复杂加工过程质量智能预测研究与应用

发布时间：2016-06-21 06:40

第一章 绪 论 

1.1 课题的研究背景与意义
经济的飞速发展导致了全球化市场竞争日趋激烈，质量问题成为人们越来越关注的话题，它在很大程度上代表了一个企业的生命力，是企业得以持续发展的根本出发点。因此，质量意识在现代生产企业中也得到了越来越多的关注与重视，产品的质量所具有的重要意义已经远大于过去。然而，据有关统计数据显示，我国目前的大多数产品质量水平还远未达到国际先进水平，显然我国在逐渐成为“世界制造工厂”的同时也生产了大量的质量不高的产品。产品质量问题已经在很大程度上限制了我国经济的快速发展，削弱的我国产品的竞争力，同时也浪费了大量的资源和能源。我国每年因产品质量问题造成的损失高达千亿之多，其中产品生产过程的质量监控不到位、缺乏必要的控制手段以及预控程度不高是现代制造企业面临质量水平低下的主要原因[1]。 随着科学技术的进步，现代工业生产逐渐向大型化和复杂化方向发展，同时市场竞争越来越激烈，对企业生产过程的控制系统提出了更高的要求，形成了复杂加工过程。复杂加工过程的特点主要表现在:(1)加工过程数据高维、非线性;(2)加工过程模型的不确定性;(3)各子过程相互千扰并呈现强稱合性;(4)多层次、多目标的控制要求以及严格的性能指标[2]。根据复杂加工过程的特点，其过程中的制约因素较多且各因素之间关系复杂，很难实现其加工输出与输入参数之间的状态描述和加工过程模拟。因此若采用传统的质量控制方法，难以实时有效地判别出复杂过程的质量问题[3]。 针对具有高度复杂、不可确定、多层次、网络性的复杂加工系统，其质量预测及控制问题是工业过程中带有根本性的、普遍性的又是远远没有解决的问题，需要在未来研究中，运用复杂系统理论提供的新概念，结合已经形成的质量预测及控制体系和方法学，通过多个层次以及对多个层次的综合集成研究，最终对复杂加工过程进行有效的质量预测及控制[4]。随着先进制造技术的逐步应用，生产过程的质量控制理论与技术主要沿着多元化、柔性化、智能化等方向发展。将传统质量预测及控制理论与人工智能技术相结合，充分利用人工智能技术的优势，加快复杂加工过程质量控制的智能化进程。因此，研究复杂加工过程质量智能预测及控制方法不仅具有重要的理论价值，还具有十分重要的实际意义。
..........

1.2 质量预测关键理论技术及研究现状
企业为了提高质量降低成本，就需要最大限度地控制和减少围绕设计目标产生的波动，而过程质量控制是在生产和服务过程中，对影响质量的各项因素实行控制，是保证产品质量的一个行之有效的途径，是质量改进的先行技术。 随着科学技术的发展，工业生产过程日渐复杂，大多具有数据高维、非线性，过程模型不确定和各子过程相互干扰并呈现强耦合等特点，比传统生产过程质量控制困难很多。因此复杂生产过程的质量预测与控制问题正成为研究者们关注的重大课题。 从目前的现状和未来的发展趋势分析，复杂生产过程中的质量预测和控制技术的智能化是不可避免的。智能质量控制方法，充分利用历史及当前的质量信息，应用人工智能方法进行质量建模与预测，，并对制造过程进行实时调整，故能较好地满足现代制造质量发展的要求。预防为主的质量控制改变了传统事后检验的被动性，及时发现和消除质量形成过程中的隐患，将质量损失降低到最小，对其研究的意义重大。 
........

第二章 基于核主成分分析与改进极限学习机的复杂产品质量预测 

引言 
复杂产品质量预测是改进现有产品质量，提高产品核心竞争力的关键技术之一。国内外学者对此进行了大量研究。文献[27]采用基于粒子群算法优化的支持矢量回归机方法，构建了单工序质量预测模型，并在此基础上构建了多工序加工质量预测模型，实验表明该方法能够较为准确的预测加工误差。文献[28]采用主成分分析与 BP 神经网络相结合的方法，在一定程度上简化了数据规模，并建立了对螺纹成形质量等级的预测模型，取得了较好的预测效果。针对复杂产品质量预测问题，大多采用基于传统前馈人工神经网络的优化模型或支持向量机的优化分类模型，但由于生产质量相关参数过多，模型迭代次数较大，易陷入局部最优等缺点导致算法计算效率下降，预测结果不够稳定，模型泛化性能较差，因此迫切需要一种新的方法来为复杂产品质量预测提供不同的视角。 极限学习机(Extreme learning machine，  ELM)是一种新型单隐层前馈神经网络，该网络与传统神经网络的区别在于可调参数少，只需设置隐含层节点数，再通过随机给定的输入层隐含层的连接权值与隐含层阈值得到输出层权值矩阵，通过网络对数据样本的训练便能够得到唯一的最优解，因此该方法具有的优点是泛化性能好以及学习速度快等[29-39]。文献[40]为了提高电力负荷预测的精度，提出一种在线序列优化的极限学习机的电力负荷预测模型，结果表明该模型的预测精度均优于传统的支持向量回归预测算法及泛化神经网络预测算法。文献[41]利用粒子群算法的全局搜索能力，将其与核极限学习机相结合用于变压器的故障诊断，取得了良好的效果。 
.............

