基于遗传算法和神经网络的质量控制研究

论文摘要

休哈特提出的质量控制图是统计过程控制的一种重要工具,在质量控制领域得到了广泛应用。由于控制图必须基于一定的统计规则,而且简单的识别规则不能满足对控制图多种模式进行识别的需要,因此在实际的生产过程质量控制中效果并不理想。近年来,人工神经网络技术取得了迅速发展,并被广泛应用于非线性系统的建模与辨识。概率神经网络作为一种局部逼近网络,结构简单,容易设计算法,特别适合进行模式识别及模式分类。针对概率神经网络的学习算法是无监督的模式分类方法,工作量大的问题,本文提出了一种利用遗传算法优化概率神经网络的方法:引入具有自适应机制的遗传算法,对概率神经网络的参数进行训练,形成了基于遗传算法的有监督学习的概率神经网络,克服了概率神经网络现有算法上的缺陷。然后将这一模型引入到质量控制中,对控制图模式进行识别,从而保证生产过程处于控制状态,实现质量控制目标。在仿真分析中,构建了质量特征明显的样本对上述算法进行训练和测试,并与无监督学习的概率神经网络、BP网络进行了比较分析,证明该算法具有更高的识别准确率。最后联系实际生产过程,分析模型在LH公司质量控制中的实际应用,希望通过引入模型进行质量控制,解决LH公司在质量控制中存在的问题。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景和意义
• 1.1.1 质量控制的重要意义
• 1.1.2 传统质量控制方法的局限性
• 1.1.3 神经网络模式识别方法的优越性
• 1.1.4 研究现状和意义
• 1.2 国内外研究综述
• 1.3 本文的研究内容与创新点
• 1.3.1 论文的研究内容
• 1.3.2 论文的创新点
• 1.4 论文的研究思路与结构安排
• 第二章 统计过程控制与控制图
• 2.1 统计过程控制
• 2.2 控制图
• 2.2.1 控制图原理
• 2.2.2 控制图分类
• 2.2.3 控制图判别准则
• 第三章 概率神经网络与遗传算法
• 3.1 径向基函数神经网络
• 3.1.1 RBF 网络模型
• 3.1.2 RBF 网络的工作原理
• 3.2 概率神经网络
• 3.2.1 PNN 模型
• 3.2.2 PNN 的学习算法
• 3.3 基于 PNN 的模式识别
• 3.4 遗传算法的基本原理与方法
• 3.4.1 基本遗传算法的构成要素
• 3.4.2 基本遗传算法描述
• 第四章 基于遗传算法的 PNN 质量控制模型
• 4.1 质量控制的目标与总体模型
• 4.2 基于遗传算法的 PNN 优化算法
• 4.2.1 算法原理
• 4.2.2 算法详细设计
• 4.2.3 算法具体步骤
• 4.3 仿真研究
• 4.3.1 仿真样本的构建
• 4.3.2 仿真样本的规范化
• 4.3.3 仿真训练和测试
• 4.3.4 仿真结果分析
• 4.3.5 与其他算法的比较分析
• 第五章 模型在实际质量控制中的应用
• 5.1 LH 公司质量控制问题分析
• 5.1.1 LH 公司简介
• 5.1.2 LH 公司质量控制现状
• 5.2 解决方案——基于模型的质量控制
• 5.2.1 训练样本选择与数据预处理
• 5.2.2 神经网络训练和测试
• 5.2.3 基于神经网络的控制图模式识别
• 5.2.4 结果分析
• 5.3 实施建议
• 第六章 结论与展望
• 6.1 论文的主要研究成果
• 6.2 进一步研究工作展望
• 致谢
• 参考文献
• 作者攻硕期间取得的研究成果