Memory control chart based on machine learning technique for efficient process monitoring

doi:10.1016/j.cie.2025.110894

2025-03-01

PRE

Babar Zaman *

Muhammad Riaz

Naveed R. Butt

DOI：10.1016/j.cie.2025.110894

原文链接

原文求助

摘要

En 中文

传统记忆控制图（CCs），如指数加权移动平均（EWMA）CC，在检测过程参数（位置和/或离散度）的小至中等偏移方面是有效的。然而，经典EWMA CC中的参数（lambda, 2）仅针对特定偏移量优化其效率。具有固定2的标准EWMA CC在应对实际系统中出现的不同幅度的偏移时，其有效性通常会受到损害。为解决此局限性，本研究提出了一种新型的自适应EWMA（AEWMA）CC，用于监测过程位置参数的偏移。为适应不同的小幅度偏移，所提出的CC利用基于当前特征动态变化的参数值，这些特征是通过支持向量回归（SVR）等机器学习（ML）技术学习得到的。SVR模型针对每个给定的2，在所有可能特征值上训练，然后使用自适应参数更有效地监测过程位置。SVR模型在MATLAB中训练，同时设计了算法来计算包括平均运行长度和运行长度标准差在内的指标，以评估所提出的AEWMA CC相对于其他CC的性能。所提出的AEWMA CC相对于其他一些CC表现出更优越的性能。此外，还包含一个实际过程应用，以说明所提出的AEWMA CC的实际适用性和广泛用途。

Keyword:

Adaptive EWMA

Machine learning

Process monitoring

Support vector regression

Monte Carlo simulation

Average run length

Standard deviation of run length

Real-world application