CN100489870C - 用于过程统计控制的方法和多维系统 - Google Patents

Abstract

本发明涉及一种过程统计控制方法和使用该方法的任何系统，其基于对输入、输出和控制的指示和测量数据的读取以及对运行参数的读取，并且能够在和其取样本相关的参考框架中用观察点表示出来。在本发明中，观察值被转化，以使结果值和多维的高斯分布模型一致；这些被转化的观察点在多维空间中，每一个维度与一个测量量值相关；失控观察点用同样方法计算，在某一特定方向上被识别；该方向和上述过程的偏移的一般原因相关，并且，每个“观察和异常对”和指标相关，为了给出零个，一个或更多的可能和观察相关的原因。

Description

用于过程统计控制的方法和多维系统

本发明涉及使用基于多维数据处理的过程统计控制的方法和系统。

其目的首先是当过程离开保证其生产质量要求的“正常”运行状态时引发警告，其次是为识别异常情况的可能原因提供建议。

过程统计控制(SPC)目前在世界各国(主要是工业化国家)众多领域的工业生产中正被广泛使用，例如工程学，电子学，化学，医药，农业食品，塑料材料，等等。

其目的是通过检查制造过程本身，而不仅仅检查产品的特征来保证产品质量。统计过程控制在实施“零缺陷运动”时和当企业寻求符合国际质量保证标准(国际标准化组织9000)时已是必不可少的阶段。

其技术目标是在不合格产品被制造之前检测出制造过程中可能的偏差并采取补救措施。

这种方法的使用现在已经从产品制造的领域扩展了，并包含了服务业领域(银行业务，保险，咨询，...)。

当过程启动时(参照图1)，跟踪与同一过程相关的各种监测手段(指标)：输入特点(原材料)；输出特点(产品)；过程操作参数。每个观察单元(检测瞬间和生产元素)和多个测量获得的数值相关联，于是，使这组数据用所量度的多维的空间中的一点来表示。

统计过程控制的一般操作是通过追踪多个控制图来监控过程。控制图是观察的量值的变化路径的图形表示。同时也代表在一次测量中预先定义的控制极限值(见图2)。然后每个控制图都独立地被解释，且独立地引发警告。

目前使用的有各种控制图(象“Shewart，CuSum，EWMA，ME”)。上述后三种图被认为在检测小量的“偏移”方面优于第一种。

一般地，控制图被用于成组的数据：通过标记多次成组测量获得的平均值，可以较好地探测小量的偏移，另外，值的分布也与基于这种方法的正常情况下的假定更相吻合。通过标记每组数据的变化和延展，有可能探测到由于某种原因，测量可变性的有所提高。

通常的方法包括同时和独立地监视多个控制图，这种方法比较笨拙，而且对多维的统计数据控制中不太有效：

●这种方法有时发出太很多的假警告导致不必要的调整增多；这时，就需要很快地重新设定，从而导致整个过程控制需要多次调整，处于一种既混乱又昂贵的方式下运行状态。

●它检测到真实的异常情况太晚，并且

●该方法在异常原因不和测量直接相关联时，很难检测到它。于是，该方法鼓励了采用多样的测量，这样的方法很昂贵，并引入了多种控制图。

本发明的方法和系统寻求解决那些缺陷：该方法是一种工业过程统计控制方法，该方法基于对所述过程的输入、输出和控制与运行参数的特征量的量度或指标的读数，它们可由将其值和其采样索引关联起来的基准坐标系中的观察点来表示，所述量度或指标由传感器或手工采集进行测定，该方法的特征在于：

a)变换观察值以使得结果值与多维的高斯分布模型一致，并构成与本方法其余部分用的所述观察点对应的数据；

b)将所述观察点构建到一多维空间中，每个维度都和一被测量的量相关；

c)从所述观察点中，区分与过程正常运行对应的所谓受控点和那些所谓的“失控”点；

d)计算受控点的分布中心，作为受控观察点的点集之重心；

e)提取集中在从“受控”点的分布中心出发的某一特定方向上的失控观察点；

f)将该方向与上述过程的经常出现的偏差原因关联起来；

g)每一个观察点和异常方向对与指标关联起来，以便呈现零个、一个或多个可能涉及所做的观察的异常原因；并且

h)当这样分析出异常的情形下，触发一个警报，并且，对工业过程中这样检测到的偏差进行补救。

上述被检测的观察点重心对应于一个特定点，该点的分量是被检测的观察点的分量的平均值。

统计过程控制检测用传统方式，用统计规则或者用取样方法，有规律地观察p个连续的量值y1，y2，...y^p。这些量值能同等地很好地反映原材料的特点，制造的产品的特点或制造过程的运行参数的特点。在某一给定瞬间，将这p个测量数据所组成的p-维向量表示为y，并作为过程观察向量。这个向量的终点是过程观察点，而起点是所用的基准坐标系的原点。

