On-line classifying process mean shifts in multivariate control charts based on multiclass support vector machines
On-line classifying process mean shifts in multivariate control charts based on multiclass support vector machines
复制标题
基于多类支持向量机的多元控制图均值平移在线分类过程
DOI：
10.1080/00207543.2011.631596
复制
发表时间：
2012-10
影响因子：
9.2
通讯作者：
Xi, Lifeng
中科院分区：
文献类型：
--
作者：
Du, Shichang;Lv, Jun;Xi, Lifeng
在多变量统计过程控制中，大多数多变量控制图都能有效地基于总体统计量对异常进行监控，但无法对失控信号的来源进行分类。对过程均值漂移的来源进行分类对于多变量制造过程的质量控制至关重要，因为它们的立即识别可以极大地帮助质量工程师缩小可能的根本原因集并采取纠正措施。本研究提出了一种改进的粒子群优化方法，采用基于模拟退火的选择性多类支持向量机集成（PS-SVME）方法，其中一些选择性多类支持向量机联合用于对多元控制图中过程均值漂移的来源进行分类。所提出的PS-SVME方法的性能进行评估，通过计算其分类精度。仿真实验和一个真实的应用说明了所开发的方法的有效性。分析结果表明，所开发的PS-SVME方法可以有效地进行分类的过程均值漂移的来源（S）。
In multivariate statistical process control (MSPC), most multivariate control charts can effectively monitor anomalies based on overall statistic, however, they cannot provide guidelines to classify the source(s) of out-of-control signals. Classifying the source(s) of process mean shifts is critical for quality control in multivariate manufacturing process since the immediate identification of them can greatly help quality engineer to narrow down the set of possible root causes and take corrective actions. This study presents an improved particle swarm optimisation with simulated annealing-based selective multiclass support vector machines ensemble (PS-SVME) approach, in which some selective multiclass SVMs are jointly used for classifying the source(s) of process mean shifts in multivariate control charts. The performance of the proposed PS-SVME approach is evaluated by computing its classification accuracy. Simulation experiments are conducted and a real application is illustrated to validate the effectiveness of the developed approach. The analysis results indicate that the developed PS-SVME approach can perform effectively for classifying the source(s) of process mean shifts.
登录
查看更多内容
DOI：
10.1201/b11579-3
发表时间：
2011
期刊：
--
影响因子：
--
作者：
Xiaojun Wu
通讯作者：
Xiaojun Wu
DOI：
10.1145/2598394.2605342
发表时间：
2014-07
期刊：
Proceedings of the Companion Publication of the 2014 Annual Conference on Genetic and Evolutionary Computation
影响因子：
--
作者：
A. Engelbrecht
通讯作者：
A. Engelbrecht
影响因子：
2.5
作者：
A. Vogler
通讯作者：
A. Vogler
DOI：
10.1016/b978-0-12-409547-2.14581-0
发表时间：
2020
期刊：
Comprehensive Chemometrics
影响因子：
--
作者：
Federico Marini;Beata Walczak
通讯作者：
Federico Marini;Beata Walczak
过程变异在线智能监测与识别集成系统及其应用
DOI：
10.1080/09511921003667730
发表时间：
2010-06
影响因子：
4.1
作者：
Du, S.;Lv, J.;Xi, L.
通讯作者：
Xi, L.