保存桌面快捷方式 - - 设为首页 - 手机版
凹丫丫旗下网站:四字成语大全 - 故事大全 - 范文大全
您现在的位置: 范文大全 >> 理工论文 >> 计算机论文 >> 正文

面向AMT的统计过程质量控制*


抽样分布性质可知:

由正态过程的可加性和正态过程的标准化变换得到:

因为总体标准差 未知,故必须消去表达式中的 。由标准差的抽样分布的性质可知:

根据student-t分布的定义得到:

化简后得到:

                           (2)

上式表明, 服从自由度为i-2的student-t分布,对于给定的显著性水平 ,由student-t分布找出满足下式的控制界限值 使得:

但由于 在给定 下,随着n的变化而变化,因此首先作自由度为i-2的student-t分布概率密度积分得 (p(t)为t分布概率密度函数),然后对积分值进行反标准正态变换得到单值控制图的统计变量 。

  &nbs

p;                          (3)

此时统计变量 根据给定的第一类统计错判的容许概率 ,由标准正态分布找出满足下式的控制界限 :

如果把某次检测的数据代入上式中,使 或一段时间内 值的排列出现异常趋势则意味着工

序已发生了变化,反之则工序处于统计控制状态。

 

(2) 移动极差控制变量的计算

因为: 且

则可知在生产过程没有显著变异的情况下 的特征分布规律服从于 的正态分布规律。

所以,由正态过程的基本性质可得

且由 特征分布的定义可以得到:

由 特征分布的概念可以得到:

                             (4)

由于 在给定第一类统计错判的容许概率 的情况下,随着i的变化而变化,为此特做以下变换。自由

度为 的F分布的概率密度积分为 ,其值为0到1 之间,对 进行反标准正态变换得到移动极

差控制图的统计变量:

                              (5)

用T2作为统计变量,新的控制图的中心线为0,如采用3 原则时,其上下控制界限就是+3和-3。至此,以T1和T2为统计控制变量,就可画出改进的单值-移动极差控制图了。控制图的中心线为0,上下控制界限根据给定的第一类统计错判的容许概率计算,不再随样本大小和物理特征的变化而变化。

 

三、异常模式自动识别 本研究将前馈型的反向传播神经网络算法用于AMT质量控制中的异常模式自动识别,采用离线训练与在线识别相结合的方法,建立了一个三层的神经网络。该网络的输入是经过预处理的二进制数,输出是一种特定的控制图表现趋势。网络由输入层、隐层和输出层组成。输入层有i个结点,每个结点代表控制图上按顺序排列的一个质量特征,数值为特征点在控制图上的位置。输出层有o个结点,结点输出值为1或0,代表了o种不同的控制图异常趋势。隐层结点数为h,本文采用实验分析的方法确定隐层结点数。整个网络的结点数为i+h+o。

人工神经网络的学习算法为有教师的δ学习律,其输入与输出关系满足非线性单调上升的函数:

                              (6)

在实际研究中,训练数据是利用Vi

《面向AMT的统计过程质量控制*(第2页)》
本文链接地址:http://www.oyaya.net/fanwen/view/176335.html

★温馨提示:你可以返回到 计算机论文 也可以利用本站页顶的站内搜索功能查找你想要的文章。