伍常亮　朱波　萬(wàn)育微　趙晟然

摘? 要： 為提高制造過程質(zhì)量智能控制的控制效果，提出了一種基于雙向長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)（Bidirectional LSTM，Bi-LSTM）的控制圖失控模式識(shí)別方法。文中分析了其分類的基本原理，構(gòu)建了控制圖模式識(shí)別模型，并通過蒙特卡洛仿真方法生成仿真數(shù)據(jù)集，進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證。仿真實(shí)驗(yàn)結(jié)果表明，Bi-LSTM用于控制圖模式識(shí)別，準(zhǔn)確率相對(duì)多層感知機(jī)（MLP）、貝葉斯分類器有了顯著提升，相比支持向量機(jī)（SVM）具有效率上的明顯優(yōu)勢(shì)，且在大樣本下識(shí)別準(zhǔn)確率更高。

關(guān)鍵詞： 控制圖模式識(shí)別;深度學(xué)習(xí);雙向長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò);并行計(jì)算;蒙特卡洛仿真

中圖分類號(hào)： TP391.4? ? 文獻(xiàn)標(biāo)識(shí)碼： A? ? DOI：10.3969/j.issn.1003-6970.2019.07.016

【Abstract】： In order to improve the control effect of intelligent control of manufacturing process， a method of recognition for out-of-control patterns in control chart based on Bidirectional LSTM （Bi-LSTM） is proposed in this paper. The basic principle of LSTM for classification is analyzed first. Followed by that， the pattern recognition model of control charts is constructed and a simulation data set is generated by the Monte Carlo simulation method for training and testing. The simulation experiments results show that the recognition accuracy of Bi-LSTM on control chart patterns is significantly superior than those of multi-layer perceptron （MLP） and bayesian classifier. In comparison with support vector machine （SVM）， it also shows obvious advantages in efficiency and gets higher recognition accuracy under the case of large samples.

【Key words】： Control chart pattern recognition; Deep learning; Bi-LSTM; Parallel computing; Monte Carlo simulation

0? 引言

控制圖作為統(tǒng)計(jì)過程控制（SPC）的核心工具，基于統(tǒng)計(jì)學(xué)的中心極限定理和假設(shè)檢驗(yàn)原理，檢測(cè)產(chǎn)品生產(chǎn)過程是否穩(wěn)定，區(qū)分過程受可歸咎變異因素與不可歸咎變異因素影響[1]。傳統(tǒng)控制圖對(duì)于超出控制限的異常較容易檢測(cè)，而對(duì)于控制限內(nèi)的異常模式難以識(shí)別，通常需要通過人工進(jìn)行判斷，易受到人的經(jīng)驗(yàn)水平的影響。智能制造的興起對(duì)制造過程質(zhì)量控制提出了智能化的要求，將機(jī)器學(xué)習(xí)技術(shù)引入到過程質(zhì)量監(jiān)控中，通過機(jī)器學(xué)習(xí)模型對(duì)控制圖進(jìn)行模式識(shí)別成為實(shí)現(xiàn)過程質(zhì)量智能化監(jiān)控的有效手段[2]。

機(jī)器學(xué)習(xí)算法在控制圖模式識(shí)別領(lǐng)域的應(yīng)用研究早在上世紀(jì)80年代就開始受到重視，至今已取得了一定成果，如：（Guh和Hsieh，1999）[3-4]利用BP神經(jīng)網(wǎng)絡(luò)對(duì)控制圖異常模式的識(shí)別進(jìn)行了研究，表明BP神經(jīng)網(wǎng)絡(luò)對(duì)于該領(lǐng)域的繼續(xù)深入研究具有一定研究?jī)r(jià)值，但BP神經(jīng)網(wǎng)絡(luò)的缺點(diǎn)在于參數(shù)難以調(diào)節(jié)，訓(xùn)練易陷入局部極小，識(shí)別率不高。接著，又有其他學(xué)者將概率神經(jīng)網(wǎng)絡(luò)（PNN）、支持向量機(jī)（SVM）、Adaboost等其他傳統(tǒng)機(jī)器學(xué)習(xí)算法應(yīng)用于該領(lǐng)域，表明了這些算法比BP神經(jīng)網(wǎng)絡(luò)更具有精度、效率或魯棒性上的優(yōu)勢(shì)[5-7]。近些年來(lái)，也有部分者針對(duì)這些經(jīng)典機(jī)器學(xué)習(xí)算法的不足，提出了改進(jìn)算法，如：利用可調(diào)節(jié)激活函數(shù)參數(shù)和動(dòng)態(tài)閾值的方法、自適應(yīng)粒子群（AMPSO）、遺傳算法 （GA）等對(duì)BP神經(jīng)網(wǎng)絡(luò)、SVM的參數(shù)選擇進(jìn)行優(yōu)化，仿真實(shí)驗(yàn)表明這些優(yōu)化后的算法在識(shí)別率或魯棒性上有所提升[8-10]。還有些學(xué)者在控制圖模式? 的特征工程上做了研究，如：利用時(shí)域特征、形狀特征、小波分解方法等，對(duì)控制圖模式進(jìn)行特征提取、特征融合的工作，表明了抽取和選擇特征的重要性[11-12]。