显然，在这段文章里“瞬间”的概念超过严格的时间概念：与同一个“瞬间”相关联的测量数据在可能的情况下应是同一批产品或同一制造单位的生产过程的参数测量数据。为了定义哪些测量数据和同一个相关瞬间相关，制造过程的完备的可跟踪性是必要的。

当过程是“受控的”，y的值在不同的连续瞬间t₀，t₀+1，t₀+2，...有y₀(其是期望的目标)的微小变动，以保证生产达到令人满意的质量。这个微小的变化是由于原材料(原材料的硬度，原材料组份的化学成分，供应商，...)特性，或是环境因素(温度，湿度，...)，或是过程因素(机器的设定，操作者的专注程度...)的随机变化而产生的。这些特性对y的一项或多项分量产生影响，并且被表示为z¹，z²，...z^m，这些变量的总体被表示为向量z。向量z在此被称为过程解释向量。

由于把过程特性看作y^j过程的观察变量，必须在每个“瞬间”估值该变量。

由于把过程特性或输入特性看作过程的原因变量z^k，必须由系统外部的因素对其修改，如：故意或非故意的人为行动，环境变化，磨损或老化。一般的，由于费用或适用性的原因，这些变量不是在每个瞬间都进行测量(不然也将表示为变量y^j)，在这种意义上，它们组成了隐藏变量，影响着过程的行为。测量这些隐藏变量通常既昂贵、费时又不精确，仅仅在异常出现时才进行。

如果其可能值是数字表示的，而且是属于一个已知的数值范围(温度，压力，...)该变量可能是定量的。如果可能值是数字的或只有有限的个数(提供者，操作员，机器，...)，该变量可能是定性的。本发明中的方法和模型假定y的分量全部是定量的。

过程的相同特征(例如炉子的控制温度)既可以作为z的分量又可以作为y的分量出现。

y和z之间的依赖关系设立如下模型：

y＝f(z，t)+ε

其中t表示为观察瞬间，ε表示p维度上的随机向量，其平均值设定为0，并且有其协方差矩阵为∑_ε。f是一向量函数，含有p个分量f¹，f²，...f^p，并有公式y_i＝f^j(z，t)+ε

y的分量之间象z的分量之间一样相互关联。

在稳定条件下完美而稳定的过程的应有下列关系：

f(z，t)基本上与t无关，

每个“原因变量”z^k都保持在固定值

上，并且

y可用如下稳定过程的模型表示：

y＝f(z₀)+ε

实际中，定量的原因变量的不可能完全决定下来：变量z₀已经加上了0期望值的随机误差和协方差矩阵∑e的随机误差。所以，模型变为

$z^k=z_0^k+e^k$

y＝f(z₀+e)+ε

本发明建议的方法应用于以下统计过程控制通常所应用的环境中：

函数f未知；

·解释变量z^k无法全部识别；并且，

·n次观察由“瞬间t＝1，...，t＝n时的变量y¹...y^p产生。

这些观察结果以一个n行p列的矩阵y的形式表示。Y^j代表Y的第j列；这一列的第i个元素表示为代表在t＝i的瞬间变量y^j的观察值。在t＝i瞬间变量y¹，...，y^p的观察向量表示为y_i。

观察向量y_i的权重为p_i，一般地等于1/n。以权重p_i作为对角项的对角线矩阵(n，n)表示为D_p。

●当过程在适当的控制下时：

正常分布应以y⁰为中心。

y⁰等于y的数学期望E[y]；y⁰非常接近观察均值m_y(m_y代表由矩阵Y中P列Y¹...Y^p的均值y¹...y^p构成的向量)。

其可变性是固定的并可与在不同的变量y^j定义的规格极限相比较。

随机向量y的协方差矩阵不随时间变化。

●当过程发生偏移时，观察值y_i偏离目标值y⁰很远。

这样的行为导致：

一个或多个原因变量z^k的中心值随时间变化；或者

一个或多个随机方差ε^k或e^j随时间增加。

如果偏移是定性的，涉及原因变量z^k，导致从z0^k变化到z1^k，则分布中心将从y⁰移动到y¹。观察点沿y¹-y⁰方向移动。

如果偏移是定量的，涉及z^k，并且过程不是在y⁰周围关于z1^k不稳定，则可以假定每个函数f^j关于z^k都有偏导数f^jk。这种变化的演算结果表示了第一个顺序：

