CN108052087A - 基于信息熵的制造过程多元质量诊断分类器 - Google Patents
基于信息熵的制造过程多元质量诊断分类器 Download PDFInfo
- Publication number
- CN108052087A CN108052087A CN201711254684.8A CN201711254684A CN108052087A CN 108052087 A CN108052087 A CN 108052087A CN 201711254684 A CN201711254684 A CN 201711254684A CN 108052087 A CN108052087 A CN 108052087A
- Authority
- CN
- China
- Prior art keywords
- quality
- control
- attribute
- comentropy
- manufacturing process
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
基于信息熵的制造过程多元质量诊断分类器,收集制造过程中质量特性的原始数据,进行数据预处理,应用混合算法对关键工序的多元质量特性进行过程分析,根据控制图记录的数据判稳以及是否出现异常现象,应用基于信息熵方法查找出过程异常源所在,为了使分类结果更加准确,引入了调节因子、马氏距离判稳规则。本发明过程能力系数条件严谨、判定状态准确,算法复杂度低,处理的时间快,综合了多元质量、误判因子、主成分因子,适用性更强,参数处理规范,数据处理完善,降低了误判概率,解决了数据偏置、单位不统一的问题,比支持向量机准确度高,可以实现异常诊断技术。
Description
技术领域
本发明涉及机械产品加工制造过程质量诊断技术领域,具体涉及一种基于信息熵的制造过程多元质量诊断分类器。
背景技术
现代制造过程是多变量高度相关的,对这类生产过程的过程监控称为多元质量控制(MQC)或者多元统计过程控制(MSPC)。寻找失控原因的过程被称为MSPC诊断或异常识别。主要有两类方法:一是统计分解技术;二是基于机器学习的技术。主流分解技术包括了主成分分析(PCA),特征空间比较法,MTY方法、步降方法、多向核主成分分析方法。然而,这些方法通常都包含了复杂统计过程,不利于应用。随着计算机技术的发展,机器学习成为这一领域的研究热点。人工神经网络(ANN)和决策树(DT)算法已经被应用于MSPC领域。由于产品质量在现代工业中的重要地位,统计过程控制(SPC)在机械、纺织、电子产品、汽车灯离散制造业中取得了很大成功,并逐渐向造纸、炼油、化工、食品等间歇工业和连续制造业渗透。在实际的制造过程中,被加工零部件或产品往往具有多个质量特性,且这些质量特性之间存在一定的相关性,如何确定该过程的过程能力指数以及对过程质量进行诊断,是迫切需要解决的问题,该问题的研究不仅对多元制造过程能力分析研究具有重要的意义,而且对多元制造过程的质量进行监控和诊断均具有一定的理论意义和实用价值。基于上述需求,本发明提供了基于信息熵的制造过程多元质量诊断分类器。
发明内容
针对多元控制图在多元过程监控和异常诊断中的不足,本发明提供了一种基于信息熵的制造过程多元质量诊断分类器。
为了解决上述问题,本发明是通过以下技术方案实现的:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算。
步骤2:对关键工序的多元质量特性进行过程分析;
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象;
步骤4:根据识别结果,基于信息熵方法查找出过程异常源所在;
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;
步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
本发明有益效果是:
1、过程能力系数条件更严谨,判定状态更加准确。
2、算法复杂度低,处理的时间短,得到了较好的结果准确度。
3、为后续制造过程诊断技术奠定了较好的基础。
4、考虑了质量间的多元特性,算法适应性更强,更符合实际的应用。
5、参数因子处理的更加规范合理,得到的值更符合经验判定的结果。
6、考虑了误判因子、又结合主成分分析方法,结果准确度得到的进一步提升。
7、数据处理更完善,减低了误判的概率。
8、解决了数据的偏置、单位不统一的问题。
9,比支持向量机方法查出异常源的准确度更高,处理速度也比支持向量机更快。
附图说明
图1决策树的多元过程监控模型示意图
图2本发明车间数据采集方案图
图3二维过程修正的规格区域与实际分布区域示例图
具体实施方式
