周昊飛 劉玉敏

1.鄭州航空工業(yè)管理學(xué)院管理工程學(xué)院，鄭州，450046 2.鄭州大學(xué)商學(xué)院，鄭州，450001

0 引言

制造過程智能監(jiān)控對提升產(chǎn)品質(zhì)量水平、確保安全生產(chǎn)具有重要意義。隨著物聯(lián)網(wǎng)、無線傳感、智能制造等技術(shù)的發(fā)展，現(xiàn)代制造過程能實時采集反映設(shè)備運行與制造過程狀態(tài)的工業(yè)數(shù)據(jù)，已進入大數(shù)據(jù)時代［1］。這些工業(yè)大數(shù)據(jù)具有體量大、流速快、類別多和價值密度低等特性［2］，傳統(tǒng)過程智能監(jiān)控方法難以滿足大數(shù)據(jù)制造過程實時質(zhì)量智能監(jiān)控的需求。因此，構(gòu)建面向大數(shù)據(jù)的制造過程實時智能監(jiān)控方法已成為當前制造型企業(yè)亟待解決的現(xiàn)實問題。

目前，制造過程智能監(jiān)控的研究主要集中于控制圖模式識別［3-4］、單變量數(shù)據(jù)流狀態(tài)識別、多變量過程統(tǒng)計量狀態(tài)識別［5］等方面?？刂茍D模式識別方面，GAURI等［6］采用幾何計算抽取的形狀特征與多層感知神經(jīng)網(wǎng)絡(luò)相結(jié)合對其8種控制圖模式進行識別；RANAEE等［7］采用形狀特征與統(tǒng)計特征相結(jié)合，利用多分類支持向量機對控制圖基本模式進行識別。單變量數(shù)據(jù)流狀態(tài)識別方面，劉玉敏等［8-9］將小波重構(gòu)特征與多分類支持向量機相結(jié)合對單變量動態(tài)數(shù)據(jù)流質(zhì)量異常模式進行識別，隨后，又將小波重構(gòu)特征、形狀特征與神經(jīng)網(wǎng)絡(luò)、支持向量機分類器相結(jié)合，提出了基于小波重構(gòu)與組合式分類器的智能識別模型。多變量過程統(tǒng)計量狀態(tài)識別方面，EL-MIDANY等［10］采用人工神經(jīng)網(wǎng)絡(luò)對多變量 χ2統(tǒng)計量進行監(jiān)控，建立了多變量過程智能監(jiān)控框架；CHENG等［11］應(yīng)用人工神經(jīng)網(wǎng)絡(luò)對多變量S統(tǒng)計量進行監(jiān)控，提出了二元制造方差階躍的監(jiān)控方法；MASOOD等［12］應(yīng)用散點圖描述二元制造過程的異常狀態(tài)，而后應(yīng)用基于統(tǒng)計特征的神經(jīng)網(wǎng)絡(luò)對均值階躍進行監(jiān)控。綜上所述，已有過程智能監(jiān)控方法通過人工設(shè)計的特定準則從已知類別的樣本數(shù)據(jù)中選擇合適的變量或新的特征，以提升神經(jīng)網(wǎng)絡(luò)、支持向量機等分類器對過程數(shù)據(jù)流或統(tǒng)計量呈現(xiàn)出的趨勢、階躍、周期異常變化狀態(tài)的識別性能，均為不超過二層非線性特征變換的淺層學(xué)習(xí)模型［13］。然而，大數(shù)據(jù)制造過程需同時監(jiān)控眾多具有強相關(guān)性的過程變量，且過程異常狀態(tài)類別具有較大的不確定性。由此可知，使用上述淺層學(xué)習(xí)模型對大數(shù)據(jù)制造過程進行智能監(jiān)控存在以下局限性：①難以構(gòu)建合適的統(tǒng)計量對其監(jiān)控，且單一數(shù)據(jù)流呈現(xiàn)出的趨勢、階躍、周期等異常模式難以對其運行狀態(tài)進行有效表達。②人工設(shè)計或選擇的特征提取規(guī)則對過程先驗知識依賴程度大，難以對其運行狀態(tài)設(shè)計出通用性強的特征提取規(guī)則。