●均值中的偏移，z1^k＝z0^k+d意味着观察点中心从y0沿着的偏导数向量定义的方向移动，该量为

.(f1k(y0)，...，fjk(y0)，...，fpk(y0))；

●随机量e^k的可变性的增加将增加观察点y_i的分布在同一方向上延展：

(f1k(y0)，...，fjk(y0)，...，fpk(y0))

●随机量e^j的可变性的增加将使观察点y_i的分布在第j个基本向量方向上延展：

(0，...，0，1，0，...，0)

1           j              p

本发明寻求管理上述过程的方法，以达到下述的技术目标：

在历史分析阶段：

识别出与已经在历史纪录识别出的任何偏移相关的方向，为每次观察定义参数，以便计算出这些方向的接近度指标。

在过程控制的运行阶段：

探测是否在最后的观察中找到了运行过程的任何偏移，然后通过检查接近度指标，识别出已发现与观察点最接近的原因的方向，从而可以给出偏移的大概原因；

在两个阶段中，给出图形表示，以便可以更快地对情况作出整体的估价。

为了使系统适应各种过程的特殊特性，为系统中的每种处理过程推荐了多个版本。

本发明提供一种统计过程控制的方法和使用该方法的任何系统，该方法基于在输入、输出和控制上检测到的指示和测量数据以及所述过程的操作参数，并且包括对按这种方式获得的数值进行的各种处理：该方法最好用计算机来进行计算机处理，完全自动地帮助使用者完成处理步骤。

这种操作包括两个阶段：

◆学习阶段：包括进行过程的历史数据分析；历史数据由一套与过程的运行有关联的量值构成；这些量值在连续的瞬时或者以取样的方式被测定。

这分析的目的是如下：

●为了识别：

过程中偏移成为主流的瞬间；并且

观察到的偏移的特殊原因(通过与被研究的实际过程的专家用户交流信息)；

●为了估计定义每个识别的特殊原因相关方向的参数的值

◆过程-追踪阶段

在这个阶段，系统从过程接受测量及数据(经过直接相联的传感器或通过人工输入)。当过程发生偏移的时候，它能激发警告。由于对所述观察评估与每个原因有关的量，偏移的原因也被给出。这些原因是从以前的方法分析得出的原因中挑选出来的。如果没有建议的原因，将由人来检查实际过程，识别原因。新识别出的原因将被集成到系统中，以便以后发生时自动识别。

本发明系统的适当性和独创性来自于：

提出的模型和其应用的范围的适当：

观察量值在多维的空间中的异常情况的跟踪特性：观察空间Rⁿ中的直线；

给出了每个识别原因的特性和相关规则的组合量值的定义，即：“原因强度”和“角度接近度”；

本模型采用的强大的多维度统计分析方法：用以决定原因方向的“失控点”分类方法；

采用了适当的图形表示方法：控制图用概率阈值作为刻度；并且

通过过程的历史数据分析，识别异常的学习阶段采用以下步骤：

A1-数据的预先变换；

A2-识别受控测量数据和失控的测量数据；

A3-识别特殊原因类型和相关方向参数；

A4-建立和检查对特殊原因指标的控制图；并且

A5-解释特殊的原因

这些步骤将和在实际的过程中那些不断向系统中引入新的信息的专家们一起互动的实施。(通过观察认定失控状态，联系多种原因，辨别可疑的测量数据，...)利用系统提供的部分数据来提取历史数据的解释。从某一步骤获得的结果经常可以重复一次或多次以前的步骤，只是修改可选步骤或某些参数。

