质量控制图和神经网络模式识别的比较研究.pdfVIP

～ 质}止控制图与冲经网络蠖式iF．洲的比较研究 质量控制图与神经网络模式识别的比较研究 胡+霞 夏远强．程红星 (电子科技大学管理学院，四川成都 610041) 摘 要：本文通过对质量控制图与神经网络模式识别作比较研究，阐述了神经网络方法运用到质量过程 控制中的优越性和可行性，并通过实倜说明了如何在实际的过程控制中运用神经网络模式识别。同时也研究 了神经网络模式识别的现状和问题。针对这些现状，本文提出了一些研究思路和方案，希望能够将其从理论 研究阶段推进到实用阶段。 关键词：SPC；控制图；神经网络；模式识别 1质量控制图 1．1 简介 20世纪20年代，美国的w．A．Shewhart提出了生产过程的质量控制图方法。质量控制图的基本原理是 基于质量过程服从独立、同(正态)分布的假定(1id)。即正常的生产过程是处于稳定状态，是一个稳定的随机 过程Yl，Y2，…，其中∞(t=1，2，…)可以表示为： ，t2}t+艿￡t 式中，Yt是表示质量水平的指标，它是时间t(不失一般性可以假设t=1，2，…)的随机变量；卢是Yt的数学期 为常数。 生产过程正常状态下，产品质量偏差受到一般的随机干扰的影响，一般处于控制线卢±38的范围内，超出 控制线是小概率事件；当生产过程处于异常状态时，产品质量偏差受到非一般的特定因素的影响，很高的概率 处于控制线之外。 ． 自Shewhart提出质量控制图以后，质量控制图得到了广泛的应用，已经成为质量管理中使用最广泛的工 一 具，并发展形成了各种用途的质量控制图。 1．2面楂的问题 控制图假定生产过程服从独立、同分布的前提，但实际的质量过程却很难满足这些假定。如化工、制药、 冶金、电子等连续生产过程，质量过程变量显示出极大的自相关性，很难满足独立性假定。当不满足控制图的 前提条件而直接使用控制图，会导致控制图对生产过程的不正确识别，引起无效的行动或严重的质量问题：情 形一是过程真正发生了异常原因，但控制图没有检测出来，错过了实时采取改正行动的时机；情形二是过程没 有发生异常情况，但控制图发出异常信号，导致一系列对不存在同题的检查行动。 质量控制图的异常警报处理(即判断生产过程是否处于不正常状态)是比较困难的。一方面因为质量控 制图都是基于特定的统计分布，需要检验过程的统计分布特性，计算确定过程的统计参数。然而由于生产过 程的特殊性，生产过程统计分布往往表现多种分布同时作用，统计规律不稳定的情形，特别是在当前企业多品 种、小批量的生产模式下，数据的采集、生产过程的统计特征识别更加困难；另一方面，按照统计规律制定的一 些控制图异常状态的判断规则往往难以操作，需要实际工作者生产过程方面的技术知识和经验。20世纪80 年代末，理论和实际工作者将目光投向了模式识别和神经网络的理论，开始尝试质量过程的神经网络模式识 别方法。 2神经网络模式识别 2。l简介 神经网络模式识别是20世纪80年代以来，由于人工神经网络研究所取得的突破性进展，与控制理论相 ～31— 中囝氽业运管学 结合，而发展起来的自动控制领域的前沿学科之一。人工神经网络是通过模拟人脑处理信息的方式来实现对 人工智能的模拟。人工神经网络有很多种，已经成功地应用于各个领域，解决了很多用传统的数学模型解决 不了的问题。它具有独特的自组织、自学习和知识的隐式表达功能，处理信息时不需要建立精确的数学模型， 而是对信息进行分布式存储和并行协同处理。 在实际生产过程中，由于加工过程的复杂性、非线性和时变性．加工过程中质量特征的变化很难用精确的 数学模型描述，因而利用神经网络所具有的独特优越性进行质量参数预测，使其能够自动跟踪加工过程变化， 进而控制加工过程是可行的。与质量控制图相比，神经网络模式识别方法不需要对过程统计分布进行判断和 假定，只要数据足够，神经网络可以通过学习，从数据样本中抽取出规则和对过程进行识别。因此神经网络可 以应用于复杂的、统计分布特征难以确定的生产过程。 2．2研究现状 在质量过程控制中运