基于统计学习方法的复杂多变量制造过程质量的建模与控制研究

本项目以复杂多变量制造过程为研究对象，系统地将统计学习理论与方法引入到制造过程质量控制中。在揭示制造系统在复杂工况下过程质量状态的动态行为与演变规律基础上，在逻辑层上提出了关键过程变量选择的系统流程与算法，在数据层上提出了基于全局与局部过程信息融合的过程特征信息抽取算法。研究基于隐马尔科夫模型的制造过程状态的建模方法，提高了复杂制造信息的融合能力，不确定性信息处理及动态时变自适应能力。为了提供制造过程的质量缺陷预示与消减的共性技术与方法，率先提出了制造过程状态量化评估方法和基于贝叶斯推论的过程失效概率计算模型，建立了基于多隐马尔科夫集成模型、模式识别、增量学习等理论与方法相融合的过程故障源动态诊断系统。因此，通过本项目的研究可以为设计高可靠性、高效率的制造系统，制造过程质量控制与改进提供理论依据和技术基础，对提高我国制造业的科学生产和管理水平具有重要的指导意义。

复杂多变量制造过程监控诊断系统已经成为实现高质量、高精度和高可靠性化先进制造的核心技术。本项目系统地将统计学习理论与方法引入到制造过程质量控制中，以实现由数据和模型驱动的复杂制造过程的建模、异常监控与故障源诊断，提供制造过程质量缺陷预示与消减的共性技术。首先，研究基于流形学习的高维数据集维度缩减和信息提取算法，解决了关键过程变量选择和特征提取的问题。提出了一个新颖的流形学习算法（称为为局部非局部保持投影，local and nonlocal preserving projection, LNPP），相比传统的主元分析算法（Principal component analysis, PCA）和代表性的流形学习算法（如Local preserving project, LPP），显示了更好的信息抽取能力，并成功解决了高维过程变量集的关键特征提取的问题。研究基于高斯混合模型和隐马尔科夫模型的制造过程状态建模方法，解决了多模态和非线性过程状态同时建模和在线自适应过程状态学习建模等关键问题，显著地提高了复杂制造信息的融合能力，不确定性信息处理及动态时变自适应能力。特别是我们开发了一套自适应高斯混合模型实现对时变系统的状态在线学习和量化评估，克服了传统的监控系统一旦离线构建后无法在线更新模型的缺陷，显著地提高了监控系统的工业可应用性。率先提出了制造过程质量状态量化评估方案和基于贝叶斯推论的过程失效概率计算模型。与其他提出的过程状态指标相比较，以失效概率模式量化过程状态提高了过程状态指标的可理解性和故障监控性能，并在实际工业应用（半导体制造过程）中显示了良好的可应用性。针对复杂制造过程的故障在线上随机动态出现的现象，建立了基于学习器集成模型、增量学习、知识发现理论相融合的制造过程故障源动态诊断系统。动态诊断系统一方面能探测和识别线上出现的新故障，另外一方面能自适应学习这些新故障形成一个动态故障诊断库。因此，动态诊断系统的这些特征解决了制造过程故障的在线学习与识别的关键问题。此外，统计学习理论和方法在设备和系统健康智能预诊方面也开展了一些额外的工作，解决了一些关键问题和取得了一些研究成果。研究结果为统计学习在制造过程的广泛应用奠定了重要的理论与方法基础，开辟一个基于统计学习方法的制造过程质量控制新的研究方向。