CN112114578B - 一种多工序多变量过程在线监控和异常源诊断的稳健方法 - Google Patents
一种多工序多变量过程在线监控和异常源诊断的稳健方法 Download PDFInfo
- Publication number
- CN112114578B CN112114578B CN202011002256.8A CN202011002256A CN112114578B CN 112114578 B CN112114578 B CN 112114578B CN 202011002256 A CN202011002256 A CN 202011002256A CN 112114578 B CN112114578 B CN 112114578B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- control
- normal
- quality
- monitoring
- 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.)
- Active
Links
Images
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
-
- 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
Abstract
本发明提供了一种多工序多变量过程在线监控和异常源诊断的稳健方法,属于工业控制领域,包括:确定与工序可靠性相关的关键过程变量,采集工序关键质量特性数据;对采集的数据进行处理;将多工序分解为多个单道工序,每个单道工序内,设计分解‑联合‑分解框架,获得检验统计量的P值,绘制多变量稳健控制图,监控单道工序内多个相关的过程变量,进行异常报警;控制图发出报警后,基于分解的P值诊断异常源,获得异常因素;绘制上道工序的全控图和本道工序的全控图及选控图,分析异常因素的来源工序。该方法能够在出现过程失控信号后,自身诊断异常源并进行报警,在失控报警后,及时给出异常源诊断结果,无需借助其他方法。
Description
技术领域
本发明属于工业控制领域,具体涉及一种多工序多变量过程在线监控和异常源诊断方法。
背景技术
在日趋激烈的市场竞争中,可靠的产品质量已成为制造企业立足行业、赖以发展的根本。制造过程中的工序质量是形成产品最终质量的关键。随着制造技术的不断发展和信息管理系统的不断完善,如何利用海量的制造数据来服务于制造质量已成为质量控制领域的研究热点。
质量管理伴随企业管理的实践而不断发展和完善,现在已经成为一门独立的学科。其中,统计过程控制(Statistical Process Control;简记为SPC)是目前企业中广泛采用的质量管理手段。现有的质量控制与异常源诊断理论大都面向单变量、单工序,忽略了质量特征之间的相关性以及相邻工序间的关联,不能真正反映整个生产线的状态。因此需要引入多变量统计过程控制技术来改进对过程的监控。将多变量统计分析方法融入传统的统计过程控制,形成了多变量统计过程控制(Multivariate SPC;简记为MSPC)的基本框架。MSPC的主要任务有两方面:第一,利用控制图来检测过程分布的任何漂移,称之为监控(monitoring);第二,为了帮助工程师适当地调整过程,还需要识别是哪个或者哪些分量发生了漂移,叫做诊断(diagnosis)。国内外许多学者和研究团队在MSPC方向开展了很多工作,并且取得了大量的研究成果。现有的大部分MSPC的研究对象是多变量正态过程。基于Hotelling T2统计量的多变量控制图经常用于监测多元正态分布的位置参数,该方法既简单又具有良好的性能。然而,在实际中,大多数的数据流因其复杂的流程以致他们的确切分布往往难以确定,使得该方法的应用受到了极大地限制,同时也出现了有的现场操作人员不注意使用条件盲目地应用,从而导致控制图大量的虚发警报。鉴于此,许多研究者主张使用非参数或稳健的过程控制图。非参数控制图的主要优点是不必事先假定过程分布的形式,能够保证给定的误报率。过多的误报警会增加不必要的生产成本,也会导致使用控制图的混乱状态。因此,在实践中,限制控制图的误报率是非常重要的。大部分现有的多变量非参数控制图主要用于监控过程分布的均值向量或者协方差矩阵。但是在实践中,还可能出现的一种情况是均值向量和协方差阵混杂在一起同时发生变化;或者事先并不知道会出现哪个参数变化,需要对多个参数的变化同时监控。因此,设计能够同时监控均值向量和协方差矩阵变化的多变量非参数控制图十分必要。尽管如此,目前十分缺乏可以同时检测均值向量和协方差矩阵变化的多变量非参数控制图。