过程的历史数据的特性由n行p列的矩阵Y描述。在第i行第j列交叉点的元素Y^j _i代表变量y^j在观察瞬间i的值。

步骤A1：数据的预先变换

这涉及对原始观察数据

变换因而采用的处理过程的值更加接近基于前述的方法的模型，所以提高了结果的适用性。

最为广泛和有用的变换是对每一个观察变量分开进行的，是将观察原始值

变换为新值

以下提到一些变换方法，但不是全部。

以单一的平均数据的形式对相继的数据分组。(见用于成组数据的控制表)。例如：

${\tilde{y}}_h^j=\frac{1}{w}\underset{s=1}{\overset{w}{\mathrm{\Σ}}}{y}_{(h-1).w-s}^j$

其中w是每个数据组的大小。

计算连续的量度之间的差，以去掉量度之间的相关性：

${\tilde{y}}_i^j=y_i^j-y_{i+1}^j$

变换给出离高斯分布“更近”的分布。例如：

${\tilde{y}}_i^j+F_G^{-1}\left(F_{y^j}\left(y_i^j\right)\right)$

其中

是高斯分布函数的反函数，假定为变量y^j的分布的函数。

相对于随机变化的推定中心的中心调整，在这种情况下：

${\tilde{y}}_i^j=y_i^j-c_i^j$

中心值

的选择依赖于实际情况和有关过程的知识。于是有：

，对时间是一常量；或者

，是时间变量(小值序列的情形，已知的和可接受的变化情形...)。

比例变换以使不统一的量值的比例更加统一，并考虑到事先给予观察测量中的变化的重要性：

${\tilde{y}}_i^j=y_i^j/s_i^j$

其中，代表为这次测量的选择的单位，例如：

。

步骤A2：分辨受控测量和失控的测量

这包括获取历史测量数据和分辨那些不对应于过程的受控正常运行的观察点。

开始时，所有被过程控制负责人认为是失控的点都被作上标签，被认为是失控的。

然后，基于仍然被认为是在受控观察点建立一个Hotelling T2表(见Douglas C.Montgomery的著作，题为“统计质量控制介绍”第二版，Wiley出版社1991年印刷)。在控制极限上限(极限值为α)以外的观察点被认为是失控点。α代表假预警的可接受概率。一般，α的值应在0.05-0.001之间。

这一步骤需要重复，每一次迭代，新的观察点将被标上失控的标签。

当在T²表的控制极限以外的观察点的数目达到假预警的可接受概率α的时候迭代停止。

这种一致性通过一种传统的假说试验来评价：给定超出极限值的观察频率，检验测量数据“出界”的概率小于等于α的假设。(见G.Saporta的著作，题为“概率分析和统计”，Technip出版社1990年出版)

A3-辨别特殊原因种类和相关方向参数。

对于历史上在前续步骤中标记的失控的每个观察点，都使其与一个被标识的异常原因(称为特殊原因)相关。

这种识别必须运用过程控制负责人的知识来进行。而且，一种很好的自动分类方法可以应用于那些被认为是失控的点，从而指导人们：这种分类方法可以汇总观察结果，把经常出现的原因和某种异常状况相对应。即：将在多维空间中离共同方向接近的观察点汇集。

适用这一目的的方法是一种等级升序分类型的自动分类方法，该方法使用两个观察向量之间余弦函数的绝对值作为近似性指标，遵循最大联系准则，即直径准则，以指导组的聚类(见以上引用的G.Saporta的著作)。分类适用于失控点的测量值，其中心在失控点数据的分布中心。

如果确定了与异常状况非常相关的测量数据，异常方向则更容易解释。

为了达到这个目的，进行“逐步”或“最佳子集”类型的没有常量项的线性回归，在变换和将控制分布中心作为解释变量之后把异常方向作为将要解释的变量和测量变量。

通过这样检查挑选的变量和所产生的回归系数的符号，过程负责人将被引导得出异常的根源。

A4-产生和检查特殊原因指标的控制表

在前一步骤的结尾，得到了几组失控的观察点，每组都和特定的异常现象或特殊原因相关。

这一步首先把每种特殊原因和前面提到的首要的方向联系起来，然后，和两个指标函数联系起来。这两个指标的作用是：当应用到任何观察过程中，指示出观察是否能来自具有某种特殊原因的不正常运行过程。

图3和图4表示二维中与两个不同的异常现象相关的方向。图3表示用原始数值的数据观察空间的情况，图4是表示归一化的受控数据主要分量在基准坐标系中的情况。可以看出两种异常的分隔在图4中比在图3中更明显。