为了解决多元控制图在多元过程监控和异常诊断中的不足,结合图1-图3对本发明进行了详细说明,其具体实施步骤如下:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算,其具体计算过程如下:
在生产过程中,当工序不存在系统性误差时,产品的质量特性值X符合正态分布;由于多元质量特性值得单位不统一,数值大小差距也较大,需对数据做进一步处理;
生产过程正常运行收集的数据矩阵为Xn×m,n为样本的个数,m为样本质量属性个数。
上式Xn×i为第n个样本第i种质量属性值,μi为第i种质量属性均值,σi第i种质量属性标准差。
对预处理后的数据X′n×i,进行比重计算如下:
假设m维正态分布Nm(μ,∑),即Xm~Nm(μ,∑),其中μ为总体均值向量,∑为协方差矩阵,由于∑m×m为对称矩阵,因此存在对称矩阵P,使得
其中λ1,λ2,…,λm为协方差矩阵的特征值,其满足(λ1,λ2,…,λm)>0,即m维多元质量的权重分配可以表示为下式:
取前k个主元的累计贡献率达到80%以上,即贡献率为W:
则主元模型为
分别为k个主元质量的属性向量,E为误差。
步骤2:对关键工序的多元质量特性进行过程分析,其具体计算过程如下:
这里主要对步骤1中E的计算和估计;
X∈N(μ,σ2),其中X是质量特性值,μ是总体均值,σ2是总体方差。当质量特性值服从正态分布时,其均值也服从正态分布,其中,n为样本容量。依照正态分布的特性,则
P(μ-3σ<X<μ+3σ)=99.73%
即,无论μ和σ取何值,X落在之间的概率是99.73%,也就是说,落在这个分布范围之外的概率只有0.27%。
对于过程修正的规格区域是一个椭球体,其体积计算公式为:
Ui、Li分别为控制图上第i元质量因子的上下限。
多元过程在(1-α)置信度下实际分布区域的椭球体为:
|∑|为多元质量因子的协方差行列式。
设其修正系数为k;
ε=[(M1-μ1)2+(M2-μ2)2+…+(Mt-μt)2]1/2
Mi、μi分别为规格图、和实际过程的均值位置,ε为t维均值差值。
另一影响因子为(Uj、Lj)为规格上下限的交点。
即
综上所述,表征过程能力函数如下:
为了完善上式的结果,这里整合下面的方法,具体过程如下:
错判误差的概率分为两类,一是受控状态判为失控状态,概率即为P1,二是失控状态判为受控状态,概率即为P2。
样本X,当处于受控状态时。设其分布为正态分布X∈N(μ,σ2);过程处于失控状态时,其分布发生了变化,变化后的分布函数为F(x)。
记控制图的上、下控制限分别为U、L;
P1=2(1-Φ(λ))
P2=F(U)-F(L)
总误差概率为P1+P2
上式Φ(λ)为标准正态分布的分布函数在点λ处的值,λ为控制图中实际参数,这个具体情况可以具体确定。
一元修正系数k′:
β1、β2分别为中心距离差值|λ-μ|、误判概率的权重分配值,这里β1+β2=1,(β1,β2)>0。
表征过程能力函数CP:
CP=min(CPU,CPL)
多元表征过程能力函数MC′P:
表征E
根据X′主模型即可提取制造过程质量异常的主特征。
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象,其具体描述如下:
如果过程处于非统计过程受控状态时用样本点建立的控制图控制后续的生产过程,不仅起不到良好的控制效果,反而会给企业带来错误的预报,给企业造成损失。
步骤4:根据识别结果,基于信息熵方法查找出过程异常源所在,其具体计算过程如下:
根据训练数据集确定属性的信息熵,每个质量属性都对应若干个分量;
这里质量属性的确定见下式:
s1到sm分别表示属性S分裂所形成的c个不同的样本属性值。λ为调节因子。
再根据马氏距离确定异常源,具体如下:
d2(g(s),CPE)=(g(s)-μs)′∑-1(g(s)-μs),i∈(1,2,…,m)
d2(g(s),CPE)≥γ
上式d2(g(s),CPE)为属性熵g(s)与控制图理想控制线的马氏距离,i∈(1,2,…,m)为质量属性的分量因子,总共有m个分量,μs为质量属性S的期望值,CPE为控制图理想控制线,γ为专家设定好的阈值。
d2(g(s),CPE)越大,对应的质量属性越不稳定,超过阈值γ,即引发警报,再通过上式确定异常分量,即异常源。
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;
步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
Claims (2)
1.基于信息熵的制造过程多元质量诊断分类器,本发明涉及机械产品加工制造过程质量控制技术领域,具体涉及基于信息熵的制造过程多元质量诊断分类器,其特征是,包括如下步骤:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算,其具体计算过程如下:
在生产过程中,当工序不存在系统性误差时,产品的质量特性值符合正态分布;由于多元质量特性值得单位不统一,数值大小差距也较大,需对数据做进一步处理;
生产过程正常运行收集的数据矩阵为,为样本的个数,为样本质量属性个数
上式为第个样本第种质量属性值,为第种质量属性均值,第种质量属性标准差
对预处理后的数据,进行比重计算如下:
假设维正态分布,即,其中为总体均值向量,为协方差矩阵,由于为对称矩阵,因此存在对称矩阵,使得
其中为协方差矩阵的特征值,其满足,即维多元质量的权重分配可以表示为下式:
取前个主元的累计贡献率达到80%以上,即贡献率为:
则主元模型为
分别为个主元质量的属性向量,为误差
步骤2:对关键工序的多元质量特性进行过程分析,其具体计算过程如下:
这里主要对步骤1中的计算和估计;
,其中是质量特性值,是总体均值,是总体方差,当质量特性值服从正态分布时,其均值也服从正态分布,其中,n为样本容量,依照正态分布的特性,则
即,无论和取何值,落在之间的概率是,也就是说,落在这个分布范围之外的概率只有
对于过程修正的规格区域是一个椭球体,其体积计算公式为:
、分别为控制图上第元质量因子的上下限
多元过程在置信度下实际分布区域的椭球体为:
为多元质量因子的协方差行列式
设其修正系数为;
、分别为规格图、和实际过程的均值位置,为t维均值差值
另一影响因子为,为规格上下限的交点
即
综上所述,表征过程能力函数如下:
为了完善上式的结果,这里整合下面的方法,具体过程如下:
错判误差的概率分为两类,一是受控状态判为失控状态,概率即为,二是失控状态判为受控状态,概率即为
样本,当处于受控状态时,设其分布为正态分布;过程处于失控状态时,其分布发生了变化,变化后的分布函数为
记控制图的上、下控制限分别为、;
总误差概率为
上式为标准正态分布的分布函数在点处的值,为控制图中实际参数,这个具体情况可以具体确定
一元修正系数:
、分别为中心距离差值、误判概率的权重分配值,这里,
表征过程能力函数:
多元表征过程能力函数:
表征
根据模型即可提取制造过程质量异常的主特征
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象,其具体描述如下:
如果过程处于非统计过程受控状态时用样本点建立的控制图控制后续的生产过程,不仅起不到良好的控制效果,反而会给企业带来错误的预报,给企业造成损失
步骤4:根据识别结果,基于信息熵方法查找出过程异常源所在;
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;
步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
2.根据权利要求1中所述的基于信息熵的制造过程多元质量诊断分类器,其特征是,以上所述步骤4中的具体计算过程如下:
步骤4:根据识别结果,基于信息熵方法查找出过程异常源所在,其具体计算过程如下:
根据训练数据集确定属性的信息熵,每个质量属性都对应若干个分量;
这里质量属性的确定见下式:
到分别表示属性S分裂所形成的c个不同的样本属性值,为调节因子
再根据马氏距离确定异常源,具体如下:
上式为属性熵与控制图理想控制线的马氏距离,为质量属性的分量因子,总共有个分量,为质量属性的期望值,为控制图理想控制线,为专家设定好的阈值
越大,对应的质量属性越不稳定,超过阈值,即引发警报,再通过上式确定异常分量,即异常源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711254684.8A CN108052087A (zh) | 2017-12-01 | 2017-12-01 | 基于信息熵的制造过程多元质量诊断分类器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711254684.8A CN108052087A (zh) | 2017-12-01 | 2017-12-01 | 基于信息熵的制造过程多元质量诊断分类器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108052087A true CN108052087A (zh) | 2018-05-18 |
Family
ID=62121338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711254684.8A Pending CN108052087A (zh) | 2017-12-01 | 2017-12-01 | 基于信息熵的制造过程多元质量诊断分类器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108052087A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852516A (zh) * | 2019-11-15 | 2020-02-28 | 上海电科智能系统股份有限公司 | 基于大数据信息熵交通流检测设备数据质量判别方法 |
