《采用优化概率神经网络的质量异常识别方法》
计算机集成制造/2020/西安交通大学
质量控制的目标：及早发现质量问题并采取适当的措施加以解决，使生产系统能长期保持稳定状态。
控制图：根据一定的处理方法在控制图上画出一系列点的分布状态， 用来确定生产过程是否处于稳定和受控状态。
基于显著性统计原理，控制图将生产系统的波动分为系统波动和异常波动，并认为系统波动总是一直存在且不能消除的，而异常波动会在控制图上显示一定的规律，可以通过一定的控制手段消除。
质量异常的识别主要是识别SPC控制图的异常模式。
1 质量异常模式及其描述
基本质量异常模式有6种：
生产过程可以用下式表示：
2 基于优化概率神经网络的质量异常识别模型
主要分为：特征提取、模式分类、参数优化三个阶段：根据 PCA 方法将高维原始样本数据降低到一定的维度，保留85%原始数据的信息；利用PNN 概率神经网络进行控制图模式的识别，包括基本模式和混合的模式识别；采用改进的单目标优化遗传算法 SGA 对网络主要参数进行寻优，以训练样本的准确率作为算法的适应度函数。
2.1 基于PCA主成分分析的控制图特征提取与降维
从原始的数据分布空间中找到一组相互正交的坐标轴，第一个新坐标轴是原始数据中方差最大的方向，第二个新坐标轴是与第一个轴正交的平面中方差最大的，以此类推可以得到一系列这样的坐标轴。在这些坐标轴中取前几个包含了大部分方差的坐标轴，就实现了对数据特征的降维处理。
2.2 基于概率神经网络（PNN）的异常识别方法
PNN 由输入层、样本层、求和层和输出层（竞争层）构成，输入层的神经元个数是特征向量的 维数，即 PCA 处理后的数据维度，输入层计算输入向量与所有训练样本向量之间的距离；样本层包 括所有训练样本，神经元个数是所有训练样本的个数，激活函数为高斯函数；求和层神经元个数是 类别的个数，将样本层的输出按类相加；输出层也叫竞争层，只有一个神经元，取概率值最大的那 一类输出为1。
在这篇文章种，PNN网络输入层为 PCA 处理后控制图数据，输入层神经元个数由 PCA 处理的结果确定；样本层神经元为训练样本的数量；求和层神经元个数为10，表示异常情况的10种类 别，包括六种基本模式以及四种混合模式。相比传统 BP 神经网络和 RBF 神经网络，PNN 网络学习过程简单，学习速度快；分类更准确，对错误以及噪声的容忍高，没有局部极小值问题，当有代表 性的训练样本数量增加到足够大时，分类器一定能达到贝叶斯最优。
2.3 基于遗传算法的PNN网络参数优化
流程：
仿真试验分析
利用 Monte-Carlo 方法生成六种基本模式和四种混合模式各1000个样本，共10000个控制图模式 样本。选取其中70%作为训练集，30%作为测试集。
