中文摘要
摘要
在复杂产品制造过程中,大量质量特性被同时采集和监测,而不同质量特性对
产品质量的影响程度往往存在显著差异,因此需要从众多质量特性中识别出对产
品质量有重要影响的关键质量特性(KeyQualityCharacteristic,KQC)。然而,在
实际制造数据中,这些质量特性通常表现出高维度、强相关性以及特征冗余等特点,
使KQC的准确识别面临较大挑战。传统统计分析方法难以有效刻画复杂制造数据
中的非线性
中文摘要
摘要
在复杂产品制造过程中,大量质量特性被同时采集和监测,而不同质量特性对
产品质量的影响程度往往存在显著差异,因此需要从众多质量特性中识别出对产
品质量有重要影响的关键质量特性(KeyQualityCharacteristic,KQC)。然而,在
实际制造数据中,这些质量特性通常表现出高维度、强相关性以及特征冗余等特点,
使KQC的准确识别面临较大挑战。传统统计分析方法难以有效刻画复杂制造数据
中的非线性
文档评论(0)