冶金生产过程质量监控理论与方法PDF电子书下载

符号表 1

1 绪论 3

1.1 冶金生产过程的特点 3

1.2 质量监控技术的现状与发展趋势 5

1.3 本书各章节内容 7

2 数据样本的基础知识 9

2.1 向量 9

2.1.1 向量的定义 9

2.1.2 向量的长度 9

2.1.3 向量的夹角 9

2.1.4 向量的投影 10

2.2 矩阵 11

2.2.1 矩阵的定义 11

2.2.2 矩阵的运算 12

2.2.3 行列式 12

2.2.4 逆矩阵 13

2.2.5 特征值与特征向量 14

2.3 样本空间 14

2.3.1 基本定义 14

2.3.2 样本点间的欧氏距离 16

2.3.3 样本点间的统计距离 16

2.3.4 样本点间的马氏距离 18

2.4 变量空间 19

2.4.1 变量的均值 19

2.4.2 变量的方差 20

2.4.3 变量间的协方差 20

2.4.4 变量间的相关系数 20

2.5 数据的预处理 21

2.5.1 中心化处理 21

2.5.2 无量纲化处理 21

2.5.3 标准化处理 22

2.6 应用举例 22

2.6.1 均值 22

2.6.2 方差 23

2.6.3 协方差 23

2.6.4 相关系数 23

2.6.5 欧氏距离 24

2.6.6 统计距离 24

2.6.7 马氏距离 25

2.6.8 无量纲化 25

2.7 小结 26

3 数理统计的基础知识 27

3.1 基本概念 27

3.1.1 总体与个体 27

3.1.2 概率密度函数 28

3.1.3 数学期望和方差 29

3.2 几个重要分布 30

3.2.1 正态分布 30

3.2.2 χ2分布 32

3.2.3 F分布 33

3.2.4 β分布 35

3.2.5 t分布 36

3.3 参数估计 38

3.3.1 总体均值的点估计 38

3.3.2 总体方差的点估计 38

3.3.3 总体均值的区间估计 39

3.3.4 总体方差的区间估计 40

3.4 假设检验 42

3.4.1 零假设与研究假设 42

3.4.2 显著性水平 43

3.4.3 假设检验与置信区间的关系 43

3.5 应用举例 45

3.5.1 回归模型的线性关系检验——F检验 45

3.5.2 总体回归参数的检验——t检验 46

3.6 小结 47

4 单变量统计过程控制 49

4.1 统计过程控制简介 49

4.1.1 统计过程控制的基本概念 49

4.1.2 工业过程中的各种变化 50

4.2 统计控制图 53

4.2.1 控制图的定义 53

4.2.2 控制图的基本原理 53

4.2.3 常用控制图 55

4.2.4 控制图的风险 62

4.2.5 判稳准则和判异准则 63

4.2.6 应用统计控制图时需要注意的问题 67

4.3 过程能力指数 68

4.3.1 过程能力 68

4.3.2 过程能力指数的计算 69

4.3.3 过程能力指数与不合格品率之间的关系 72

4.3.4 给定置信度下的过程能力指数 74

4.3.5 过程能力分析的功能与步骤 75

4.4 应用举例 76

4.4.1 实例1 76

4.4.2 实例2 78

4.5 小结 81

5 多变量统计过程控制 82

5.1 多变量统计过程的意义和研究现状 82

5.2 霍特林T2控制图 84

5.2.1 霍特林T2控制图的提出 84

5.2.2 T2统计量的分布特性 87

5.2.3 T2的正交分解 89

5.3 基于主元模型的多变量统计控制图 94

5.3.1 主成分分析方法（PCA） 94

5.3.2 偏最小二乘法（PLS） 96

5.3.3 多变量统计过程的监控 101

5.3.4 多变量统计过程的诊断 105

5.4 多变量统计过程应用实例 106

5.4.1 镀锌板表面粗糙度统计过程控制 106

5.4.2 某化工过程统计过程控制 109

5.5 三种统计量之间的关系 113

5.5.1 几何解释 113

5.5.2 数学推导 114

5.6 小结 115

6 历史数据集的建立 116

6.1 建立历史数据集的过程及数据预处理 116

6.2 数据采集 117

6.2.1 冶金生产数据的基本特征 117