2.1 基于 KPCA 与改进 ELM 的预测模型

ELM 算法的最终输出权值矩阵是通过计算随机给出的权值和偏差得到的，而输入权值与隐含层偏差是随机给定的，这样存在的问题就是随机给定的值可能为 0，导致部分隐含层节点在整个网络中不起作用。因此在实际的工程应用中，只有通过不断增加隐含层节点数才能得到理想的精度，这样就在一定程度上降低了算法在预测上的精度与泛化性能。针对以上问题，本文提出基于核主成分分析(KPCA)与改进遗传算法优化极限学习机的预测模型，首先使用核主成分分析对输入的生产原料及工艺参数进行降维处理，提高算法的运算效率，采用遗传算法对传统极限学习机的权值矩阵及隐含层偏置进行优化，减少隐含层节点为 0 的情况。将该模型应用于精梳毛纺质量参数毛纱 CV 值的预测，并与 PCA-GA-ELM模型及 GA-ELM 模型的预测精度进行对比，验证了 KPCA-MELM 模型具有更高的预测精度。 

.........

第三章 基于混合种群遗传神经网络的工艺参数反演研究 ...... 29 
引言.... 29 
3.1 纺织品工艺参数反演问题描述 ........ 30
3.3 数学模型描述 ........ 31 
3.4 精梳毛纺反演算法设计 ...... 32
3.5 MPG 算法反演 ......... 34
3.6 实验验证 .......... 35
3.7 本章小结 ......... 41 
第四章 基于深度学习卷积神经网络的生产控制图模式识别 ......... 42 
引言.... 42 
4.1 生产过程控制图基本模式 ......... 43 
4.2 基于卷积神经网络的控制图模式识别概述 ......... 44 
4.3 卷积神经网络的结构 .......... 45
4.4 卷积神经网络的训练过程 ......... 48
4.5 CNN 生产控制图识别模型建立 ...... 52
4.6 生产控制图识别模型训练及测试 .... 54
4.7 纱线 CV 值生产控制图识别实例 .... 61
4.8 本章小结 ......... 63 
第五章 总结与展望 ....... 64 
5.1 研究工作总结 ........ 64 
5.2 研究工作展望 ........ 64 

第四章 基于深度学习卷积神经网络的生产控制图模式识别 

引言 

对制造过程的质量状态进行检测，是实施过程质量连续改进的起点，通过质量生产状态识别发现过程异常并采取纠正措施，可以使过程恢复并保持稳定受控状态。休哈特提出了统计过程控制（Statistical Process Control，SPC）理论，统计过程控制理论认为，世界上没有两个产品是一样的，产品质量特性之间存在的差异也称之为波动(Variation)，波动是造成产品质量问题的根源，而产品质量特性数据的波动具有统计规律性[61]。Snee 进一步阐明了质量改进中的统计思维模式：即企业的所有活动都可以看成一系列相互联系的过程，过程总有波动，识别、量化、控制并减少波动以获得质量改进，从而达到顾客满意的最终质量目标[62-63]。 统计过程控制图理论给出了判定过程异常的准则，然而，这些准则并不能对所有的过程失控都进行有效检测或诊断，比如，GBT4091-2001 中的判异规则：―连续 14 点中相邻点交替上下‖定义了一种周期性异常，但对于控制图中出现的其它周期性异常没作定义，加上过程中偶然波动的影响，通过规则来描述所有周期性异常是无法做到的。现实生产过程中存在的另外一类重要的过程失控现象就是过程失控，在控制图中经常以异常模式的形式出现。由于过程中存在噪声，使用GBT4091-2001 中规定的判断失控的准则却对此并不能进行有效的过程异常诊断。质量控制图是对工序输出值的监视，可根据加工过程中不同的控制状态，呈现出不同的模式。 

........

总结 

本文围绕现代制造过程质量控制，以复杂非平稳的纱线制造过程为研究对象，研究基于智能学习模型的制造过程质量预测与控制方法，以实现纱线生产质量的智能预测与工艺优化，使纱线生产质量最终稳定受控。论文的主要成果总结如下：
(1) 将核主成分分析(KPCA)与改进的极限学习(Modified-ELM，MELM)相结合，构建了复杂产品关键质量参数的预测模型(KPCA-MELM)，通过结合改进遗传算法优化 ELM 算法的输入权值矩阵和隐含层偏差，提高网络的预测效率与精度。 
(2) 以 BP 神经网络为基础,提出一种混合种群遗传人工神经网络反演模型，以纱线 CV 值为质量指标对生产过程的主要工艺参数进行反演，并与 SGA-ANN模型进行比较，验证了该模型的有效性，可对复杂加工过程进行工艺参数反演，并以此为依据进行工艺优化。 
(3) 构建了基于深度卷积神经网络的控制图异常模式识别模型，并与基于SVC 的控制 图识别模型进行了对比。该方法实现了复杂工况下控制图模式的自动识别，识别准确率可达 98.33%且识别性能稳定，通过实际纺织生产数据测试，能有效地识别不同时间窗内的控制图模式，根据控制图所描述的加工过程的变化，判断纺纱生产过程是否处于受控状态。将该模型应用于纺织加工过程异常的检测，根据识别得出的控制图模式，结合工艺调整规则，消除潜在的问题，使生产质量稳定受控，具有实际生产应用价值。 
.........
参考文献(略)

本文编号：59659