基于质量信息集成的智能质量控制技术研究

论文摘要

随着科学技术的进步和发展，智能质量控制技术已成为质量工程的发展趋势之一。本文对基于质量信息集成的质量控制自动化及智能化的理论、方法及其关键技术进行了深入的研究。与“全质量”将工程与管理相结合，将信息集成和质量控制相结合的主旨相一致，重点研究了质量信息的智能获取、传输、处理及集成等技术与方法，讨论了过程质量控制的智能化方法，并建立相关的智能质量控制模型。主要工作包括如下两大部分——质量信息采集与集成技术研究；过程质量控制方法及其智能化技术研究。第一个部分——质量信息采集与集成技术研究主要包括：（1）提出一种基于SVR-FLANN的传感测试系统的智能静态校正与动态补偿方法。在对常规FLANN构造方法的认识基础上，讨论了一种基于SVR技术的FLANN构造新方法，并对实际的电容压力传感测试系统进行智能温度补偿与非线性校正。从理论上证明了FLANN建立的动态模型与SVR在特定参数取值下辨识结果的一致性，以此为基础提出了一种能保证全局收敛、结果唯一和鲁棒性的SVR-FLANN动态补偿方法。（2）研究了测试系统的非线性动态建模与补偿技术。将测试系统的非线性动态特性分解为动态线性子环节和静态非线性子环节串联——维纳（Wiener）模型；并利用LS-SVM对等价的类线性中间模型参数求解，从理论上推导中间模型参数与补偿器两个子模型参数之间的关系，由该关系实现非线性静态校正和线性动态补偿环节的同时辨识。这种新方法只需进行一次动态标定实验就能给出非线性动态补偿器的数学解析表达式并具有较强的鲁棒性。（3）提出了一种基于LS-SVM的高维质量信息的智能集成与提取技术。该方法先将线性特征提取公式表达成与LS-SVM回归算法中相同的形式，再遵循核方法将数据集由原输入空间映射到高维特征空间，进而使用核技巧通过线性方程实现非线性特征提取。从理论上证明了提出的特征提取方法的结果与PCA及KPCA方法的一致性。特别是对于高维质量信息，本文所提方法更具适合性。第二个部分——过程质量控制方法及其智能化技术研究主要包括：（1）提出了一种新的PCA-SVM的控制图趋势的智能识别方法。在分析现有控制图识别、诊断技术在实际应用中存在缺陷的基础上，将PCA方法引入该领域，通过对数据集的高维特征进行线性组合并向低维空间投影的方法，降低了分类器的输入维数，提高了各维特征的敏感性。再根据过程质量控制的实际特点，有针对性地设计了一种特殊的SVM多分类结构，实践证明该结构相对现有方法更适合质量控制图的在线实时诊断。（2）讨论了适应小批量制造模式的动态质量控制图。通过对抽样样本数量与控制图虚发警报概率之间的函数对应关系的分析，建立了一组能使虚发警报概率保持相对稳定的动态控制限；并用t分布代替传统的gauss分布分析方法，建立控制界限值随样本数量变化的数学模型，并将该模型应用于休哈特控制图。理论分析表明，用t分布建立的动态控制限在

