基于SPC的數(shù)據(jù)采集和質(zhì)量監(jiān)控系統(tǒng)的技術(shù)研究.pdf

1、在2015年由國(guó)務(wù)院印發(fā)的《中國(guó)制造2025》行動(dòng)綱領(lǐng)中，“質(zhì)量為先”是其五大基本方針之一，表明產(chǎn)品質(zhì)量已經(jīng)成為國(guó)家的重點(diǎn)關(guān)注對(duì)象，也是目前制造企業(yè)生產(chǎn)過(guò)程的主要目標(biāo)。因此，如何有效地對(duì)產(chǎn)品的生產(chǎn)過(guò)程進(jìn)行質(zhì)量監(jiān)控以保證產(chǎn)品質(zhì)量，是目前制造企業(yè)的重要研究問(wèn)題。
　　統(tǒng)計(jì)過(guò)程控制（Statistical Process Control，SPC）技術(shù)是目前生產(chǎn)制造領(lǐng)域?qū)Ξa(chǎn)品質(zhì)量進(jìn)行監(jiān)控的主要技術(shù)。根據(jù)SPC控制圖的圖像特征可以判斷生產(chǎn)過(guò)

2、程是否出現(xiàn)異常，通過(guò)對(duì)SPC控制圖模式的識(shí)別可以推斷生產(chǎn)過(guò)程發(fā)生異常的原因。近年來(lái)研究人員采用多種智能算法用于對(duì)SPC控制圖模式的識(shí)別研究，由于目前生產(chǎn)過(guò)程控制圖模式的樣本較少，而支持向量機(jī)（Support Vector Machines，SVM）可以有效解決小樣本條件下的模式識(shí)別問(wèn)題，因此本文將支持向量機(jī)作為控制圖模式識(shí)別的主要研究工具。本文主要做了以下研究：
　　1）對(duì)SPC控制圖模式數(shù)據(jù)進(jìn)行仿真，并通過(guò)統(tǒng)計(jì)特征和形狀特征對(duì)其

3、進(jìn)行特征提取，通過(guò)研究、分析支持向量機(jī)原理及其多分類(lèi)方式的特點(diǎn)，選擇“有向無(wú)環(huán)圖”（Directed Acyclic Graph，DAG）型支持向量機(jī)作為多分類(lèi)器，并采用粒子群算法（Particle Swarm Optimization，PSO）對(duì)其參數(shù)進(jìn)行優(yōu)化，然后通過(guò)相應(yīng)的仿真實(shí)驗(yàn)進(jìn)行對(duì)比分析；
　　2）為了進(jìn)一步提高控制圖模式的識(shí)別效率及準(zhǔn)確率，提出兩種改進(jìn)方式：首先通過(guò)特征融合將原始數(shù)據(jù)和特征數(shù)據(jù)的識(shí)別優(yōu)勢(shì)相結(jié)合，然后通過(guò)

4、主成分分析（Principal Component Analysis，PCA）算法對(duì)融合特征進(jìn)行進(jìn)一步的維數(shù)約簡(jiǎn)，提取出對(duì)分類(lèi)影響較大的數(shù)據(jù)特征，從而提高了分類(lèi)準(zhǔn)確率和識(shí)別效率；對(duì)粒子群算法進(jìn)行改進(jìn)，通過(guò)增強(qiáng)粒子的主動(dòng)搜索能力，解決其易陷入“局部最優(yōu)”的缺陷，從而提高了分類(lèi)器識(shí)別的準(zhǔn)確率。
　　仿真實(shí)驗(yàn)結(jié)果表明，通過(guò)對(duì)識(shí)別及優(yōu)化算法的改進(jìn)，分類(lèi)器對(duì)控制圖模式的識(shí)別效率和準(zhǔn)確率方面都有了相應(yīng)的提高，識(shí)別率能夠達(dá)到95％以上，能夠滿(mǎn)足