多品种小批量生产中统计过程控制（SPC）的异常检测方法改进——基于机器学习自适应控制限 .docxVIP

PAGE2

多品种小批量生产中统计过程控制（SPC）的异常检测方法改进——基于机器学习自适应控制限

摘要

本研究聚焦于多品种小批量生产模式下传统统计过程控制方法虚警率高、漏报率高的核心困境，提出一种基于孤立森林算法实时调整控制限的异常检测改进方法。研究遵循“问题解析—机制阐释—理论建构”的逻辑主线，系统论证了机器学习自适应控制限的理论合理性与实践可行性。

第一章绪论从制造业柔性化转型的现实背景出发，揭示了传统休哈特控制图在动态非平稳过程中的灵敏度缺陷，明确了以降低两类错误率为核心的研究目标。第二章文献综述系统梳理了SPC方法与机器学习在质量检测领域的国内外研究进展，指出现有研究在动态控制限生成机制方面存在理论空白。第三章界定了统计过程控制、孤立森林与控制限自适应调整等核心概念，并构建了集成统计理论与异常检测算法的分析框架。第四章深入剖析了传统SPC在多品种小批量场景下的结构性矛盾，揭示了静态控制限与动态过程之间的本质冲突。第五章系统阐释了孤立森林通过异常分数密度估计实现控制限动态调整的作用机制，论证了其降低虚警与漏报的理论逻辑。第六章在此基础上建构了机器学习自适应控制限的理论框架，提出“异常分数驱动的控制限动态映射”核心命题。第七章总结了研究的理论贡献与实践启示，第八章反思了研究局限并展望了未来方向。

本研究为多品种小批量生产环境下的质量控制提供了新的理论视角，推动了统计过程