基于智能方法的產(chǎn)品制造過程質(zhì)量診斷.pdf

1、對制造過程的質(zhì)量狀態(tài)進行監(jiān)控，是實施過程質(zhì)量連續(xù)改進的起點，質(zhì)量診斷可以為過程質(zhì)量連續(xù)改進指明方向。通過質(zhì)量診斷發(fā)現(xiàn)過程異常并采取糾正措施，可以使過程恢復(fù)并保持穩(wěn)定受控狀態(tài)。隨著制造過程現(xiàn)代化和復(fù)雜程度的提高，對過程控制和質(zhì)量診斷提出了更高的要求，單純使用傳統(tǒng)的質(zhì)量診斷技術(shù)并不能很好地滿足這些要求。在進行質(zhì)量診斷的過程中引進并綜合使用包括計算機、人工智能等其它技術(shù)領(lǐng)域的最新技術(shù)成果，是質(zhì)量診斷技術(shù)的重要發(fā)展方向。本文針對制造過程的質(zhì)量診

2、斷問題進行了如下研究：
　　 1)基于概率神經(jīng)網(wǎng)絡(luò)的控制圖模式識別。傳統(tǒng)單變量控制圖是診斷過程異常的重要工具，但對過程中出現(xiàn)的控制圖模式現(xiàn)象卻無法加以正確判斷。本文提出使用概率神經(jīng)網(wǎng)絡(luò)進行控制圖模式識別，對概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)特點和參數(shù)進行了研究和設(shè)計，通過仿真實驗對使用神經(jīng)進行控制圖模式識別的性能進行了評估，解決了使用其它類型神經(jīng)網(wǎng)絡(luò)識別控制圖模式時存在的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計困難且識別率低的問題。
　　 2)基于最小二乘支持

3、向量機的控制圖模式識別。傳統(tǒng)的SPC(Statistical ProcessControl)過程異常診斷方法只在大樣本條件下才有效，使用神經(jīng)網(wǎng)絡(luò)診斷過程異常也需要使用大量的訓(xùn)練樣本，當樣本數(shù)量有限時，這兩種方法并不適用。為此，本文提出使用最小二乘支持向量機技術(shù)對控制圖模式進行識別，并對其性能進行評估。同時，為提高模式識別的性能，提出使用粒子群算法和遺傳算法優(yōu)化選擇最小二乘支持向量機的參數(shù)，實現(xiàn)了在有限樣本條件下控制圖模式的有效識別。

4、r>　　 3)Cuscore(Cumulative Score)統(tǒng)計量對過程中預(yù)期異常信號的診斷。根據(jù)制造過程積累的先驗知識，某些過程異常信號具有可預(yù)期的特征。使用Cuscore統(tǒng)計量診斷過程中的預(yù)期異常信號，可以有效利用以往積累下來的關(guān)于過程異常的先驗知識。本文研究并評估了Cuscore統(tǒng)計量用于診斷非線性二次預(yù)期異常信號時的性能；提出使用移動窗口和最小二乘支持向量機模式識別技術(shù)進行變點檢測的方法，解決了標準Cuscore技術(shù)中存在

5、的失配問題，提高了Cuscore統(tǒng)計量對于預(yù)期異常信號的檢測能力。
　　 4)多元過程質(zhì)量診斷及異常變量識別。實際的制造過程多數(shù)屬于多元過程且變量之間存在相關(guān)性。目前的多元SPC技術(shù)只能診斷過程的整體狀態(tài)，不能對異常變量進行分離和定位。結(jié)合傳統(tǒng)多元SPC技術(shù)，本文分別構(gòu)建了多元過程均值矢量和協(xié)方差矩陣的智能診斷模型，將均值矢量和協(xié)方差矩陣的異常變量識別問題轉(zhuǎn)化為模式識別問題來加以解決；設(shè)計了最小二乘支持向量機模式識別器；對提出的