近年來，數(shù)字圖像被用于表達高耦合、非線性的設(shè)備故障數(shù)據(jù)，為直觀表達大數(shù)據(jù)制造過程運行狀態(tài)提供了分析依據(jù)。孫鍇等［14］基于二值圖像，利用設(shè)備監(jiān)測變量的上下閾值構(gòu)造了某化工壓縮機組系統(tǒng)故障圖譜，通過故障庫中案例的相似度計算進行故障診斷。AMAR等［15］基于灰度圖通過時間窗口對振動信號進行分割建立了軸承故障圖譜，并采用單隱層神經(jīng)網(wǎng)絡(luò)對其進行故障診斷。由上述研究可知，圖譜像素間固有的關(guān)聯(lián)性和耦合性能直觀呈現(xiàn)出復(fù)雜設(shè)備的不同故障類型。深度學(xué)習(xí)理論通過構(gòu)建深層次的模型能夠捕獲大數(shù)據(jù)中隱含的底層數(shù)據(jù)特征［16］，已被成功應(yīng)用于人臉識別［17］、語音處理［18］、機械故障診斷［19-20］等領(lǐng)域。因此，如何利用數(shù)字圖像建立精準反映過程運行狀態(tài)的質(zhì)量圖譜，并構(gòu)建具有特征自學(xué)習(xí)能力的圖譜識別方法已成為解決大數(shù)據(jù)制造過程實時智能監(jiān)控的關(guān)鍵。

灰度圖是利用黑白間灰度來表達的圖像，比二值圖像具有更強的數(shù)據(jù)表示能力，故可應(yīng)用灰度圖表達高耦合、非線性大數(shù)據(jù)制造過程的運行狀態(tài)。同時，由多個受限玻爾茲曼機（restricted Boltzmann machine，RBM）構(gòu)成的深度置信網(wǎng)絡(luò)（deep believe network，DBN）是一種典型的深度學(xué)習(xí)模型，在字符圖像識別中表現(xiàn)出優(yōu)異的特征自學(xué)習(xí)能力［21］。為解決淺層學(xué)習(xí)模型存在對大數(shù)據(jù)制造過程特征提取規(guī)則難以設(shè)計的問題，本文提出了基于深度置信網(wǎng)絡(luò)的大數(shù)據(jù)制造過程實時智能監(jiān)控方法。

1 大數(shù)據(jù)制造過程質(zhì)量圖譜

對大數(shù)據(jù)制造過程進行監(jiān)控的首要問題是如何描述過程的整體運行狀態(tài)。大數(shù)據(jù)制造過程通常由多個傳感器同時監(jiān)測不同的質(zhì)量特性、加工參數(shù)等過程變量。假設(shè)其監(jiān)測數(shù)據(jù)集包含m個被監(jiān)測變量，各監(jiān)測變量在t時間段內(nèi)有n個測量值，則傳感器測量數(shù)據(jù)矩陣

式中，xij為大數(shù)據(jù)制造過程第i個監(jiān)控變量在 j時刻的觀測值，i=1，2，…，m，j=1，2，…，n；Xi=[xi1xi2… xin]為第i個監(jiān)控變量在t時間段內(nèi)的數(shù)據(jù)序列；Xj=[x1jx2j… xmj]為 j時刻各監(jiān)控對象的空間序列分布。

定義1 標準化數(shù)據(jù)矩陣。將矩陣X中的元素進行歸一化處理，形成標準化數(shù)據(jù)矩陣 X′。具體歸一化公式為

定義2 標準化數(shù)據(jù)矩陣的灰度級映射。將標準化數(shù)據(jù)矩陣中的各個元素值分別映射到灰度圖Gx中對應(yīng)的灰度值，計算公式為

式中，INT[·]為取整函數(shù)；gx為對應(yīng)的灰度值，當 gx=0為黑色，當gx=255為白色。

用灰度圖Gx的灰度值代替標準化數(shù)據(jù)矩陣中所對應(yīng)的元素值，整個數(shù)據(jù)矩陣映射到灰度級空間中，從而形成直觀反映被監(jiān)控對象關(guān)聯(lián)性、耦合性的過程質(zhì)量圖譜。為說明過程質(zhì)量圖譜描述大數(shù)據(jù)制造過程運行狀態(tài)的有效性，采用定義1和定義2對9個監(jiān)測變量在傳感器采樣間隔為10 ms時10 s內(nèi)的過程整體運行狀態(tài)進行表達，形成的過程質(zhì)量圖譜見圖1。

