神經網絡在控制圖模式識別中的研究

余世音

摘 要：論文敘述了質量控制圖的原理與基本模式，控制圖模式識別的意義以及神經網絡在控制圖模式識別中的應用、研究現狀、在質量工程領域的發展趨勢和研究方向。控制圖異常模式自動識別在如今的生產制造過程越來越重要，識別方法的合理有效性直接影響質量診斷結果的準確性，利用復雜的神經網絡可以有效地進行模式識別，對工業生產制造有很大的意義，有效減少經濟損失，取得經濟效益。

關鍵詞：神經網絡;質量控制圖;模式識別

1.引言

質量控制圖首先由休哈特提出，之后得到了廣泛的研究與應用，取得了相當不錯的經濟效益與社會效益，對經濟的發展做出了巨大的貢獻。質量控制圖初期主要用于工業生產過程的質量控制，后來逐漸應用到分析實驗用來對分析質量的控制。控制圖模式的判定準則主要是GB/T4091——2001給出的8種情況，幾種常見的基本模式：向上趨勢、向下趨勢、向上偏移、向下偏移、循環模式和正常模式。質量控制圖異常模式自動識別在如今的生產制造過程越來越重要，研究有關控制圖模式識別方法的合理有效性很有意義。神經網絡是一種旨在模仿人腦結構及其功能的信息處理系統，可通過自學習、自組織和非線性動力學所形成的并行分布方式來處理模式信息進而進行模式識別，用神經網絡進行控制圖的模式識別是一種有效的方法。

2.質量控制圖

質量控制圖，由沃特·休哈特博士率先提出。他指出：每一個方法都存在著變異，都受到時間和空間的影響，即使在理想的條件下獲得的一組分析結果，也會存在一定的隨機誤差。質量控制圖是一種根據假設檢驗的原理，在以橫坐標表示樣組編號、以縱坐標表示根據質量特性或其特征值求得的中心線和上、下控制線。在直角坐標系中，把抽樣所得數計算成對應數值并以點子的形式按樣組抽取次序標注在圖上。視點子與中心線、界限線的相對位置及其排列形狀，鑒別工序中有否存在系統原因，分析和判斷工序是否處于控制狀態，從而具有區分正常波動與異常波動功能的統計圖形。它反映和控制質量特性值分布狀態隨時間而發生的變動情況，判斷過程是否處于穩定狀態。

控制圖的基本原理有四個，包括正態性假定、假設性檢驗思想、小概率事件原理、3σ準則。任何生產過程生產出來的產品，其質量特性值總會存在一定程度的波動，當過程穩定或者說受控時，這些波動主要是由5M1E的微小變化造成的隨機誤差。此時，絕大多數質量特性值均服從或近似服從正態分布。由正態分布的性質可知質量數據出現在平均值的正負三個標準差之外的概率僅為0.27%，這是一個很小的概率，根據概率論“視小概率事件為實際上不可能”的原則，可以認為出現在x±3σ區間外的事件是異常波動，它的發生是由于異常原因使其總體的分布偏離了正常位置。

模式識別就是根據研究對象的特征或者屬性，運用一定的分析算法認定其類別，并且分類識別的結果盡可能地符合真實。控制圖模式識別有幾個步驟，首先需要進行模式采集，即控制圖那六種基本模式，之后提取/選擇特征，提取一般以分類中使用的某種判決規則為準則。然后進行學習訓練：使機器具有分類識別功能，首先對其進行訓練，產生分類識別的規則和分析程序。之后分類識別，把特征空間劃分為類空間，把未知類別屬性的樣本確定為類空間中的某一類型。機器中的分類識別知識與待識別對象越匹配，知識的運用越合理，系統的識別功能就越強。

3.基于神經網絡的控制圖模式識別

根據 SPC 理論，過程中存在兩類變差：普通原因變差和特殊原因變差。為了有效對過程中的特殊原因變差進行監控，六類 SPC 控制圖模式（即，正常模式，向上/向下中心平移模式，向上/向下趨勢模式，循環模式）需要盡快得到識別。然而，傳統休哈特控制圖不適合于具有相關性質的過程觀測數據，會導致過 高的虛發報警。神經網絡是一種運算模型，由大量的節點（或稱神經元）之間相互聯接構成。隨著對人工神經網絡的深入研究，其在模式識別領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。人工神經網絡的特點和優越性，具有自學習功能，聯想存儲功能和高速尋找優化解的能力。基本思想是：信息處理由神經元節點之間的反饋作用來實現，可對特征復雜的數據進行高精確度的自動分類。BP神經網絡由三層網絡結構和兩部分組成：分別是輸入層、隱層、輸出層及輸入信息的正向傳播和誤差的反向傳播，由于加入了反饋環節，輸出層輸出若未能達到預期值，則調整誤差權重，并進行誤差的反向傳播。通過正向傳播和反饋，不斷地計算誤差并調節權重，逐漸逼近真實值，從而完成網絡的訓練。

4.研究現狀

神經網絡控制圖模式識別應用非常廣泛，也有很大的發展。有一部分把小波分析與神經網絡相結合，根據基本模式識別方法，對比直接概率神經網絡識別模型和小波提取特征以及概率神經網絡識別模型的性能，就并發模式，并發異常信號進行小波變換，可以將其分解為基本模式信號的組合，其中大尺度逼近部分代表其中的低頻部分，而細節部分代表其中的高頻部分。并根據得到的數據系數重構原始信號。其中 BP 神經網絡的輸入問題的難點在于小波基函數的選擇、分解水平數的確定以及重構系數的選擇，因為并發模式中不同基本模式識別效率存在一定明顯差異，其中的原因還沒有很清楚的確定，需要更深一步的探索。

5.結束語

質量特性控制圖模式識別是統計工序控制進行過程異常預警的重要手段，應用非常廣泛。控制圖模式識別對于實現控制圖應用過程的自動化至關重要。識別方法的合理有效性直接影響質量診斷結果的準確性，利用復雜的神經網絡可以有效地進行模式識別，迅速反映異常問題，對生產質量控制監測有很大幫助。利用神經網絡進行控制圖的模式識別是個研究熱點，依然有發展空間。加強神經網絡預測控制的穩定性研究和應用研究，使理論研究成果盡快應 用于實際工業過程，從而更好地解決復雜的實際工業控制難題。

參考文獻

[1]卓德保.徐濟超.質量診斷技術及其應用綜述.系統工程學報，2008，23（3）

[2]費仁元.王民.基于神經網絡的控制圖異常模式識別研究.北京工業大學學報，2006，32（8）

[3]靳富麗.模式識別理論及其應用[J].湖北廣播電視大學學報，2007（12）：159-160.