基于決策樹的多元過程控制與異常識別方法研究.pdf

1、現代制造過程是多變量高度相關的，對這類生產過程的過程監(jiān)控稱為多元質量控制(MQC)或者多元統(tǒng)計過程控制(MSPC)。Hotelling的T2控制圖是第一種多元統(tǒng)計過程控制(MSPC)方法，這種方法對均值較小移動不敏感。因此，指數加權移動平均(EWMA)控制圖和累計求和(CUSUM)控制圖被擴展到多元過程監(jiān)控這個領域。即MEWMA控制圖和MCUSUM控制圖。這類控制圖能有效識別過程參數變化，但不能提供導致失控信號的變量或變量集。
　

2、　 尋找失控原因的過程被稱為MSPC診斷或異常識別。主要有兩類方法：一是統(tǒng)計分解技術；二是基于機器學習的技術。統(tǒng)計分解是將統(tǒng)計量分解為不同的組件，并識別出對異常信號影響最大的組件。主流分解技術包括了主成分分析(PCA)，特征空間比較法，MTY方法、步降方法、多向核主成分分析方法。然而，這些方法通常都包含了復雜統(tǒng)計過程，不利于應用。隨著計算機技術的發(fā)展，機器學習成為這一領域的研究熱點。人工神經網絡(ANN)和決策樹(DT)算法已經被應用

3、于MSPC領域。針對多元控制圖在多元過程監(jiān)控和異常診斷中的不足，本文建立了基于決策樹算法的多元過程監(jiān)控和異常診斷模型，并通過蒙特卡洛方法驗證了模型的效率、準確性和易用性。為優(yōu)化決策樹性能，采取如下措施：對輸入數據采用了適度預處理和構成優(yōu)化，降低輸入維度；使用不同的決策樹分類器分別用于過程監(jiān)控和異常診斷，減少每個分類器的輸出類別數量；提出基于馬氏距離等值線的取樣方式選擇訓練樣本，抑制模型所需的訓練樣本數量。分別用雙變量和三變量過程對模型進