這些研究表明了控制圖模式識(shí)別領(lǐng)域目前存在的三大難點(diǎn)：一是算法設(shè)計(jì)，眾多傳統(tǒng)機(jī)器學(xué)習(xí)算法中，只有少數(shù)算法對(duì)控制圖模式識(shí)別有較好的效果;二是特征選擇，傳統(tǒng)機(jī)器學(xué)習(xí)算法一般都需要對(duì)原始數(shù)據(jù)進(jìn)行特征提取、特征融合之后才能取得更好的效果，對(duì)于特征選擇的依賴性較高;三是這些傳統(tǒng)機(jī)器學(xué)習(xí)算法一般在大樣本情況下訓(xùn)練耗時(shí)太高（如SVM），難以適應(yīng)現(xiàn)代化快速生產(chǎn)的節(jié)拍。

近年來(lái)，深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)一個(gè)新的分支快速崛起，在計(jì)算機(jī)視覺、語(yǔ)音識(shí)別、自然語(yǔ)言處理等領(lǐng)域已經(jīng)取得了相當(dāng)可觀的成績(jī)。與傳統(tǒng)機(jī)器學(xué)習(xí)算法相比，深度學(xué)習(xí)使用更多的樣本數(shù)據(jù)可以更好地?cái)U(kuò)展，且不需要特征工程，這為控制圖模式識(shí)別領(lǐng)域開辟了新的途徑。雙向長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)（Bi-LSTM）作為一種深度學(xué)習(xí)方法，善于處理序列的前后關(guān)系，因而常用于處理自然語(yǔ)言中的上下文信息[13-15]?？刂茍D異常模式通常由人、機(jī)、料、法、環(huán)、測(cè)的異常所引起，產(chǎn)品生產(chǎn)過程中質(zhì)量特性一般隨時(shí)間呈規(guī)律變化，從產(chǎn)品的質(zhì)量特性前后波動(dòng)數(shù)據(jù)來(lái)分析，往往能分析出數(shù)據(jù)流的異常形態(tài)，從而找出根本的異常原因。鑒于Bi-LSTM算法善于處理序列前后關(guān)系的特性以及控制圖模式數(shù)據(jù)流存在前后關(guān)系的特性，本文提出使用Bi-LSTM來(lái)進(jìn)行控制圖模式識(shí)別，利用蒙特卡洛模擬方法仿真得到控制圖八種基本模式的數(shù)據(jù)（其中包括受控模式和其他七種異常模式），利用tensorflow搭建Bi-LSTM網(wǎng)絡(luò)結(jié)構(gòu)，并使用GPU并行加速訓(xùn)練，在識(shí)別精度和識(shí)別效率上取得了較好的效果。

1? 控制圖模式識(shí)別原理

在工序中，由于受到人、機(jī)、料、法、環(huán)、測(cè)等多種因素的影響，產(chǎn)品生產(chǎn)過程質(zhì)量特性數(shù)據(jù)流往往存在著波動(dòng)，按照這些波動(dòng)數(shù)據(jù)流的分布特點(diǎn)，美國(guó)西部電氣公司將其分為八種模式，即：受控模式（natural）、向上階躍（upward shift）、向下階躍（downward shift）、趨勢(shì)向上（upward trend）、趨勢(shì)向下（downward trend）、周期模式（cycle）、系統(tǒng)性模式（systematic）、混合模式（mixture），八種基本模式的分布特點(diǎn)如圖1所示。

