14、基于主成分的机器视觉多元统计过程监控方法

基于主成分的机器视觉多元统计过程监控方法

在制造业中，过程监控对于保证产品质量至关重要。传统的统计过程监控方法存在一定的局限性，而本文将介绍一种创新的方法，它结合了机器视觉、主成分分析（PCA）和多元统计过程监控（MSPM），能够有效地监控加工过程。

1. 统计过程监控方法概述

统计过程监控使用控制图是一种成熟的质量工具，可帮助理解和改进制造过程的性能。统计过程监控主要有单变量和多变量两种方法。
- 单变量方法 ：在控制图上绘制单个质量特征来监控过程随时间的变化。但实际中，一个过程往往有多个参数决定最终输出，例如加工过程中，制造的组件需要多个质量参数在严格公差范围内才能正常工作。若使用单变量方法，需要独立监控大量的单变量控制图，这会降低变量同时在控制限内的联合概率，且当质量参数相互关联时，该方法的有效性会受到影响。
- 多变量方法 ：可以使用单个多变量控制图同时绘制所有相互关联的质量特征。常见的多变量控制图有Hotelling T²图、多元指数加权移动平均图（MEWMA）和多元累积和图（M - CUSUM）。Hotelling T²图适合检测突然的大偏差，MEWMA和M - CUSUM对过程均值的小偏移更敏感。然而，当参数数量增加时，这些传统多变量控制图检测偏移的有效性会受到影响，需要使用降维技术来提高监控性能。

2. 相关研究工作

• Tong等人（2005）使用机器视觉和Hotelling T²图，基于缺陷数量和聚类指数监控晶圆（IC）生产过程。
• Lin和Chiu（2006）提出使用Hotelling T²图检测小颜色变化区