基于相对熵的质量异常模式识别研究

连续大规模生产不仅要求企业能更准确高效地识别生产过程状态,还需要识别生产过程中潜在的质量问题,从而提前规避质量风险。现有控制图方法能监测短期内生产过程是否处于异常状态,但难以对长期生产过程潜在的质量问题进行识别和分析。为了突破这一局限,本文提出在过程控制中运用基于相对熵的方法对质量数据分布形态进行识别,通过识别质量异常模式来分析潜在的质量问题。首先,通过仿真生成五种分布模式训练集和测试集;其次,将测试集样本质量特性值的概率分布或经核密度估计拟合后的概率密度作为模型输入;最后,通过构建的相对熵函数来量化抽样样本分布与各典型质量异常模式分布的相似性和差异性,输出生产状态分类指标,并通过两个质量模式判断准则完成模式识别。仿真结果表明,本文提出的方法在质量特性值为离散和连续情况下均能对质量异常分布模式进行有效识别。通过与同类方法进行对比,发现本文方法具有更高的识别精度,可以更有效地监控和识别生产过程的质量异常。