圖1 過程質(zhì)量圖譜Fig.1 The process quality spectrum

由圖1可知，當某變量的測量值在目標值附近隨機波動時，該變量在橫軸上的灰度級幾乎沒有變化。當某變量的測量值出現(xiàn)階躍變動時，質(zhì)量圖譜中對應(yīng)變量的灰度級會直接跳變，呈現(xiàn)出明顯的分界線；當出現(xiàn)趨勢變動時，灰度級會連續(xù)變化，但沒有明顯的分界線。由此可見，利用灰度圖建立的過程質(zhì)量圖譜能夠清晰直觀地表達多個監(jiān)測變量的不同變化狀態(tài)，可用于表示大數(shù)據(jù)制造過程的運行狀態(tài)。

2 基于DBN的過程質(zhì)量圖譜識別

DBN由多個RBM疊加而成，對二值圖像具有較好的識別能力。然而，灰度圖是由實數(shù)型灰度級構(gòu)成的非二值圖像，可視層和隱層節(jié)點均為二值單元的常規(guī)RBM對其處理能力較弱。為此，本文采用可視層單元為帶獨立高斯噪聲線性變量的高斯RBM（GRBM）建立用于識別過程質(zhì)量圖譜的深度置信網(wǎng)絡(luò)。GRBM的網(wǎng)絡(luò)結(jié)構(gòu)見圖2。

圖2 GRBM的網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The structure of GRBM

GRBM的能量函數(shù)

式中，φ為GRBM的參數(shù)；wij為第i個可視層節(jié)點與第 j個隱層節(jié)點間的權(quán)重值；ai為第i個可視層節(jié)點的偏置；bj為第 j個隱層節(jié)點的偏置；σi為高斯噪聲的標準差。

由能量函數(shù)可得出可視層節(jié)點與隱層節(jié)點的聯(lián)合概率分布

式中，Z(φ)為配分函數(shù)。

由聯(lián)合概率分布可得到可視層邊緣分布

由于隱層節(jié)點間無連接，各節(jié)點相互獨立，故第 j個隱層節(jié)點取值的概率

同樣，第i個可視層節(jié)點取值的概率

將多個GRBM進行自底向上的疊加，得到DBN。隱層過多將增加訓(xùn)練復(fù)雜度，為平衡分類精度與訓(xùn)練難度，本文采用4個隱層的DBN。其訓(xùn)練過程由RBM的貪婪無監(jiān)督逐層預(yù)訓(xùn)練和BP算法的整體微調(diào)兩部分構(gòu)成，見圖3。以下介紹識別過程質(zhì)量圖譜的DBN訓(xùn)練步驟。

圖3 識別質(zhì)量圖譜的DBN訓(xùn)練過程Fig.3 The training process of DBN recognized quality spectrum

2.1 GRBM無監(jiān)督預(yù)訓(xùn)練

無監(jiān)督預(yù)訓(xùn)練就是找到使隱層h更好表達可視層 v的參數(shù)φ。采用對比散度（contrastive divergence，CD）算法［22］對 GRBM 進行訓(xùn)練，步驟如下：

（1）初始化。將過程質(zhì)量圖譜中各像素點的灰度值作為GRBM1可視層節(jié)點的輸入。將hj隨機設(shè)定為0或1；φ設(shè)定為0到1之間的隨機數(shù)。

（2）訓(xùn)練GRBM1。利用Gibbs采樣從訓(xùn)練樣本的任一狀態(tài)出發(fā)，按照式（7）求出隱層單元的概率；而后，固定隱含單元，按照式（8）重構(gòu)出可視單元。RBM參數(shù)φ依據(jù)以下規(guī)則進行更新。