在控制圖模式識(shí)別的實(shí)際應(yīng)用中，一般采用移動(dòng)窗口的方法進(jìn)行異常監(jiān)控，每生產(chǎn)出一個(gè)新的產(chǎn)品，便將窗口往后移動(dòng)一次，將新的數(shù)據(jù)加入到識(shí)別窗口，若在某時(shí)刻點(diǎn)窗口檢測(cè)出異常，則發(fā)出異常警報(bào)，并輸出具體異常模式，移動(dòng)窗口法及仿真樣本示意圖如圖2所示。

在基于機(jī)器學(xué)習(xí)方法的控制圖模式識(shí)別領(lǐng)域中，一般將如圖2所示窗口內(nèi)的數(shù)據(jù)流作為機(jī)器學(xué)習(xí)的樣本。移動(dòng)窗口長(zhǎng)度的選擇一般基于經(jīng)驗(yàn)選取，一般來(lái)說，移動(dòng)窗口長(zhǎng)度小，則能更快檢測(cè)出異常，但模式判別準(zhǔn)確性低;移動(dòng)窗口長(zhǎng)度大，則模式判別準(zhǔn)確性更高，但檢測(cè)出異常的效率低。

2? Bi-LSTM原理及控制圖模式識(shí)別模型構(gòu)建

2.1? LSTM原理

長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)（LSTM）是一種深度學(xué)習(xí)模型，由循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）演化而來(lái)，相對(duì)于RNN，它可以捕捉到較長(zhǎng)距離的依賴關(guān)系。在結(jié)構(gòu)上，與標(biāo)準(zhǔn)RNN不同的是，LSTM在細(xì)胞（cell）上增加了門（gates）的結(jié)構(gòu)，可以讓信息選擇性的通過[16]，實(shí)際上可以理解為是一種特征選擇及更新機(jī)制。標(biāo)準(zhǔn)LSTM的結(jié)構(gòu)如圖3所示。

2.2? 基于Bi-LSTM的控制圖模式識(shí)別模型

2.2.1? 模型結(jié)構(gòu)及構(gòu)建步驟

Bi-LSTM由前向LSTM和后向LSTM組合而成，相比單向LSTM更能學(xué)習(xí)到序列前后的關(guān)系，因此，本文建立基于Bi-LSTM的深度學(xué)習(xí)網(wǎng)絡(luò)模型，模型結(jié)構(gòu)如圖4所示。

模型構(gòu)建步驟如下：

（1）通過蒙特卡洛仿真原理生成符合控制圖模式數(shù)據(jù)分布的樣本，基于前人經(jīng)驗(yàn)和本文預(yù)研實(shí)驗(yàn)結(jié)果，此處仿真樣本窗口長(zhǎng)度取32。八種控制圖模式的仿真方程具體表示為[17]：

其中， 為產(chǎn)品第 時(shí)刻質(zhì)量特性值; 為受控條件下統(tǒng)計(jì)量均值; 為 時(shí)刻由偶然因素引發(fā)的隨機(jī)干擾，一般是服從 分布的高斯白噪聲序列; 為 時(shí)刻的異常干擾值。

1）對(duì)于受控模式： =0。

2）對(duì)于階躍模式： ，其中，階躍發(fā)生前 ，階躍發(fā)生后 ; 為階躍幅度。

3）對(duì)于趨勢(shì)模式： ，其中， 為傾斜度，當(dāng)趨勢(shì)模式發(fā)生前， 為0。

4）對(duì)于周期模式： ，其中， 為波動(dòng)幅值; 為波動(dòng)周期長(zhǎng)度。

5）對(duì)于系統(tǒng)性模式： ，其中， 為震蕩幅度，反映了偏離均值上下的程度。

6）對(duì)于混合模式： ，其中， 為 之間的隨機(jī)數(shù); 為振幅;若 ，則 ，否則 。

（2）對(duì)生成的數(shù)據(jù)樣本進(jìn)行標(biāo)準(zhǔn)化處理。該步驟有兩大意義：一，實(shí)際生產(chǎn)過程中產(chǎn)品質(zhì)量特性由產(chǎn)品本身而定，標(biāo)準(zhǔn)化可使模型更具普適性;二，標(biāo)準(zhǔn)化處理由于能消除由量綱不同所產(chǎn)生的影響，進(jìn)行標(biāo)準(zhǔn)化處理有助于模型學(xué)習(xí)到真正的特征，從而提模型的識(shí)別性能。此處，對(duì)生成的樣本數(shù)據(jù)集采用z-score 標(biāo)準(zhǔn)化，具體方式為：

