基于SPC的數(shù)據(jù)采集和質(zhì)量監(jiān)控系統(tǒng)的技術(shù)研究.pdf

1、在2015年由國務(wù)院印發(fā)的《中國制造2025》行動綱領(lǐng)中，“質(zhì)量為先”是其五大基本方針之一，表明產(chǎn)品質(zhì)量已經(jīng)成為國家的重點關(guān)注對象，也是目前制造企業(yè)生產(chǎn)過程的主要目標。因此，如何有效地對產(chǎn)品的生產(chǎn)過程進行質(zhì)量監(jiān)控以保證產(chǎn)品質(zhì)量，是目前制造企業(yè)的重要研究問題。
　　統(tǒng)計過程控制（Statistical Process Control，SPC）技術(shù)是目前生產(chǎn)制造領(lǐng)域?qū)Ξa(chǎn)品質(zhì)量進行監(jiān)控的主要技術(shù)。根據(jù)SPC控制圖的圖像特征可以判斷生產(chǎn)過

2、程是否出現(xiàn)異常，通過對SPC控制圖模式的識別可以推斷生產(chǎn)過程發(fā)生異常的原因。近年來研究人員采用多種智能算法用于對SPC控制圖模式的識別研究，由于目前生產(chǎn)過程控制圖模式的樣本較少，而支持向量機（Support Vector Machines，SVM）可以有效解決小樣本條件下的模式識別問題，因此本文將支持向量機作為控制圖模式識別的主要研究工具。本文主要做了以下研究：
　　1）對SPC控制圖模式數(shù)據(jù)進行仿真，并通過統(tǒng)計特征和形狀特征對其

3、進行特征提取，通過研究、分析支持向量機原理及其多分類方式的特點，選擇“有向無環(huán)圖”（Directed Acyclic Graph，DAG）型支持向量機作為多分類器，并采用粒子群算法（Particle Swarm Optimization，PSO）對其參數(shù)進行優(yōu)化，然后通過相應(yīng)的仿真實驗進行對比分析；
　　2）為了進一步提高控制圖模式的識別效率及準確率，提出兩種改進方式：首先通過特征融合將原始數(shù)據(jù)和特征數(shù)據(jù)的識別優(yōu)勢相結(jié)合，然后通過

4、主成分分析（Principal Component Analysis，PCA）算法對融合特征進行進一步的維數(shù)約簡，提取出對分類影響較大的數(shù)據(jù)特征，從而提高了分類準確率和識別效率；對粒子群算法進行改進，通過增強粒子的主動搜索能力，解決其易陷入“局部最優(yōu)”的缺陷，從而提高了分類器識別的準確率。
　　仿真實驗結(jié)果表明，通過對識別及優(yōu)化算法的改進，分類器對控制圖模式的識別效率和準確率方面都有了相應(yīng)的提高，識別率能夠達到95％以上，能夠滿足