张和平，李俊武

(南昌大学 经济管理学院，江西 南昌 330031)

控制图作为统计过程控制的重要工具，在制造过程的质量控制中起着重要的作用，广泛应用于加工过程的监控。通常对控制图原理的解释为当控制图中的某些点超出了控制限或控制图显示了一个异常模式，则表明制造过程失去控制[1]。其中，前者是比较容易识别的，但后者需要利用一些特定的方法进行识别，主要可以归类为专家系统方法和机器学习方法。其中，专家系统方法存在着局限性，因而对于此方面的研究比较少。1987年，Swift[2]为控制图模式识别设计了第一个专家系统。此后，有学者对专家系统也进行了许多其他研究。Bag等[3]设计了一个专家系统，用于在线监测控制图模式，使质量控制人员能够对失控的制造过程及时采取纠偏措施。由于专家系统方法的识别规则存在缺陷，导致其识别性能不佳[4]。

控制图模式识别的机器学习方法主要包括人工神经网络和支持向量机。人工神经网络分为监督式学习和非监督式学习。对于控制图模式的识别，使用较多的监督式人工神经网络方法有多层感知器[5](multilayer perceptron, MLP)、径 向 基 函 数[6](radial basis function, RBF)、学习向量量化[7](learning vector quantization, LVQ)等；另一方面，非监督式学习的神经网络如自组织映射[8](self-organizing map, SOM)神经网络和自适应共振理论[9](adaptive resonance theory, ART)也被应用于控制图的识别。近年来随着深度学习热潮的高涨，有部分学者将卷积神经网络应用于控制图模式的识别[10-11]。然而传统的人工神经网络需要大量的训练数据，存在收敛速度慢、容易陷入局部极值[12]等缺点，深度神经网络对数据量的需求较之传统神经网络更多，并且对参数设置的要求较高。……