多工序制造质量智能预测建模机理研究及应用

发布时间：2020-09-02 09:34

　　随着全球化市场竞争日益激烈,产品质量受到前所未有的重视。论文系统研究制造过程质量智能预测控制中的关键技术与实现方法,这对促进先进制造技术发展、智能预测理论及应用具有重要的学术价值和实际意义。论文详细分析了制造质量波动特性,阐述了制造质量建模预测控制基本原理,从制造质量低维特征信息提取方法、制造质量智能预测建模方法、质量信息集成方法三个方面,对制造质量预测建模中关键问题的研究动态及国内外进展进行了分析,进一步展开了多工序制造质量智能预测建模机理研究及应用课题研究。主要工作包括: ⑴研究面向关键工序的多维制造质量数据模型构架。建立关键质量特性KQCs产品结构树映射模型,通过功能分解间接实现制造质量BOM中KQCs向产品结构树的映射,质量特性指标细分到每一个零部件,既体现公共KQCs,又表现个性KQCs;提出一种定性与定量相结合的多准则决策方法,避免主观臆断或仅考虑少数判读所带来的局限性;研究不同类型生产过程时间序列质量数据样本的在线抽取方法,通过引入维、维分层和度量概念,建立多维制造质量数据模型,使制造质量数据的描述结构化、规范化。 ⑵深入开展高维制造质量低维特征信息动态提取方法研究。提出将滑动数据窗采样和主元递推更新算法相结合,能够使主元模型自适应地跟踪数据样本的变化,有利于提取出动态制造过程中数量少但包含信息量大的质量特征;基于核函数PCA能够将复杂关联数据投影到线性可分的高维特征空间,提出通过将递归KPCA分解推广到核空间,给出了核形式的递归PCA算法,结合滑动窗采样,使主元分析的时间复杂度和空间复杂度较标准核函数PCA进一步减小。仿真结果表明,选取建模样本数为500时,使用递推更新算法能够比没有选用递推算法(样本数1000)效果更好,而且其SPE分析结果超出95%、99%控制线的点,分别减少了10%、8%;递推核函数PCA的T 2分析结果超过95%、99%的点数较标准核函数PCA分别减少了10%、7%;而SPE分析结果则相应较少了15%、4%。 ⑶系统研究基于Elman神经网络的智能质量预测控制方法。针对复杂产品制造过程中,质量变量、数据样本间时序相关性较强的特点,提出一个新型多通路反馈OHIF Elman神经网络结构,在Elman网络结构自反馈因子?基础上,引入反馈因子?、r ,形成输出层、隐含层类似“全反馈”拓扑结构,提高了预测精度;针对OHIF Elman神经网络结构关联层影响网络收敛性的问题,提出了LM-CGD算法以期加快收敛速度,将CDG用于求解包含Jacobi矩阵J k正则方程,可将计算复杂度由原求解方法O ( N36)降低到O (2 N 2);针对OHIF Elman网络隐含层中应用Sigmoid函数,权值矩阵阶数增加、难以建立出网络规模与可逼近分辨尺度的定量关系的问题,提出一种紧致型小波OHIF Elman网络,该方法充分利用小波神经网络权系数的线性分布及学习目标函数的凸性,可避免局部最优非线性优化问题。仿真结果表明,OHIF Elman网络应用LM-CGD算法,145 Epoch即可收敛,比应用L-M算法步长减少46.7%,应用GD、Newton算法甚至不收敛;小波Elman OHIF Elman网络MSE较RBF网络减小36.4%,较OHIF Elman网络减小12.9%,而收敛步长略高于OHIF Elman网络。 ⑷开展在线制造质量信息集成系统设计与实现方法研究。讨论在线制造质量信息集成三层体系架构,使现场监控层、企业监控层、远程监控层层内与层间建立高效信息传输通道;设计USB、RS232/422/484、模拟量与CAN总线间数据转换协议,讨论“现场总线+以太网+TCP/IP+OPC”方案,避免不必要资源竞争,提高效率并增强信息传送的安全性;确定XML数据交换接口模型和跨平台数据交换技术路线,实现基于UML用例图的系统需求细化、基于UML类图的数据模型所包含的框架内容及XML Schema对象逻辑关系的确定、UML对象模型向XML Schema映射,满足系统平台间信息无缝传递及互操作的需求;结合华南理工大学“985”建设内容,建立了一个制造质量在线检测实验平台。 ⑸开展智能预测建模方法在漏光度制造质量控制应用研究。基于活塞环漏光原因分析及AHP多准则决策体系,指出氮化工序、粗磨开口后定型、精珩外圆是制造过程的第一、第二、第三关键质量控制工序;以氮化关键工序为例,利用核函数主元分析法对六个主成分进行排序,发现氮化温度、氮化时间、催化剂三相为输入主元质量特征,并以氮化层硬度为输出,所建立的小波OHIF Elman、OHIF Elman神经网络预测模型,其预测准确度较标准Elman网络预测准确度分别提高22.3%、21.7%;智能质量预测方法在活塞环制造企业实施后优等品率由原来的75%提高到实施后的87%以上。
【学位单位】：华南理工大学
【学位级别】：博士
【学位年份】：2011
【中图分类】：TH186;F273.2;F224
【部分图文】：

模型图,质量预测,三维空间结构,模型

质量预测控制三维空间结构模型

预测控制系统,制造质量,层次模型,质量数据

依据某一项单独功能或近似功能的组合，可建立如图 1-4 所示的制造质量预测控层次模型(Hierarchy Model)，层次模型分为检测层、数据层、控制层、标准层和等 5 个抽象层次。其中，检测层主要是通过对制造过程关键工序的质量信息进行获取实时可靠的质量数据；数据层主要由实时质量数据(由原始质量数据预处理、样本质量数据(从实时质量数据库中抽取)和控制规则数据组成；控制层中由质模型对质量波动趋势进行预测，提取出加工趋势特征，形成质量预测模型及过程

多准则决策,分析体系,工序,关键工序

加值操作等)，也包含有定量分析判断(质量不稳定、较大加工难度、多重复性故障响成品合格率等)，而最终则是由两者综合决策确定。根据 KQCs 与关键工序的性，作者建立如图 2-2 所示的基于 AHP 关键工序多准则决策分析体系图，它包递阶层次模型及权值计算两部分，递阶分层模型按目标层、准则层、方案层依次排

【引证文献】