另一方面,如果一元控制图给出失控信号,可以容易地知道哪个变量发生问题并寻找解决方案,因为一元控制图只与单个变量相关联。但是,这对于多变量控制图无效,因为多变量控制图涉及多个变量并且变量之间存在相关性。多变量控制图报警后的诊断问题是近年来许多研究者关注的问题。大部分现有的多变量非参数控制图存在一个共同的问题,它们本身不能用作诊断,无法解释报警到底是由哪个或者哪几个变量发生变化引起的,这往往会阻碍工程师在实际中使用它们。现有的多变量统计过程控制辅助诊断技术主要有:(1)单变量控制图法;(2)分解法;(3)逐步诊断法;(4)判别分析法。MSPC及其诊断的研究仍在发展中,现有的技术、方法都不尽如人意。
现有技术的缺点是在单道工序多个质量特性的监控中,假设多个质量特性服从特定的参数分布构建的多元参数控制图。然而,在实际中,过程分布通常是不确定的,或者会发生误判,这种情况下,使用的多元参数控制图经常会发生大量的虚发报警,即在过程受控的情况下,发出报警信号。大量的虚发报警会大大增加质量控制成本,造成不必要的误工,控制图的可靠性也会降低。另外,现有的技术对报警后的异常源诊断,往往需要引入辅助方法。
因此,本发明针对上述情况,提出了新的解决方案。
发明内容
为了克服上述现有技术存在的不足,本发明提供了一种多工序多变量过程在线监控和异常源诊断的稳健方法。
为了实现上述目的,本发明提供如下技术方案:
一种多工序多变量过程在线监控和异常源诊断的稳健方法,包括以下步骤:
步骤1、确定与工序可靠性相关的关键过程变量,采集工序关键质量特性数据;
步骤2、对采集的数据进行处理;
步骤3、将多工序分解为多个单道工序,每个单道工序内,设计分解-联合-分解框架,获得检验统计量的P值,绘制多变量稳健控制图,监控单道工序内多个相关的过程变量,进行异常报警;
步骤4、控制图发出报警后,基于分解的P值诊断异常源,获得异常因素;步骤5、绘制上道工序的全控图和本道工序的全控图及选控图,分析异常因素的来源工序。
优选地,步骤3的具体操作为:针对单道工序内多个质量特征的监控和诊断,提出分解-联合-分解理论框架,结合一元非参数检验、经验copula方法和SPC技术,设计多变量稳健控制图监控与诊断多变量过程;
步骤3.1、将监控多变量联合分布分解为两个部分:监控边缘分布和监控相关结构,这两个部分均选用非参数检验完成;
步骤3.2、对于监控边缘分布,选择Cucconi检验统计量;
步骤3.3、对于监控相关结构,利用pobs函数生成copula伪随机数,计算与原点的欧氏距离,构造样本计算Cucconi统计量;
步骤3.4、采用随机排列法给出每个统计量的经验分布,计算近似P值,使用Tippett函数联合这些P值,构建最终的控制图检测统计量,绘制多变量稳健控制图,监控单道工序内多个相关的过程变量,进行异常报警。
优选地,步骤3.3和3.4中监控单道工序内多个相关的过程变量,并进行异常报警的具体实施步骤包括:
4)选取来自阶段I可控过程容量为m的参考样本;
5)采集来自阶段II容量为n的第j组检验样本;
6)当j=1,2,…,基于随机排列检验计算如下P值:
对于第i个分量的边缘分布,计算第i分量的参考样本和检验样本对应的Cucconi统计量的P值,记为Λij,i=1,2,...,d;
对于变量间的相关结构,计算检验两个经验copula相等的P值Λcj;
4)利用Tippett联合函数组合上述d+1个P值,得到的Cucconi-Copula统计量如下所示:
CCj=max{-ln(Λ1j),-ln(Λ2j),...,-ln(Λdj),-ln(Λcj)},j=1,2,...
