基于复杂系统的海洋工程项目质量SPC研究

论文摘要

近年来SPC技术在生产过程中的应用已经比较广泛,采用SPC方法运用统计技术对生产过程中的各工序参数进行监控,可以达到保证生产精细化和产品质量的目的。但是传统SPC应用的基本前提条件是各变量观测值相互独立,而实际生产过程中各观测值往往存在自相关现象,若仍采用传统SPC会增加错误判断的机率。为了解决这种问题,本文首先重点研究了传统SPC、残差控制图的相关理论知识,并且对单值控制图以及残差控制图进行仿真分析计算,根据时间序列模型产生不同自相关系数的观测值数据,分别在均值无偏移和均值偏移两种情况下进行对比研究,最终得出相关结论。为了得到更加灵敏,更加准确的过程控制,本文其次把BP神经网络应用到解决自相关过程的控制问题中,认真研究了BP神经网络结构的建立和训练,并把训练好的BP网络应用在自相关统计过程的仿真实验中,根据设置不同的隐层神经元数以及不同的自相关系数,并对各种结果进行比较分析,并且在此基础上,比较了BP神经网络和残差控制图对自相关过程检测的效果,最终得出相关结论。最后本文以海洋工程海洋平台的预制过程为例,实证研究了休哈特控制图、残差控制图和BP神经网络对实际统计过程的控制能力,通过对比发现,最终得出相关结论。通过研究,获得了以下研究成果与研究结论:1.分别在均值无偏移和均值偏移两种情况下,对单值控制图以及残差控制图进行仿真分析计算,进行对比研究得出:(1)在正自相关并且均值无偏移情况下:单值控制图往往导致数据越界产生很多虚发警报,并且随着相关系数的增大,产生虚发警报的可能性越大,最终误导实际操作人员做出错误的质量管理决定;而残差控制图可以很好的反映实际情况。(2)在正自相关并且均值偏移情况下:单值控制图更加符合实际情况,可以给出正确的偏移方向;而残差控制图对异常的监测不是很灵敏,并且正自相关系数的越大,监测灵敏度越低。(3)在负自相关并且均值无偏移情况下:单值控制图会显示控制上下边界范围变大,导致会出现漏发警报的问题,并且随着负自相关系数的绝对值变大,这种控制范围会越来越大,会更加出现漏发警报;而残差控制图方面,较好的反映实际情况。(4)在负自相关并且均值偏移情况下:单值控制图会显示控制上下边界范围变大,导致会出现漏发警报的问题,并且随着负自相关系数的绝对值变大,这种控制范围会越来越大,会更加出现漏发警报;而残差控制图方面,较好的反映实际情况,并且自相关系数越小,残差控制图的灵敏度越高。(5)单值控制图只能在均值发生偏移的情况下,过程存在正自相关时起到一定作用,在其他时候不是存在虚发警报,就是存在漏发警报,严重影响操作人员指定质量控制的决策,给质量管理带来严重不良影响。与单值控制图相反的是,残差控制图除了在均值发生偏移的情况下,过程存在正自相关的时刻会出现漏发警报、监测灵敏度底的缺陷外,在其他任何情况都有良好的表现。2.通过研究在隐层神经元个数不相同(分别为5、8、10、12、15)、均值偏移不同(0σ、1σ、2σ)、自相关系数不同(0.1,…,0.9)情况下,BP神经网络(BPN)和残差控制图(TSCC)的网络识别率的对比研究得出:BP网络的网络识别率要比残差控制图识别率高;另外当隐层神经元个数为5、8、12、15时,BP网络的网络识别率表现不是很稳定并且网络识别率也相对较低,而当隐层神经元个数为10的时候,网络稳定并且识别率很高。根据上述结论,隐层神经元数为10时网络的性能识别率为最佳,因此我们重点总结该种情况下BP网络与残差控制图对自相关过程的影响,又得出:(1)对于不同的自相关系数φ以及不同的均值偏移σ,BP网络的识别率都高于残差控制图的识别率。(2)专门讨论均值偏移变动情况:在均值偏移出现1σ的微小变动时,BP网络的识别率普遍高于70%,而残差控制图的识别率基本低于40%,说明残差控制图识别均值偏移变动很小的能力很有限,可见当均值偏移变动为1σ时,BP网络的识别率要远远高于残差控制图的识别率。在均值偏移出现2σ的变动时,BP网络的识别率也要高于残差控制图的识别率。(3)专门讨论过程的自相关系数变动情况:在均值无偏移的状况下,BP网络和残差控制图的识别率都有良好表现。但是自相关系数的不同,两者的识别率仍有不同的变化趋势,BP网络的识别率会随着自相关系数φ的增大而不断增大;相反残差控制图的识别率则会随着自相关系数φ的增大而逐渐降低;在均值偏移出现1σ的微小变动时,BP网络的识别率会随着自相关系数φ的增大而不断降低;相反残差控制图的识别率则会随着自相关系数φ的增大而逐渐升高。3.通过以海洋工程海洋平台的预制过程为例,实证研究了休哈特控制图、残差控制图和BP神经网络对工程桩管焊接过程具有相关性的统计过程的控制能力,通过对得出:传统休哈特控制图和残差控制图没有检测出均值偏移发生的1σ的情况;而BP神经网络检测出了均值偏移发生的1σ的情况。可以证明,BP神经网络对自相关统计过程的控制能力高于休哈特控制图、残差控制图。

