制造過程質(zhì)量智能控制與診斷中若干問題的研究.pdf

1、產(chǎn)品的質(zhì)量是現(xiàn)代企業(yè)增強市場競爭力、賴以生存和發(fā)展的基礎(chǔ)。制造過程的質(zhì)量控制與診斷是保證產(chǎn)品質(zhì)量的重要環(huán)節(jié)。對制造過程質(zhì)量進行控制，是實施過程質(zhì)量連續(xù)改進的起點，而制造過程質(zhì)量診斷則可為過程質(zhì)量連續(xù)改進指明方向。通過制造過程質(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，對過程質(zhì)量控制與診斷提出了更嚴更高的要求，單純使用傳統(tǒng)的統(tǒng)計過程控制與診斷技術(shù)并不能很好地滿足這些要求。

2、>　　本文針對制造過程質(zhì)量控制與診斷中存在的4個核心問題進行了研究，包括缺乏快速而經(jīng)濟的Shewhart控制圖設(shè)計方法、缺乏高效統(tǒng)一的制造過程質(zhì)量量化控制方法、缺乏實時準確的過程均值與方差控制圖異常模式并行識別方法以及缺乏精準便捷的質(zhì)量特性相關(guān)多工序制造過程質(zhì)量診斷方法。本文的創(chuàng)造性研究成果主要有:
　　(1)提出了一種基于過程歷史波動知識的控制圖統(tǒng)計經(jīng)濟設(shè)計方法針對傳統(tǒng)Shewhart控制圖設(shè)計中存在如下問題:(1)統(tǒng)計設(shè)計控制

3、圖的使用成本較高，(2)經(jīng)濟設(shè)計控制圖的統(tǒng)計特性并不理想，(3)只注重在控參數(shù)而不考慮過程歷史波動知識，提出了基于過程歷史波動知識的控制圖統(tǒng)計經(jīng)濟設(shè)計方法。實驗結(jié)果表明，該方法不僅降低了控制圖使用成本，而且保證了控制圖的相關(guān)統(tǒng)計特性在需求值以內(nèi)，并能更準確反映當前制造過程真實運行狀態(tài)。為了求解控制圖統(tǒng)計經(jīng)濟設(shè)計中的優(yōu)化問題，分別提出了一種單目標和多目標粒子群優(yōu)化算法。針對多目標優(yōu)化問題通常有大量Pareto最優(yōu)解，還結(jié)合聚類分析和偽權(quán)系

4、數(shù)向量法設(shè)計了一個控制圖多目標統(tǒng)計經(jīng)濟設(shè)計決策支持算法。在此基礎(chǔ)上，成功地將上述方法應(yīng)用于某企業(yè)機加工車間在軸承機械加工過程控制圖單目標和多目標統(tǒng)計經(jīng)濟設(shè)計中。
　　(2)提出了一種基于混合智能學習模型的制造過程質(zhì)量量化控制方法針對傳統(tǒng)Shewhart控制圖實施中存在如下問題:(1)無法對過程狀態(tài)作出定量評估，(2)過程因漂移而偏離正態(tài)分布時將會增加兩種錯誤（虛發(fā)警報和漏發(fā)警報）的風險，提出了一種基于混合智能學習模型的制造過程質(zhì)量

5、控制方法。該混合智能學習模型由兩個基于智能學習的序列模塊組成:ModuleⅠ和ModuleⅡ。ModuleⅠ使用一個基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的量化誤差控制圖來偵測過程異常并對過程異常的嚴重程度作出定量評估，ModuleⅡ使用一個基于離散粒子群優(yōu)化算法的選擇性神經(jīng)網(wǎng)絡(luò)集成(DPSOSEN-BPN)來辨識被ModuleⅠ中基于自組織特征映射神經(jīng)網(wǎng)絡(luò)的量化誤差控制圖偵測到的過程失控信號的異常源種類。實驗結(jié)果表明，ModuleⅠ中基于自組織特

6、征映射神經(jīng)網(wǎng)絡(luò)的量化誤差控制圖在偵測過程失控上的性能表現(xiàn)優(yōu)于文獻中常用的一些方法，ModuleⅡ中DPSOSEN-BPN具有較好的泛化學習能力，不但能在均值或方差異常單獨出現(xiàn)時，具有快速而準確的辨識能力，也能在均值及方差異常同時出現(xiàn)時，取得較好的辨識績效。在此基礎(chǔ)上，成功地將混合智能學習模型應(yīng)用于某企業(yè)噴涂車間白色面漆噴涂過程異常偵測和異常源種類辨識中。
　　(3)提出了一種制造過程均值與方差控制圖異常模式并行識別方法針對均值及方

7、差控制圖上出現(xiàn)的某一種模式通常是由不同的原因所引起，提出了一種基于選擇性學習矢量神經(jīng)網(wǎng)絡(luò)集成的同時識別均值及方差控制圖異常模式識別方法，此方法使用原始過程數(shù)據(jù)及統(tǒng)計特征值作為神經(jīng)網(wǎng)絡(luò)的訓練樣本。實驗結(jié)果表明，該方法不但能在均值或方差控制圖模式單獨出現(xiàn)時，具有快速而準確的識別能力，也能在均值及方差控制圖模式同時出現(xiàn)（亦即混合控制圖模式）時，取得較好的識別績效。實驗亦顯示結(jié)合了過程數(shù)據(jù)與統(tǒng)計特征可提升異常的控制圖模式識別準確率。在此基礎(chǔ)上，

8、成功地將上述方法應(yīng)用于某企業(yè)噴涂車間白色面漆噴涂過程均值及方差控制圖異常模式識別中。
　　(4)提出了一種質(zhì)量特性相關(guān)多工序制造過程質(zhì)量診斷方法針對傳統(tǒng)的Shewhart分析方法在顯示異常時，并不能告知是什么異常，發(fā)生在哪個或者哪些工序中，提出了質(zhì)量特性相關(guān)的多工序制造過程質(zhì)量診斷方法。實驗結(jié)果表明，該方法不但可以診斷上道工序?qū)ο碌拦ば虻挠绊懀智迳舷聝傻拦ば虻馁|(zhì)量責任，還可以找出多工序制造過程中質(zhì)量改進的關(guān)鍵工序。在此基礎(chǔ)上，成