高维过程数据下过程与质量联合控制研究

Process and quality are two main concerns in industrial product control. In general, variable control charts are used to monitor the product’s process, while attribute control charts are used for product’s quality. Existing literature focused on either the process chart or the product quality chart, limited studies have been carried out to investigate the joint monitoring. As the process strongly affects the quality of product, it has a strong background of applications to jointly monitor these two control charts. .With the development of sensor technology, the product’s process data can be more easily obtained. However, the increase of the number of process variables results in problems to the information mining in process control. In this project, we will firstly use data mining methods to extract the quality characteristics in the process data, then develop the statistical model between the product’s multivariate process characteristics and product quality, and finally build the joint controlling procedure of process and product quality. In this way, the early warning of the product’s quality can be realized through the monitoring of product’s multivariate characteristics. The effects of the joint control chart are investigated from two aspects: the statistical and economic design, and fault diagnosis. The study in this project will extend the research field of process and quality control and provide the theoretical and technical support for the process and product quality improvement.

生产过程和产品质量是工业生产中两个常见的控制对象。一般而言，属性控制图用于监控产品质量，而变量控制图用于监控过程。现有文献多是单纯地研究产品的属性控制图或单纯地研究过程的变量控制图，很少将过程控制与产品质量监控联合起来考虑。随着传感器技术的不断发展，过程的数据采集变得更加容易，将过程和产品联合进行监控有着很强的应用背景，变量数的增加同时给生产过程的信息挖掘带来技术上的困难。为了充分挖掘过程与产品两方面的信息，本项目通过对过程变量进行特征提取，对过程变量实现降维，基于多变量过程特征与产品质量间的统计模型，建立过程与质量的联合预警方法，通过监控多变量的过程特征实现产品质量的预警。本项目的研究期望将丰富过程与产品的联合监控研究的理论与方法，为生产制造企业产品质量的提升、生产过程的优化提供理论和技术支持。

随着物联网等感知技术的发展，生产制造过程的数据呈现维度高、结构复杂等特性，为制造业带来机遇，同时也为生产过程的质量管理带来新的挑战。传统的多变量控制图不能直接应用于高维过程数据，需要对过程数据进行质量特征提取。本项目针对高维过程制造中的高维数据信息，通过对数据的维度约简，构建过程与质量的监控方法，进而研究控制图的参数设计，最终基于高维过程数据实现制造过程的故障诊断分析。具体研究包括：1）针对高维过程数据分布通常未知的特性，利用机器学习中的分类方法，将参考数据集与滑窗数据集作为两类，通过将数据进行特征投影，构建两类数据集间的最优分类器，通过监控点集到分类器间的距离实现高维过程的实时监控；2）针对高频过程因数据缺失使样本量不规则时变、并产生控制图性能不可控的问题，基于历史和实时的过程信息，利用时变控制线将每个时刻的条件误报警概率（CFAR）控制在预设值，使控制图的受控性能保持恒定；3） 质量控制图发出报警信号后，对高维过程数据进行统计分析，利用积分方程刻画各分量控制图统计量的分布方程，基于各分量数据的p值利用FDR实现高维过程的故障诊断，克服了传统LASSO方法在受控状态下误报警率不可控问题。本项目的实施为高维过程下的过程与质量管理提供理论基础与切实可行的监控方法。