A machine learning-based statistical process control for nonnormal multivariate data with nonlinear correlation structure

Arijit Maji

doi:10.1080/01605682.2026.2679041

A machine learning-based statistical process control for nonnormal multivariate data with nonlinear correlation structure

2026-06-12

0

PRE

AI

DOI：10.1080/01605682.2026.2679041

原文链接

原文求助

摘要

En 中文

多变量过程控制（MPC）图被广泛用于同时监控多个质量特性以确保制造质量、生产效率和操作稳定性。然而，大多数现有的非参数MPC图主要关注监控“位置”或“离散”参数，通常假设线性或可忽略的相关结构，并且对诊断失控（OC）信号来源的能力有限。为解决这些局限性，本文提出了一种实时非参数框架，用于具有非线性依赖关系的多元过程的联合监控与诊断。所提出的控制图通过单个统计量同时监控“位置”、“离散”和“不对称性”以用于独立观测值。该框架集成了一个稳健的“空间中位数”估计器、基于k近邻（k-NN）的局部离散估计（具有优化选择的邻域大小）和一类分类支持向量机（OCC-SVM），称为“空间中位数和k-NN基OCC-SVM”图。引入了一种新的无监督双目标优化方法用于OCC-SVM的超参数调优。对于诊断，基于“相对指标”的分解识别变量级对OC信号的贡献，并使用支持向量确定诊断阈值。通过三种非线性相关结构下的广泛蒙特卡罗模拟评估监控性能，考虑突变和渐变偏移，使用中位运行长度（MRL）和相对中位数指数（RMeI）。对于诊断性能，考虑了部分过程变量偏移。结果表明，与竞争方法相比，监控（更低的OC-MRL和RMeI）和诊断精度始终更优，并通过三个真实制造案例研究进一步验证了其实际有效性。

Keyword:

Distribution-free control charts

Multivariate process control

Machine learning–based SPC

Nonlinear dependence

Online monitoring

Process diagnosis

A machine learning-based statistical process control for nonnormal multivariate data with nonlinear correlation structure

摘要

期刊

机构

引用论文