Abstract

Unnatural control chart patterns (CCPs) usually correspond to the specific factors in a manufacturing process, so the control charts have become important means of the statistical process control. Therefore, an accurate and automatic control chart pattern recognition (CCPR) is of great significance for manufacturing enterprises. In order to improve the CCPR accuracy, experts have designed various complex features, which undoubtedly increases the workload and difficulty of the quality control. To solve these problems, a CCPR method based on a one-dimensional convolutional neural network (1D-CNN) is proposed. The proposed method does not require to extract complex features manually; instead, it uses a 1D-CNN to obtain the optimal feature set from the raw data of the CCPs through the feature learning and completes the CCPR. The dataset for training and validation, containing six typical CCPs, is generated by the Monte-Carlo simulation. Then, the influence of the network structural parameters and activation functions on the recognition performance is analyzed and discussed, and some suggestions for parameter selection are given. Finally, the performance of the proposed method is compared with that of the traditional multi-layer perceptron method using the same dataset. The comparison results show that the proposed 1D-CNN method has obvious advantages in the CCPR tasks. Compared with the related literature, the features extracted by the 1D-CNN are of higher quality. Furthermore, the 1D-CNN trained with simulation dataset still perform well in recognizing the real dataset from the production environment.

中文翻译：

---

使用卷积神经网络的控制图模式识别

摘要

非自然控制图模式（CCP）通常对应于制造过程中的特定因素，因此控制图已成为统计过程控制的重要手段。因此，准确而自动的控制图模式识别（CCPR）对制造企业具有重要意义。为了提高CCPR的准确性，专家设计了各种复杂的功能，无疑增加了工作量和质量控制的难度。为了解决这些问题，提出了一种基于一维卷积神经网络（1D-CNN）的CCPR方法。所提出的方法不需要手动提取复杂特征。相反，它使用一维CNN通过特征学习从CCP的原始数据中获得最佳特征集，并完成CCPR。包含六个典型CCP的训练和验证数据集是由蒙特卡洛模拟生成的。然后，分析和讨论了网络结构参数和激活函数对识别性能的影响，并提出了一些参数选择建议。最后，将使用相同数据集的方法与传统多层感知器方法的性能进行比较。比较结果表明，所提出的一维CNN方法在CCPR任务中具有明显的优势。与相关文献相比，一维神经网络提取的特征质量更高。此外，使用模拟数据集训练的1D-CNN在从生产环境识别真实数据集方面仍然表现良好。由蒙特卡洛模拟生成。然后，分析和讨论了网络结构参数和激活函数对识别性能的影响，并提出了一些参数选择建议。最后，将使用相同数据集的方法与传统多层感知器方法的性能进行比较。比较结果表明，所提出的一维CNN方法在CCPR任务中具有明显的优势。与相关文献相比，一维神经网络提取的特征质量更高。此外，使用模拟数据集训练的1D-CNN在从生产环境识别真实数据集方面仍然表现良好。由蒙特卡洛模拟生成。然后，分析和讨论了网络结构参数和激活函数对识别性能的影响，并提出了一些参数选择建议。最后，将使用相同数据集的方法与传统多层感知器方法的性能进行比较。比较结果表明，所提出的一维CNN方法在CCPR任务中具有明显的优势。与相关文献相比，一维神经网络提取的特征质量更高。此外，使用模拟数据集训练的1D-CNN在从生产环境识别真实数据集方面仍然表现良好。分析和讨论了网络结构参数和激活函数对识别性能的影响，并提出了一些参数选择建议。最后，将使用相同数据集的方法与传统多层感知器方法的性能进行比较。比较结果表明，所提出的一维CNN方法在CCPR任务中具有明显的优势。与相关文献相比，一维神经网络提取的特征质量更高。此外，使用模拟数据集训练的1D-CNN在从生产环境识别真实数据集方面仍然表现良好。分析和讨论了网络结构参数和激活函数对识别性能的影响，并提出了一些参数选择建议。最后，将使用相同数据集的方法与传统多层感知器方法的性能进行比较。比较结果表明，所提出的一维CNN方法在CCPR任务中具有明显的优势。与相关文献相比，一维神经网络提取的特征质量更高。此外，使用模拟数据集训练的一维CNN在从生产环境识别真实数据集方面仍然表现良好。将该方法的性能与使用相同数据集的传统多层感知器方法的性能进行了比较。比较结果表明，所提出的一维CNN方法在CCPR任务中具有明显的优势。与相关文献相比，一维神经网络提取的特征质量更高。此外，使用模拟数据集训练的1D-CNN在从生产环境识别真实数据集方面仍然表现良好。将该方法的性能与使用相同数据集的传统多层感知器方法的性能进行了比较。比较结果表明，所提出的一维CNN方法在CCPR任务中具有明显的优势。与相关文献相比，一维神经网络提取的特征质量更高。此外，使用模拟数据集训练的一维CNN在从生产环境识别真实数据集方面仍然表现良好。