基于智能学习模型的制造过程质量控制理论与方法论研究

发布时间：2021-08-22 04:57

　　连续稳定的产品质量一直是工业界追求的目标,制造过程质量的控制是确保高质量产品的重要因素之一。鉴于其重要的理论与工程实际意义,一直是质量控制领域的重点和难点课题。统计过程控制（Statistical Process Control,SPC）技术是过程质量控制的最常用的工具,但其对复杂制造过程（如高维多变量过程、多输入多输出（Multi Input and Multi Output,MIMO）过程等）无法有效地进行复杂多维信息融合分析、无法进行过程状态量化与可视化分析,无法有效地进行过程失控源识别。而具有智能性、非线性、信息融合能力、良好学习能力的智能学习模型（Intelligent Learning Models）可有效地解决以上SPC无法有效解决的一些问题,以实现过程质量控制的智能化。本论文围绕现代制造过程质量智能控制,以典型制造过程（如独立离散过程、自相关过程及多变量过程）和复杂的MIMO过程为研究对象,研究基于智能学习模型的制造过程质量控制的理论与方法论体系,为智能学习模型在制造过程质量控制的广泛应用奠定重要的理论与实践基础。1.以制造过程状态监控为本文的首要研究内容,率先提出了制... 

【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校

【文章页数】：173 页

【学位级别】：博士

【部分图文】：

多变量过程质量智能控制系统

控窗口向量和100个失控窗口向量( 2.00 )，我该 SOM的 U-matrix 映射。在 U-matrix 上，我们能区域的 Cluster1 可能是在控窗口向量所形成的聚类所形成的聚类。为了验证这个假设，轨迹（Traje失控的连续移动窗口（39:74）被增加到 U-matrix 个轨迹点，而箭头指明了这个轨迹的方向。图 2.9 状态的 Cluster1 移动到了代表失控状态的 Clus轨迹图能作为一个有效的过程状态可视化工具来监着调整过程变量以使得过程的轨迹点停留在期望的过观察轨迹，一些正确的过程调整措施可被正确地化工具 U-matrix 和轨迹（Trajectory）能有效地应

上海交通大学博士学位论文 第五章 基于知识发现与神经网络集成的产品质量在线监控与诊断系统在本章研究中，Y 是最终输出产品质量的类型，包括正常产品及各种次品。关键过程变量 X(i 1,2,...n)i 显著地影响着输出产品的质量，需要进行重点监控与控制。因此这样的制造过程需要一个智能监控与诊断系统以监控过程异常，识别故障类型，诊断故障发生原因，及提供消除故障的指导方案。控制图通常能有效地运用于过程监控，但是控制图一般分割地监控过程输入和输出，因此无法预测具有 MIMO 特征的制造系统的过程状态。当制造系统即将产生次品前，控制图通常无法诊断异常原因。因为输入和输出变量间关系的复杂性与非线性，使用一些线性回归等数学方法也无法有效地建模这些复杂关系。人工神经网络（ANN）非常擅长于建模这样复杂的关系[134]。ANN 已经广泛地运用于过程异常监控，能有效预测过程的状态。但是 ANN 没有能力提供一个显式和可理解的规则集，以诊断故障和解释内在的士学位论文全文数据库 2011年 第04期 工程科技Ⅱ辑 C02


本文编号：3357045