复杂数据统计过程控制的若干地研究.pdf

摘要 a1．(2004)．然而，现有的工作存在有两方面的不足：一，它们都依赖于参数已知的 假设；二，他们都建立在简单线性模型基础之上，缺乏统一的一般线性模型的有 效且简便的控制方法．由此，我们在第1章中从这两面着手进行研究．对于第一个 问题，我们提出了两种不同的解决方案，一种方法是结合序贯变点方法和似然比 检验，另一种方法是使用迭代残差构造自启动指数移动平均(EWMA)控制图．两 种方法各有优势：前者有良好的理论基础和综合的实际效果，但需要的计算量偏 大；后者构造实施简单，可控失控平均运行长度均可由马氏链方法快速计算得到． 在实际应用中可根据需要由使用者自行选择．针对第二个问题，我们提出了全新 的多元EWMA控制图及相应诊断的统一框架．该方法具有如下优势：首先，由于 最终控制图的统计量是一元的，其操作和实现方便；其次可控和失控的运行长度 均可由马尔科夫链方法得到，因此设计简单且很容易推广至可变抽样参数的控制 图；再次其可同时监控回归系数和profile方差的变化(包括方差增大和减小)；最 后其具有非常良好的监控效果． 。在很多情况下，准确地用参数回归函数描述一profile是相当困难的，尤其当 一个profile比较复杂的时候．实际应用中，很多工程师们可能想避免复杂且费时 的建模过程．另外，用参数回归的方法存在另一个缺陷是，即使我们正确地描述 了可控状态下的profile，但若在失控情形时profile不是简单地参数发生变化，而 是模型的结构发生了变化，这种情况下使用参数假设检验方法得到的控制图缺乏 稳健性，也就是说在很多情况下，它对过程飘移不敏感．在第2章中，我们首先针 et 对两回归曲线比较这一重要的统计问题进行研究，综合使用广义似然比(Fan and a1．2001)和自适应选取带宽的技术(Guerre2005)提出了一新的检 Lavergne 验方法并得到了其原假设和备则假设下的极限分布．该问题的研究为我们后面的 序贯检验提供了基础．然后我们在2．2节中开创性地提出基于非参数回归方法的 指数移动平均控制图，对profile过程的在线监控和诊断问题给予了全面的解答． 之后在2．3节中我们提出一基于变点模型的自启动型非参数控制图，该方法采用 bootstrap确定控制线，有效地解决了参数未知及误差分布未知时控制图的设计 问题．2．4节我们针对非平衡或随机设计的profile数据这一在线控制的难点问题， 提出了将指数移动平均引入局部线性回归中的奇特方法，并对自适应权函数，自 适应选取带宽以及自启动等问题给予了详细的探讨．最后，针对工业生产中大量 profile数据都存在的profile数据内观测是相关的问题，我们创新地引入局部线性 混合模型对该类数据进行建模和第一阶段参数估计，并提出了一既有良好理论支 摘要 撑，又具备快速计算方便实施特点的在线控制方案，通过一个粒状薄板生产线的 实际例子说明我们的方法是非常有效的． 传统上，无论是一元或是多元控制图，我们一般假设过程观测服从正态分布． 在这样的假设下，我们一般通过似然方法来构造检验统计量再用过程控制图来进 行序贯检验．但是，在很多生产过程中，产品指标的分布不服从正态分布且是未 知的，这时若用针对正态分布时的控制图及设计会导致两方面严重的不良结果。 一是可控时控制图的运行长度会严重偏离我们想要达到的值，从而使得我们对过 程失控与否的判断失去根据；二是，由正态分布所得到的检验统计量不一定对非 正态过程的飘移敏感，因此在过程失控时，通常很难快速地给出警报．第3章基于 两样本的秩检验和动态变点模型，提出一全新的非参数控制图．该控制图结合自 启动和非参数两个特点，对各种数据分布具有可控状态稳健性及失控状态的灵敏 性的特点． 大量的工业生产过程都存在有数据相关的问题．直接使用在独立假设下开发 出的方法通常都会导致非常不良的效果，即便是在相关性不太大的情形下有时亦 会如此．我们在第4章中将可变抽样参数控制图的思想推广到自相关数据过程的 监控，提出了一在固定时间点抽样的可变抽样区问和样本容量的用于监控自相关 数据的控制图，并给出了一综合马氏链和积分方程方法的计算平