...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>International Journal of Production Research >Nonparametric monitoring of multivariate data via KNN learning
【24h】

Nonparametric monitoring of multivariate data via KNN learning

机译：通过KNN学习的多变量数据的非参数监测

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Process monitoring of multivariate quality attributes is important in many industrial applications, in which rich historical data are often available thanks to modern sensing technologies. While multivariate statistical process control (SPC) has been receiving increasing attention, existing methods are often inadequate as they are sensitive to the parametric model assumptions of multivariate data. In this paper, we propose a novel, nonparametrick-nearest neighbours empirical cumulative sum (KNN-ECUSUM) control chart that is a machine-learning-based black-box control chart for monitoring multivariate data by utilising extensive historical data under both in-control and out-of-control scenarios. Our proposed method utilises thek-nearest neighbours (KNN) algorithm for dimension reduction to transform multivariate data into univariate data and then applies the CUSUM procedure to monitor the change on the empirical distribution of the transformed univariate data. Extensive simulation studies and a real industrial example based on a disk monitoring system demonstrate the robustness and effectiveness of our proposed method.
机译：多元质量属性的过程监测在许多工业应用中都很重要，其中丰富的历史数据常常感谢现代传感技术。虽然多变量统计过程控制（SPC）已经接受了不断的关注，但现有方法通常不足，因为它们对多元数据的参数模型假设敏感。在本文中，我们提出了一种小说，非参数 - 最近的邻居经验累计和控制图，是一种基于机器学习的黑盒控制图，用于通过在控制中使用广泛的历史数据来监控多变量数据和控制方案。我们所提出的方法利用THE-Collect邻居（KNN）算法进行维度降低，以将多变量数据转换为单变量数据，然后应用CUSUM程序来监视变换的单变量数据的经验分布的变化。广泛的仿真研究和基于磁盘监测系统的真实工业实例证明了我们所提出的方法的稳健性和有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号