神經(jīng)網(wǎng)絡(luò)在控制圖模式識別中的研究

余世音

摘 要：論文敘述了質(zhì)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(jīng)網(wǎng)絡(luò)在控制圖模式識別中的應(yīng)用、研究現(xiàn)狀、在質(zhì)量工程領(lǐng)域的發(fā)展趨勢和研究方向?？刂茍D異常模式自動識別在如今的生產(chǎn)制造過程越來越重要，識別方法的合理有效性直接影響質(zhì)量診斷結(jié)果的準(zhǔn)確性，利用復(fù)雜的神經(jīng)網(wǎng)絡(luò)可以有效地進(jìn)行模式識別，對工業(yè)生產(chǎn)制造有很大的意義，有效減少經(jīng)濟(jì)損失，取得經(jīng)濟(jì)效益。

關(guān)鍵詞：神經(jīng)網(wǎng)絡(luò);質(zhì)量控制圖;模式識別

1.引言

質(zhì)量控制圖首先由休哈特提出，之后得到了廣泛的研究與應(yīng)用，取得了相當(dāng)不錯的經(jīng)濟(jì)效益與社會效益，對經(jīng)濟(jì)的發(fā)展做出了巨大的貢獻(xiàn)。質(zhì)量控制圖初期主要用于工業(yè)生產(chǎn)過程的質(zhì)量控制，后來逐漸應(yīng)用到分析實驗用來對分析質(zhì)量的控制。控制圖模式的判定準(zhǔn)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(huán)模式和正常模式。質(zhì)量控制圖異常模式自動識別在如今的生產(chǎn)制造過程越來越重要，研究有關(guān)控制圖模式識別方法的合理有效性很有意義。神經(jīng)網(wǎng)絡(luò)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)，可通過自學(xué)習(xí)、自組織和非線性動力學(xué)所形成的并行分布方式來處理模式信息進(jìn)而進(jìn)行模式識別，用神經(jīng)網(wǎng)絡(luò)進(jìn)行控制圖的模式識別是一種有效的方法。

2.質(zhì)量控制圖

質(zhì)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(jié)果，也會存在一定的隨機誤差。質(zhì)量控制圖是一種根據(jù)假設(shè)檢驗的原理，在以橫坐標(biāo)表示樣組編號、以縱坐標(biāo)表示根據(jù)質(zhì)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(biāo)系中，把抽樣所得數(shù)計算成對應(yīng)數(shù)值并以點子的形式按樣組抽取次序標(biāo)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(tǒng)原因，分析和判斷工序是否處于控制狀態(tài)，從而具有區(qū)分正常波動與異常波動功能的統(tǒng)計圖形。它反映和控制質(zhì)量特性值分布狀態(tài)隨時間而發(fā)生的變動情況，判斷過程是否處于穩(wěn)定狀態(tài)。

控制圖的基本原理有四個，包括正態(tài)性假定、假設(shè)性檢驗思想、小概率事件原理、3σ準(zhǔn)則。任何生產(chǎn)過程生產(chǎn)出來的產(chǎn)品，其質(zhì)量特性值總會存在一定程度的波動，當(dāng)過程穩(wěn)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(shù)質(zhì)量特性值均服從或近似服從正態(tài)分布。由正態(tài)分布的性質(zhì)可知質(zhì)量數(shù)據(jù)出現(xiàn)在平均值的正負(fù)三個標(biāo)準(zhǔn)差之外的概率僅為0.27%，這是一個很小的概率，根據(jù)概率論“視小概率事件為實際上不可能”的原則，可以認(rèn)為出現(xiàn)在x±3σ區(qū)間外的事件是異常波動，它的發(fā)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(jù)研究對象的特征或者屬性，運用一定的分析算法認(rèn)定其類別，并且分類識別的結(jié)果盡可能地符合真實?？刂茍D模式識別有幾個步驟，首先需要進(jìn)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(guī)則為準(zhǔn)則。然后進(jìn)行學(xué)習(xí)訓(xùn)練：使機器具有分類識別功能，首先對其進(jìn)行訓(xùn)練，產(chǎn)生分類識別的規(guī)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(tǒng)的識別功能就越強。

