基于多ANN的控制图异常模式智能识别

"控制图模式及其智能识别方法 (2001年) - 工程技术论文" 控制图是质量管理领域中的关键工具，用于监测生产过程的稳定性并检测潜在的质量问题。在实际应用中，识别控制图上的异常模式是一项挑战，因为这需要对数据有深入的理解和丰富的经验。本文针对这个问题，提出了一种基于多层人工神经网络（ANN）模型与模糊化预处理的智能识别方法。 传统的控制图分析依赖于用户对图表的解读能力，但这种方法可能受到个人技能和经验的限制。因此，研究人员开始探索使用人工智能技术，尤其是人工神经网络，来自动识别控制图的模式。BP网络是最早被应用于控制图模式识别的神经网络之一，其优点在于结构简洁、运行稳定且具有较强的泛化能力。然而，BP网络也有其局限性，比如训练时间较长和可能出现局部最优解。 另一方面，自适应共振理论（ART）网络能通过无监督学习对模式进行分类，但可能会导致过多的模式分类，增加了分析的复杂性。为了解决这些问题，多ANN神经网络模型被引入。这种模型由多个相互独立又协同工作的子网络组成，并由一个主控网络协调，模拟了大脑的层次化和模块化结构，更适合处理复杂的模式识别任务。 在控制图中，模式可以分为正常模式和异常模式。正常模式表示数据点在控制限内随机分布，符合正态分布规律，表明过程稳定，只受到随机误差的影响。而异常模式则表现为数据点的非随机分布，可能显示出趋势、周期性变化或离群值，这些都可能是过程不稳定或存在系统性问题的信号。 论文作者通过对控制图模式的详细描述和分析，结合多ANN神经网络模型，设计了一种智能识别策略。通过模糊化预处理，可以降低噪声和不确定性的影响，提高模式识别的准确性。计算机模拟和实际应用结果证明了这种方法的有效性，为控制图的自动分析提供了一种有力的工具。 这项研究为控制图的智能分析开辟了新的途径，有助于提高质量控制的效率和精度，减少对专业人员经验的依赖。这一方法对于制造业、服务业以及其他任何依赖持续质量改进的行业都具有重要的实践价值。