的簇进行在线监控，并进行参数优化和性能比较；3)当控制图报警时，将统计方法与监督式机器学习方法结合进行异常诊断，并构建性能指标体系，进行性能分析和比较。本项目的研究对于拓展统计过程控制的研究内容具有重要的理论意义，同时能够为时空相关计数型数据的分析、监控和诊断提供技术支持，有助于制定管理决策，具有重要的应用价值。

提高产品和服务质量是质量强国建设的基本要求。而随着数据采集技术和在线计算设备的发展，制造和服务等过程数据变得越来越复杂。在这种情况下，传统的统计过程控制方法的基本假设通常不成立，以致于无法对过程数据实现有效的监控和诊断。本项目针对时空相关计数型数据的稳健建模、监控和诊断开展了研究，已完成的研究工作具体如下：1）针对自相关多元泊松数据和自相关泊松轮廓提出了阶段I变点识别方法，并进一步针对响应为计数型数据的轮廓，在存在轮廓内自相关的情况下，构建了阶段II控制图。2）对于具有空间相关性的二维计数型数据，通过将内在高斯马尔科夫随机场与层次贝叶斯模型结合，先对数据进行建模，然后开发了四种控制图，用于检测整体趋势和空间相关性的变化。3）对于样本量随时间变化的计数型数据，当假设模型不成立的情况下，参数类控制图的性能会受到显著影响，所以提出一种新的非参数控制图，并与已有其他方法进行比较。4）一些生产或服务过程的质量特性可以用序数轮廓来描述，而已有的统计过程控制方法不能很好解决序数轮廓的监控问题，因而基于非参数回归，首先在假设受控模型已知的条件下，提出两种稳健且有效的阶段II控制图。又考虑到受控模型往往未知且需要被估计，进一步考虑局部线性核估计、样条和Newton Raphson三种估计方法，并研究模型估计对控制图性能的影响。分别通过数值仿真和具体实例探究了上述提出的所有方法的性能，证实了其有效性。本项目对于拓展丰富统计过程控制的研究内容具有一定理论意义，同时本项目的部分研究成果已经应用于晶圆质量和质保索赔监控等。本项目已发表SCI论文13篇、EI论文1篇，申请国家发明专利1项。在项目的资助下，1名研究生取得硕士学位，2名研究生完成答辩，而且项目负责人参与了一些学术合作，并多次参加学术会议，目前已晋升副教授专业技术职务。