3.基于神經(jīng)網(wǎng)絡(luò)的控制圖模式識別

根據(jù) 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(jìn)行監(jiān)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(huán)模式）需要盡快得到識別。然而，傳統(tǒng)休哈特控制圖不適合于具有相關(guān)性質(zhì)的過程觀測數(shù)據(jù)，會導(dǎo)致過 高的虛發(fā)報警。神經(jīng)網(wǎng)絡(luò)是一種運算模型，由大量的節(jié)點（或稱神經(jīng)元）之間相互聯(lián)接構(gòu)成。隨著對人工神經(jīng)網(wǎng)絡(luò)的深入研究，其在模式識別領(lǐng)域已成功地解決了許多現(xiàn)代計算機難以解決的實際問題，表現(xiàn)出了良好的智能特性。人工神經(jīng)網(wǎng)絡(luò)的特點和優(yōu)越性，具有自學(xué)習(xí)功能，聯(lián)想存儲功能和高速尋找優(yōu)化解的能力?；舅枷胧牵盒畔⑻幚碛缮窠?jīng)元節(jié)點之間的反饋作用來實現(xiàn)，可對特征復(fù)雜的數(shù)據(jù)進(jìn)行高精確度的自動分類。BP神經(jīng)網(wǎng)絡(luò)由三層網(wǎng)絡(luò)結(jié)構(gòu)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(huán)節(jié)，輸出層輸出若未能達(dá)到預(yù)期值，則調(diào)整誤差權(quán)重，并進(jìn)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(diào)節(jié)權(quán)重，逐漸逼近真實值，從而完成網(wǎng)絡(luò)的訓(xùn)練。

4.研究現(xiàn)狀

神經(jīng)網(wǎng)絡(luò)控制圖模式識別應(yīng)用非常廣泛，也有很大的發(fā)展。有一部分把小波分析與神經(jīng)網(wǎng)絡(luò)相結(jié)合，根據(jù)基本模式識別方法，對比直接概率神經(jīng)網(wǎng)絡(luò)識別模型和小波提取特征以及概率神經(jīng)網(wǎng)絡(luò)識別模型的性能，就并發(fā)模式，并發(fā)異常信號進(jìn)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(xì)節(jié)部分代表其中的高頻部分。并根據(jù)得到的數(shù)據(jù)系數(shù)重構(gòu)原始信號。其中 BP 神經(jīng)網(wǎng)絡(luò)的輸入問題的難點在于小波基函數(shù)的選擇、分解水平數(shù)的確定以及重構(gòu)系數(shù)的選擇，因為并發(fā)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(jié)束語

質(zhì)量特性控制圖模式識別是統(tǒng)計工序控制進(jìn)行過程異常預(yù)警的重要手段，應(yīng)用非常廣泛。控制圖模式識別對于實現(xiàn)控制圖應(yīng)用過程的自動化至關(guān)重要。識別方法的合理有效性直接影響質(zhì)量診斷結(jié)果的準(zhǔn)確性，利用復(fù)雜的神經(jīng)網(wǎng)絡(luò)可以有效地進(jìn)行模式識別，迅速反映異常問題，對生產(chǎn)質(zhì)量控制監(jiān)測有很大幫助。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行控制圖的模式識別是個研究熱點，依然有發(fā)展空間。加強神經(jīng)網(wǎng)絡(luò)預(yù)測控制的穩(wěn)定性研究和應(yīng)用研究，使理論研究成果盡快應(yīng) 用于實際工業(yè)過程，從而更好地解決復(fù)雜的實際工業(yè)控制難題。

參考文獻(xiàn)

[1]卓德保.徐濟(jì)超.質(zhì)量診斷技術(shù)及其應(yīng)用綜述.系統(tǒng)工程學(xué)報，2008，23（3）

[2]費仁元.王民.基于神經(jīng)網(wǎng)絡(luò)的控制圖異常模式識別研究.北京工業(yè)大學(xué)學(xué)報，2006，32（8）

[3]靳富麗.模式識別理論及其應(yīng)用[J].湖北廣播電視大學(xué)學(xué)報，2007（12）：159-160.