式中，η為學(xué)習(xí)速率；·data為原始數(shù)據(jù)的期望；·recon為重構(gòu)數(shù)據(jù)的期望。

（3）訓(xùn) 練 GRBM2。 將 GRBM1的 隱 層 作 為GRBM2的可視層，重復(fù)步驟（1）和步驟（2）。

（4）訓(xùn) 練 GRBM3。 將 GRBM2的 隱 層 作 為GRBM3的可視層，重復(fù)步驟（1）和步驟（2）。

（5）訓(xùn) 練 GRBM4。 將 GRBM3的 隱 層 作 為GRBM4的可視層，重復(fù)步驟（1）和步驟（2）。

2.2 BP算法的整體微調(diào)

（1）初始化BP算法的參數(shù)。BP算法中設(shè)定的參數(shù)初始化值見表1。

表1 BP算法參數(shù)設(shè)定Tab.1 The parameters of BP algorithm

（2）有監(jiān)督學(xué)習(xí)。將GRBM4的輸出作為GRBM5的輸入，對過程質(zhì)量圖譜進行識別，此時數(shù)據(jù)帶有類別標簽。將輸出結(jié)果與類別標簽進行比對，誤差依據(jù)BP算法反向分配至前4層，對DBN分類器進行整體微調(diào)。

3 大數(shù)據(jù)制造過程實時智能監(jiān)控模型

大數(shù)據(jù)制造過程實時智能監(jiān)控即是對代表不同過程運行狀態(tài)的質(zhì)量圖譜進行智能識別。大數(shù)據(jù)制造過程中由于監(jiān)測變量多，各種監(jiān)測變量出現(xiàn)異常狀態(tài)及其組合會形成類型繁雜的異常圖譜，而過程運行正常時所形成的過程質(zhì)量圖譜是非常相近的。因此，為有效對大數(shù)據(jù)制造過程進行實時智能監(jiān)控，可先采用識別正常過程質(zhì)量圖譜的DBN對當前過程運行狀態(tài)進行判定。當識別出當前過程運行狀態(tài)為異常時，再應(yīng)用過程異常DBN對具體異常類別進行判定。所提的大數(shù)據(jù)制造過程實時質(zhì)量智能監(jiān)控模型見圖4。

圖4 大數(shù)據(jù)制造過程實時質(zhì)量智能監(jiān)控模型Fig.4 Real-time intelligent monitoring model for manufacturing process with big data

所提的實時質(zhì)量智能監(jiān)控模型包含離線訓(xùn)練與在線監(jiān)控兩個階段，各階段的具體實施步驟如下。

3.1 離線訓(xùn)練階段

該階段主要是利用離線收集的過程大數(shù)據(jù)建立質(zhì)量圖譜，而后對DBN分類器進行訓(xùn)練。

（1）離線收集過程運行狀態(tài)數(shù)據(jù)。當過程運行參數(shù)、質(zhì)量特性等監(jiān)測對象均在設(shè)定值附近隨機波動，產(chǎn)品無質(zhì)量缺陷時的監(jiān)測值界定為正常過程運行狀態(tài)數(shù)據(jù)。當生產(chǎn)過程出現(xiàn)產(chǎn)品質(zhì)量缺陷時，將此時的過程運行參數(shù)、質(zhì)量特性等監(jiān)測值作為過程異常運行狀態(tài)數(shù)據(jù)。而后，依據(jù)定義1和定義2將所收集的過程運行狀態(tài)數(shù)據(jù)轉(zhuǎn)化為過程質(zhì)量圖譜。

（2）DBN分類器訓(xùn)練。從離線收集的正常過程質(zhì)量圖譜中隨機選取一定數(shù)據(jù)的質(zhì)量圖譜分別作為訓(xùn)練、測試樣本。將訓(xùn)練樣本數(shù)據(jù)作為DBN的輸入，通過上述GRBM無監(jiān)督預(yù)訓(xùn)練、BP算法的整體微調(diào)對識別正常過程質(zhì)量圖譜的DBN進行離線訓(xùn)練。而后，采用測試樣本數(shù)據(jù)對訓(xùn)練過的DBN進行性能測試。同樣，選取一定數(shù)據(jù)的相同異常類型過程質(zhì)量圖譜分別作為訓(xùn)練、測試樣本，對識別異常過程質(zhì)量圖譜的DBN進行離線訓(xùn)練。

