多变量统计过程控制_附件.pptVIP

统计过程控制简介 统计过程控制主要是控制引起产品质量变化的因素。 产品质量被定义为过程输出。在对过程进行控制时就是对 过程输入进行调 控，以保证过程输出的精度。 统计过程实施步骤：⑴构画流程图。画过程流程图， 并标注组成过程的各个阶段。其次研究过程中的数据流向 与数据储存。⑵确定问题。确定过程变量，收集变量数据 并加以分析。⑶过程探索。收集过程信息，建立经验或者 理论模型，选定统计过程控制图并决定采用哪些变量，最 后实施统计过程控制。 主元分析 主元分析可以用来实现下列目标：数据简化、数据 压缩、建模奇异值检测、变量选择、分类和预报。 其中得分向量之间是相互正交的，负荷向量之间相互正交 且长度为1，由此可得 数据矩阵X的变化体现在主元所对应的负荷向量方向 上。 数据矩阵X的主元计算方法 方法一:利用X的协方差矩阵计算主元 第一步：数据矩阵X的负荷向量实际上是其协方差矩阵 的 特征向量。故需先求出协方差矩阵特征值 的特向 量 。 第二步：由于X的负荷向量相互正交且长度为1.故需要对所得 上面特征向量进行正交化，单位化。 第三步：根据 可求得数据矩阵的各个得分向量， 即X的各个主元。 方法二：非线性迭代部分最小二乘算法（NIPALS） 利用NIPALS算法分别计算矩阵的各个主元。 NIPALS算法步骤为： ①从X中任选一列Xj，并记为t1，即t1= Xj; ②计算p1： ; ③将p1的长度归一化： ; ④计算t1： ; ⑤将步骤②中的t1与步骤④中的t1作比较，如果它们一样，则算 法已收敛，计算停止，如果它们不一样，回到步骤②，以④中的t1 代替②中的t1继续计算，知道算法收敛为止。 上述算法只是针对第一个主元而言的，对于计算其他主元，算 法是一样的，只要将算法中的X矩阵变为相应的误差矩阵即可。 利用主元分析清除数据中测量噪声 式中E为误差矩阵。因而数据X可以近似地表示为： 通过对数据矩阵进行主元分析可以计算出矩阵的各个主元，用前k个主元来表示数据X不仅可以起到压缩数据维数的作用，还可以很好起到清除噪声的作用。 应用主元分析压缩数据维数实例 用MatIab指令按下列表达式产生一组四维数据： 从上述数学描述式可以看出，这四个变量之间是线性相关的。对这些数据进行主几分析，得到数据的协方差短阵的特征值为： 539．46， 73.32 ， 0， 0 这说明数据维数可以压缩为两维。与前两个特征值对应的特征向员为： [0．3078 —0．1537 0．7693 0．53831] [一0．4754 —0．6551 —0．2957 0．5073 ] 因此，主元分析足对数据进行维数压缩的有效工具，它对分析和研究过程以及对过程进行监控是非常实用的. 模型的建立 通过过程所积累的数据和实验所得到的数据，一般的 线性模型可以表达为： 用多元回归算法求模型最佳参数 将实测输出值表达为模型预测值加上误差值 所要求的最佳模型参数就是要求误差值最小，即E最 小。也可表示为 最小。 记 ，求J最小值如下： 用主元回归计算模型参数 用X的前k个主元来代替那些原始输入变量进行回归分 析，这样便得到下面的主元回归模型PCR。 式中 为主元回归模型参数。 利用最小二乘法计算得到 由于 ，所以 ，从上式中可以看出 此式即为通过主元回归得到模型参数