然后被考察的观察点位于归一化的受控数据的主要分量基准坐标系中，它的原点和控制下数据的分布中心相吻合。

上面描述的理论模型引导我们去寻找代表某种异常的方向。它从失控观察的分布中心开始延展，靠向由于异常而产生的一组观察点。这个方向可以被定义为和上述异常相关的观察点的第一惯性轴，该轴通过原点(见前面所述的变换)。这个轴是由主要分量分析决定的第一主轴，其不集中，而且不被和异常相关的观察点团减弱。(见前面引用的G.Saporta的著作)

在评价了与特殊原因相关而偏离了受控点分布中心的观察点的方向之后，就有可能定义和异常相关的两个指标了。

●第一个指标测量观察点在上述方向上的距离；并且

●第二个指标测量给定观察空间Rⁿ中的一测定点到特定方向的靠近程度(就失控点分布中心的角度接近度而言)。

在多维的观察空间中，第一个指标沿着和特定原因相关的方向测定观察的距离。其将每个“观察和异常对”和观察和异常之间的关系的强度指标相联系，称为“原因变量”，并作为观察点沿与原因相关的方向上的组成分量获得。此指标作为观察向量和原因方向向量的标量乘积而计算出来。

通过在归一化的主要分量空间计算该标量乘积，其等于把最初的量度空间中的矩阵V^-1作为标量乘积矩阵，在此当V为全秩时(fullrank)，V^-1代表受控数据的协方差矩阵的逆，如果V不是全秩，V^-1代表V的伪逆矩阵。

因而该指标是初始测量值的线性组合，并且，假定这些测量值服从高斯定律(当过程在控制下时)，这个指标也服从高斯定律；其变化能用传统的控制图仿效。因而，在这样的强度图(intensity chart)上对失控的观察非常有可能和被记录在图上的指标表示的异种类相对应。

但是，当观察点和受控点的分布中心相隔非常远的时候，它能在几个原因方向上显示出相隔很远，从而可能和几类异常情况相关。为了消除不确定性，考虑采用第二个指标。

这是在代表异常的方向和以在受控数据的中心为原点并且指向观察点的向量之间的角度接近度指标。这个角度可以以其余弦求值，因为这样容易计算：通过用代表观察点的向量的范数除上述强度指标来计算余弦。

因为这个计算是在归一化主分量空间执行的，它更适合，并且能被用来定义与这个新指标相联的控制表上标出的控制限制。

在控制下运行的时候，该指标具有决定分布函数F的概率分布。

函数F用来定义角度接近度指标Lα的控制极限。在此极限外对所述异常分配观察点，上述函数f代表在Rⁿ上任意的给定方向和中心高斯随机向量Rⁿ形成的角度(x)的余弦的分布函数，其中n≥2，并且随机高斯向量Rⁿ具有单位矩阵作为协方差矩阵的集中，由下列公式给出随机变量的分布函数F：

如果x<-1      F(x)＝0

如果x>1       F(x)＝1

如果x≥-1且≤1 $F\left(x\right)=1-\frac{S(\mathrm{ArcCos}\left(x\right)}{S\left(\mathrm{\&pi;}\right)}$

其中 $S\left(\mathrm{\&theta;}\right)=\underset{0}{\overset{\mathrm{\&theta;}}{\&Integral;}}\sin n-2\left(t\right)\mathrm{dt}$ 则Lα＝F^-1(α)，其中α代表假报警的可接受概率，α最好取0.001％-0.05％范围之间的值。术语“假报警”在这里表示在受控观察点被错误地归类为异常。

通过审查角度接近度控制图，可能从被“强度”图指出为失控点的点中选出一些点来，这些点真正地和研究中的异常相依：这些点同时在两个图中被指出为异常点。

在实践中，这样的角度接近度控制图易读性不强，因为在很少数量的维数中，控制极限非常接近1或-1。这就是为什么经过适当的变换后并且在对数标度和用概率阀值表示的图表中，人们更愿意使用表示这些指标的图表。

