统计过程控制是制造过程质量监控的主要方法，其目的在于及时准确地检测出异常原因引起的过程质量特性变化。休哈特控制图是经典的SPC方法，其应用前提是质量特性观测值的样本数据之间相互独立。然而，对于以化工、冶金、生物医药、食品加工等为代表的流程性工业，由于其生产过程自身的物理化学机理，其工序输出产品的质量特性值在短时间内波动不大，且前后时刻的质量特性值之间相互不独立，存在较强的相关性，即某时刻质量特性值与前一时刻甚至前若干时刻的质量特性值高度相关。此外，随着制造自动化水平的提高，在流性工业生产过程中大量采用了基于多传感器的监测监控系统，对质量特性的测量采样频率增大，出现了大量高频数据序列，因而这些数据序列不可避免地呈现出显著的自相关性。例如在卷烟生产过程的制丝工艺中，松散回潮工序的烟片含水率是需要监控的关键质量特性之一。在松散回潮机的出口配置有测定烟片含水率的传感器，其采样频率可达2次/s甚至更高。因此出现了这样的情形：即过程正常时，水分数据序列长时间保持较小的波动，变化很小；而在过程异常时，水分数据序列呈现出一种连续有规律的起伏波动变化。
对于质量特性观测值之间存在显著统计自相关的制造过程，若应用传统休哈特控制图进行质量监控，会使控制界限的计算产生较大误差，应用时将会导致较大的虚发警报概率，严重影响使用者的信心。因此有必要研究和开发适用于自相关过程的质量监控理论与方法。根据理论基础的区别，自相关过程的统计质量监控方法可以分为两大类。一类方法是以统计学和时间序列分析[111，112]为基础，采用CUSUM控制图[113]、EWMA控制图[114]、残差控制图[115-117]、基于Beyas模型的控制图[118]等来代替传统的休哈特控制图进行自相关过程控制。此类方法以过程的时间序列建模为基础，实际应用时，由于很难精确地估计过程参数，因此在确定控制图上下控制限时存在误差，尤其对于均值变化较小的自相关过程，该类方法的可靠性与灵敏度均不高，而且虚发警报和漏发警报的概率均较高，其应用效果尚待改善。
另一种方法是以计算智能理论为基础，将自相关过程的异常状态监控看做是模式识别问题，通过对不同异常模式的训练样本进行学习，来实现对过程未知变化的检测。主要包括人工神经网络方法，例如BP人工神经网络、径向基函数人工神经网络、El-man人工神经网络[29，30，119]，以及支持向量机方法[33，120]等。但现有人工神经网络方法多是通过梯度下降法来进行权值训练，虽然不需要估计过程参数，也不需要拟合过程的自相关模型，但需要大量的、包含丰富背景噪声模式和过程异常模式的训练样本，而且样本集的代表性对方法的识别能力影响较大。如果样本集中不存在某种异常模式的样本数据，那么训练好的网络对于实际过程中出现的该类异常模式也无法正确识别。同时，在人工神经网络权值训练中极易出现“过学习”现象，即训练好的网络对已知样本的重现能力较强，但对未知过程监控的准确度不高；而支持向量机方法虽然可以有效地避免“过学习”现象，在拟合性与预测性能之间取得折中，但其核函数及参数难以确定，参数选择不恰当，将在很大程度上影响该方法的性能。(www.xing528.com)
为克服现有方法的不足，本章提出一种基于动态联想存储器的自相关过程控制方法[121，122]。其基本思想是将自相关过程的正常状态或异常状态看做基本模式，以离散型Hopfield人工神经网络作为联想存储器，采用适当的编码方式，设置吸引子将过程的正常或异常状态存储于网络中，再通过网络的联想功能将过程噪声滤去，还原出某种基本模式，从而判断过程正常与否。该方法不需要拟合过程的时间序列模型，因此对不同过程参数均具适用；此外，该方法也不需要进行网络权值训练，因此不需要训练样本，而且可靠性与灵敏度均较高。
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。