式中,ln代表自然对数;
5)设H为Cucconi-Copula控制图的上控制限;
6)当检验统计量CCj超过上控制限H,控制图发生报警;此时,需要诊断异常因素;否则,过程被认为受控,控制图将继续检测下一个检验样本。
优选地,步骤4应用P值方法完成报警后的异常源诊断,具体判断方法如下:
当Cucconi-Copula控制图在第j个检验样本处给出失控信号后:
A.如果-ln(Λkj)大于控制限H,但是-ln(Λij),i=1,2,...d,i≠k以及-ln(Λcj)均小于控制限H,则代表只有第k个分量发生质量偏移;
B.如果-ln(Λcj)超过控制限H,而-ln(Λij),i=1,2,...d均小于控制限H,表示只有相关系数发生漂移;
C.如果-ln(Λkj)和-ln(Λcj)都超过控制限H,并且-ln(Λij),i=1,2,...d,i≠k均小于控制限H,表明第k个质量特性和相关结构同时发生偏移。
优选地,步骤5采用总质量和分质量理论分析异常因素的来源工序包括以下步骤:
1)绘制上道工序异常因素的全控图;
2)绘制本道工序异常因素的全控图,利用回归法消除上工序的影响,绘制本道工序异常因素的选控图;
3)利用三图诊断系统的三八表进行诊断,诊断结果包括以下几种情况:
①上道工序全控图异常,本道工序全控图和选控图均异常,诊断结果:本道工序分质量异常,上道工序总质量也异常;
②上道工序全控图异常,本道工序全控图异常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量异常;
③上道工序全控图异常,本道工序全控图正常,选控图异常,诊断结果:本道工序分质量异常,上道工序总质量也异常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
④上道工序全控图异常,本道工序全控图正常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量异常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
⑤上道工序全控图正常,本道工序全控图和选控图均异常,诊断结果:本道工序分质量异常,上道工序总质量正常;
⑥上道工序全控图正常,本道工序全控图异常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量也正常,但二者方向相同而叠加,使得本道工序的总质量异常;
⑦上道工序全控图正常,本道工序全控图正常,选控图异常,诊断结果:本道工序分质量异常,上道工序总质量正常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
⑧上道工序全控图、本道工序全控图和选控图均正常,诊断结果:本道工序分质量、上道工序总质量和本道工序总质量均正常。
本发明提供的多工序多变量过程在线监控和异常源诊断方法具有以下有益效果:
1.在单道工序内需要同时监控多个相关质量特性,基于非参数SPC技术和经验Copula提出了新的监控方法,该方法稳健,与过程分布无关,实际操作者在对过程分布没有确切了解的情况下可以使用新提出的控制图;
2.该方法能够同时监控各个质量特性以及它们之间相关结构的变化;
3.基于提出的分解-联合-分解设计框架和P值方法,能够在失控报警后,及时给出异常源诊断结果,无需借助其他方法。
附图说明
为了更清楚地说明本发明实施例及其设计方案,下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例,对于本领域普通技术人员来说,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1的多工序多变量过程在线监控和异常源诊断方法的流程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施,下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种多工序多变量过程在线监控和异常源诊断的稳健方法,具体如图1所示,包括以下步骤:
步骤1、确定与工序可靠性相关的关键过程变量,采集工序关键质量特性数据;具体采用传感器与被测对象相关部件连接,直接在生产线采集数据;
步骤2、对采集的数据进行处理;处理数据要结合具体背景、具体数据来定,比如对数据进行排序,筛选,标准化等,具体情况具体分析;
步骤3、将多工序分解为多个单道工序,每个单道工序内,设计分解-联合-分解框架,获得检验统计量的P值,绘制多变量稳健控制图,监控单道工序内多个相关的过程变量,进行异常报警;这里的P值指的是统计学上的统计量的p值,联合-分解-联合是指单道工序内监控多变量过程的控制图的整体设计方法,而P值方法只是其中的一部分,统计量的P值的Tippett联合函数超出控制限,控制图就发出报警;
步骤4、控制图发出报警后,基于分解的P值诊断异常源,获得异常因素;
步骤5、绘制上道工序的全控图和本道工序的全控图及选控图,分析异常因素的来源工序。
进一步地,本实施例中,步骤3的具体操作为:针对单道工序内多个质量特征的监控和诊断,提出分解-联合-分解理论框架,结合一元非参数检验、经验copula方法和SPC技术,设计多变量稳健控制图监控与诊断多变量过程;
步骤3.1、将监控多变量联合分布分解为两个部分:监控边缘分布和监控相关结构,这两个部分均选用非参数检验完成;
步骤3.2、对于监控边缘分布,选择Cucconi检验统计量;
步骤3.3、对于监控相关结构,利用pobs函数生成copula伪随机数,计算与原点的欧氏距离,构造样本计算Cucconi统计量;
步骤3.4、采用随机排列法给出每个统计量的经验分布,计算近似P值,使用Tippett函数联合这些P值,构建最终的控制图检测统计量,绘制多变量稳健控制图,监控单道工序内多个相关的过程变量,进行异常报警。
进一步地,本实施例中,步骤3.3和3.4中监控单道工序内多个相关的过程变量,并进行异常报警的具体实施步骤包括:
7)选取来自阶段I可控过程容量为m的参考样本;
8)采集来自阶段II容量为n的第j组检验样本;
9)当j=1,2,…,基于随机排列检验计算如下P值:
对于第i个分量的边缘分布,计算第i分量的参考样本和检验样本对应的Cucconi统计量的P值,记为Λij,i=1,2,...,d;
对于变量间的相关结构,计算检验两个经验copula相等的P值Λcj;
4)利用Tippett联合函数组合上述d+1个P值,得到的Cucconi-Copula统计量如下所示:
CCj=max{-ln(Λ1j),-ln(Λ2j),...,-ln(Λdj),-ln(Λcj)},j=1,2,...
