.png){kind=icon}
返回
A multi-objective variable selection framework for enhanced Mahalanobis–Taguchi system-based multivariate process control
.png){kind=icon}
PRE
AI
DOI：10.1108/ijqrm-01-2026-0050.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目的
本研究提出了一种基于鲁棒多目标优化（MOO）的变量选择框架，该框架与马氏距离-田口系统（MTS）集成，用于非正态条件和变化响应维度下的多变量过程质量控制（MPQC）。该框架解决了现有基于MTS的方法的关键局限性，这些方法依赖于单目标或加权求和优化以及固定阈值，往往导致监测性能不稳定且次优。
设计/研究方法/途径
所提出的MOO–MTS框架采用非支配排序遗传算法II（NSGA-II）来同时优化多个冲突目标，包括监测性能、维度约简、信号分离和变量相关性。实施重复嵌套k折交叉验证（CV）方案以确保稳定的变量选择，并推导出基于数据驱动的控制阈值，用于检测失控信号。该框架的有效性通过涵盖低维到高维响应设置的五个工业案例研究进行评估，并与现有的MTS变体进行比较基准测试。
研究结论
实证结果表明，所提出的框架在显著降低响应维度的同时实现了相当或改进的监测性能。结果进一步表明，与现有的基于MTS的方法相比，该框架在多样化数据集上表现出增强的鲁棒性和选择稳定性。
研究局限性/启示
评估基于来自文献和实际应用的五个回顾性数据集，这可能限制研究结论在更广泛工业背景下的普适性。未来研究应考察超高维设置，其中受控观测数量小于响应变量数量，并进一步探讨所提出框架的可扩展性和理论属性。
创新性与价值
本研究引入了一种完全集成、分布无关的多目标优化框架，用于马氏距离-田口系统中的变量选择和阈值确定，以实现多变量过程控制。通过联合优化竞争目标并通过嵌套交叉验证纳入选择稳定性，所提出的方法为复杂、非正态和高维设置下的MPQC提供了一种实用且可扩展的解决方案。
期刊
I
IF:
3
论文数:
49
被引数:
0
机构
引用论文
Fault diagnosis of complex hydraulic system based on fast Mahalanobis classification system with high-dimensional imbalanced data基于高维不平衡数据快速马氏分类系统的复杂液压系统故障诊断.png)
MEASUREMENT
MEASUREMENTIF5.6
PREAI
分享收藏An improved multivariate manufacturing process monitoring framework for individual and subgroup of observations using one-class classifier support vector machines一种改进的多变量制造过程监控框架，用于个体及子组观测，采用一类分类器支持向量机
PREAI
分享收藏Impact of Mahalanobis space construction on effectiveness of Mahalanobis-Taguchi systemMahalanobis空间构造对Mahalanobis-Taguchi系统有效性的影响
PREAI
分享收藏Hybrid Mahalanobis Taguchi System with Binary Whale Optimisation Feature Selection for the Wisconsin Breast Cancer Dataset基于二进制鲸鱼优化特征选择的混合马氏距离田口系统在威斯康星乳腺癌数据集上的应用
PREAI
分享收藏
查看更多内容