基于質(zhì)量信息集成的智能質(zhì)量控制技術(shù)研究.pdf

1、本論文是國家自然科學(xué)基金資助項目“基于質(zhì)量信息技術(shù)集成的‘全質(zhì)量’管理系統(tǒng)研究”（資助號：70272032，起止日期：2003.1-2005.12）研究內(nèi)容的一部分。 隨著科學(xué)技術(shù)的進(jìn)步和發(fā)展，智能質(zhì)量控制技術(shù)已成為質(zhì)量工程的發(fā)展趨勢之一。本文對基于質(zhì)量信息集成的質(zhì)量控制自動化及智能化的理論、方法及其關(guān)鍵技術(shù)進(jìn)行了深入的研究。與“全質(zhì)量”將工程與管理相結(jié)合，將信息集成和質(zhì)量控制相結(jié)合的主旨相一致，重點研究了質(zhì)量信息的智能獲取、傳

2、輸、處理及集成等技術(shù)與方法，討論了過程質(zhì)量控制的智能化方法，并建立相關(guān)的智能質(zhì)量控制模型。 主要工作包括如下兩大部分──質(zhì)量信息采集與集成技術(shù)研究；過程質(zhì)量控制方法及其智能化技術(shù)研究。 第一個部分──質(zhì)量信息采集與集成技術(shù)研究主要包括： （1）提出一種基于SVR-FLANN的傳感測試系統(tǒng)的智能靜態(tài)校正與動態(tài)補(bǔ)償方法。在對常規(guī)FLANN構(gòu)造方法的認(rèn)識基礎(chǔ)上，討論了一種基于SVR技術(shù)的FLANN構(gòu)造新方法，并對實際的

3、電容壓力傳感測試系統(tǒng)進(jìn)行智能溫度補(bǔ)償與非線性校正。從理論上證明了FLANN建立的動態(tài)模型與SVR在特定參數(shù)取值下辨識結(jié)果的一致性，以此為基礎(chǔ)提出了一種能保證全局收斂、結(jié)果唯一和魯棒性的SVR-FLANN動態(tài)補(bǔ)償方法。 （2）研究了測試系統(tǒng)的非線性動態(tài)建模與補(bǔ)償技術(shù)。將測試系統(tǒng)的非線性動態(tài)特性分解為動態(tài)線性子環(huán)節(jié)和靜態(tài)非線性子環(huán)節(jié)串聯(lián)──維納（Wiener）模型；并利用LS-SVM對等價的類線性中間模型參數(shù)求解，從理論上推導(dǎo)中間模

4、型參數(shù)與補(bǔ)償器兩個子模型參數(shù)之間的關(guān)系，由該關(guān)系實現(xiàn)非線性靜態(tài)校正和線性動態(tài)補(bǔ)償環(huán)節(jié)的同時辨識。這種新方法只需進(jìn)行一次動態(tài)標(biāo)定實驗就能給出非線性動態(tài)補(bǔ)償器的數(shù)學(xué)解析表達(dá)式并具有較強(qiáng)的魯棒性。 （3）提出了一種基于LS-SVM的高維質(zhì)量信息的智能集成與提取技術(shù)。該方法先將線性特征提取公式表達(dá)成與LS-SVM回歸算法中相同的形式，再遵循核方法將數(shù)據(jù)集由原輸入空間映射到高維特征空間，進(jìn)而使用核技巧通過線性方程實現(xiàn)非線性特征提取。從理論

5、上證明了提出的特征提取方法的結(jié)果與PCA及KPCA方法的一致性。特別是對于高維質(zhì)量信息，本文所提方法更具適合性。 第二個部分──過程質(zhì)量控制方法及其智能化技術(shù)研究主要包括： （1）提出了一種新的PCA-SVM的控制圖趨勢的智能識別方法。在分析現(xiàn)有控制圖識別、診斷技術(shù)在實際應(yīng)用中存在缺陷的基礎(chǔ)上，將PCA方法引入該領(lǐng)域，通過對數(shù)據(jù)集的高維特征進(jìn)行線性組合并向低維空間投影的方法，降低了分類器的輸入維數(shù)，提高了各維特征的敏感性

6、。再根據(jù)過程質(zhì)量控制的實際特點，有針對性地設(shè)計了一種特殊的SVM多分類結(jié)構(gòu)，實踐證明該結(jié)構(gòu)相對現(xiàn)有方法更適合質(zhì)量控制圖的在線實時診斷。 （2）討論了適應(yīng)小批量制造模式的動態(tài)質(zhì)量控制圖。通過對抽樣樣本數(shù)量與控制圖虛發(fā)警報概率之間的函數(shù)對應(yīng)關(guān)系的分析，建立了一組能使虛發(fā)警報概率保持相對穩(wěn)定的動態(tài)控制限；并用t分布代替?zhèn)鹘y(tǒng)的gauss分布分析方法，建立控制界限值隨樣本數(shù)量變化的數(shù)學(xué)模型，并將該模型應(yīng)用于休哈特控制圖。理論分析表明，用t

7、分布建立的動態(tài)控制限在小批量生產(chǎn)模型下更接近理想結(jié)果。 （3）探討了6σ質(zhì)量水平下的智能連續(xù)合格鏈長控制圖。針對6σ質(zhì)量水平下常規(guī)SPC方法的局限性，探討了以連續(xù)合格鏈長（CCR）為控制對象的CCR控制圖的可行性。通過分析CCR圖控制限和兩類錯誤所造成總損失之間的關(guān)系，建立了基于兩類損失最小思想的CCR控制界優(yōu)化數(shù)學(xué)模型。實際算例表明，該控制方法能適應(yīng)PPM級不合格率的生產(chǎn)過程。 （4）建立了一種基于準(zhǔn)動態(tài)指數(shù)平滑的過程

8、質(zhì)量預(yù)測模型。對傳統(tǒng)指數(shù)平滑預(yù)測方法局限性進(jìn)行分析，引入準(zhǔn)動態(tài)平滑參數(shù)和準(zhǔn)動態(tài)平滑初值的概念，建立一種能自動適應(yīng)預(yù)測進(jìn)程的“準(zhǔn)動態(tài)”指數(shù)平滑預(yù)測模型，并將其應(yīng)用于生產(chǎn)過程質(zhì)量預(yù)測。實驗結(jié)果表明，該模型相較傳統(tǒng)指數(shù)平滑模型具有一定的優(yōu)越性。 本論文以ANN、FLANN、SVM等新型人工智能工具為主要手段，對基于信息集成的過程智能質(zhì)量控制技術(shù)及其實施過程中的關(guān)鍵技術(shù)展開研究。該研究為現(xiàn)代企業(yè)實施先進(jìn)的質(zhì)量管理與質(zhì)量控制引入了新思路、