文摘
定位可转让的原因利用控制图的异常模式是一种广泛使用的制造质量控制技术。如果有不确定性的发生程度异常模式、诊断过程是不可能进行的。考虑四个常见的控制图异常模式,本文提出了一种基于数字特征的识别方法通过点量化不确定条件下发生程度的异常模式和一个基于模糊逻辑的模糊推理系统计算的贡献程度的可转让的原因与模糊异常模式。应用例结果表明,该方法可以给出一个排名的原因列表下模糊控制图异常模式和支持异常消除。
1。介绍
控制图广泛应用于异常监测和控制制造业和其他进程。应用统计信号检测过程变化,定位的可转让的原因,改善工艺性能,在满足质量水平和维护过程。例如,[1)使用控制图补充戴明将其理念与运行规则检测过程方差的变化。在[2),两个稳定指标提出了识别潜在变异生物制药过程中与普通或特殊原因。文献[3)开发由使用批处理统计过程控制图监控感知过程轨迹。变化过程可分为两类:随机和不正常。一般来说,前者是内在的过程,很难消除;后者表明有一些特殊来源异常,可以检测并消除或限制在一定范围内。此外,后者可以在控制图异常模式的一种形式。所以这是一个快速和简单的方法来识别和诊断的过程使用控制图的异常信号。
然而,有不确定性,模棱两可,含糊不清的流程异常模式识别和诊断。通过考虑cause-selecting问题作为一个模式分类问题,人工神经网络可以部分解决这个问题(4- - - - - -7),但其内部运行机制不能得到明显。如果不确定性可以量化来表示每个非随机模式在多大程度上发生,每个关联程度,原因是存在的,它将有助于决策。因此,许多研究人员将模糊逻辑引入这一领域。Kahraman等人使用三角形隶属度函数定义各种不自然的模式(8]。模糊测试被定义为每个使用的会员价值不自然的模式th样品确认的存在自然的模式。但是只有简单的三角模糊隶属度函数被用来定义所有的模式。Zalila等人提出了一种模糊监督SPC方法可以提醒操作员在使用视觉信号流程状态(9]。这些视觉信号是使用一个模糊规则库生成过程监控中心和分散的状态。小王和Rowlands开发了一个基于模糊规则的推理系统基于区域规则在控制图(10]。输入变量的隶属程度在每个区由模糊集表示,和输出流程状态,映射由十一个模糊if - then规则。这种方法提供了改进的结果的解释数据和一致性,作为数字模糊系统的输出表示是否应该采取行动,如果流程已经失控了。另一个优秀的应用模糊逻辑控制图对个人是由Tannock (11]。在这种方法中,两个模糊集,即集中模糊集和随机模糊集。三个典型的自然模式:转变、趋势和循环模式这两个模糊集进行使用。集中模糊集合的隶属函数定义的操作特征(OC)曲线相当于戴明将其理念控制图,它的平均值和标准偏差的分布。随机集的成员是由计算相关系数的系列样品号窗口与前面的窗口。相关系数的绝对值减去从统一获取会员的程度,这样的高度相关的数据并不被认为是非常随机的。
调查使用模糊逻辑修改SPC规则描述的是(12),目的是减少假警报的一代,也提高检测和故障的检测速度。在[13),作者提出了一种模糊模型检测意味着变化和多元过程中分类他们的大小。通过使用模糊分类器,神经网络的输出时间间隔分为不同的决定。最后,转变身份决定通过一个额外two-point-in-an-interval决策规则。基于模糊统计置信区间的概念和严格的优势度指数的必要性,提出了一种新的模糊控制表(14]。在他们的方法中,控制线路图计算的某些模糊统计测试的关键值。给定的显著性水平和必要性指数,流程状态是由区间判断的位置相对于控制线路。文献[15)用模糊推理系统转移的检查员的主观评级产品质量脆数量和提出了一种新的监控方法出现模糊性和不确定性时的过程。结果显示该方法可以检测异常变化过程中尤其是在小的变化。
然而,所有这些方法只使用模糊逻辑控制图分析模式来确定流程状态。诊断信号的指明原因尚未探索的模式在这些方法。
文献[16- - - - - -18)提出了一些方法来解决生产问题,基于rfid技术的使用。通过附加RFID设施与生产资源,生产过程转换为智能对象,可以感知和交互。这种技术可以获得nonfuzzy物理量的状态信息。但它仍然是难以实现的自动测量不确定的质量属性。
