基于智能學(xué)習(xí)模型的制造過程質(zhì)量控制理論與方法論研究.pdf

1、連續(xù)穩(wěn)定的產(chǎn)品質(zhì)量一直是工業(yè)界追求的目標(biāo),制造過程質(zhì)量的控制是確保高質(zhì)量產(chǎn)品的重要因素之一。鑒于其重要的理論與工程實際意義,一直是質(zhì)量控制領(lǐng)域的重點和難點課題。統(tǒng)計過程控制(Statistical Process Control,SPC)技術(shù)是過程質(zhì)量控制的最常用的工具,但其對復(fù)雜制造過程(如高維多變量過程、多輸入多輸出(Multi Input and Multi Output,MIMO)過程等)無法有效地進行復(fù)雜多維信息融合分析、無法

2、進行過程狀態(tài)量化與可視化分析,無法有效地進行過程失控源識別。而具有智能性、非線性、信息融合能力、良好學(xué)習(xí)能力的智能學(xué)習(xí)模型(Intelligent Learning Models)可有效地解決以上SPC無法有效解決的一些問題,以實現(xiàn)過程質(zhì)量控制的智能化。本論文圍繞現(xiàn)代制造過程質(zhì)量智能控制,以典型制造過程(如獨立離散過程、自相關(guān)過程及多變量過程)和復(fù)雜的MIMO過程為研究對象,研究基于智能學(xué)習(xí)模型的制造過程質(zhì)量控制的理論與方法論體系,為智

3、能學(xué)習(xí)模型在制造過程質(zhì)量控制的廣泛應(yīng)用奠定重要的理論與實踐基礎(chǔ)。
　　 1.以制造過程狀態(tài)監(jiān)控為本文的首要研究內(nèi)容,率先提出了制造過程狀態(tài)量化與可視化(Quantification and Visualization of Manufacturing Process Status)的概念,和基于自組織映射(Self-Organization Mapping,SOM)神經(jīng)網(wǎng)絡(luò)的最小量化誤差(Minimum QuantifyingE

4、rror,MQE)質(zhì)量控制圖。SOM以數(shù)據(jù)驅(qū)動(Data Driving)和無監(jiān)督學(xué)習(xí)(UnsupervisedLearning)的方式實現(xiàn)對復(fù)雜過程數(shù)據(jù)空間分布規(guī)律的建模,解決了傳統(tǒng)控制圖無法進行過程狀態(tài)量化和可視化,及基于有監(jiān)督學(xué)習(xí)(Supervised Learning)的監(jiān)控模型可應(yīng)用性不強的問題。實驗結(jié)果也證明MQE質(zhì)量控制圖有潛力成為現(xiàn)代質(zhì)量控制系統(tǒng)的一個有效的監(jiān)控工具?；跓o監(jiān)督學(xué)習(xí)的監(jiān)控模型的研究也為其它無監(jiān)督學(xué)習(xí)器在過

5、程質(zhì)量監(jiān)控的應(yīng)用研究奠定了基礎(chǔ)。
　　 2.提出了一套基于自適應(yīng)高斯混合模型(Adaptive Gaussian Mixture Model,AGMM)的時變過程(Time-varing Processes)智能監(jiān)控模型,利用對數(shù)似然值(Log Likelihood)來量化制造過程狀態(tài)。通過基于遺忘因子的遞歸更新、高斯混合項的分裂與合并等的GMM模型參數(shù)在線更新策略,建立復(fù)雜時變過程的在線動態(tài)自適應(yīng)監(jiān)控模型,解決了常規(guī)控制圖等監(jiān)

6、控模型無法應(yīng)用于時變過程監(jiān)控的問題,進一步驗證了無監(jiān)督智能學(xué)習(xí)模型在復(fù)雜制造過程監(jiān)控的特殊能力。
　　 3.率先提出了運用神經(jīng)網(wǎng)絡(luò)集成模型來有效地解決多變量制造過程的失控源識別問題。同時提出了一套基于離散微粒群的選擇性神經(jīng)網(wǎng)絡(luò)集成算法(本文命名為DPSOEN),來提高模式識別器的工程可應(yīng)用性和識別性能。通過有效地集成MQE控制圖和DPSOEN模型,建立了一套基于混合智能學(xué)習(xí)的過程質(zhì)量控制模型,提出了其在典型多變量制造過程的在線異

7、常監(jiān)控和異常源識別的應(yīng)用方法論。及時正確的異常警告和異常源定位將加速發(fā)現(xiàn)導(dǎo)致過程異常的可歸因因素,進行快速和正確的過程調(diào)整。
　　 4.為提取制造過程關(guān)鍵過程變量與輸出產(chǎn)品質(zhì)量的關(guān)聯(lián)性中蘊含的重要知識,提出了一套基于遺傳算法的知識發(fā)現(xiàn)算法。進一步實現(xiàn)了知識發(fā)現(xiàn)算法與基于知識神經(jīng)網(wǎng)絡(luò)的無縫集成,建立了產(chǎn)品質(zhì)量智能在線監(jiān)控與診斷系統(tǒng)。通過制造過程的知識發(fā)現(xiàn),解決了復(fù)雜MIMO過程的監(jiān)控、診斷、過程變量調(diào)整等問題,從而有效地克服了使用

8、單個學(xué)習(xí)模型同時實現(xiàn)復(fù)雜過程監(jiān)控和診斷等功能時性能較差和可應(yīng)用性不強的缺陷,為混合智能學(xué)習(xí)模型在制造過程質(zhì)量控制的廣泛應(yīng)用奠定了重要的實踐基礎(chǔ)。
　　 智能學(xué)習(xí)模型在制造過程的應(yīng)用極大地提高了過程質(zhì)量控制的能力,克服了傳統(tǒng)SPC存在的一些缺陷,提高了制造系統(tǒng)的穩(wěn)定性,從而有效地提高產(chǎn)品質(zhì)量。同時,基于智能學(xué)習(xí)模型的過程質(zhì)量控制研究也為傳統(tǒng)的過程質(zhì)量控制引入了新的理論和方法論。本文的研究也為基于智能學(xué)習(xí)模型在過程質(zhì)量控制應(yīng)用研究奠