信息不完備條件下工序質(zhì)量診斷方法研究.pdf

1、產(chǎn)品質(zhì)量關(guān)系到企業(yè)的生存與發(fā)展，是其市場競爭能力的重要體現(xiàn)，更是其設(shè)計、制造、裝配等各個環(huán)節(jié)質(zhì)量因素影響或誤差累積的結(jié)果。特別是，產(chǎn)品規(guī)格日益豐富，生產(chǎn)工藝日趨復(fù)雜，多品種小批量生產(chǎn)模式已逐漸成為主流等新的態(tài)勢下，如何及時診斷、控制和預(yù)防質(zhì)量問題已成為質(zhì)量控制領(lǐng)域的關(guān)注焦點之一。
　　在復(fù)雜制造環(huán)境中，由于工藝的多樣性和質(zhì)量問題的復(fù)雜性使得對工序狀態(tài)信息的掌握常存在著某種程度的不完全、不確定的現(xiàn)象，基于統(tǒng)計的質(zhì)量控制方法因其統(tǒng)計可

2、靠性條件嚴(yán)苛而常常無法得到充分滿足，其適用性受到了很大的限制。如何結(jié)合信息特點合理選擇質(zhì)量診斷與控制方法，對不完備信息進(jìn)行正確處理，獲得相對實時準(zhǔn)確的診斷結(jié)果已成為當(dāng)前復(fù)雜制造環(huán)境下工序質(zhì)量診斷的重要課題。
　　本文以復(fù)雜制造環(huán)境中信息不完備條件下工序質(zhì)量診斷為研究對象，基于質(zhì)量診斷技術(shù)現(xiàn)狀和質(zhì)量信息的不完備性分析，分別針對工序質(zhì)量信息不完備情況下的幾種典型情形進(jìn)行研究，主要工作如下:
　　第一章介紹本文的研究背景和意義;在

3、歸納總結(jié)目前國內(nèi)外工序質(zhì)量診斷與控制研究現(xiàn)狀的基礎(chǔ)上，結(jié)合復(fù)雜制造環(huán)境下信息獲取現(xiàn)狀與特點，提出了工序質(zhì)量診斷面臨的主要問題;最后介紹了本文的主要研究內(nèi)容和技術(shù)框架。
　　第二章圍繞質(zhì)量問題的識別、診斷與控制過程，引入質(zhì)量事件、質(zhì)量問題、錯誤等相關(guān)概念對工序質(zhì)量診斷各環(huán)節(jié)所需信息進(jìn)行梳理;然后利用ExGQM方法對工序質(zhì)量信息的完備性需求展開討論，并在已有的相關(guān)研究成果的基礎(chǔ)上對信息的不完備認(rèn)識進(jìn)行對比分析，并總結(jié)提出了屬性缺失、信

4、息冗余與不一致、信息不確定以及樣本不足等幾種典型的質(zhì)量信息不完備情形。
　　在質(zhì)量信息不完備性分析的基礎(chǔ)上，尚需結(jié)合適當(dāng)?shù)脑\斷方法實現(xiàn)對工序質(zhì)量異?；蛸|(zhì)量問題的診斷與控制，才能有效阻斷對產(chǎn)品質(zhì)量的進(jìn)一步影響。為此，第三章首先針對典型信息不完備情形下的處理對策，從數(shù)據(jù)挖掘的角度進(jìn)行比較分析，并根據(jù)質(zhì)量信息特點和質(zhì)量診斷需求，明確各類處理對策的適用范圍與效果;然后根據(jù)典型信息不完備情形下的處理對策，從方法優(yōu)勢與適用性的角度，進(jìn)行基于知

5、識/規(guī)則的方法選擇，制定相應(yīng)的診斷策略;最后結(jié)合復(fù)雜制造過程中信息不完備情形下質(zhì)量診斷的具體需求，指出了尚需解決的關(guān)鍵問題。
　　第四章，針對如何在屬性值缺失、信息冗余條件下通過問題聚類獲取工序質(zhì)量診斷所需的隱含知識的問題，根據(jù)信息補(bǔ)齊與屬性約簡策略展開研究:首先，針對Roustida算法在進(jìn)行工序質(zhì)量信息補(bǔ)齊時面臨的局限性進(jìn)行了改進(jìn)并給出了相應(yīng)算法，擴(kuò)充了其在復(fù)雜工程實踐中適用范圍的同時，實現(xiàn)了不完備質(zhì)量信息的完整和完備化;然后

6、，針對已相對完整的信息支持系統(tǒng)，利用遺傳算法和廣義診斷規(guī)則推理進(jìn)行屬性約簡與規(guī)則提取，實現(xiàn)以最簡方式表達(dá)工序狀態(tài)和質(zhì)量問題的關(guān)系;最后，結(jié)合軸承套圈的溝道磨削質(zhì)量問題診斷進(jìn)行實例分析，以驗證該研究的可行性和有效性。
　　第五章，針對信息不確定情形下的工序質(zhì)量診斷問題，利用Bayesian網(wǎng)絡(luò)可以綜合基于經(jīng)驗知識定性判斷和統(tǒng)計概率定量評估的優(yōu)勢，通過多源信息融合對相關(guān)影響因素和質(zhì)量問題進(jìn)行預(yù)先因果假設(shè)，建立初始Bayesian網(wǎng)絡(luò)結(jié)

7、構(gòu);并針對初始網(wǎng)絡(luò)中節(jié)點眾多、結(jié)構(gòu)模糊問題，利用基于評分/搜索的K2算法進(jìn)行初始結(jié)構(gòu)的優(yōu)化;然后結(jié)合LeakyNoisy-OR節(jié)點模型，將生產(chǎn)過程中隨機(jī)因素的影響納入到推理模型，使概率推理更加接近實際;最后利用溝道磨削表面形貌質(zhì)量問題診斷對所構(gòu)建模型及優(yōu)化方法的可行性和有效性進(jìn)行驗證，并針對信息不確定情形與樸素Bayesian網(wǎng)絡(luò)做了比較評估以驗證本研究可以明顯降低結(jié)構(gòu)復(fù)雜度和條件概率估計數(shù)量。
　　第六章，針對小樣本問題，利用案

8、例推理可以實現(xiàn)基于知識的問題學(xué)習(xí)和求解的優(yōu)勢，將過去積累的“知名錯誤”以案例的形式儲存在案例庫中，根據(jù)特征分類的索引策略、匹配算法以及相似度計算，從案例庫中檢索相似案例，經(jīng)由適配策略修正，獲得適合當(dāng)前問題的解決方案。針對工序質(zhì)量問題案例的形式化表示存在的局限性，本章將可拓理論與案例推理相結(jié)合，提出基于物元模型的質(zhì)量信息表達(dá)結(jié)構(gòu);并通過可拓算子實現(xiàn)對質(zhì)量問題特征項在多級索引結(jié)構(gòu)上的相容性求解;然后結(jié)合基于領(lǐng)域知識的分層案例組織形式與最近鄰