稳健多变量过程控制与诊断方法研究及应用

作     者：蒋冠莹 

作者单位：暨南大学 

学位级别：硕士

导师姓名：王斌会

授予年度：2020年

学科分类：02[经济学] 0202[经济学-应用经济学] 

主      题：多变量数据 异常诊断 统计过程控制 DDC 稳健统计 

摘      要：稳健过程控制在工业研究中广泛应用,传统多变量控制方法大都将观测数据从高维空间映射到低维特征空间,从而进行过程监控,其不足在于难以诊断异常来源与程度。而随着质量管理技术的发展与进步,越来越多行业需要对多变量过程进行质量监控与异常诊断。当监控变量存在不同类型异常值、相关性、广义异常的时候,传统的监控与诊断方法可能失效。这给多变量过程控制的研究提出了很大的挑战。本文以稳健异常识别方法DDC（Detect Deviating Cells）为核心框架,针对不同的异常类型,进行模型拓展,提出改进方案,以实现更高的异常诊断精度。为适应不同类型广义异常数据的监控与分析,文中将传统时序模型和稳健时序模型BIP-ARMA融合到DDC方法中,对比单序列与多序列等不同处理方式,以更好提高过程控制效率。此外,文中讨论了稳健估计量BIP-TAU、BIP-S、BIP-MM在不同情况下的适用性,并引入稳健多变量动态模型结构,在找到更好的融合模型的同时,实现实时模型更新和结果预测。本文通过模拟研究和实证分析来验证改进DDC方法在异常诊断和过程控制问题中的适用性。对含有离散加性异常和片状异常的多变量时序数据,进行了六组模拟实验,发现改进DDC方法在离散加性异常有更优的表现,且重预测的插补数据的精度高于原模型。本文还选择了四组实际数据集进行实证分析,结果表明DDC方法相比传统方法有更精准的异常识别结果,并能反馈异常的来源及程度,而一系列的改进DDC方法还能监测不同类型的异常值,找到异常沿序列传播的起点。本文的研究工作在同一框架下解决MSPC三大基本问题（识别异常观测、诊断异常来源、反馈异常程度）,改进后的过程控制图能为管理者提供更便捷的监控模式和更丰富的监控信息。改进DDC方法具备的稳健性质能很好抵抗极端异常值的干扰,并实现对异常点的稳健诊断,这些对实际应用和未来研究都将很有帮助。