式中,ln代表自然对数;
5)设H为Cucconi-Copula控制图的上控制限;
6)当检验统计量CCj超过上控制限H,控制图发生报警;此时,需要诊断异常因素;否则,过程被认为受控,控制图将继续检测下一个检验样本。
具体的,对于P值方法,当控制图发出报警信号后,只需要检查是哪个或者哪些统计量对应的P值超出了相应的控制限,即可识别失控质量特性;步骤4应用P值方法完成报警后的异常源诊断的具体判断方法如下:
当Cucconi-Copula控制图在第j个检验样本处给出失控信号后:
A.如果-ln(Λkj)(这里指的是对P值取负对数)大于控制限H,但是-ln(Λij),i=1,2,...d,i≠k以及-ln(Λcj)均小于控制限H,则代表只有第k个分量发生质量偏移;
B.如果-ln(Λcj)超过控制限H,而-ln(Λij),i=1,2,...d均小于控制限H,表示只有相关系数发生漂移;
C.如果-ln(Λkj)和-ln(Λcj)都超过控制限H,并且-ln(Λij),i=1,2,...d,i≠k均小于控制限H,表明第k个质量特性和相关结构同时发生偏移。
进一步地,多工序、多变量制造过程的质量控制中,不仅要考虑单道工序内部的因素重叠现象,还要考虑上、下道工序间的相关问题;由于上下工序之间的相关性,在找出工序内的异常因素后,需要进一步分析异常因素的来源工序,分清工序之间的责任;两种质量诊断理论(是现有技术,两种质量就是指总质量和分质量,用总质量来判断上道工序有无异常情况,分质量不包含上道工序的影响,是用来判断本道工序本身有无异常情况。在下面的具体实施方法中有体现,利用总质量和分质量的异常情况判断异常因素的来源工序。)是一种有效且简单易行的方法,将两种质量图的诊断理论及拓展的三图诊断系统应用到多工序制造过程的诊断中,有效找出了异常因素的来源工序;因此,步骤5采用总质量和分质量理论分析异常因素的来源工序包括以下步骤:
1)绘制上道工序异常因素的全控图;
2)绘制本道工序异常因素的全控图,利用回归法消除上工序的影响,绘制本道工序异常因素的选控图;
3)利用三图诊断系统的三八(三个控制图、八种典型诊断情况)表进行诊断,诊断结果包括以下几种情况:
①上道工序全控图异常,本道工序全控图和选控图均异常,诊断结果:本道工序分质量异常,上道工序总质量也异常;
②上道工序全控图异常,本道工序全控图异常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量异常;
③上道工序全控图异常,本道工序全控图正常,选控图异常,诊断结果:本道工序分质量异常,上道工序总质量也异常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
④上道工序全控图异常,本道工序全控图正常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量异常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
⑤上道工序全控图正常,本道工序全控图和选控图均异常,诊断结果:本道工序分质量异常,上道工序总质量正常;
⑥上道工序全控图正常,本道工序全控图异常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量也正常,但二者方向相同而叠加,使得本道工序的总质量异常;
⑦上道工序全控图正常,本道工序全控图正常,选控图异常,诊断结果:本道工序分质量异常,上道工序总质量正常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
⑧上道工序全控图、本道工序全控图和选控图均正常,诊断结果:本道工序分质量、上道工序总质量和本道工序总质量均正常。
将本实施例提供的上述方法应用到柱塞三遍加工工序的质量诊断,结果表明无需事先指定过程分布,该方法稳健并实现了能够同时监控各个质量特性以及它们之间相关性的变化。更重要的是,在出现过程失控信号后,现有的技术通常要借助其他方法进行诊断,本发明新提出的设计方法本身就能够诊断异常源,即当控制图发出失控报警后,能够识别是哪个或者哪些质量特性发生变化或是相关结构发生变化。
以上所述实施例仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换,均属于本发明的保护范围。
Claims (4)
1.一种多工序多变量过程在线监控和异常源诊断方法,其特征在于,包括以下步骤:
步骤1、确定与工序可靠性相关的关键过程变量,采集工序关键质量特性数据;
步骤2、对采集的数据进行处理;
步骤3、将多工序分解为多个单道工序,每个单道工序内,设计分解-联合-分解框架,获得检验统计量的P值,绘制多变量稳健控制图,监控单道工序内多个相关的过程变量,进行异常报警;
步骤4、控制图发出报警后,基于分解的P值诊断异常源,获得异常因素;
步骤5、绘制上道工序的全控图和本道工序的全控图及选控图,分析异常因素的来源工序;
所述步骤3的具体操作为:针对单道工序内多个质量特征的监控和诊断,提出分解-联合-分解理论框架,结合一元非参数检验、经验copula方法和SPC技术,设计多变量稳健控制图监控与诊断多变量过程;
步骤3.1、将监控多变量联合分布分解为两个部分:监控边缘分布和监控相关结构,这两个部分均选用非参数检验完成;
步骤3.2、对于监控边缘分布,选择Cucconi检验统计量;
步骤3.3、对于监控相关结构,利用pobs函数生成copula伪随机数,计算与原点的欧氏距离,构造样本计算Cucconi统计量;
步骤3.4、采用随机排列法给出每个统计量的经验分布,计算近似P值,使用Tippett函数联合这些P值,构建最终的控制图检测统计量,绘制多变量稳健控制图,监控单道工序内多个相关的过程变量,进行异常报警。
