多品种小批量制造模式下的过程质量诊断技术研究

论文摘要

以浙江省科技厅重大优先主题项目“面向服务架构的数字化设计与制造关键技术研究及其在离散制造企业中的应用”为依托,针对多品种小批量生产模式下数据样本少、质量诊断困难的问题,以优化该生产模式下质量诊断方法为目的,拟开展多品种小批量制造模式下的质量诊断技术研究。主要研究工作和成果如下：1.控制图混合模式识别。针对多品种小批量生产模式下质量数据样本少的问题,同时考虑质量过程数据常会有多种异常现象混合的情况,提出了小波分析与SVM相结合的控制图混合模式识别方法,并将PSO算法引入到SVM中来提高控制图模式识别的精度,设计了三层控制图模式识别模型框架和基本流程。通过构造合理的仿真样本进行训练测试,验证了模型的有效性。2.控制图模式参数估计。为给管理或技术人员提供质量过程调整的依据,在控制图模式识别的基础上,提出了基于PSO-SVM的控制图模式参数估计方法,设计了参数估计模型框架用于估计三种异常模式的四个参数,并采用仿真实例验证了模型的可行性。3.质量异常原因诊断。对几种质量异因诊断方法进行了比较,通过借鉴专家系统的知识库和解释机制功能,构造相关数据库,设计了基于PSO-SVM的质量异因诊断模型,以及模型数据和用户可识别内容之间的转换规则。4.实例的验证。在对SJ公司质量诊断控制现状分析的基础上,将质量控制图混合模式识别、参数估计、异常原因诊断模型应用于SJ公司的质量诊断控制中,证明了模型在实际应用中的可行性。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 研究背景及其意义
• 1.1.1 研究背景
• 1.1.2 研究意义
• 1.2 国内外研究现状
• 1.2.1 质量诊断的研究现状
• 1.2.2 多品种、小批量环境下的质量控制与诊断研究现状
• 1.2.3 质量诊断技术的研究现状
• 1.2.4 PSO用于支持向量机参数优化的研究现状
• 1.3 研究内容及技术路线
• 1.3.1 研究内容
• 1.3.2 技术路线
• 1.4 小结
• 第2章 质量诊断理论基础
• 2.1 质量诊断的基本理论
• 2.1.1 质量诊断
• 2.1.2 质量诊断的两项基础
• 2.2 小波分析技术
• 2.3 模式识别方法
• 2.3.1 神经网络
• 2.3.2 支持向量机
• 2.4 支持向量机基础理论
• 2.5 PSO算法
• 2.6 小结
• 第3章 质量控制图异常模式识别与参数估计
• 3.1 质量诊断模型框架的建立
• 3.2 样本数据的构建与预处理
• 3.2.1 样本数据的构建原则
• 3.2.2 样本数据的构建
• 3.2.3 样本数据归一化预处理
• 3.3 小波分析
• 3.4 基于PSO的SVM的参数优化
• 3.5 基于PSO-SVM的质量控制图模式识别
• 3.5.1 第一层SVM分类训练
• 3.5.2 第二层SVM分类训练
• 3.5.3 第三层SVM分类训练
• 3.5.4 模式识别结果分析
• 3.6 基于PSO-SVM的质量控制图模式参数估计
• 3.6.1 参数估计样本数据的生成
• 3.6.2 参数估计仿真实验与仿真结果
• 3.7 小结
• 第4章 质量异常原因诊断
• 4.1 质量波动的原因
• 4.2 质量异因诊断方法
• 4.2.1 专家系统方法
• 4.2.2 模糊推理方法
• 4.2.3 模式识别方法
• 4.2.4 质量异因诊断方法比较
• 4.3 建立基于PSO-SVM的质量异因诊断模型
• 4.3.1 基于PSO-SVM的质量波动异因诊断模型
• 4.3.2 质量异常现象和异常原因编码
• 4.3.3 基于PSO-SVM的质量异因诊断
• 4.4 小结
• 第5章 实例研究与结果分析
• 5.1 SJ公司质量诊断问题分析
• 5.1.1 SJ公司简介
• 5.1.2 SJ公司质量诊断控制的现状
• 5.2 质量控制图模式识别和参数估计
• 5.3 质量异常原因诊断
• 5.4 质量诊断后的改善方案
• 5.5 改善方案的审核评价
• 5.6 小结
• 第6章 结论与展望
• 6.1 结论
• 6.2 进一步的研究展望
• 参考文献
• 致谢
• 攻读学位期间参加的科研项目和成果