WO2022061815A1 (zh) * | 2020-09-27 | 2022-03-31 | 西门子股份公司 | 生产过程中的质量问题的分类方法和装置 |
-
2017
- 2017-12-01 CN CN201711254684.8A patent/CN108052087A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852516A (zh) * | 2019-11-15 | 2020-02-28 | 上海电科智能系统股份有限公司 | 基于大数据信息熵交通流检测设备数据质量判别方法 |
CN110852516B (zh) * | 2019-11-15 | 2023-08-29 | 上海电科智能系统股份有限公司 | 基于大数据信息熵交通流检测设备数据质量判别方法 |
WO2022061815A1 (zh) * | 2020-09-27 | 2022-03-31 | 西门子股份公司 | 生产过程中的质量问题的分类方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6285494B2 (ja) | サンプリングレート決定機構付きの測定サンプル抽出方法及びそのコンピュータプログラム製品 | |
TWI543102B (zh) | 異因分析與校正方法與系統 | |
TWI521360B (zh) | 量測抽樣方法與其電腦程式產品 | |
CN106681183A (zh) | 监测制造装置的方法、装置、系统与计算机可读储存媒介 | |
CN104281733B (zh) | 用于评估热分析的测量结果的方法和系统以及计算机装置 | |
CN106950945B (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN106647650B (zh) | 基于变量加权pca模型的分散式工业过程监测方法 | |
CN107346122A (zh) | 改进模糊支持向量机的制造过程多元质量诊断分类器 | |
JP2006318263A (ja) | 情報分析システム、情報分析方法及びプログラム | |
CN110807245B (zh) | 一种设备故障预警的自动建模方法和系统 | |
CA2932489A1 (en) | Computer-implemented method and system for automatically monitoring and determining the status of entire process segments in a process unit | |
CN109840671A (zh) | 运行改进效果计算设备、运行改进效果计算方法和记录介质 | |
CN113298162A (zh) | 一种基于K-means算法的桥梁健康监测方法及系统 | |
CN113420061A (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
CN108052087A (zh) | 基于信息熵的制造过程多元质量诊断分类器 | |
CN107256003A (zh) | 一种模糊支持向量机的制造过程多元质量诊断分类器 | |
WO2020166236A1 (ja) | 作業効率評価方法、作業効率評価装置、及びプログラム | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及系统 | |
CN108037744A (zh) | 基于统计方法的制造过程多元质量诊断分类器 | |
CN107291065A (zh) | 改进的基于决策树的制造过程多元质量诊断分类器 | |
CN107203198A (zh) | 改进的制造过程多元质量诊断分类器 | |
CN108090506A (zh) | 改进信息熵的制造过程多元质量诊断分类器 | |
CN108074295A (zh) | 改进卡方值方法的制造过程多元质量诊断分类器 | |
CN108021111A (zh) | 基于卡方值的制造过程多元质量诊断分类器 | |
CN105302036A (zh) | 监控根据多个进程方案运行的进程状态的方法及其系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180518 |
|
WD01 | Invention patent application deemed withdrawn after publication |