复杂产品制造过程关键质量特性识别与最终质量水平预测方法研究
发布时间:2020-09-21 15:52
一直以来,产品质量都是复杂产品制造企业的生命线,做好复杂产品制造过程中的质量控制成为保证产品最终质量的根本途径。然而随着物联网和大数据等新兴信息技术的不断创新发展,复杂产品制造过程质量控制出现了技术瓶颈,致使复杂产品制造过程质量控制成为国内外一大研究热点问题。本文拟对复杂产品制造过程质量控制中的关键质量特性(Critical-to-Quality,CTQ)识别和产品最终质量水平预测展开研究,主要研究内容如下:(1)考虑到复杂产品制造过程中通常包含大量质量特性,为了能够有效识别影响产品最终质量的CTQ集,本文提出了一种基于改进DE算法的特征选择算法,并将其应用于复杂产品CTQ识别之中。所提算法主要是通过改变原有DE算法的变异策略和交叉策略,从而提升算法的全局搜索和局部搜索能力。通过设计对比实验,使用原始DE算法和IG算法作为对比算法来验证改进算法在CTQ识别上的有效性。实验结果表明所提算法在识别CTQ集时,不仅使得后续分类算法的预测精度更高,同时还能减少CTQ集的维度,这对于提升分类算法的性能上具有很大的作用。(2)本文构建了一个多复杂制造过程的产品最终质量水平预测框架,框架采用支持向量机(Support Vector Machine,SVM)技术作为核心预测算法。为了优化SVM预测模型的训练过程,提出了一种基于两阶段启发式的SVM参数选择算法,并通过设计对比实验验证了该算法的高效性。为了验证所提框架的实用性,本文通过利用相关数据进行了算例实验,结果表明所提多制造过程产品最终质量水平预测框架是有效的。
【学位单位】:合肥工业大学
【学位级别】:硕士
【学位年份】:2018
【中图分类】:F273.2
【部分图文】:
合肥工业大学学术硕士研究生学位论文章,复杂产品制造过程质量控制的流程分析。首先对相关概念进了复杂产品制造过程质量控制的一般流程并提炼出其中的关键流程进行了相关技术分析。章,基于改进 DE 的复杂产品制造过程 CTQ 识别方法。本章主改进 DE 算法的特征选择算法,并将该算法应用在复杂产品制造问题上,最后通过设计对比实验对所提算法的有效性进行了验章,基于 SVM 的复杂产品最终质量水平预测方法。本章主要研制造过程的产品最终质量水平预测问题。通过构建一个多复杂终质量水平预测框架,选用 SVM 作为其预测方法,并对 SVM改进优化,最后同样通过设计相关数值实验来验证该预测框架章,总结与展望。一方面对本文的研究内容进行了详细总结,另领域进一步的研究进行了研究展望。的总体框架结构如图 1.1 所示。
合肥工业大学学术硕士研究生学位论文 基本模型早由 Vapnik 于 1995 年根据统计学习理论中的结构风险最小[37],该方法一经提出便吸引了国内外诸多研究者的关注。经,SVM 理论逐渐成为数据挖掘领域一个很重要的分支,几非常好的应用效果。当然这主要是由于 SVM 能有效提高学有限数据集得到的判别函数对独立的测试集仍能保持较小的论的发展源于对线性可分问题的研究,目的是为了找到所集 鉢进行分类的最大间隔超平面,其基本思想可用图 2.1 来量机
1复杂产品制造过程质量控制的一般流程
本文编号:2823679
【学位单位】:合肥工业大学
【学位级别】:硕士
【学位年份】:2018
【中图分类】:F273.2
【部分图文】:
合肥工业大学学术硕士研究生学位论文章,复杂产品制造过程质量控制的流程分析。首先对相关概念进了复杂产品制造过程质量控制的一般流程并提炼出其中的关键流程进行了相关技术分析。章,基于改进 DE 的复杂产品制造过程 CTQ 识别方法。本章主改进 DE 算法的特征选择算法,并将该算法应用在复杂产品制造问题上,最后通过设计对比实验对所提算法的有效性进行了验章,基于 SVM 的复杂产品最终质量水平预测方法。本章主要研制造过程的产品最终质量水平预测问题。通过构建一个多复杂终质量水平预测框架,选用 SVM 作为其预测方法,并对 SVM改进优化,最后同样通过设计相关数值实验来验证该预测框架章,总结与展望。一方面对本文的研究内容进行了详细总结,另领域进一步的研究进行了研究展望。的总体框架结构如图 1.1 所示。
合肥工业大学学术硕士研究生学位论文 基本模型早由 Vapnik 于 1995 年根据统计学习理论中的结构风险最小[37],该方法一经提出便吸引了国内外诸多研究者的关注。经,SVM 理论逐渐成为数据挖掘领域一个很重要的分支,几非常好的应用效果。当然这主要是由于 SVM 能有效提高学有限数据集得到的判别函数对独立的测试集仍能保持较小的论的发展源于对线性可分问题的研究,目的是为了找到所集 鉢进行分类的最大间隔超平面,其基本思想可用图 2.1 来量机
1复杂产品制造过程质量控制的一般流程
【参考文献】
相关期刊论文 前10条
1 王化强;牛占文;;基于LASSO的复杂产品关键质量特性识别[J];系统工程;2014年06期
2 闫伟;何桢;李岸达;;基于CEM-IG算法的复杂产品关键质量特性识别[J];系统工程理论与实践;2014年05期
3 谢荣琦;何桢;何曙光;;基于ReliefF和k-modes聚类的复杂产品关键质量特性识别[J];工业工程与管理;2014年01期
4 王宁;徐济超;杨剑锋;;多级制造过程关键质量特性识别方法[J];计算机集成制造系统;2013年04期
5 闫伟;何桢;田文萌;何曙光;;基于EM的不平衡数据关键质量特性识别[J];工业工程与管理;2012年04期
6 闫伟;何桢;田文萌;;复杂产品关键质量特性识别方法[J];工业工程;2012年03期
7 闫伟;何桢;田文萌;何曙光;;基于IG的复杂产品关键质量特性识别[J];工业工程与管理;2012年01期
8 张敏;黎向锋;左敦稳;缪宏;;基于主成分分析的BP神经网络内螺纹冷挤压成形质量预测[J];中国机械工程;2012年01期
9 戚长松;余忠华;侯智;杨振生;;基于CART决策树的复杂生产过程质量预测方法研究[J];组合机床与自动化加工技术;2010年03期
10 谢红梅;廖小平;卢煜海;;遗传神经网络及其在制品质量预测中的应用[J];中国机械工程;2008年22期
本文编号:2823679
本文链接:https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2823679.html