计算智能在质量监控中的应用主要是采用人工神经网络或支持向量机对控制图的异常模式进行识别，或者结合主成分分析、模糊逻辑等方法来提高识别的可靠性。按照适用对象的不同，可以分为对于符合独立性假设的传统制造过程质量异常波动的监控，以及对于自相关过程质量异常波动的监控。
1.关于传统制造过程质量异常波动的监控
较早的研究是直接利用计算智能方法（例如人工神经网络、支持向量机等）对控制图异常模式进行识别，采用计算智能的优势是能够识别出控制图不同的、混杂在一起的异常模式。
沈维蕾和谢峰[10]利用竞争型人工神经网络来对控制图的异常模式进行监控；姜兴宇等[11]提出一种基于Elman神经网络的工序质量诊断方法；初红艳等[12]利用4个BP人工神经网络，对印刷过程控制图的异常模式进行了识别，并对其中的特征参数进行了估计；Cheng等[13]在累积和控制图检验出过程异常的基础上，利用支持向量机估计过程均值的变化幅度，对比研究发现，该方法的精度要高于单独采用累积和控制图和人工神经网络的方法；王秀红[14]采用三层人工神经网络解决统计过程控制和工程过程调整整合而引起的控制图漏发警报概率较高的问题，将过程输入输出之间的协方差矩阵作为人工神经网络输入，提高了对于过程异常波动的监控可靠性；Fatemi[15]等提出一种多层感知机和LVQ人工神经网络的混合模型，该模型不仅能够对过程的各种异常状态进行监控，而且可以识别出造成非随机波动的主要影响因素来源，并估计出异常状态发生的时间点。
随着研究的深入，研究者在单独应用计算智能方法的基础上，通过采用主成分分析、小波分析等样本数据预处理方法，进一步提高了对过程异常模式的监控识别精度。
杨世元等[16]利用主成分分析将控制图趋势数据集的高维特征投影至低维空间，然后设计了不同的支持向量机分类器进行异常模式的监控，取得了比BP人工神经网络、SLFM方法更高的识别率；吴少雄[17]针对控制图的特殊模式和混合模式，将输入数据经小波分解，形成新的特征向量作为概率人工神经网络输入，再进行控制图模式识别，提高了算法收敛速度和识别精度；张敏和程文明[18]采用基于支持向量机的多分类器对控制图的失效模式进行识别，采用粒子群算法优化了支持向量回归机核函数的参数，该方法识别精度比BP人工神经网络有较大提升；胡胜等[19]针对由于各类异常特征的相关和相似而带来的网络结构复杂和识别精度不高的问题，首先采用核主成分分析简化样本数据集维度，而后再利用BP人工神经网络对过程异常模式进行监控；兰秀菊等[20]提出一个三层的控制图模式识别模型，利用小波分析将控制图异常模式的数据分解为低频和高频部分，再利用支持向量机进行识别，提高了模型对于混杂模式识别的准确率；Ebrahimzadeh等[21]提出一种基于混合智能算法的控制图异常状态的监控方法，采用K均值聚类对样本进行预处理，而后对比研究了多层感知机、概率人工神经网络、径向基函数人工神经网络对于异常状态监控的性能；该研究者[22]又进一步对算法进行改进，将其细化为特征提取、分类和优化三个模块，并分别采用多层感知机和支持向量机实现了过程异常状态的监控。
也有研究者对多变量控制图的异常状态监控问题进行了研究。(www.xing528.com)
如李莉等[23]基于协方差不变假设，提出一种基于相关向量机的T2控制图，可以对过程各个变量的均值进行单独监控，并识别出均值偏移方向；赵凯等[24]对于汽车曲轴生产过程，采用支持向量机进行多元质量特性波动的监控和识别，在质量特性服从多元正态分布的前提下，该方法能够对过程均值的偏移进行诊断，并且识别出均值偏移的组合模式；Cheng和Cheng[25]研究了二元过程方差波动的统计监控问题，并对采样窗口长度、训练样本大小、训练算法等进行了研究，仿真结果显示，方法的平均链长、链长分布等均优于传统控制图。
此外，研究者还关注了如何利用计算智能方法对过程均值和方差的异常状态同时进行监控。
例如，Guh[26]提出一种实时的人工神经网络模型，以质量特性数据和其对应的异常模式作为训练样本，可用于监控过程均值和方差的阶跃、渐进和周期性变化；Salehi等[27]研究了多变量控制图均值和方差异常波动的监控问题，首先采用支持向量机识别出波动类型（均值或方差波动），而后通过两个人工神经网络分别对均值和方差的异常模式及来源进行识别。
2.关于自相关过程质量异常波动的监控
随着制造过程自动化水平的提高、采样频率的加大，相邻时刻质量数据的独立性受到破坏，出现了大量的自相关过程。对于此类过程，应用传统控制图方法，例如残差控制图、累积和控制图、EWMA控制图等，虚发警报的概率较大，可靠性不高，因此研究者试图采用计算智能方法来提高对于自相关过程监控的可靠性。
何桢和刘冬生[28]采用BP人工神经网络对自相关过程进行监控，重点研究了输入层神经元数对过程控制效果的影响，提高了BP人工神经网络的识别率；Pacella和Semeraro[29]利用Elman人工神经网络对自相关过程均值异常波动进行了监控；Arkat等[30]研究了人工神经网络在AR（1）自相关过程累积和残差控制图中的应用；田海晶和潘尔顺[31]针对多变量ARIMA自相关过程，在人工神经网络建模的基础上，对残差利用Hotelling′s T2控制图进行监控，取得了比常规控制图更好的监控效果；Khediri等[32]提出一种基于支持向量机的多元自相关过程监控方法，可以监控多种不同模式的异常波动；何曙光和钱挺[33]提出一种基于支持向量数据描述的多元指数加权移动平均控制图，该方法对于过程质量特性的分布不做要求，无论其是否服从正态分布，控制图效果均优于传统控制图。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
