基于人工智能的加工過(guò)程質(zhì)量診斷與調(diào)整研究.pdf

1、產(chǎn)品質(zhì)量形成并貫穿于整個(gè)產(chǎn)品生命周期,是企業(yè)參于市場(chǎng)競(jìng)爭(zhēng)、賴以生存和發(fā)展的基礎(chǔ),而加工過(guò)程中的產(chǎn)品質(zhì)量是產(chǎn)品最終質(zhì)量的基石。隨著“世界級(jí)質(zhì)量”的提出,市場(chǎng)、客戶、企業(yè)對(duì)質(zhì)量的要求不斷提高,傳統(tǒng)的質(zhì)量控制已不能滿足其需求。
　　 加工過(guò)程中的產(chǎn)品質(zhì)量出現(xiàn)異常,只有很少一部分時(shí)間用于質(zhì)量監(jiān)測(cè)和控制,而80％的時(shí)間都用來(lái)判斷異常的來(lái)源和調(diào)整引起異常的因素,所以為了滿足加工過(guò)程全面質(zhì)量管理的需求,應(yīng)用于加工質(zhì)量的診斷技術(shù)和系統(tǒng)成為眾多學(xué)

2、者和企業(yè)新的研究熱點(diǎn)。本文在前人質(zhì)量控制研究的基礎(chǔ)上,提出了基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的控制圖模式識(shí)別,同時(shí)對(duì)加工過(guò)程中的質(zhì)量診斷與調(diào)整進(jìn)行了相關(guān)研究。
　　 主要研究包括三方面的內(nèi)容:
　　 (1)提出一種基于激勵(lì)函數(shù)參數(shù)可調(diào)和動(dòng)態(tài)閾值的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)控制圖模式識(shí)別算法,并優(yōu)化Monte Carlo工序數(shù)據(jù)模擬方法,使樣本數(shù)據(jù)更具與實(shí)際生產(chǎn)數(shù)據(jù)相同的質(zhì)量特性。根據(jù)改進(jìn)后的網(wǎng)絡(luò)參數(shù)迭代公式,將預(yù)處理后的樣本數(shù)據(jù)作為輸入對(duì)該神

3、經(jīng)網(wǎng)絡(luò)識(shí)別器進(jìn)行訓(xùn)練,訓(xùn)練結(jié)果用于生產(chǎn)過(guò)程的控制圖模式識(shí)別。改進(jìn)BP神經(jīng)網(wǎng)絡(luò)識(shí)別器的拓?fù)浣Y(jié)構(gòu)簡(jiǎn)單,在保證識(shí)別精度的前提下,提高識(shí)別速度,改善神經(jīng)網(wǎng)絡(luò)的泛化能力。最后,通過(guò)計(jì)算機(jī)模擬驗(yàn)證該算法的可行性。
　　 (2)提出基于故障樹(shù)分析的加工過(guò)程質(zhì)量診斷與調(diào)整方法。首先,對(duì)加工過(guò)程與質(zhì)量相關(guān)的規(guī)則進(jìn)行編碼和產(chǎn)生式知識(shí)表示,系統(tǒng)自動(dòng)生成以控制圖異常模式為頂事件的故障樹(shù),通過(guò)故障樹(shù)分析獲取引起質(zhì)量波動(dòng)的主要異常因素子集。然后,以各質(zhì)量因

4、素特征值的監(jiān)測(cè)結(jié)果作為規(guī)則匹配依據(jù),進(jìn)行專家系統(tǒng)的自動(dòng)推理和人工輔助推理。最后,系統(tǒng)針對(duì)控制圖異常模式診斷結(jié)果進(jìn)行質(zhì)量調(diào)整,將最優(yōu)調(diào)整方案及時(shí)反饋給技術(shù)人員改進(jìn)生產(chǎn)。質(zhì)量診斷與調(diào)整專家系統(tǒng)有助于生產(chǎn)人員快速診斷質(zhì)量異常因素、實(shí)施質(zhì)量調(diào)整方案,大大縮短產(chǎn)品生產(chǎn)周期。
　　 (3)開(kāi)發(fā)了車(chē)削加工質(zhì)量診斷與調(diào)整專家系統(tǒng)。采用VB6.0開(kāi)發(fā)環(huán)境和SQLServer2003數(shù)據(jù)庫(kù)軟件,建立專家系統(tǒng)知識(shí)庫(kù)和各功能模塊的人機(jī)交互界面,實(shí)現(xiàn)加工