处理上述不确定问题,提出了一种基于模糊逻辑的推理系统(FIS)。系统包括一个输入子模块、六个模糊推理子,一个聚合子模块。每一个推理子模块把数字控制图异常模式的特征作为输入。不分明化后通过各自的隶属函数的输入,结果输入相应的推理子。每个子模块输出的推理结果质心defuzzifying方法。在聚合子模块,所有的证据支持每个原因的推理子聚合使用模糊连接操作符,和原因是排名最后的聚合结果显示基于给定的模糊阈值。
本文的其余部分组织如下。部分2定义了四种基本的异常模式,并建立了经验异常模式之间的关系模型和可转让的原因。提出了模糊推理系统框架和设计过程3。提出系统的性能研究部分4的基础上,应用案例研究。部分5最后总结和结论。
2。问题描述
一个控制过程,分绘制控制图代表一个随机模式遵循正态分布。控制图的随机状态时将破碎过程失控,和一些将显示在控制图异常模式。这些自然模式可以通过一组规则发现基于小概率事件的原理。也可以位于当前异常的原因的基础上,实证异常模式之间的映射关系和可转让的原因。
2.1。控制图异常模式定义
本文认为四个常见的异常模式定义由以下规则:(1)失控的限制(OCL):一个或多个点超越3σ控制限。(2)狂:两个连续三分超越一个σ限制中心线的同一侧。(3)运行:连续七个或更多的点在中心线的同一侧。(4)趋势:七个或更多的点不断增加或减少。
2.2。经验异常模式之间的映射关系和可转让的原因
经验异常模式之间的映射关系和可转让的原因可以构建基于变异的性质产生的原因。根据控制图流程异常与非随机模式,可转让的原因可以分为三个类别如下(见文献[19- - - - - -21])。
(我)孤立的原因(表示 )。孤立的原因是那些会导致单一度量值急剧变化,导致一个特定的点落在控制界限在OCL生产模式在控制图上。这些原因有一次性的效果。受到这一类的可能原因如下:(我)错误的测量、记录、绘图(2)损伤的处理(3)缺陷仅在原材料用于单位(iv)假警报
(2)(表示原因转变 )。这些原因产生一个相当大的转变过程的意思。这些可以被狂和运行模式的控制图。他们表明,一些事件已经发生,已经影响到几件样品造成的漂移的意思。通常的原因可以产生这种效果如下:(我)工具打破(2)原材料或供应商的变化(3)变化检测方法或标准(iv)在机器设置调整(v)介绍新员工或检查员
(3)逐步引起(表示 )。这些原因往往会逐渐改变过程意味着随着时间的推移和生产控制图上增加或减少的趋势和模式识别的趋势。趋势模式产生的原因如以下:(我)逐步引进新原料(2)放松装置(3)操作者的疲劳(iv)机刀具磨损
所以,图表异常pattern-cause可以建模为图所示的关系1。
正确的节点,,可转让导致块代表孤立的原因,转变原因,分别和渐进的原因。左节点异常模式块代表自然的模式OCL,狂,运行,趋势。链接代表各自的节点之间的因果关系。
自然的解释模式变得复杂如果不止一个模式共存。在这种情况下,它将再次增加导致调查的列表。等情况的同时,有四分不断增加和第五个点超出控制限下降,用户会解释,作为一个OCL模式,实际上可能是一种趋势过早模式识别。这可能会误导指明原因搜索浪费精力,时间,金钱。处理这种模棱两可,研制了一种模糊推理引擎可以优先考虑原因的基础上,呈现不自然的模式。
3所示。模糊推理系统(FIS)设计
3.1。模糊推理系统框架和输入/输出变量的定义
模糊推理系统的组成部分包括输入变量及其隶属函数、模糊规则库,输出变量及其隶属度函数。模糊推理系统的输入变量映射到输出变量通过一个模糊规则库。所涉及的步骤模糊化、模糊推理系统推理和去模糊化。输入值是fuzzified由输入变量的隶属度函数定义和计算隶属程度。根据图表pattern-cause关系如图所示1,每个链接被建模为一个单独的模糊推理系统(FIS)。拟议的FIS包括六个人模糊推理系统子和一个聚合模块(如图2)。
本文定义了四个输入变量命名相应的控制图异常模式,六子输出变量和三个最终的输出变量如下。
OCL。这个输入变量定义由以下公式: 在哪里表示th测量绘制控制图和示例和分别表示样本均值和标准偏差。
