碳钢弯头生产中的若干问题

　　碳钢弯头生产中的若干问题

　　传统的统计过程控制采用单变量统计过程控制方法。在SPC的早期应用中，由于测量技术和数据存储分析技术的限制，传统的SPC采用单变量SPC方法。在统计过程控制的早期应用中，由于测量技术和数据存储分析技术的局限性，生产过程中只有少数重要指标是单独由统计过程控制的，如建立了这些指标的单变量Shewhart控制图。单变量统计过程的监测主要包括：休哈特控制图(测量变量与时间的关系)、移动平均(MA)、指数加权移动平均(EWMA)、累积与控制图(Cu累积、Cumsum、测量值与目标值的累积偏差、时间映射等)并详细描述了单变量统计过程的监测方法。然而，随着测量技术的发展，人们已经能够测量出越来越多的产品性能指标。同时，用户对产品质量的要求也越来越严格，这就要求对碳钢弯头的质量指标和工艺变量进行监控。如果需要监测的过程变量之间存在相关性，仅采用多个单变量统计过程监测，结果往往不可靠。这是因为变量之间的耦合关系会改变基于变量独立性的Shewhart图的统计分布规律。在碳钢弯头的生产过程中，由于变量必须满足能量流、物料流等各种内部关系，它们之间往往存在多重相关性，即当一个变量发生变化时，其他相关变量也应进行调整，以确保质量指标满足规范要求。将多元统计分析方法融入到传统的统计过程控制中，形成了多元统计过程控制的基本框架。多变量统计过程控制(MSPC)综合考虑了各变量之间的相关性，实现了多变量生产过程的质量控制。

　　多元统计控制图的研究可以追溯到20世纪40年代中期，Hotelling在1947年首次提出了多变量过程控制问题的多变量t控制图，开创了多变量控制图的研究和应用。Hotelling的多变量t-控制图利用t统计量在显著性水平a上监测多个变量，t-控制图的基本原理是：如果多变量过程控制中没有异常值，则应控制每个样本点到平均值的统计距离。随后，希利等人。提出了适合监测小偏移量过程的多变量累积和控制图(mcusum)和多变量指数移动平均控制图(MEWMA)，促进了多变量统计控制图的进一步发展。随着统计数据降维技术的发展，多元统计控制图的研究有了新的方向。过程控制的对象已经从基于距离的统计转变为基于统计降维技术的综合变量统计。

　　利用统计降维原理，Jackson等人。提出了一种基于主成分分析(PCA)的多元统计控制图，并提出了一种基于偏最小二乘(PLS)的多元统计控制图。主成分分析(PCA)和偏最小二乘(PLS)采用多元投影法将工艺参数数据和质量数据从高维数据空间投影到低维特征空间。得到的特征变量保留了原始数据的特征信息，剔除了冗余信息，是高维数据分析和处理的有效工具。对于高维、变量相关性强的连续过程，基于大数据的多元统计过程控制系统主要用于质量控制、过程监控、质量预测和质量诊断。