基于智能方法的產(chǎn)品制造過程質量診斷.pdf

1、對制造過程的質量狀態(tài)進行監(jiān)控，是實施過程質量連續(xù)改進的起點，質量診斷可以為過程質量連續(xù)改進指明方向。通過質量診斷發(fā)現(xiàn)過程異常并采取糾正措施，可以使過程恢復并保持穩(wěn)定受控狀態(tài)。隨著制造過程現(xiàn)代化和復雜程度的提高，對過程控制和質量診斷提出了更高的要求，單純使用傳統(tǒng)的質量診斷技術并不能很好地滿足這些要求。在進行質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領域的最新技術成果，是質量診斷技術的重要發(fā)展方向。本文針對制造過程的質量診

2、斷問題進行了如下研究：
　　 1)基于概率神經(jīng)網(wǎng)絡的控制圖模式識別。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)絡進行控制圖模式識別，對概率神經(jīng)網(wǎng)絡的結構特點和參數(shù)進行了研究和設計，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)絡識別控制圖模式時存在的神經(jīng)網(wǎng)絡結構設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)絡診斷過程異常也需要使用大量的訓練樣本，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期的特征。使用Cuscore統(tǒng)計量診斷過程中的預期異常信號，可以有效利用以往積累下來的關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進行變點檢測的方法，解決了標準Cuscore技術中存在

5、的失配問題，提高了Cuscore統(tǒng)計量對于預期異常信號的檢測能力。
　　 4)多元過程質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性。目前的多元SPC技術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。結合傳統(tǒng)多元SPC技術，本文分別構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化為模式識別問題來加以解決；設計了最小二乘支持向量機模式識別器；對提出的