论文目录

• 摘要
• Abstract
• 0 前言
• 1 绪论
• 1.1 研究背景及其意义
• 1.1.1 研究背景及其问题的提出
• 1.1.2 研究价值与意义
• 1.2 国内外研究现状
• 1.2.1 传统SPC 研究
• 1.2.2 自相关SPC 研究
• 1.2.3 基于神经网络的SPC 研究
• 1.3 研究方法和研究思路
• 1.3.1 研究方法
• 1.3.2 研究思路
• 1.4 论文结构和关键技术问题
• 1.4.1 论文结构
• 1.4.2 拟解决的关键技术问题
• 1.5 创新之处
• 1.6 本章小结
• 2 统计过程控制（SPC）理论与神经网络理论研究综述
• 2.1 传统SPC 研究
• 2.1.1 传统SPC 的原理
• 2.1.2 传统SPC 的局限性
• 2.2 自相关SPC 研究
• 2.2.1 自相关过程
• 2.2.2 自相关SPC 时间序列残差控制图
• 2.3 复杂系统理论
• 2.4 神经网络基本原理
• 2.4.1 神经元模型
• 2.4.2 传递函数
• 2.4.3 神经元的输入向量
• 2.4.4 神经网络基本结构
• 2.4.5 BP 神经网络工作原理
• 2.5 本章小结
• 3 休哈特控制图和残差控制图建模仿真分析
• 3.1 单值控制图建模
• 3.2 残差控制图建模
• 3.3 仿真计算分析
• 3.3.1 产生自相关数据
• 3.3.2 均值无偏移控制图
• 3.3.3 均值发生偏移控制图
• 3.3.4 结果分析
• 3.4 本章小结
• 4 基于 BP 神经网络的 SPC 研究
• 4.1 BP 神经网络结构设计
• 4.1.1 输入层结构设计
• 4.1.2 隐层结构设计
• 4.1.3 输出层结构设计
• 4.2 BP 神经网络算法的执行步骤
• 4.3 BP 神经网络在自相关统计过程控制中的应用
• 4.3.1 BP 神经网络的设计
• 4.3.2 BP 神经网络的计算
• 4.4 本章小结
• 5 海上平台预制过程实证研究
• 5.1 海洋工程海上平台预制过程和参数特性
• 5.2 休哈特控制图检测海上平台工程桩管焊接不合格统计过程
• 5.3 残差控制图检测海上平台工程桩管焊接不合格统计过程
• 5.4 BP 神经网络检测海上平台工程桩管焊接不合格统计过程
• 5.5 本章小结
• 6 研究结论与展望
• 6.1 研究结论
• 6.2 展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果