狂。这个变量的值是由维护一个时间框架窗口的连续三个样品和检查次数两个σ线和三个时间点σ线内的时间框架窗口。点数量和分别存储,更多是作为的价值狂。
运行。7个样品的采样窗口内,连续点在中心线之上和之下的数量统计和最高的价值运行。
趋势。通过维护一个窗口的七个样本,每个样本与以前的相比,连续点数量的增加或减少的值同时被记录,和更多的价值趋势。
。六个模糊推理模块的输出变量是用范围内,价值,测量相应的贡献程度可转让的原因根据发生程度的异常模式。
。最后输出变量是用与三种类型的关联,可转让的原因,和他们的价值是由聚合如以下所示的部分。
根据上述定义,异常模式特征可以逐点算法1。
|
||||||||||||||||||||||||||||||||||
首先,控制图数据输入FIS,和四个异常的特征数字模式都设置为0。每次当一个新观点是绘制控制图,特征的数量OCL更新他们的定义。为狂模式,其特点是使用最新的更新数量连续三分。的运行特点和趋势都是使用最新的七个连续点更新。为运行,狂,趋势模式,它们都有两个不同的可能性及其数字特征获得了最大的两个方面。
3.2。推理子系统设计
本文建立了金融中间人利用Matlab模糊工具箱,采用Mamdani推理方法,并通过重心法defuzzified FIS的输出。
对于一个给定的监视窗口大小,指出限制可能出现的开始点,中间或末尾的窗口当一些可转让的原因发生。所以诊断的过程只有的异常模式可能是错的OCL。考虑的可能性OCL模式将发生在不同的原因,弱之间的因果关系成立和和除了之间的联系的原因及其特征,如图1和2。
以第一个推理模块Fis1为例,设计过程的输入隶属函数,规则库,输出隶属度函数使用Matlab模糊工具箱介绍如下。
根据输入变量的值,它的变化分为三种类型:温和,温和,和严重的波动,每种类型被定义为成员函数的过程中输入fuzzifing。通过这种方式,每个输入fuzzified超过预定义的隶属度函数所需的推理规则。至于加入,我们定义以下三个功能:三角形隶属度函数OCL1 (1.5−1.5,0)OCL2(0.5,2,3)和trapezoidal-shaped隶属函数OCL3(1.5,3、4、5.5),如图3。
因此,输出的,表示程度的贡献来,也被定义为三个三角形隶属度函数与不同的参数,一个(0、0.25、0.5),B(0.3,0.6,0.9)C(分别为0.7、1、1.3),表达温和,温和,和伟大的贡献来,如图4。
的推理规则是由使用推理规则编辑器的设计如下:如果(OCL是OCL1)然后(是一个)如果(OCL是OCL2)然后(是B)如果(OCL是OCL3)然后(是C)
subinference-module的输出被使用defuzzified质心计算方法,该方法返回曲线下的面积的中心。defuzzified结果可以在规则查看器如图5。
同样,隶属度函数狂,趋势,运行都是分为三个部分,分别。为狂三角形隶属度函数FR1 (−1 0 1)FR2(0.25、1、1.75)和trapezoidal-shaped会员功能FR3(1、2、3、4)(如图所示6);为趋势三角形隶属度函数T1 (−4 0 4)T2(1、4、7)和trapezoidal-shaped隶属函数T3(4、7、10、13)(如图所示7);为运行三角形隶属度函数R1 (−4 0 4)R2(1、4、7)和trapezoidal-shaped隶属函数R3(4、7、10、13)(如图所示8)。
的隶属度函数F2F5是一样的,即三角形隶属度函数一个(0、0.25、0.5),B(0.3,0.6,0.9)C(0.7、1、1.3)(如图所示4)。
为F6日,隶属度函数是三角形隶属度函数D(0、0.3、0.6),E(0.4,0.6,0.8)F(0.7,1.3),如图9。
推理规则的设置F2F6所示:FIS2:如果(OCL是OCL1)然后(F2是一个),如果OCL是OCL2)然后(F2是B),如果OCL是OCL3)然后(F2是C);FIS3:如果(OCL是OCL1)然后(F3是一个),如果OCL是OCL2)然后(F3是B),如果OCL是OCL3)然后(F3是C);FIS4:如果(狂是FR1)然后(F4是一个),如果狂是FR2)然后(F4是B),如果狂是FR3)然后(F4是C);FIS5:如果(运行R1)然后(F5是一个),如果运行是R2)然后(F5是B),如果运行是R3)然后(F5是C);FIS6:如果(趋势是T1)然后(F6是D),如果趋势是T2)然后(F6是E),如果趋势是T3)然后(F6是F)。
