多元过程监控与异常识别的机器学习方法研究

传统多元统计过程控制(MSPC)图尽管能够检测到过程变异，但不能给出过程异常的变量/变量组合，且要求过程分布已知。。本项目拟构建基于机器学习的多元过程监控与异常识别方法，通过计算机仿真产生具有特定变异模式的样本用于模型训练，并依据获取的规则进行过程监控与异常识别，研究内容包括：1)采用决策树构建多元过程监控模型；2）针对低维(维度低于4)的问题，结合决策树的大样本数据处理能力和支持向量机的非线性分类能力构建异常识别模型；对高维(维度大于等于5)的问题，采用模糊关联规则分析方法获取异常数据和异常分类之间的关联规则，以提高模型对高维问题的处理能力；3）构建适合于机器学习的模型性能评估指标，着重解决模型对训练数据的拟合能力和对非训练数据的泛化能力的平衡问题，以提高模型在整个问题空间的性能；4)模型仿真测试及性能分析。项目研究成果对于拓展MSPC研究方法并推动其应用具有重要理论和应用价值。

在自然科学基金青年基金的资助下，课题组完成了如下几个方面的工作：（1）研究了基于决策树和支持向量机的多元过程监控和诊断模型，提高了过程监控和异常诊断的效果，构建了基于平均运行链长和误分类比率的模型性能评价指标；（2）结合发光二极管封装过程的特点，提出了基于零膨胀泊松过程的累积和控制图，改进了现有方法在监控高水平过程时存在的局限性，并将一元过程的监控扩展到了二元过程；（3）针对手机摄像头测试中的一类特殊的多元多站式测量系统分析问题，提出了基于主成分分析和统计过程控制的测量系统分析和监控方法；（4）针对复杂制造过程中的关键质量特性识别以及质量诊断，进行了理论和应用研究。 . 到目前为止，课题组共发表（含录用）论文13篇，其中SCI检索论文7篇。培养博士研究生4名，硕士研究生8名，参加国际学术会议10余次。此外，在本项目资助下，项目负责人获第11届天津青年科技奖，并于2012年晋升正教授。. 在已有成果的基础上，课题组拟在高维过程监控与诊断以及离散过程监控与诊断的机器学习方面进行进一步深入研究。