3.2 在線監(jiān)控階段

（1）監(jiān)控窗口取值。監(jiān)控窗口依據(jù)設(shè)定的窗口寬度對大數(shù)據(jù)制造過程各監(jiān)測變量測量值進行在線取值。

（2）當前窗口質(zhì)量圖譜識別。將監(jiān)控窗口內(nèi)的過程數(shù)據(jù)轉(zhuǎn)化為過程質(zhì)量圖譜，利用離線訓(xùn)練好識別正常過程質(zhì)量圖譜的DBN對當前監(jiān)控窗口內(nèi)的過程質(zhì)量圖譜進行識別，判定過程是否正常。當DBN的識別結(jié)果為正常時，監(jiān)控窗口依據(jù)設(shè)定的步長值向前滑動，執(zhí)行步驟（1）；否則，執(zhí)行步驟（3）。

（3）異常圖譜類別識別。采用離線訓(xùn)練好的識別異常過程質(zhì)量圖譜的DBN，對當前監(jiān)控窗口內(nèi)過程質(zhì)量圖譜的具體異常類別進行識別。

4 實例應(yīng)用

注塑成形過程具有流速快、采樣頻率高、待監(jiān)控點多等特性，且制品質(zhì)量主要依賴于過程運行參數(shù)的變動，屬于典型的大數(shù)據(jù)制造過程。因此，以某注塑件的實際注塑成形過程為例，驗證所提實時智能監(jiān)控方法的有效性。某注塑件成形過程采用螺桿式注塑成形方式進行生產(chǎn)，其中料筒溫度、模具溫度、注射壓力等過程參數(shù)均配備相應(yīng)的測量傳感器，可實時獲取各監(jiān)測變量的測量值。各過程參數(shù)監(jiān)測傳感器的位置分布見圖5。各傳感器的具體測量對象與設(shè)定值見表2。

圖5 往復(fù)式螺桿注塑過程Fig.5 Reciprocating screw injection molding process

表2 傳感器的測量對象Tab.2 The measuring object of sensors

注塑成形過程包含合模、注射、保壓、冷卻、開模頂出制品5個階段。在表2參數(shù)值的基礎(chǔ)上，設(shè)定注射時間2 s、保壓時間5 s、冷卻時間10 s，加上合模、開模頂出時間，單個制品的注塑成形時間為20 s。設(shè)定傳感器的采樣速率為10 ms，則每個制品對應(yīng)一個10×2000的過程參數(shù)數(shù)據(jù)矩陣。其中，模內(nèi)溫度、模內(nèi)壓力值為動態(tài)變化的曲線，其正常與異常狀況見圖6。

圖6 模內(nèi)溫度、壓力的正常與異常狀況Fig.6 Normal and abnormal state of cavitytemperature and pressure

離線收集制品質(zhì)量正常與異常時對應(yīng)的過程參數(shù)數(shù)據(jù)矩陣。本文中共收集正常過程參數(shù)數(shù)據(jù)矩陣500個，存在飛邊、翹曲質(zhì)量問題的異常過程參數(shù)數(shù)據(jù)矩陣各600個。對收集到的異常過程參數(shù)數(shù)據(jù)矩陣進行分析，形成制品質(zhì)量與過程運行狀態(tài)的對應(yīng)關(guān)系表，見表3。

表3 制品質(zhì)量與過程運行狀態(tài)的對應(yīng)關(guān)系Tab.3 The relationship between product quality and process operation state

依據(jù)定義1、定義2，將收集到的各種數(shù)據(jù)矩陣轉(zhuǎn)化為過程質(zhì)量圖譜，其中部分過程質(zhì)量圖譜見圖7。

圖7 某注塑件成形過程質(zhì)量圖譜Fig.7 The process quality spectrum of an injection molding process