这种表示方法在所有检查到的量值的种类中都可以使用。它可以在展示和不同分布概率相关的图时更容易地解释和提供更大的一致性。下面定义了两种图：

●当控制用于单一的极限(象图T²的例子一样)时使用的单侧图P_u；以及

●当控制涉及下极限和上极限时使用的双侧图P_b。

和分布方程F_x的指标i相关的观察值x在单侧图中P_u中标出来。观察点分布在图中横坐标i和纵坐标y＝min(log10(1-Fx(x)，4)的位置上。

纵坐标以与y的积分值相关的阀值做分度：1-Fx(x)＝10(^-y)。纵坐标上的4对应前面提到的“<0.0001”考虑到已经进行的截断。一条水平线标出选出的控制极限。图5表示常规的T²控制图和对应的Pu图。

和分布方程Fx的指标i相关的观察值x被标在双侧图Pb上。图上标出的观察值在横坐标i和纵坐标y上，定义如下：

如果x≤m     y＝min(-log10((1-Fx(x))＊2)，4)

如果x>m      y＝min(-log10(Fx(x))＊2)，4)

其中，m代表分布的平均值：Fx(m)＝0.5.

纵坐标以与整数值y相关的阀值做分度：10(-|y|)。水平线标出选定的控制阀值相关的控制极限。图6表示常规的余弦控制图和对应的Pb图。

A5-特殊原因的解释

前面定义的控制图提供给负责人一些附加信息，此信息使他们发现历史纪录中所有和正常过程的运行不符的点，并且对于每个点辨别异常的真正原因。上述工具使得每个识别出的异常的原因和观察空间中某一方向相关联，同时，两个指标也使之可以识别。

●本发明方法的第二阶段涉及适当的控制，包括以下步骤：

S1-数据预先被变换

S2-通过对控制图的监视检测和识别异常

S3-必要时，组合原因或新的特别原因被识别并集成到本方法中。

在这第二步中，系统从过程接受测量和数据(直接从相连的传感器或手工输入得到)，这些测量数据是基于分析过的历史测量数据的模型。当过程偏移时，能够引发报警。然后，从在学习过程中已经被辨别出来的原因中，系统指出偏移的可能原因。

从过程收到的每次观察按以下步骤来处理：

S1数据的预先变化

数据受到步骤A1定义的变换；

S2-检测和识别异常

与用在步骤A2中定义的计算模型做出的观察相关的T²的值对应T²图中的控制极限被计算并标出来。

如果控制图发现观察在控制之下，观察处理结束，否则，观察表示过程运行不正常。

在这种情况下，和学习阶段所识别出来的各种原因有关的指标的取值被计算出来，代表新观察的点的位置将在和指标有关的Pb型控制图中被检查。当和同一原因有关的两个指标都指出观察失控，则这个原因被当作可能的过程误操作的起因。系统向过程控制者发出关于误操作的警报和误操作的起因的诊断。

观察过程将结束，除非系统又识别出来列入记入中的另一个的原因。在这种情况下，下面的附加步骤是必要的。

S3-必要时，原因的组合或一个新的特殊原因被识别和集成到系统中。

当在前一步骤中没有原因被识别出来，则要做检查看是否观察出的异常是源于两个已知原因同时出现。

为达到此目的，要不带常数项进行线性回归，其属于“逐步”(stepby step)类型或“最佳子集”(best subset)类型，把以受控分布中心为中心的观察点作为被解释变量，把原因变量作为解释变量。

当只使用两项解释变量时，如果获得了大量的相关系数R，并且，特别是R>0.95时，可以认为有两个和该两个变量相关的原因同时发生。也可以用类似方法考虑两个以上原因同时发生的可能性，尤其是三个原因或是四个原因。

当没有清单中的原因或原因组合被识别出来时，需要根据过程的负责人的知识和经验手工识别原因。

Claims (8)

1.一种工业过程统计控制方法，该方法基于对所述过程的输入、输出和控制与运行参数的特征量的量度或指标的读数，它们可由将其值和其采样索引关联起来的基准坐标系中的观察点来表示，所述量度或指标由传感器或手工采集进行测定，该方法的特征在于：

