关于负二项分布的Q控制图

探讨了工序输出为负二项分布的近似标准正态变换控制图—Ｑ图，给出了当参数ｐ已知及未知情况下，绘制Ｑ控制图的变换公式，特别是当ｐ未知时，这对于实时监控小批量生产工序及在工序起始阶段没有充分的数据估计参数时是十分有用的，这种Ｑ控制图具有标准的控制限及通用的控制图管理程序。通过实例，对Ｑ控制图与常规的休哈特控制图进行了比较，从而确认了Ｑ图的有效性，最后，对负二项分布的Ｑ图进行了若干评注。     

基于瑞利分布的形位误差统计过程控制比较研究

介绍了一种新的统计过程控制模式--基于瑞利分布的控制图,分别用基于瑞利分布的控制图、休哈特控制图与EWMA控制图对瑞利分布数据进行监控并作了对比分析,认为基于瑞利分布的控制图对某些形位误差的监控效果优于休哈特控制图.在过程发生突变时基于瑞利分布的控制图比EWMA控制图更灵敏,而在过程发生小偏移时EWMA控制图更灵敏.指出将基于瑞利分布的控制图与EWMA控制图联合共同监控过程质量, 可使监控效果更直观有效.     

自助控制图在下一代制造系统中的适用性分析

下一代制造系统中的质量控制,要求在不能提供足够的样本数据、不能满足正态分布假设的条件下,快速、准确地在分布式环境下作出控制图。通过基于现场实际数据的自助（Bootstrap)控制图的小样本下的稳定性和准确性的计算机模拟分析,以及基于Web的Bootstrap控制图的实现,说明Bootstrap控制图能够满足下一代制造系统对于控制图的敏捷性和分布性要求。     

基于休哈特控制图的制造过程质量监控系统

介绍了一种基于休哈特控制图的工业现场质量监控系统,并阐述了系统软、硬件的设计思想和实现方法.在现场利用控制图监控生产过程,调查生产过程的状态,了解工序能力是否适宜,实现了预防为主的思想.该系统可实现现场实时数据采集和质量控制的自动化.     

SPC在铁路行业零配件入库检验控制中的实施与应用

阐述了统计过程控制（SPC）技术的重要性、基本原理、过程能力分析以及实施的步骤和方法.运用SPC技术分析产品质量,以此达到过程失控预警、过程不断改进和过程能力不断提高的目的.以入库一批轴为例,介绍了SPC在入库检验中的应用,并通过SPC技术的控制图对其质量状况进行分析,对质量变异进行监控,从而有效控制产品质量,保证产品质量的稳定和提高.     

休哈特控制图的改进

在常规控制图的基础上提出了"平均链长(ARL)无偏的常规控制图"及"控制图的ARL无偏性质".首先,通过利用样本的分布函数精确求解出标准差,获得控制图的上下控制限.然后比较ARL无偏控制图和常规控制图在监控生产过程中的质量变化.最后结合数值算例,得出ARL无偏控制图在监控生产过程中和质量变化时更具有优势.     

过程均值随机偏移(X)控制图经济统计设计

针对异常因素的产生时间服从Gamma(λ,2)分布的过程,通过构建(X)控制图费用函数模型,研究了过程均值随机偏移对(X)控制图经济统计设计的影响.采用模式搜索算法对模型进行寻优来获得控制图参数的综合最优解,并进行了算例说明和参数的灵敏度分析.结果表明,当采用(X)控制图来监控均值随机偏移的过程时,需要采用相对谨慎的监控策略.     

存在不可控系统因素时建立P图的简捷方法

在质量管理中,对存在不可控系统因素的情况直接应用休哈特 P 控制图时,往往不能起到监控质量特性的作用,本文提出了在这种情况下应用 P 图的新方法.     

基于随机参数的贝叶斯统计质量控制模型

为了研究正态共轭参数先验分布和正态一逆Gamma共轭参数先验分布下产品质量特性的控制问题，应用贝叶斯统计推断方法，通过不同控制对象的预报分布密度函数，构造了方差已知时质量特性的贝叶斯均值控制图和方差未知时的贝叶斯均值一标准差控制图，结论表明：经典统计质量控制模型是贝叶斯质量控制模型的一类特殊情况。     

Bootstrap方法的仿真实现及其在系统偏差估计中的应用

该文研究Bootstrap方法与Bayes Bootstrap方法的原理及在小样本情况下的应用问题.分析了这二种统计方法的原理,给出了总体分布中未知参数的点估计方法和区间估计方法,后采用非参数抽样法,编写C语言程序,实现了Bootstrap方法与Bayes Bootstrap方法的计算机仿真.通过实例分析,给出了射击系统偏差在Bayes Bootstrap方法、Bootstrap方法和经典统计方法下的具体偏差值,得到Bayes Bootstrap方法优于其它二种方法的结论.     