4.1 離線訓(xùn)練

從正常運行狀態(tài)中隨機各選取200個過程質(zhì)量圖譜，分別選取前100個作為DBN0的訓(xùn)練樣本，后100個作為DBN0的測試樣本。將過程圖譜中的每個像素點作為DBN的輸入（即輸入節(jié)點個數(shù)為20 000），設(shè)定GRBM1隱層節(jié)點數(shù)為9 000、GRBM2隱層節(jié)點數(shù)為4 000、GRBM3隱層節(jié)點數(shù)為1 500，GRBM4隱層節(jié)點數(shù)為600，對GRBM進行無監(jiān)督預(yù)訓(xùn)練。將GRBM4的輸出數(shù)據(jù)作為GRBM5的輸入數(shù)據(jù)應(yīng)用BP算法進行有監(jiān)督學(xué)習(xí)，形成識別正常過程質(zhì)量圖譜的DBN0。采用上述類似方法，分別對 DBN11、DBN12、DBN13等 6個識別異常過程質(zhì)量圖譜的分類器進行訓(xùn)練。

為了驗證多個GRBM通過逐層特征變換對過程質(zhì)量圖譜原始數(shù)據(jù)特性學(xué)習(xí)的有效性，分別采用GRBM4學(xué)習(xí)到的特征數(shù)據(jù)、主成分分析的特征數(shù)據(jù)對原始圖譜進行重構(gòu)。其中，主成分分析特征提取規(guī)則為前10個主元向量。兩種方法重構(gòu)的質(zhì)量圖譜及均方誤差（MSE）見圖8。

圖8 重構(gòu)的過程質(zhì)量圖譜Fig.8 Restructured process quality spectrums

由圖8可知，采用前10個主元向量重構(gòu)的過程質(zhì)量圖譜灰度級的變化明顯不如采用GRBM4學(xué)習(xí)到的特征數(shù)據(jù)重構(gòu)精確，且其均方誤差均較大，驗證了GRBM特征學(xué)習(xí)的有效性。為進一步驗證DBN過程質(zhì)量圖譜識別性能，分別與主成分分析與單隱層BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的識別方法（PCA-BPNN）以及主成分分析與支持向量機相結(jié)合的識別方法（PCA-SVM）進行識別性能的對比。具體識別性能對比結(jié)果見表4。

由表4可知，基于前10個主元向量特征提取規(guī)則與BPNN的平均識別精度為89.29%，基于前10個主元向量特征提取規(guī)則與SVM的平均識別精度為91.14%，而所提識別模型的平均識別精度達到97.43%。這充分驗證了這些淺層學(xué)習(xí)模型對過程質(zhì)量圖譜的識別精度明顯低于所提基于DBN深度學(xué)習(xí)模型的識別精度。由此可知，離線訓(xùn)練好的DBN可應(yīng)用于在線過程監(jiān)控。

表4 過程質(zhì)量圖譜識別性能對比Tab.4 Recognition performance comparison of process quality spectrums

4.2 在線監(jiān)控

采用監(jiān)控窗口滑動取值的方式將離線訓(xùn)練好的DBN應(yīng)用于注塑過程在線監(jiān)控。監(jiān)控窗口的寬度設(shè)定為單個制品注塑成形的時長，設(shè)定為20s。該制品注塑成形過程運行狀態(tài)在線實時監(jiān)控示意圖見圖9。

圖9 某注塑件成形過程運行狀態(tài)在線實時監(jiān)控Fig.9 Online real-time monitoring for the operation state of an injection molding process

