制造過(guò)程質(zhì)量智能控制與診斷中若干問(wèn)題的研究.pdf

1、產(chǎn)品的質(zhì)量是現(xiàn)代企業(yè)增強(qiáng)市場(chǎng)競(jìng)爭(zhēng)力、賴以生存和發(fā)展的基礎(chǔ)。制造過(guò)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(duì)制造過(guò)程質(zhì)量進(jìn)行控制，是實(shí)施過(guò)程質(zhì)量連續(xù)改進(jìn)的起點(diǎn)，而制造過(guò)程質(zhì)量診斷則可為過(guò)程質(zhì)量連續(xù)改進(jìn)指明方向。通過(guò)制造過(guò)程質(zhì)量診斷發(fā)現(xiàn)過(guò)程異常并采取糾正措施，可以使過(guò)程恢復(fù)并保持穩(wěn)定受控狀態(tài)。隨著制造過(guò)程現(xiàn)代化和復(fù)雜程度的提高，對(duì)過(guò)程質(zhì)量控制與診斷提出了更嚴(yán)更高的要求，單純使用傳統(tǒng)的統(tǒng)計(jì)過(guò)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(duì)制造過(guò)程質(zhì)量控制與診斷中存在的4個(gè)核心問(wèn)題進(jìn)行了研究，包括缺乏快速而經(jīng)濟(jì)的Shewhart控制圖設(shè)計(jì)方法、缺乏高效統(tǒng)一的制造過(guò)程質(zhì)量量化控制方法、缺乏實(shí)時(shí)準(zhǔn)確的過(guò)程均值與方差控制圖異常模式并行識(shí)別方法以及缺乏精準(zhǔn)便捷的質(zhì)量特性相關(guān)多工序制造過(guò)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(guò)程歷史波動(dòng)知識(shí)的控制圖統(tǒng)計(jì)經(jīng)濟(jì)設(shè)計(jì)方法針對(duì)傳統(tǒng)Shewhart控制圖設(shè)計(jì)中存在如下問(wèn)題:(1)統(tǒng)計(jì)設(shè)計(jì)控制

3、圖的使用成本較高，(2)經(jīng)濟(jì)設(shè)計(jì)控制圖的統(tǒng)計(jì)特性并不理想，(3)只注重在控參數(shù)而不考慮過(guò)程歷史波動(dòng)知識(shí)，提出了基于過(guò)程歷史波動(dòng)知識(shí)的控制圖統(tǒng)計(jì)經(jīng)濟(jì)設(shè)計(jì)方法。實(shí)驗(yàn)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(jì)特性在需求值以內(nèi)，并能更準(zhǔn)確反映當(dāng)前制造過(guò)程真實(shí)運(yùn)行狀態(tài)。為了求解控制圖統(tǒng)計(jì)經(jīng)濟(jì)設(shè)計(jì)中的優(yōu)化問(wèn)題，分別提出了一種單目標(biāo)和多目標(biāo)粒子群優(yōu)化算法。針對(duì)多目標(biāo)優(yōu)化問(wèn)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(jì)了一個(gè)控制圖多目標(biāo)統(tǒng)計(jì)經(jīng)濟(jì)設(shè)計(jì)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(jī)加工車間在軸承機(jī)械加工過(guò)程控制圖單目標(biāo)和多目標(biāo)統(tǒng)計(jì)經(jīng)濟(jì)設(shè)計(jì)中。
　　(2)提出了一種基于混合智能學(xué)習(xí)模型的制造過(guò)程質(zhì)量量化控制方法針對(duì)傳統(tǒng)Shewhart控制圖實(shí)施中存在如下問(wèn)題:(1)無(wú)法對(duì)過(guò)程狀態(tài)作出定量評(píng)估，(2)過(guò)程因漂移而偏離正態(tài)分布時(shí)將會(huì)增加兩種錯(cuò)誤（虛發(fā)警報(bào)和漏發(fā)警報(bào)）的風(fēng)險(xiǎn)，提出了一種基于混合智能學(xué)習(xí)模型的制造過(guò)程質(zhì)量

5、控制方法。該混合智能學(xué)習(xí)模型由兩個(gè)基于智能學(xué)習(xí)的序列模塊組成:ModuleⅠ和ModuleⅡ。ModuleⅠ使用一個(gè)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(lái)偵測(cè)過(guò)程異常并對(duì)過(guò)程異常的嚴(yán)重程度作出定量評(píng)估，ModuleⅡ使用一個(gè)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(lái)辨識(shí)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(cè)到的過(guò)程失控信號(hào)的異常源種類。實(shí)驗(yàn)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(cè)過(guò)程失控上的性能表現(xiàn)優(yōu)于文獻(xiàn)中常用的一些方法，ModuleⅡ中DPSOSEN-BPN具有較好的泛化學(xué)習(xí)能力，不但能在均值或方差異常單獨(dú)出現(xiàn)時(shí)，具有快速而準(zhǔn)確的辨識(shí)能力，也能在均值及方差異常同時(shí)出現(xiàn)時(shí)，取得較好的辨識(shí)績(jī)效。在此基礎(chǔ)上，成功地將混合智能學(xué)習(xí)模型應(yīng)用于某企業(yè)噴涂車間白色面漆噴涂過(guò)程異常偵測(cè)和異常源種類辨識(shí)中。
　　(3)提出了一種制造過(guò)程均值與方差控制圖異常模式并行識(shí)別方法針對(duì)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(xué)習(xí)矢量神經(jīng)網(wǎng)絡(luò)集成的同時(shí)識(shí)別均值及方差控制圖異常模式識(shí)別方法，此方法使用原始過(guò)程數(shù)據(jù)及統(tǒng)計(jì)特征值作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。實(shí)驗(yàn)結(jié)果表明，該方法不但能在均值或方差控制圖模式單獨(dú)出現(xiàn)時(shí)，具有快速而準(zhǔn)確的識(shí)別能力，也能在均值及方差控制圖模式同時(shí)出現(xiàn)（亦即混合控制圖模式）時(shí)，取得較好的識(shí)別績(jī)效。實(shí)驗(yàn)亦顯示結(jié)合了過(guò)程數(shù)據(jù)與統(tǒng)計(jì)特征可提升異常的控制圖模式識(shí)別準(zhǔn)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(guò)程均值及方差控制圖異常模式識(shí)別中。
　　(4)提出了一種質(zhì)量特性相關(guān)多工序制造過(guò)程質(zhì)量診斷方法針對(duì)傳統(tǒng)的Shewhart分析方法在顯示異常時(shí)，并不能告知是什么異常，發(fā)生在哪個(gè)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(guò)程質(zhì)量診斷方法。實(shí)驗(yàn)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?，分清上下兩道工序的質(zhì)量責(zé)任，還可以找出多工序制造過(guò)程中質(zhì)量改進(jìn)的關(guān)鍵工序。在此基礎(chǔ)上，成