基于Bootstrap的小样本可靠性评估方法

针对小样本情况下,采用极大似然估计Mle法求解分布参数会产生较大误差的问题,基于Bootstrap数据扩充的思想提出了B-mle法,减小了参数估计的误差.首先,利用Bootstrap法对小样本数据重抽样产生多组再生样本,达到扩充数据样本的目的;其次,对再生样本采用极大似然估计求解分布参数,得到多组参数的极大似然估计值,...     

广义离散型指数族ARMA模型的参数估计及其Bootstrap置信区间

针对广义离散型指数族ARMA模型，采用Scoring算法对模型进行参数估计，并得到Scoring算法中方向向量的计算公式；再运用分块移动Bootstrap构造参数的置信区间，这种方法更加实用，收敛速度快，并在模拟数据和真实数据部分都得到令人满意的结果．     

非线性半参数回归模型中参数的经验欧氏似然置信域

考虑非线性半参数回归模型,构造了模型中未知参数的经验欧氏似然比统计量,并证明了所提出的统计量具有渐近χ2分布,由此,可构造未知参数的置信域.     

重尾过程协整检验的Bootstrap逼近

重尾过程的协整检验统计量渐近分布含有不可估计的重尾指数α,针对重尾过程的协整检验运用Bootstrap抽样算法,在不估计重尾指数α的情况下,计算了该检验统计量的临界值,并且证明了该算法在理论上的合理性.Monte Calo模拟说明该方法有效.     

沉降计算经验系数的Bootstrap法置信区间估计

采用Bootstrap法推断小样本条件下的沉降计算经验系数概率特征及置信区间,以解决工程中沉降计算经验系数样本量很少,难以应用常规统计方法分析其概率分布的问题。直接对样本重抽样,根据Bootstrap样本逼近参数真实分布,并纠正Bootstrap仿真过程中出现的偏差,以获得参数的无偏置信区间。通过某客运专线路基工程实例分析,得出:采用Bootstrap法可较好地推断小样本条件下沉降计算经验系数未知参数的概率分布,获得参数的置信区间;当面荷载在40～240 kPa范围内取值时,红黏土地基的沉降计算经验系数均值随载荷的增大而减少,经验系数均值服从正态分布,置信度为95%的经验系数均值的置信区间按荷载范围依次为[0.637,0.884],[0.637,0.884]及[0.901,1.165]。     

多变量过程监控的D控制图

针对如何将大数据技术与传统的多元控制图相结合,以获得一个具有自学习性的控制图的问题,以支持向量数据描述(SVDD)为构建基础,提出一个基于支持向量数据描述的D控制图.该D控制图通过对在控数据的学习,自适应地构建出自己的监控模型.仿真实验及工业实例表明:D控制图在多变量制造过程中的表现优于T²控制图,是一个理想的监控模型.     

基于维纳过程的锂离子电池剩余寿命预测

锂离子电池内部结构复杂,受外界影响大,使其容量退化过程具有不确定性因素而呈现随机性.对电池容量退化服从非线性维纳过程建立状态空间模型,并认为参数是服从共轭分布的随机变量,增加了模型不确定性使之更加符合锂离子电池容量的退化过程.利用自助法获得先验分布参数初始值,由共轭分布的性质可以得到后验分布的类型,由此得到简便的参数估计方法.粒子滤波可对每一时刻的参数及退化状态进行估计和更新,根据提前设定的状态阈值可以预测电池的剩余寿命.具体实例验证了方法的准确性,该方法对可靠性高、样本量少的电池的剩余寿命预测有借鉴意义.     

二维指数信号模型中参数Bootstrap估计的渐近正态性

主要研究了二维带白噪声指数信号模型中参数估计的Bootstrop逼近,借助于回归模型中Bootstrap逼近的构造方法,给出了二维指数信号模型参数的自助估计,并证明了自助估计的渐近正态性.     

采用Bootstrap抽样的靖远黄河大桥 模态参数识别不确定性量化

提出一种基于Bootstrap抽样的模态参数识别不确定性量化方法,从整体和局部的角度评价模态参数识别结果的可靠性.首先,基于动力测试的加速度时程数据,采用协方差驱动随机子空间(SSI-COV)法识别不同测试组的模态参数;引入Bootstrap抽样方法,对多组模态参数识别结果进行B次重复抽样,得到Bootstrap样本数据,并通过其概率统计特征值衡量整体不确定性.然后,对单个测试组中不同时间段的识别结果进行重复抽样,分析并量化单个测试组的模态参数识别的不确定性.最后,以靖远黄河大桥试验数据为例,对靖远黄河大桥竖向单个及多个测试组下的模态参数进行不确定性量化.结果表明:不同测试组识别的前3阶固有频率的均值分别为1.553 9,1.720 6,2.165 2,方差分别为0.076 1,0.042 9,0.096 5;单个测试组识别的前3阶固有频率的均值分别为1.526 5,1.788 0,2.306 0,方差分别为0.015 3,0.049 6,0.018 2;文中方法识别的固有频率值总体较为稳定.