前2個監(jiān)控窗口內(nèi)過程圖譜DBN0的輸出值均接近目標值1，此時的成形過程處于正常運行狀態(tài)。當監(jiān)控窗口移動到60s時也即是第3個制品，DBN0輸出值為0.210，遠小于目標輸出值。而后，DBN13輸出值為0.968，非常接近目標值。對此時制品進行檢查發(fā)現(xiàn)出現(xiàn)了飛邊質(zhì)量問題，檢查實際注塑過程發(fā)現(xiàn)噴嘴處壓力和溫度傳感器出現(xiàn)漂移，致使噴嘴處溫度、壓力均過大。對該處傳感器進行相應(yīng)校正，后續(xù)注塑過程呈現(xiàn)為正常狀態(tài)。當滑動窗口移動到120s時也即是第6個制品，DBN0輸出值再次遠小于目標輸出值。而后，DBN23輸出值為0.952。對此時制品進行檢查發(fā)現(xiàn)出現(xiàn)了翹曲質(zhì)量問題，檢查實際注塑過程發(fā)現(xiàn)模具加熱水溫與冷卻水溫均超過設(shè)定值，致使模具冷卻不均。對加熱、冷卻水溫進行相應(yīng)調(diào)整，后續(xù)注塑過程呈現(xiàn)為正常狀態(tài)。由此可知，本文所提監(jiān)控方法的輸出結(jié)果與實際過程異常狀態(tài)完全一致，能有效對大數(shù)據(jù)制造過程進行在線實時質(zhì)量監(jiān)控。

5 結(jié)論

本文首先基于灰度圖提出了大數(shù)據(jù)制造過程質(zhì)量圖譜，并采用DBN深度學(xué)習(xí)模型，提出了適于工業(yè)大數(shù)據(jù)特性的過程實時質(zhì)量智能監(jiān)控方法，通過注塑過程實例應(yīng)用驗證了所提監(jiān)控方法的有效性。所提實時智能監(jiān)控方法區(qū)別與已有監(jiān)控方法之處主要在于，利用灰度圖構(gòu)建了大數(shù)據(jù)制造過程質(zhì)量圖譜，并采用多個GRBM對其進行無監(jiān)督特征自學(xué)習(xí)，從而完成DBN分類器的離線訓(xùn)練。其中，過程質(zhì)量圖譜能直觀呈現(xiàn)大數(shù)據(jù)制造過程的運行狀態(tài)。特征自學(xué)習(xí)不再依賴工程經(jīng)驗設(shè)計特征提取方法，通過逐層特征變換能更好地發(fā)掘過程質(zhì)量圖譜原始數(shù)據(jù)的內(nèi)在特性，大大提升了過程監(jiān)控的精度。然而，DBN的網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練速度仍有提升空間，未來的研究將關(guān)注如何采用一些優(yōu)化算法、并行計算方法來優(yōu)化DBN的網(wǎng)絡(luò)結(jié)構(gòu)及訓(xùn)練速度。

［1］ QIN S J.Process Data Analytics in the Era of Big Data［J］.Aiche Journal，2014，60（9）：3092-3100.

［2］ FAN J，HAN F，LIU H.Challenges of Big Data Analysis［J］.National Science Review，2014，1（2）：293-314.

［3］ WEESE M，MARTINEZ W，MEGAHED F M.Statisti?cal Learning Methods Applied to Process Monitoring：an Overview and Perspective［J］.Journal of Quality Technology，2016，48（1）：4-27.

［4］ HACHICHA W，GHORBEL A.A Survey of Controlchart Pattern-recognition Literature（1991-2010）Based on a New Conceptual Classification Scheme［J］.Com?puters& Industrial Engineering，2012，5（63）：204-222.

［5］ YU J B，XI L F.A Neural Network Ensemble-based ModelforOn-line Monitoring and Diagnosis of Out-of-control Signals in Multivariate Manufacturing Processes［J］.Expert Systems with Applications，2009，36（1）：909-921.

［6］ GAURI S K，CHAKRABORTY S.Recognition of Con?trol Chart Patterns Using Improved Selection of Fea?tures［J］.Computers&Industrial Engineering，2009，56（4）：1577-1588.

［7］ RANAEE V，EBRAHIMZADEH A，GHADERI R.Ap?plication of the PSO-SVM Model for Recognition of Control Chart Patterns［J］.ISA Transactions，2010，49（4）：577-586.

［8］ 劉玉敏，周昊飛.基于MSVM的多品種小批量動態(tài)過程在線質(zhì)量智能診斷［J］.中國機械工程，2015，26（17）：2356-2363.LIU Yumin，ZHOU Haofei.On-line Quality Intelligent Diagnosis for Multi-variety and Small-batch Dynamic Process Based on MSVM［J］.China Mechanical Engi?neering，2015，26（17）：2356-2363.