3.3。模糊聚合算子的设计
为每种类型的可转让的原因,当前控制图异常其贡献程度取决于以下两个因素:(1)自己的特征模式(2)其他模式,除了它的特征模式
所以最后的贡献程度的结果来由两步聚合。在第一步中,所有的推理模块的输出特征模式被运营商最大骨料。节中描述3.1,OCL特征的模式,狂和运行的特征模式,趋势特征的模式。在第二步中,第一步的结果进一步聚合与推理模块的输出noncharacteristic模式使用代数和运算符的操作规则定义如下: 的符号和意思是两个数字的隶属度。
最终的输出结果是表示如下:
金融中间人的工作原理是描述如下。当数据绘制控制图,四个预定义的异常模式的特征数,然后计算其发生程度计算通过使用相应的输入隶属函数。然后,根据相关的推理规则和一些模式,即Fis1 ~ Fis6,贡献程度的得到了一些导致当前异常模式。然后,这些值聚合利用公式(3)~ (5)。最后,的可转让的原因排名根据聚合的价值结果的贡献程度的当前显示在控制图异常。通过设置触发阈值,,三个原因,故障消除将进行一次一些聚合结果大于相应的阈值;也就是说,,,或。
4所示。案例研究
本文采取了滚子纺织机械厂的生产车间为例,收集一些采样周期的质量检查数据,并绘制控制图来验证该方法。
规范辊的中心部分是35毫米,样本大小和子组的数量。为特殊原因:执行以下测试(我)1点> 3标准偏离中心线(2)连续7点在中心线的同一侧(3)连续7分,所有增加或减少(iv)2的3点> 2标准偏离中心线(同侧)
示例数据被Minitab软件绘制控制图,如图10。没有违反了异常点检测规则。的过程控制和不需要调整根据常规控制图的应用原则。
集和实施监测和诊断过程的使用提出金融中间人。结果如图11- - - - - -13。
根据公式(3)~ (5),图11显示的贡献程度,也就是说,F1,当前的模式OCL,图12显示的贡献程度,也就是说,当前的模式OCL,狂,运行,图13显示的贡献程度,也就是说,当前的模式OCL和趋势。
可以看到从图12,当第十个点绘制控制图,输出FIS达到0.94,超过设定的值的。根据公式(4),这个结果是由Fis5 Fis2和潜在的异常模式运行和OCL。自排名第一和三角阈值,消除工作开始原因,包括工具的条件下,改变原材料,和机器设置调整,等等。异常排除后,以下12个样本数据块绘制控制图,没有异常发现的使用提出金融中间人。
对数字11和13,没有触发预设的阈值的采样点,所以这个过程不需要调整。
之前的引入阈值,消除工作开始只有一些聚合结果达到1。控制图如图6,没有,达到1从数据聚合的结果11- - - - - -13,所以没有调整的过程。因此,潜在的和模糊异常模式不能被识别并阻止进步。
5。结论
提出了一种模糊推理系统对控制图处理异常信息。潜在的异常模式定量描述使用模糊隶属逐点。每个指明原因决定的贡献程度和排名的发生程度的异常模式和模糊推理规则。一旦贡献程度大于设置的阈值(或),相应的原因将检查为主要对象。它会加速异常诊断和恢复过程,减少过程运行时间处于不正常状态。应用结果表明,该FIS系统有良好的影响模糊异常模式,传统的质量控制工具可以不承认。
本文分析了基于XBar提出系统图和进一步的研究可以扩展到其他类型的控制图和多元控制图。至于内部的每个类别的可转让的原因,我们可以分析每一个细节引起的贡献程度根据具体过程的质量控制经验,因此系统可以提供一个具体和直接异常消除方法。同时,设置不同的阈值条件可能在未来的研究值得追求的。
相互竞争的利益
作者宣称没有利益冲突。
确认
本文由湖南省教育科学研究基金支持部门(批准号16 b208)、MOE(教育部)在中国人文社会科学项目(批准号13 yjc630049)、中国和山西省自然科学基金(批准号中国2013021021 - 2)。