基于深度典型相关分析的质保原位过程监测
应用统计
2025-09-25 v1
摘要
本文提出了一种基于深度学习的方法，用于原位过程监测，该方法能够捕捉受控高维过程特征信号与离线产品质量数据之间的非线性关系。具体而言，我们引入了一个基于深度典型相关分析（DCCA）的框架，该框架能够对先进制造过程中收集的多模态数据源（如光学发射光谱和CT扫描图像）进行联合特征提取和相关性分析。这一统一框架通过学习面向质量的特征表示，无需标记的缺陷样本即可实现在线质量监测，并避免了传统基于控制图的监测技术常因非正态性问题而性能下降的缺陷。我们为该方法的稳定性和收敛性提供了理论保证，并通过仿真实验和直接金属沉积（DMD）增材制造的实际案例研究验证了其有效性和实际适用性。
引用
@article{arxiv.2509.19652,
title = {Quality-Ensured In-Situ Process Monitoring with Deep Canonical Correlation Analysis},
author = {Xiaoyang Song and Wenbo Sun and Metin Kayitmazbatir and Jionghua and Jin},
journal= {arXiv preprint arXiv:2509.19652},
year = {2025}
}