（3）將標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)輸入到前向LSTM和后向LSTM，利用其獨(dú)特的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)抽取特征進(jìn)而深化學(xué)習(xí)，該步驟是Bi-LSTM模型訓(xùn)練的核心步驟;

（4）對(duì)樣本進(jìn)行標(biāo)簽化處理。此處采用（one-hot encoding）離散型特征編碼方式，使得八種控制圖模式每一種類型樣本都只擁有一種“激活態(tài)”，讓模型更具有非線性學(xué)習(xí)能力。對(duì)每種模式采取的編碼方式具體如表1所示。

（5）利用 將將Bi-LSTM網(wǎng)絡(luò)結(jié)構(gòu)的輸出概率歸一化到 之間，再利用交叉熵函數(shù)作為損失函數(shù)，衡量實(shí)際輸出與樣本標(biāo)簽值之間的距離，輔助Bi-LSTM模型的迭代學(xué)習(xí)。具體策略表示為：

3? 仿真實(shí)驗(yàn)驗(yàn)證

3.1? 仿真數(shù)據(jù)集生成

此處，利用蒙特卡洛仿真原理共生成? ?個(gè)樣本，每種類型樣本依照其數(shù)據(jù)波動(dòng)特性，采用不同的參數(shù)設(shè)置，以滿足實(shí)際產(chǎn)品生產(chǎn)過程中異常模式的多樣化特點(diǎn)，具體參數(shù)設(shè)置如表2所示。

其中，對(duì)于周期模式、系統(tǒng)性模式以及混合模式，幅度變化參數(shù)取值范圍設(shè)在 區(qū)間，突變點(diǎn)取 ，是為了將更多異常特征信息體現(xiàn)在休哈特控制圖控制限內(nèi)，有針對(duì)地解決休哈特控制圖控制限內(nèi)的異常模式難以識(shí)別的現(xiàn)狀特點(diǎn)。對(duì)于階躍模式和趨勢(shì)模式，由于其本身就容易超出休哈特控制圖控制限，因此，設(shè)立不同的突變時(shí)刻點(diǎn)，既可滿足這種實(shí)際狀況，又可利用控制限內(nèi)的異常特征，在超出界限前便捕捉到異常信號(hào)，從而更快識(shí)別出異常模式，以滿足過程質(zhì)量控制的實(shí)際需求。

3.2? 模型訓(xùn)練

本仿真實(shí)驗(yàn)所采用的實(shí)驗(yàn)設(shè)備相關(guān)硬件為Nvidia GeForce GTX 1050 Ti的GPU以及NVIDIA CUDA 8.0驅(qū)動(dòng)，采用tensorflow1.0-gpu開源機(jī)器學(xué)習(xí)框架，仿真平臺(tái)為python3.6。

基于前人經(jīng)驗(yàn)及預(yù)研實(shí)驗(yàn)，此處學(xué)習(xí)率（learning rate）取0.0008，批量大?。╞atch size）取2048進(jìn)行批量訓(xùn)練，前向及后向LSTM cell個(gè)數(shù)各取512個(gè)。隨機(jī)打亂樣本，取標(biāo)準(zhǔn)化后總樣本的70%作為訓(xùn)練集，10%作為驗(yàn)證集，迭代次數(shù)設(shè)為1000次。

為了防止過擬合，本文仿真采取早停策略（early stopping），具體策略為：

其中，GL為早停閾值，本實(shí)驗(yàn)取GL>1時(shí)提前結(jié)束訓(xùn)練; 為第 次迭代的驗(yàn)證誤差; 為迭代過程中最小的驗(yàn)證誤差;

采用早停法的好處在于：1）防止過擬合;2）節(jié)省訓(xùn)練時(shí)間;

