由于工业大数据存在变量维度高、价值密度低、存在离群点等因素,监控模型难以准确挖掘海量数据中关键波动信息,容易产生较高的误警率,影响产品生产质量。为解决这个问题,提出一种基于最小行列式法和变量选择算法的高维过程稳健监控模型。运用最小协方差行列式(MCD)方法估计稳健的均值向量和协方差矩阵;构建似然比检验统计量,通过增加惩罚项得到变量选择优化函数;结合MCD和变量选择得到稳健的监控统计量,利用Monte Carlo方法得到监控用控制限;最后,通过仿真数据和薄膜沉积过程实际数据对所提方法进行实证研究。结果表明所提方法相比Hotelling T2和VS控制图具有较高的异常识别精度和鲁棒性,在存在离群点的高维过程质量监控中提高了对异常波动识别的稳健性,达到了期望的监控效率。

针对数字化工厂“数据丰富,信息贫瘠”环境下制造车间生产过程存在异常信息利用不充分而造成监控效率低的问题,提出基于SPC技术和Logistic回归模型的制造过程质量监控方法。将关键工序中相关质量数据采集到MES系统,根据过程质量数据绘制T2控制图,然后利用Logistic回归模型挖掘过程异常信息,并通过T 2和Logistic回归的联合优化实现数字化工厂制造过程质量监控的动态调整。以某薄膜晶体管液晶显示器等离子薄膜沉积生产工序为实际案例,验证了该制造过程