6.2.2 数据的采集方式 118

6.2.3 数据的预处理 119

6.3 变量间的多重相关性 119

6.3.1 多重相关性产生的原因 120

6.3.2 多重相关性的影响 120

6.3.3 多重相关性的检验方法 121

6.3.4 多重相关性的解决方法 122

6.4 变量的自相关性 123

6.4.1 自相关性的数学描述 123

6.4.2 自相关性产生的原因 124

6.4.3 自相关性的影响 126

6.4.4 自相关性的检验方法 128

6.4.5 自相关性的解决方法 130

6.5 删除异常点 134

6.5.1 异常点产生的原因 134

6.5.2 异常点的检验方法 135

6.5.3 异常点的剔除方法 137

6.5.4 应用实例 142

6.6 小结 143

7 生产过程的优化控制 145

7.1 优化控制的基本概念 145

7.1.1 优化控制的几个环节 145

7.1.2 优化控制的基本框架 146

7.2 基于规则的工艺参数设定与优化 147

7.2.1 常用的工艺参数设定方法 147

7.2.2 基于神经网络的规则提取流程 148

7.2.3 规则的提取 152

7.2.4 工艺参数的优化 157

7.3 基于数据驱动的工艺参数动态调整 161

7.3.1 数据驱动的基本概念 162

7.3.2 数据驱动控制器的设计 163

7.3.3 数据驱动控制器的应用 167

7.4 工艺流程的优化 169

7.4.1 工艺装备的能力 170

7.4.2 工艺装备的能力分析 170

7.4.3 工艺装备的能力优化 171

7.5 小结 171

8 非线性预测与诊断 172

8.1 核函数的基本原理 172

8.1.1 核函数 172

8.1.2 核矩阵 175

8.1.3 常用的核函数及其特点 175

8.1.4 核函数的性质和特征空间的计算 177

8.1.5 核函数方法实施步骤 178

8.2 核主成分分析的过程监控与诊断 179

8.2.1 核矩阵与协方差矩阵 179

8.2.2 核主成分 182

8.2.3 核空间的数据重构 183

8.2.4 基于核方法的监控模型 184

8.2.5 应用实例 185

8.3 核偏最小二乘的质量预测方法 188

8.3.1 核偏最小二乘法的基本原理 189

8.3.2 核偏最小二乘的预测模型 190

8.3.3 应用实例 192

8.4 支持向量机的质量预测方法 194

8.4.1 支持向量机的基本原理 194

8.4.2 支持向量回归 198

8.4.3 应用实例 200

8.5 数据缺失情况下质量预测方法 201

8.5.1 流形半监督学习 201

8.5.2 核岭回归的基本原理 203

8.5.3 基于流形学习的半监督核岭回归预测模型 204

8.5.4 应用实例 206

8.6 小结 207

9 案例分析 208

9.1 汽车用钢案例分析 208

9.1.1 质量建模方法与流程 208

9.1.2 IF钢力学性能分析与预测 210

9.1.3 质量监控与诊断 219

9.2 热轧带钢头部拉窄案例分析 223

9.2.1 变量选择和数据采集 223

9.2.2 变量的匹配 223

9.2.3 核主成分分析监控与诊断 224

9.3 小结 226

10 全流程质量监控系统框架 227

10.1 系统基本架构 227

10.1.1 数据采集与重整平台 229

10.1.2 数据集成平台 229

10.1.3 实时质量监控与预警平台 229

10.1.4 离线数据分析平台 229

10.2 数据采集、预处理和数据利用 231

10.2.1 数据采集与重整 231

10.2.2 数据集成平台 231

10.3 主要功能模块 235

10.3.1 质量监控与在线判定 235

10.3.2 质量分析与诊断 237

10.3.3 过程质量在线优化 238

10.3.4 人工判定与综合判定 240

10.3.5 产品质量卡建档 241

10.3.6 质量报表生成 242

10.3.7 质量追溯与诊断 244

10.3.8 系统仿真与质量优化 245

10.4 小结 247

附录A 概率分布表 248

附录B Matlab核心代码 273

参考文献 291