本仿真實(shí)驗(yàn)?zāi)Ｐ陀?xùn)練及早停情況如圖5所示。

由圖5可知，隨著迭代訓(xùn)練次數(shù)增加，訓(xùn)練誤差和驗(yàn)證誤差趨于收斂，兩條曲線基本吻合，說明訓(xùn)練過程沒有出現(xiàn)欠擬合。且在早停策略的作用下，在第521次提前結(jié)束訓(xùn)練，避免了過擬合情況的發(fā)生。

3.3? 模型泛化性能測(cè)試實(shí)驗(yàn)

取標(biāo)準(zhǔn)化后總樣本的20%作為測(cè)試集，對(duì)訓(xùn)練的模型進(jìn)行測(cè)試，平均識(shí)別率達(dá)到了98.35%，對(duì)于八種模式的具體識(shí)別情況如圖6所示。此外，在相同訓(xùn)練集與相同測(cè)試集的前提下，將Bi-LSTM與SVM、MLP、高斯貝葉斯分類器進(jìn)行比較，不同算法對(duì)八種控制圖模式的識(shí)別情況如表3所示。

從圖6可見，對(duì)于Bi-LSTM模型，混合模式與受控模式較容易誤判，趨勢(shì)向上易誤判為向上階躍、趨勢(shì)向下易誤判向下階躍。

從表3可見，Bi-LSTM算法對(duì)控制圖模式識(shí)別的識(shí)別率和SVM相差無(wú)幾，對(duì)八種模式的平均識(shí)別率達(dá)到了98.35%，相比MLP和高斯貝葉斯分類器識(shí)別率更高。

3.4? Bi-LSTM與SVM性能比較實(shí)驗(yàn)

基于Bi-LSTM與SVM對(duì)控制圖識(shí)別的識(shí)別率相近，本文分別在總樣本為720、7200、72000、288000的水平對(duì)兩種算法在識(shí)別率、訓(xùn)練時(shí)間、測(cè)試時(shí)間上做了比較，其中訓(xùn)練樣本占80%，測(cè)試樣本占20%。十次仿真實(shí)驗(yàn)平均結(jié)果如圖7所示。

由圖7可見，在識(shí)別精度上，兩種算法都隨樣本量增加而增加，當(dāng)總樣本量為72000時(shí)，Bi-LSTM識(shí)別率達(dá)到SVM的水平，當(dāng)總樣本量為288000時(shí)，Bi-LSTM識(shí)別率已經(jīng)超過SVM的水平，且從趨勢(shì)上來(lái)看，當(dāng)樣本量更大時(shí)，Bi-LSTM算法在識(shí)別精度上將更優(yōu)于SVM（受于實(shí)驗(yàn)設(shè)備計(jì)算能力的限制，本文沒有取更大樣本量進(jìn)行仿真實(shí)驗(yàn)）。在訓(xùn)練時(shí)間和測(cè)試時(shí)間上，SVM算法隨樣本量增加而顯著增加，而Bi-LSTM算法的訓(xùn)練時(shí)間和測(cè)試時(shí)間隨? 樣本量增加雖然有所增加，但相對(duì)SVM顯然效率? 更高。

4? 結(jié)論

本文基于長(zhǎng)短時(shí)間記憶網(wǎng)絡(luò)（Bi-LSTM）在處理序列前后關(guān)系特征上獨(dú)特的優(yōu)勢(shì)，提出將Bi-LSTM用于控制圖模式識(shí)別。通過仿真實(shí)驗(yàn)表明，該方法在樣本量足夠時(shí)，相比SVM、MLP、高斯貝葉斯分類器這些傳統(tǒng)機(jī)器學(xué)習(xí)方法，能夠取得不弱于甚至更好的識(shí)別效果。其次，由于深度學(xué)習(xí)并行加速計(jì)算的普及，該方法在模型訓(xùn)練和應(yīng)用上，效率都比SVM算法更高，更能適應(yīng)未來(lái)大數(shù)據(jù)環(huán)境下快速生產(chǎn)的需求。再者，該方法對(duì)人工特征提取的依賴性較傳統(tǒng)機(jī)器學(xué)習(xí)算法更低，可以自動(dòng)抽取和學(xué)習(xí)特征，使用更加方便。隨著工業(yè)物聯(lián)網(wǎng)的普及和計(jì)算機(jī)處理性能的飛速進(jìn)步，大數(shù)據(jù)的優(yōu)勢(shì)得以體現(xiàn)，如何充分發(fā)揮大數(shù)據(jù)的優(yōu)勢(shì)成為熱點(diǎn)和難點(diǎn)，本文提出將Bi-LSTM算法用于控制圖模式識(shí)別，給該領(lǐng)域未來(lái)的繼續(xù)深入研究提供了新的可行途徑。如何更好地將深度學(xué)習(xí)與研究產(chǎn)品質(zhì)量過程在線智能監(jiān)測(cè)與控制有機(jī)結(jié)合是下一步的研究方向。

