基于PLSR的多级制造过程关键质量特性识别方法

为解决多级制造过程关键质量特性识别中多质量特性之间的相关性问题,将偏最小二乘回归方法(Partial Least Squares Regression, PLSR)引入模型构建与分析中。首先应用状态空间方法建立多级制造过程关键质量特性识别模型,进而利用PLSR方法解决质量特性间的多重共线性问题并进行模型分析,识别关键质量特性,最后以卷烟生产过程为例介绍了该方法的应用。实例表明,该方法不仅可以有效识别多级制造过程关键质量特性,而且能够建立各级过程的输出质量对最终产品质量的影响及其质量特性之间相互关系的模型,反映多级生产过程的结构特征和各级过程质量特性之间的因果关系,为多级制造过程质量分析与控制提供依据。     

基于效用比的多工序并联制造过程能力分析

多工序制造过程通常包含串联和并联两种结构,具有串并联混合结构的多工序制造过程是实践中最为常见的形式,而不同模式的并联结构其上游工序质量波动对下游工序及总过程能力的影响不同。针对多工序制造过程并联结构特点,本文从波动减少的角度重点对多工序并联制造过程中并行、分散和收敛三种基本模式进行过程能力分析,研究多工序制造过程中各子过程波动对整体过程能力的影响,并根据各子过程质量波动减少的“困难度”和“效用比”评价质量改进的效果,给出多工序并联过程能力改进策略选择依据。通过实例表明,本方法能较好地识别各工序质量波动减少对本工序过程能力和总过程能力的不同影响,确定质量改进的优先顺序,实现多工序制造过程的经济性质量改进和优化。     

基于似无关回归的多元稳健损失函数方法

针对多响应参数优化问题,考虑响应间相关性和可控因子波动的影响,提出了一种基于似无关回归的多元稳健损失函数方法。首先采用似无关回归对模型拟合和过程优化中的相关参数进行估计,更有效地利用响应间相关性信息;然后利用给定点处梯度信息来估计可控因子波动对过程稳健性的影响。算例表明,当响应间存在相关性时,与最小二乘方法相比,采用似无关回归拟合的响应曲面模型精度更高;与传统质量损失函数相比,在采用相同质量成本矩阵时,采用稳健损失函数方法得到的最优解处期望质量损失更小。     

基于质量损失的过程网络及其关键质量链分析

针对传统的过程能力分析仅以生产线中某一单一的生产工序(过程)为对象这一问题,将影响产品质量的所有生产过程视为一个过程网络,根据Taguchi田口方法,阐述了过程能力指数与质量损失的关系,给出了生产制造过程网络过程能力指数的计算方法.进一步应用PERT/CPM的基本思想,建立了生产制造过程网络关键质量链的规划模型,将质量损失最大的路径视为关键质量链.通过实例分析表明,以上方法改进了传统的统计质量控制和分析方法,能够有效地实现过程网络的质量管理.     

对有形位特性要求工序的工序能力分析的探讨

形位特性是机械加工中除尺寸特性外另一类主要质量特性，因此，对有这类特性要求的工序进行工序能力分析自然是我们合理地进行工序设计、工序控制及工序改进所必须的．但是，这种分析只有建立在对这类特性的本质正确认识基础上，才能得到有价值的信息． 本文通过应用Ｗ检验法对形位特性总体进行正态性验证的实例和公式 的理论分析，阐述了对有形位特性要求工序进行工序进行分析时，在认识上应该弄清楚的些问一题，并提出了在实际生产中，对形位特性进行优化控制的基本思想．     

弹体分离识别的模糊聚类算法

天地基联合预警中的引导交接问题是导弹预警成功的关键,通过分析弹体分离多目标飞行特性,构建弹头及伴飞物空间位置和速度的模糊等价关系,并基于空间点共线及对称性的模糊判定方法,提出基于模糊聚类识别弹头的一种新算法,解决在弹头伴飞物中准确识别出弹头的问题。仿真计算结果表明,方法具有较高的准确率和很好的实用价值。     

基于半参数回归模型的残差控制图

本文探讨产品工作状态(而非工作结果)的监控,即产品质量特性值随时间和其他影响因素变化的工作过程的监控。受到卷烟生产中叶丝干燥出口物料含水率的监控问题的启发,本文提出了基于半参数回归模型的残差控制图,即通过拟合半参数回归模型获得残差,将经过标准化变换、去自相关性处理和正态变换后的残差作为描点统计量作于Shewhart控制图中,从而进行产品过程工作状态的质量监控。实例分析显示,本文方法对过程均值的异常反应灵敏,能有效地应用于实际生产中。     

基于灰色模型和Bootstrap理论的大规模定制质量控制方法研究

针对大规模定制生产中样本量小而无法直接应用传统控制图判断过程状态的问题,提出基于灰色模型和Bootstrap理论的质量控制方法.首先采用灰色模型,以现有样本为基础进行数据分析,适当扩展样本量;然后基于Bootstrap统计推断方法获得统计量的经验分布;最后建立样本均值和极差控制图,对生产过程的状态进行分析判断.研究表明,新方法可用于大规模定制生产尤其是新型号生产初期的质量预测和控制.     

