Due to the numerous and interconnected quality influencing parameters, the production process propagation and evolution of abnormal factors are complex, which can affect the stability of quality characteristics from multiple perspectives. This paper addresses the problem of identifying the quality fluctuations sources and proposes a variable-weighted reconstruction analysis-based method for identifying abnormal sources of quality fluctuations in the spinning process. The method monitors the degree of quality fluctuations by constructing information entropy statistics and reconstructs the weighted parameters of abnormal quality processes. On this basis, abnormal contribution ranking is performed based on the degree of change in quality characteristics before and after weight reconstruction, which achieves the identification of the abnormal source. The proposed method is validated using a spinning process dataset. It reveals that the method could accurately identify the quality fluctuation abnormal source, which indicates its practicability and feasibility and will provide a theoretical basis for the quality stability control.

Numerous maintenance policies have been proposed in the reliability mathematics and engineering literature. Nevertheless, little has been reported on their practical applications in industries. This gap is largely due to restrictive assumptions of the maintenance policies. Two of the main assumptions are that maintenance is conducted on typical components and that the reliability of an item under maintenance is known (where the item can be a component or a system composed of multiple components). These assumptions do not often hold in the real world: maintenance is often performed on a collection of components such as an integrated circuit plate and the reliability of each individual component may not be known. To reduce these gaps, this paper develops a new maintenance policy for a collection of components and an approximate method to estimate the reliability of this collection based on the failure data collected from the field. The maintenance policy considers that a system is composed of three subsystems with different levels of maintenance effectiveness (i.e, minimal, imperfect, and perfect). The approximate estimate of the reliability of each subsystem is derived based on the failure data that are time between failures of the system but not those of the components that cause the system to fail. An algorithm for simulating the superposition of generalised renewal processes is then proposed. Numerical examples are used to illustrate the proposed approximation method.

In today's era, individuals can speak and communicate online anytime and anywhere. The Online Group Opinion (OGO), formed by the online statements of netizens, is regarded as a complex system. OGO is easy to get rapid and unpredictable sudden changes under external stimuli such as social emergencies, which may further lead to online violence, catalyze spread of emergencies, posing significant threats to social organization and cybersecurity. This paper proposes an innovative method to mitigate sudden changes in OGO using Q-learning from Reinforcement Learning and the Particle Swarm Optimization (PSO) algorithm, aiming to mitigate these sudden changes by controlling the resilience of the OGO. First, an OGO resilience index based on catastrophe theory and resilience theory is established to portray OGO sudden changes phenomena. Next, a resilience control algorithm integrated with Q-learning to optimize particles' parameter update process is proposed, called QLPSOND. QLPSOND is used to control the system's resilience to improve its ability to resist external stimuli, thus mitigating the sudden changes crisis. Through comparisons with other three algorithms on two online forums datasets, our proposed QLPSOND resilience control method demonstrates significant advantages in addressing complex social control issues, with average fitness improvement of 37.59 % and 7.98 %, and best fitness improvement of 31.66 % and 10.28 %, respectively, compared to most competitive state-of-the-art baseline. Additionally, this paper further discusses the practical significance of resilience control strategies and management implications. These efforts can extend the opinion dynamics approaches in online environments and assist enterprises and governments in monitoring and managing online communities.