參考文獻(xiàn)

[1] Sauter R M. Introduction to Statistical Quality Control （2nd ed.）[M]. John Wiley & Sons， 1991.

[2] Shewhart M. Interpreting statistical process control （SPC） charts using machine learning and expert system techniques [C]//Aerospace & Electronics Conference. IEEE Xplore， 1992.

[3] Guh R S， Hsieh Y C. A neural network based model for abnormal pattern recognition of control charts[M]. Pergamon Press， Inc. 1999.

[4] Guh R S， Zorriassatine F， Tannock J D T， et al. On-line control chart pattern detection and discrimination—a neural network approach[J]. Artificial Intelligence in Engineering， 1999， 13（4）： 413-425.

[5] Cheng Z， Ma Y Z. A Research about Pattern Recognition of Control Chart Using Probability Neural Network[C]// Isecs International Colloquium on Computing， Communication， Control， & Management. IEEE， 2008.

[6] 趙方方， 何楨. 基于SVM的控制圖模式識(shí)別方法研究[J]. 組合機(jī)床與自動(dòng)化加工技術(shù)， 2009（8）： 1-4.

[7] 張江霞. 基于Adaboost算法的控制圖模式識(shí)別應(yīng)用研究[D]. 南京理工大學(xué)， 2013.

[8] Xiang-Gan Z， Chang-An L， Wen-Tao F. The System of Control Chart Pattern Recognition Based on Improved BP Neural Network[J]. Modular Machine Tool & Automatic Manufacturing Technique， 2011.

[9] 張敏， 程文明， ZhangMin， et al. 基于自適應(yīng)粒子群算法和支持向量機(jī)的控制圖模式識(shí)別[J]. 工業(yè)工程， 2012， 15（5）： 125-129.

[10] 李太福， 胡勝， 魏正元， et al. 基于遺傳優(yōu)化的PCA-SVM控制圖模式識(shí)別[J]. 計(jì)算機(jī)應(yīng)用研究， 2012， 29（12）： 4538-4541.

[11] Yu-Bo Z， Xiao-Nan L. Recognition Method of SPC Control Chart Pattern Based on ISFS and ELM[J]. Journal of Qingdao University of Science & Technology， 2015.

[12] 劉玉敏， 趙哲耘. 基于特征選擇與SVM的質(zhì)量異常模式識(shí)別[J]. 統(tǒng)計(jì)與決策， 2018（10）.

[13] W?llmer， Martin， Eyben F， Keshet J， et al. Robust Discriminative Keyword Spotting for Emotionally Colored Spontaneous Speech using Bidirectional LSTM Networks[C]// IEEE International Conference on Acoustics. IEEE， 2009.

[14] W？Llmer M， Eyben F， Graves A， et al. Bidirectional LSTM Networks for Context-Sensitive Keyword Detection in a Cognitive Virtual Agent Framework[J]. Cognitive Computation， 2010， 2（3）： 180-190.

[15] Graves A， Jaitly N， Mohamed A R. Hybrid speech recognition with Deep Bidirectional LSTM[C]// Automatic Speech Recognition & Understanding. IEEE， 2014.

[16] Gers F A. Learning to forget： continual prediction with LSTM.[J]. Neural Computation， 2000， 12（10）： 2451-2471.

[17] Guh R S. Real-time pattern recognition in statistical process control： a hybrid neural network/decision tree-based approach[J]. Proceedings of the Institution of Mechanical Engineers， Part B： Journal of Engineering Manufacture， 2005， 219（3）： 283-298.