［9］ 劉玉敏，周昊飛.基于小波重構(gòu)與SVM-BPNN的動態(tài)過程在線智能監(jiān)控［J］.系統(tǒng)工程理論與實踐，2016，36（7）：1890-1897.LIU Yumin，ZHOU Haofei.Online Intelligent Monitor?ing for Dynamic Process Based on Wavelet Reconstruc?tion and SVM-BPNN［J］.Systems Engineering—Theo?ry&Practice，2016，36（7）：1890-1897.

［10］ EL-MIDANY T T，EL-BAZ M A，ABD-ELWAHED M S.A Proposed Framework for Control Chart Pattern Recognition in Multivariate Process Using Artificial Neural Networks［J］.Expert Systems with Applica?tions，2010，37（2）：1035-1042.

［11］ CHENG C S，CHENG H P.Using Neural Networks to Detect the Bivariate Process Variance Shifts Pattern［J］.Computers&Industrial Engineering，2011，60（2）：269-278.

［12］ MASOOD I，HASSAN A.Pattern Recognition for Bi?variate Process Mean Shifts Using Feature-based Arti?ficial Neural Network［J］.International Journal of Ad?vanced Manufacturing Technology，2013，66（9/12）：1201-1218.

［13］ ERHAN D，BENGIO Y，COURVILLE A，et al.Why Does Unsupervised Pre-training Help Deep Learn?ing？［J］.The Journal of Machine Learning Research，2010，11（3）：625-660.

［14］ 孫鍇，高建民，高智勇.基于故障圖譜的企業(yè)級故障模式識別方法［J］.計算機集成制造系統(tǒng)，2015，21（2）：519-527.SUN Kai，GAO Jianmin，GAO Zhiyong.Plant-wide Fault Pattern Recognition Method Based on Fault-specturm［J］.Comuputer Intergrated Manufac?turing Systems，2015，21（2）：519-527.

［15］ AMAR M，GONDAL I，WILSON C.Vibration Spec?trum Imaging：a Novel Bearing Fault Classification Approach［J］.IEEE Transactions on Industrial Elec?tronics，2015，62（1）：494-502.

［16］ NAJAFABADI M M，VILLANUSTRE F.Deep Learn?ing Applications and Challenges in Big Data Analytics［J］.Journal of Big Data，2015，2（1）：1-21.

［17］ KRIZHEVSKY A，SUTSKEVER I，HINTON G E.Im?agenet Classification with Deep Convolutional Neural Networks［J］.Advances in Neural Information Pro?cessing Systems，2012，25（2）：1097-1105.

［18］ BENGIO Y，COURVILLE A，VINCENT P.Represen?tation Learning：a Review and New Perspectives［J］.IEEE Transactions on Pattern Analysis&Machine In?telligence，2013，35（8）：1798-1828.

［19］ 雷亞國，賈峰，周昕.基于深度學(xué)習(xí)理論的機械裝備大數(shù)據(jù)健康監(jiān)測方法［J］.機械工程學(xué)報，2015，51（21）：49-56.LEI Yaguo，JIA Feng，ZHOU Xin.A Deep Learn?ing-based Method for Machinery Health Monitoring with Big Data［J］.Journal of Mechanical Engineering，2015，51（21）：49-56.

［20］ 張淑清，胡永濤，姜安琦.基于雙樹復(fù)小波和深度信念網(wǎng)絡(luò)的軸承故障診斷［J］.中國機械工程，2017，28（5）：532-536.ZHANG Shuqing，HU Yongtao，JIANG Anqi.Bearing Fault Diagnosis Based on DTCWT and DBN［J］.Chi?na Mechanical Engineering，2017，28（5）：532-536.

［21］ DIAO W，SUN X，DOU F，et al.Object Recognition in Remote Sensing Images Using Sparse Deep Belief Networks［J］.Remote Sensing Letters，2015，6（10）：745-754.

［22］ HINTON G E.A Practical Guide to Training Restrict?ed Boltzmann Machines［J］.Momentum，2010，9（1）：599-619.