论文目录

摘要

Abstract

第一章绪论

1.1 选题的意义与背景

1.2 国内外质量管理与控制研究现状及分析

1.3 本文的主要研究内容及结构安排

第二章传感检测系统的智能静态校正及动态补偿技术研究

2.1 基于补偿环节的静态校正原理

2.2 支持向量机回归原理

2.2.1 线性函数回归问题

2.2.2 非线性函数回归问题

2.3 基于SVR构造的FLANN逆校正模型

2.3.1 常规函数型链接神经网络（FLANN）结构

2.3.2 基于SVM技术的FLANN构造方法

2.4 电容压力传感测试系统的非线性校正与温度补偿实例

2.4.1 CPS校正数据集准备

2.4.2 CPS修正方案与结果

2.5 测试系统逆模型动态补偿原理

2.6 基于FLANN的动态补偿方法

2.7 基于SVR的FLANN补偿器构造方法

2.8 实际传感器动态补偿对比实验

2.9 本章小节

附,定理1的证明

第三章测试系统的非线性动态建模与补偿技术研究

3.1 非线性动态测试系统的Hammerstein模型描述

3.2 基于LS-SVM的测试系统Hammerstein模型辨识

3.2.1 LS-SVM回归原理

3.2.2 Hammerstein模型参数辨识

3.3 基于LS-SVM的测试系统非线性动态建模实验

3.3.1 非线性动态传感器仿真辨识实验

3.3.2 实际压力传感器的Hammerstein模型辨识实验

3.4 非线性动态传感系统的Wiener模型描述及其补偿原理

3.5 基于LS-SVM的非线性动态补偿构造

3.6 实际压力传感器的非线性动态补偿实验

3.7 本章小节

第四章高维质量信息的智能集成与提取技术研究

4.1 基于主元分析的信息特征提取方法

4.2 基于核主元分析的非线性特征提取方法

4.3 基于LS-SVM的信息特征提取方法

4.4 基于LS-SVM的特征提取方法与PCA、KPCA的关系研究

4.4.1 基于LS-SVM的线性特征提取方法与PCA的关系

4.4.2 基于LS-SVM的非线性特征提取方法与KPCA的关系

4.5 基于LS-SVM的特征提取方法的实例

4.5.1 高维数据集的采集

4.5.2 柴油油品质量数据集的信息提取实例

4.6 本章小节

附,定理2的证明

附,定理3的证明

第五章控制图趋势识别的智能质量诊断技术研究

5.1 控制图趋势模式智能识别研究背景

5.1.1 传统统计过程控制简介

5.1.2 Shewhart控制图模式识别及其研究现状

5.2 控制图趋势模式识别的辅助质量诊断的基本思想

5.3 控制图异常模式数据分析

5.3.1 过程样本数据集的产生

5.3.2 基于PCA的控制图特征分析与预处理

5.3.3 基于PCA的控制图特征提取效果验证

5.4 一种适应控制图智能识别的多分类SVM

5.4.1 HAH多分类支持向量机

5.4.2 控制图过程数据的PCA分析结果

5.4.3 适合控制图智能诊断的多分类SVM结构设计

5.4.4 实验及结果分析

5.5 基于PCA-SVM的控制图智能识别方法及其应用

5.6 本章小节

第六章适应小批量制造模式的动态质量控制图技术研究

6.1 多品种、小批量的柔性生产模式下的质量控制

6.1.1 传统质量控制方法在小批量生产模式下的局限性

6.1.2 多品种、小批量的质量控制国内外研究现状

6.2 小批量生产条件下传统X控制图缺陷分析

6.3 适应小批量生产的控制界限的建立

6.4 基于t分布的小批量动态质量控制图研究

6.4.1 Shewhart控制图相关参数的无偏估计

6.4.2 抽样样本数量与虚发警报概率的关系

6.4.3 基于t分布的可变控制限原理及其简便计算方法

6.5 本章小节

第七章 6σ质量水平下的智能连续合格链长控制图技术研究

7.1 六西格玛质量水平含义

7.2 以累积连续合格品数为统计控制对象的研究

7.3 以连续合格链长为统计控制对象的研究

7.4 6σ质量水平下的连续合格链长控制图及其控制界的优化

7.4.1 6σ质量水平下的控制界优化问题的提出

7.4.2 CCR控制图控制界的优化

7.4.3 控制界优化模型

7.4.4 优化CCR控制图案例分析

7.5 6σ质量水平下的CCR智能控制技术

7.5.1 6σ质量水平下的基于ANN技术的智能判异原理

7.5.2 智能质量控制网络训练与试验结果

7.6 本章小节

第八章基于时间序列模型的智能质量预测技术

8.1 指数平滑预测模型

8.2 用于质量预测的准动态指数平滑模型

8.3 准动态指数平滑参数与初值的优化算法

8.4 基于准动态指数平滑模型的加工质量预测实例

8.5 本章小节

附,定理4的证明

第九章结论与展望

参考文献

攻读博士期间发表的论文

基于质量信息集成的智能质量控制技术研究

论文摘要

论文目录

相关论文文献

猜你喜欢