a)变换观察值以使得结果值与多维的高斯分布模型一致，并构成与本方法其余部分用的所述观察点对应的数据；

b)将所述观察点构建到一多维空间中，每个维度都和一被测量的量相关；

c)从所述观察点中，区分与过程正常运行对应的所谓受控点和那些所谓的“失控”点；

d)计算受控点的分布中心，作为受控观察点的点集之重心；

e)提取集中在从“受控”点的分布中心出发的某一特定方向上的失控观察点；

f)将该方向与上述过程的经常出现的偏差原因关联起来；

g)每一个观察点和异常方向对与指标关联起来，以便呈现零个、一个或多个可能涉及所做的观察的异常原因；并且

h)当这样分析出异常的情形下，触发一个警报，并且，对工业过程中这样检测到的偏差进行补救。

2.根据权利要求1的过程统计控制方法，其特征在于：

将每个“观察和异常对”和给出观察和被称为“原因变量”的异常之间的关系的强度的指标相联系，该给出观察和异常之间的关系的强度的指标作为沿与原因相关的方向上的观察点的分量而获得，该给出观察和异常之间的关系的强度的指标作为观察向量和原因方向的方向向量的标量积被计算，标量积矩阵被作为观察和异常之间的关系的强度的指标，即矩阵V^-1，其中：当矩阵V是全秩时，V^-1为受控数据的协方差矩阵V的逆矩阵，或者当矩阵V不是全秩时，V^-1为V的伪逆矩阵。

3.根据权利要求2的过程统计控制方法，其特征在于：在观察和异常之间使用接近度指标，该指标称作“角度接近度指标”，通过测量表示观察的向量和表示与异常相关的方向的向量之间的角度而获得，角度接近度指标是所述角度的余弦，而此余弦值是通过用表示观察的向量的范数除所述强度指标来计算的，所述范数由所述矩阵V^-1确定。

4.根据权利要求3的过程统计控制方法，其特征在于：用函数F来定义所述角度接近度指标的控制极限Lα，将超过该极限的观察归类为异常，所述函数F代表Rⁿ的任意给定方向和以Rⁿ为中心的高斯随机向量之间的角度(x)的余弦的分布的分布函数，其中n>＝2，具有协方差矩阵的单位矩阵，由下列公式给出所述随机变量的分布函数F：

如果x<-1                 则       F(x)＝0

如果x>1                  则       F(x)＝1

如果x≥-1且≤1则 $F\left(x\right)=1-\frac{S\left(\mathrm{ArcCos}\left(x\right)\right)}{S\left(\mathrm{\&pi;}\right)}$

其中 $S\left(\mathrm{\&theta;}\right)=\underset{0}{\overset{\mathrm{\&theta;}}{\&Integral;}}\sin n-2\left(t\right)\mathrm{dt}$ 则Lα＝F^-1(α)，其中α代表假警报的概率的容限阈值，α最好取0.001％-0.05％范围之间的值。

5.根据权利要求1到4中任何一个的过程统计控制方法，其特征在于将其组织成：

●学习阶段：通过进行如下步骤，分析对异常情况的识别有用的所述过程的历史数据：

A1-预先变换所述数据；

A2-区分受控测量数据和失控的测量数据；

A3-使用一种自动对观察数据分类的方法识别特殊原因类型和相关方向参数，该方法适用于识别可能和同一种异常情况相关联的观察数据，允许将靠近从受控观察点的分布中心引出的同一直线的观察点归为一组；

A4-建立和检查特殊原因指标的控制图；以及

A5-解释所述特殊原因；

●控制阶段：对于每个过程变量的新观测值，判断该观测值是否与异常有关，如果是，判断最可能的异常是什么，该阶段包括如下步骤：

S1-预先变换数据；

S2-通过跟踪控制图来探测和辨别异常；并且

S3-如果需要，识别原因的组合或者新的特殊原因并集成到方法中。

6.根据权利要求3到5的过程统计控制方法，其特征在于：

采用一种等级升序分类型的自动分类方法，该方法使用余弦的绝对值作为两个观察向量之间的近似性指标，并遵循最大联系准则，即直径准则，指导组的聚类。

7.根据权利要求5的过程统计控制方法，其特征在于：

在学习阶段的步骤A3中用来代表异常的方向是和该异常相关的观察点的第一个惯性轴，该轴通过所述受控观察点的分布中心，该轴由和异常相关的观察点云的主要的、不聚集且不减弱的分量的分析决定，所述云是以受控观察点的分布中心为中心分布的点。

8.根据权利要求5到7中任何一个的过程统计控制方法，其特点在于：

使用采用对数刻度的关于概率阈值的控制图，在控制涉及单一的极限时使用单侧图P_u，在控制涉及下限和上限时使用双侧图P_b，这些图为与不同的概率分布相关的图提供更容易的解释和更大的一致性。

Images