2.根据权利要求1所述的多工序多变量过程在线监控和异常源诊断方法,其特征在于,所述步骤3.3和3.4中监控单道工序内多个相关的过程变量,并进行异常报警的具体实施步骤包括:
1)选取来自阶段I可控过程容量为m的参考样本;
2)采集来自阶段II容量为n的第j组检验样本;
3)当j=1,2,…,基于随机排列检验计算如下P值:
对于第i个分量的边缘分布,计算第i分量的参考样本和检验样本对应的Cucconi统计量的P值,记为Λij,i=1,2,...,d;
对于变量间的相关结构,计算检验两个经验copula相等的P值Λcj;
4)利用Tippett联合函数组合上述d+1个P值,得到的Cucconi-Copula统计量如下所示:
CCj=max{-ln(Λ1j),-ln(Λ2j),...,-ln(Λdj),-ln(Λcj)},j=1,2,...
式中,ln代表自然对数;
5)设H为Cucconi-Copula控制图的上控制限;
6)当检验统计量CCj超过上控制限H,控制图发生报警;此时,需要诊断异常因素;否则,过程被认为受控,控制图将继续检测下一个检验样本。
3.根据权利要求2所述的多工序多变量过程在线监控和异常源诊断方法,其特征在于,所述步骤4应用P值方法完成报警后的异常源诊断,具体判断方法如下:
当Cucconi-Copula控制图在第j个检验样本处给出失控信号后:
A.如果-ln(Λkj)大于控制限H,但是-ln(Λij),i=1,2,...d,i≠k以及-ln(Λcj)均小于控制限H,则代表只有第k个分量发生质量偏移;
B.如果-ln(Λcj)超过控制限H,而-ln(Λij),i=1,2,...d均小于控制限H,表示只有相关系数发生漂移;
C.如果-ln(Λkj)和-ln(Λcj)都超过控制限H,并且-ln(Λij),i=1,2,...d,i≠k均小于控制限H,表明第k个质量特性和相关结构同时发生偏移。
4.根据权利要求1所述的多工序多变量过程在线监控和异常源诊断方法,其特征在于,所述步骤5采用总质量和分质量理论分析异常因素的来源工序包括以下步骤:
1)绘制上道工序异常因素的全控图;
2)绘制本道工序异常因素的全控图,利用回归法消除上工序的影响,绘制本道工序异常因素的选控图;
3)利用三图诊断系统的三八表进行诊断,诊断结果包括以下几种情况:
①上道工序全控图异常,本道工序全控图和选控图均异常,诊断结果:本道工序分质量异常,上道工序总质量也异常;
②上道工序全控图异常,本道工序全控图异常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量异常;
③上道工序全控图异常,本道工序全控图正常,选控图异常,诊断结果:本道工序分质量异常,上道工序总质量也异常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
④上道工序全控图异常,本道工序全控图正常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量异常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
⑤上道工序全控图正常,本道工序全控图和选控图均异常,诊断结果:本道工序分质量异常,上道工序总质量正常;
⑥上道工序全控图正常,本道工序全控图异常,选控图正常,诊断结果:本道工序分质量正常,上道工序总质量也正常,但二者方向相同而叠加,使得本道工序的总质量异常;
⑦上道工序全控图正常,本道工序全控图正常,选控图异常,诊断结果:本道工序分质量异常,上道工序总质量正常,但二者方向相反,叠加而抵消,使得本道工序的总质量正常;
⑧上道工序全控图、本道工序全控图和选控图均正常,诊断结果:本道工序分质量、上道工序总质量和本道工序总质量均正常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011002256.8A CN112114578B (zh) | 2020-09-22 | 2020-09-22 | 一种多工序多变量过程在线监控和异常源诊断的稳健方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011002256.8A CN112114578B (zh) | 2020-09-22 | 2020-09-22 | 一种多工序多变量过程在线监控和异常源诊断的稳健方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112114578A CN112114578A (zh) | 2020-12-22 |
CN112114578B true CN112114578B (zh) | 2021-09-07 |
Family
ID=73801543
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011002256.8A Active CN112114578B (zh) | 2020-09-22 | 2020-09-22 | 一种多工序多变量过程在线监控和异常源诊断的稳健方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112114578B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113778027B (zh) * | 2021-08-06 | 2024-04-19 | 兰州理工大学 | 一种基于广义似然比控制图的非线性自相关数据监控方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002082816A (ja) * | 2000-09-07 | 2002-03-22 | Hitachi Ltd | 障害監視システム |