线性回归模型Bootstrap LM-Error检验的水平扭曲

基于OLS估计残差,本文将Bootstrap方法用于空间误差相关性LM-Error检验,综合考虑Bootstrap模拟抽样次数、空间衔接结构以及样本量,研究并比较空间误差相关Bootstrap LM-Error检验与渐近检验的水平扭曲。大量Monte Carlo实验结果显示,当模型误差不满足独立正态分布的假设条件时,空间误差相关LM-Error渐近检验的水平扭曲较大,采用Bootstrap方法可以较好地降低该水平扭曲;不管模型误差是否满足独立正态分布的假设条件,Bootstrap方法均能够有效地降低LMError渐近检验的水平扭曲。     

参数未知的多变量设置调整问题研究

针对存在起始设置偏差过程参数未知的多变量过程,考虑不同质量特性对总体的质量损失影响不同,研究了在调整费用恒定下的统计过程调整问题.基于过程的状态空间方程模型,利用贝叶斯方法对过程的未知参数和设置偏差进行估计,结合过程的费用结构给出了过程的调整策略.通过仿真与其他的调整策略进行了对比分析,仿真结果表明,提出的调整策略能够更为有效地减少过程的质量损失.     

基于Bootstrap法的动态修正贝叶斯精度评估

针对工程实际中所普遍存在的小子样条件下,研究具有多阶段试验信息时的参数估计问题,提出一种结合Bootstrap方法与动态修正贝叶斯估计方法对精度评估中的弹点散布方差进行估计的方案.     

基于随机加权法的动态Bayes精度评估

以导弹射击精度评估为对象,研究现场子样相对较小的场合下,具有多阶段试验信息时弹点散布方差的估计问题,将随机加权法与Bayes方法结合起来,给出动态Bayes估计的随机加权调整方案.     

Gradient-based iterative identification for MISO Wiener nonlinear systems: Application to a glutamate fermentation process

This paper deals with modeling and parameter identification of multiple-input single-output Wiener nonlinear systems. The basic idea is to construct a multiple-input single-output Wiener nonlinear model and to derive the gradient-based iterative algorithm for the proposed model. The proposed method has been applied to identify the parameters of a glutamate fermentation process. The results of real data simulation show that this method is effective.     

空间一维结构分布动载荷时域识别方法

提出一种适用于空间一维结构分布动载荷的时域识别方法.基于空间分段和时间分段的思想, 推导了载荷时程识别的公式和过程.用MATLAB编写了载荷识别程序,以受分布动载荷简支梁和受随机风载荷输电导线的载荷识别对方法和程序进行验证, 并通过仿真试验研究了噪声对载荷识别的影响.结果表明,该方法对于线性问题有很高的识别精度,对于弱非线性问题能够满足工程应用要求,为分布动载荷时域识别提供了有效的途径.     

基于错误逻辑矩阵的错误识别对象分类及应用研究

研究了错误识别对象的概念和特征,并选取七个特征组合建立了错误识别对象的错误逻辑矩阵表达式,讨论了错误识别对象的类型.最后,结合石塑地板产品质检过程,对于所进行检验的每一片石塑地板建立错误识别的对象逻辑矩阵,通过错误函数求错误值,识别错误的石塑地板对象,并根据错误石塑地板对象特征分类,采用相应的消避错方法进行运算和处理.     

基于变系数模型的纵向数据相关结构选择和估计

本文针对基于变系数模型的纵向数据提出 选择和估计其个体内部相关结构的方法, 给出变系数模型中系数函数曲线的有效估计, 并建立相应的大样本渐近性质. 模拟结果和实例分析表明, 即使在有限样本下, 本文所提方法在选择和估计真实相关结构方面具有相合性, 并能够提高系数函数曲线的估计效率.     

分位数变系数模型基于核光滑的变量选择

分位数变系数模型是一种稳健的非参数建模方法.使用变系数模型分析数据时,一个自然的问题是如何同时选择重要变量和从重要变量中识别常数效应变量.本文基于分位数方法研究具有稳健和有效性的估计和变量选择程序.利用局部光滑和自适应组变量选择方法,并对分位数损失函数施加双惩罚,我们获得了惩罚估计.通过BIC准则合适地选择调节参数,提出的变量选择方法具有oracle理论性质,并通过模拟研究和脂肪实例数据分析来说明新方法的有用性.数值结果表明,在不需要知道关于变量和误差分布的任何信息前提下,本文提出的方法能够识别不重要变量同时能区分出常数效应变量.     

The adaptive lasso in high-dimensional sparse heteroscedastic models

In this paper we study the asymptotic properties of the adaptive Lasso estimate in high-dimensional sparse linear regression models with heteroscedastic errors. It is demonstrated that model selection properties and asymptotic normality of the selected parameters remain valid but with a suboptimal asymptotic variance. A weighted adaptive Lasso estimate is introduced and investigated. In particular, it is shown that the new estimate performs consistent model selection and that linear combinations of the estimates corresponding to the non-vanishing components are asymptotically normally distributed with a smaller variance than those obtained by the “classical” adaptive Lasso. The results are illustrated in a data example and by means of a small simulation study.