论文部分内容阅读
随着现代制造业的飞速发展，企业在市场竞争中获胜的重要手段是提高产品质量，而保障产品质量的有力途径是对制造过程的产品进行质量控制和诊断。但是单纯使用传统的质量诊断技术并不能完整的解决上述问题。将数据挖掘方法和人工智能技术合理运用到质量控制领域是目前居多学者研究的一个热点问题。本文针对质量过程一元性和多元性的特点，结合数据挖掘技术，在传统的质量过程控制方法基础上进行改进，并提出了一些质量过程诊断算法。本文主要工作分为以下几个部分：1针对复杂产品制造过程中的特点，系统分析了质量过程从统计过程控制（SPC）到统计过程诊断（SPD）到统计过程调整（SPA）的发展历程，从单变量统计过程控制到多变量统计过程控制的角度，分别阐述了休哈特控制图和HotellingT2控制图的特点和使用规则。2针对传统的控制图模式识别率不高和网络结构复杂的问题，本文提出了基于核主元分析的神经网络控制图模式识别的单变量异常诊断算法。首先结合核方法和原始特征空间的降维方法，将低维空间中的非线性特征映射到高维特征空间，并使其转化为线性特征，再将其进行线性组合并向低维空间投影，然后用BP神经网络分类器对控制图模式进行识别。将该方法与其他方法（BP，PCA-BP）进行对比显示该方法的优越性。3针对实际的制造过程的多元性、非线性、强关联性和耦合等特性，提出了基于遗传优化的支持向量机多元质量过程均值异常诊断方法，探求多元质量过程均值异常诊断及变量识别。利用遗传算法（GeneticAlgorithm，GA）的强鲁棒性、隐含并行性和全局搜索特性等优点。从特征子空间的优化出发，采用遗传算法来对支持向量机（Support Vector Machine，SVM）的核参数和惩罚因子进行全局寻优，最后构建多分类SVM分类器实现了多元制造过程异常变量的定位和分离，本文引用了Montgomery（蒙哥马利）的来自化工过程二元过程作为例证，通过实例来验证并分别与BP，SVM等方法进行对比。显示了本文所提方法诊断正确性和可靠性。