基于智能學習模型的制造過程質量控制理論與方法論研究.pdf

1、連續(xù)穩(wěn)定的產(chǎn)品質量一直是工業(yè)界追求的目標,制造過程質量的控制是確保高質量產(chǎn)品的重要因素之一。鑒于其重要的理論與工程實際意義,一直是質量控制領域的重點和難點課題。統(tǒng)計過程控制(Statistical Process Control,SPC)技術是過程質量控制的最常用的工具,但其對復雜制造過程(如高維多變量過程、多輸入多輸出(Multi Input and Multi Output,MIMO)過程等)無法有效地進行復雜多維信息融合分析、無法

2、進行過程狀態(tài)量化與可視化分析,無法有效地進行過程失控源識別。而具有智能性、非線性、信息融合能力、良好學習能力的智能學習模型(Intelligent Learning Models)可有效地解決以上SPC無法有效解決的一些問題,以實現(xiàn)過程質量控制的智能化。本論文圍繞現(xiàn)代制造過程質量智能控制,以典型制造過程(如獨立離散過程、自相關過程及多變量過程)和復雜的MIMO過程為研究對象,研究基于智能學習模型的制造過程質量控制的理論與方法論體系,為智

3、能學習模型在制造過程質量控制的廣泛應用奠定重要的理論與實踐基礎。
　　 1.以制造過程狀態(tài)監(jiān)控為本文的首要研究內容,率先提出了制造過程狀態(tài)量化與可視化(Quantification and Visualization of Manufacturing Process Status)的概念,和基于自組織映射(Self-Organization Mapping,SOM)神經(jīng)網(wǎng)絡的最小量化誤差(Minimum QuantifyingE

4、rror,MQE)質量控制圖。SOM以數(shù)據(jù)驅動(Data Driving)和無監(jiān)督學習(UnsupervisedLearning)的方式實現(xiàn)對復雜過程數(shù)據(jù)空間分布規(guī)律的建模,解決了傳統(tǒng)控制圖無法進行過程狀態(tài)量化和可視化,及基于有監(jiān)督學習(Supervised Learning)的監(jiān)控模型可應用性不強的問題。實驗結果也證明MQE質量控制圖有潛力成為現(xiàn)代質量控制系統(tǒng)的一個有效的監(jiān)控工具。基于無監(jiān)督學習的監(jiān)控模型的研究也為其它無監(jiān)督學習器在過

5、程質量監(jiān)控的應用研究奠定了基礎。
　　 2.提出了一套基于自適應高斯混合模型(Adaptive Gaussian Mixture Model,AGMM)的時變過程(Time-varing Processes)智能監(jiān)控模型,利用對數(shù)似然值(Log Likelihood)來量化制造過程狀態(tài)。通過基于遺忘因子的遞歸更新、高斯混合項的分裂與合并等的GMM模型參數(shù)在線更新策略,建立復雜時變過程的在線動態(tài)自適應監(jiān)控模型,解決了常規(guī)控制圖等監(jiān)

6、控模型無法應用于時變過程監(jiān)控的問題,進一步驗證了無監(jiān)督智能學習模型在復雜制造過程監(jiān)控的特殊能力。
　　 3.率先提出了運用神經(jīng)網(wǎng)絡集成模型來有效地解決多變量制造過程的失控源識別問題。同時提出了一套基于離散微粒群的選擇性神經(jīng)網(wǎng)絡集成算法(本文命名為DPSOEN),來提高模式識別器的工程可應用性和識別性能。通過有效地集成MQE控制圖和DPSOEN模型,建立了一套基于混合智能學習的過程質量控制模型,提出了其在典型多變量制造過程的在線異

7、常監(jiān)控和異常源識別的應用方法論。及時正確的異常警告和異常源定位將加速發(fā)現(xiàn)導致過程異常的可歸因因素,進行快速和正確的過程調整。
　　 4.為提取制造過程關鍵過程變量與輸出產(chǎn)品質量的關聯(lián)性中蘊含的重要知識,提出了一套基于遺傳算法的知識發(fā)現(xiàn)算法。進一步實現(xiàn)了知識發(fā)現(xiàn)算法與基于知識神經(jīng)網(wǎng)絡的無縫集成,建立了產(chǎn)品質量智能在線監(jiān)控與診斷系統(tǒng)。通過制造過程的知識發(fā)現(xiàn),解決了復雜MIMO過程的監(jiān)控、診斷、過程變量調整等問題,從而有效地克服了使用

8、單個學習模型同時實現(xiàn)復雜過程監(jiān)控和診斷等功能時性能較差和可應用性不強的缺陷,為混合智能學習模型在制造過程質量控制的廣泛應用奠定了重要的實踐基礎。
　　 智能學習模型在制造過程的應用極大地提高了過程質量控制的能力,克服了傳統(tǒng)SPC存在的一些缺陷,提高了制造系統(tǒng)的穩(wěn)定性,從而有效地提高產(chǎn)品質量。同時,基于智能學習模型的過程質量控制研究也為傳統(tǒng)的過程質量控制引入了新的理論和方法論。本文的研究也為基于智能學習模型在過程質量控制應用研究奠