JP2002196022A (ja) * | 2000-12-26 | 2002-07-10 | Advantest Corp | 電源異常検出装置 |
US8656226B1 (en) * | 2011-01-31 | 2014-02-18 | Open Invention Network, Llc | System and method for statistical application-agnostic fault detection |
JP4073033B1 (ja) * | 2007-04-27 | 2008-04-09 | 透 降矢 | 結合演算の処理機能の向上を考慮した合成関係演算を利用したマルチオペレーション・プロセッシングを用いたデータベースのクエリー処理システム |
CN101251754B (zh) * | 2008-03-13 | 2010-06-02 | 西安交通大学 | 一种多工序加工过程误差流的处理及控制方法 |
CN103439933B (zh) * | 2013-08-13 | 2015-09-30 | 清华大学 | 一种应用ocsvm的生产过程自适应监控系统及方法 |
CN107203198A (zh) * | 2017-05-27 | 2017-09-26 | 四川用联信息技术有限公司 | 改进的制造过程多元质量诊断分类器 |
-
2020
- 2020-09-22 CN CN202011002256.8A patent/CN112114578B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112114578A (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101842347B1 (ko) | 플랜트 이상 감지를 위한 자동 학습 시스템 및 방법 | |
KR101825809B1 (ko) | 플랜트 이상 감지 시스템 및 방법 | |
EP2015186B1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
CN101470426B (zh) | 一种故障检测的方法和系统 | |
US5838561A (en) | Automatic control loop monitoring and diagnostics | |
US5237518A (en) | Optimization method for adaptive sensor reading scheduling and delayed alarm evaluation in real-time diagnostic systems | |
US7702401B2 (en) | System for preserving and displaying process control data associated with an abnormal situation | |
Rotem et al. | Ethylene compressor monitoring using model‐based PCA | |
AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
JP2000259223A (ja) | プラント監視装置 | |
CN109345060B (zh) | 一种基于多源感知的产品质量特性误差溯源分析方法 | |
CN112114578B (zh) | 一种多工序多变量过程在线监控和异常源诊断的稳健方法 | |
CA2252868C (en) | Automatic control loop monitoring and diagnostics | |
CN117251812A (zh) | 一种基于大数据分析的高压电力线路运行故障检测方法 | |
CN104615123B (zh) | 基于k近邻的传感器故障隔离方法 | |
CN109523030B (zh) | 一种基于机器学习的遥测参数异常监测系统 | |
US8224473B2 (en) | Apparatus and method for monitoring an industrial process | |
CN113552853B (zh) | 一种化工系统多工况的报警管理方法及装置 | |
CN111712771A (zh) | 能够执行具有多个机器人的生产系统中的问题诊断的数据处理装置以及方法 | |
CN111624985B (zh) | 燃气轮机控制系统传感器故障诊断方法 | |
Salvador et al. | Online detection of shutdown periods in chemical plants: A case study | |
JPH06274778A (ja) | プラント監視診断装置およびその異常徴候検出方法 | |
JP2645017B2 (ja) | プラント診断方法及びその装置 | |
CN109828146A (zh) | 一种通过设备电参数ad采样判断设备工况的方法 | |
CN114637793B (zh) | 一种基于大数据分析的装备故障频发区域定位方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |