本文選題：質(zhì)量監(jiān)控 + SPC控制圖模式��； 參考：《沈陽理工大學》2017年碩士論文

【摘要】：在2015年由國務院印發(fā)的《中國制造2025》行動綱領中,“質(zhì)量為先”是其五大基本方針之一,表明產(chǎn)品質(zhì)量已經(jīng)成為國家的重點關(guān)注對象,也是目前制造企業(yè)生產(chǎn)過程的主要目標。因此,如何有效地對產(chǎn)品的生產(chǎn)過程進行質(zhì)量監(jiān)控以保證產(chǎn)品質(zhì)量,是目前制造企業(yè)的重要研究問題。統(tǒng)計過程控制(Statistical Process Control,SPC)技術(shù)是目前生產(chǎn)制造領域?qū)Ξa(chǎn)品質(zhì)量進行監(jiān)控的主要技術(shù)。根據(jù)SPC控制圖的圖像特征可以判斷生產(chǎn)過程是否出現(xiàn)異常,通過對SPC控制圖模式的識別可以推斷生產(chǎn)過程發(fā)生異常的原因。近年來研究人員采用多種智能算法用于對SPC控制圖模式的識別研究,由于目前生產(chǎn)過程控制圖模式的樣本較少,而支持向量機(Support Vector Machines,SVM)可以有效解決小樣本條件下的模式識別問題,因此本文將支持向量機作為控制圖模式識別的主要研究工具。本文主要做了以下研究:1)對SPC控制圖模式數(shù)據(jù)進行仿真,并通過統(tǒng)計特征和形狀特征對其進行特征提取,通過研究、分析支持向量機原理及其多分類方式的特點,選擇“有向無環(huán)圖”(Directed Acyclic Graph,DAG)型支持向量機作為多分類器,并采用粒子群算法(Particle Swarm Optimization,PSO)對其參數(shù)進行優(yōu)化,然后通過相應的仿真實驗進行對比分析;2)為了進一步提高控制圖模式的識別效率及準確率,提出兩種改進方式:首先通過特征融合將原始數(shù)據(jù)和特征數(shù)據(jù)的識別優(yōu)勢相結(jié)合,然后通過主成分分析(Principal Component Analysis,PCA)算法對融合特征進行進一步的維數(shù)約簡,提取出對分類影響較大的數(shù)據(jù)特征,從而提高了分類準確率和識別效率;對粒子群算法進行改進,通過增強粒子的主動搜索能力,解決其易陷入“局部最優(yōu)”的缺陷,從而提高了分類器識別的準確率。仿真實驗結(jié)果表明,通過對識別及優(yōu)化算法的改進,分類器對控制圖模式的識別效率和準確率方面都有了相應的提高,識別率能夠達到95%以上,能夠滿足基本的生產(chǎn)需求,有效預防生產(chǎn)異常現(xiàn)象的出現(xiàn)。
[Abstract]:Therefore, how to effectively monitor the quality of the production process to ensure the quality of products is an important research issue in manufacturing enterprises at present.Statistical Process Control (SPC) technology is the main technology to monitor the product quality in the field of production and manufacturing.According to the image features of SPC control chart, the abnormal production process can be judged, and the reason of abnormal production process can be inferred by recognizing the pattern of SPC control chart.In recent years, researchers have used a variety of intelligent algorithms to study the pattern recognition of SPC control charts.Support vector machine (SVM) can effectively solve the problem of pattern recognition under the condition of small sample, so support vector machine is regarded as the main research tool of control chart pattern recognition in this paper.In this paper, we do the following research: 1) simulate the pattern data of SPC control chart, and extract the feature by statistical feature and shape feature. Through the research, we analyze the principle of support vector machine and the characteristics of multi-classification.The support vector machine "directed Acyclic directed Acyclic Graph DAG" is selected as multi-classifier, and its parameters are optimized by particle swarm optimization algorithm (PSO).In order to further improve the recognition efficiency and accuracy of the control chart, two improved methods are proposed: firstly, the recognition advantages of the original data and the feature data are combined through feature fusion.Then, the principal component analysis (PCA) algorithm is used to reduce the dimension of the fusion features, which has a great influence on the classification, which improves the classification accuracy and recognition efficiency, and improves the particle swarm optimization algorithm.By enhancing the active searching ability of particles, the defect of local optimum is solved, and the accuracy of classifier recognition is improved.The simulation results show that by improving the recognition and optimization algorithm, the classifier can improve the recognition efficiency and accuracy of the control chart pattern, and the recognition rate can reach more than 95%, which can meet the basic production requirements.Effective prevention of abnormal production phenomenon.
【學位授予單位】：沈陽理工大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TB114.2

【參考文獻】

相關(guān)期刊論文 前4條

1 吳德利;;《中國制造2025》指引中國工業(yè)“向質(zhì)量進軍”[J];上海質(zhì)量;2015年09期

2 蘇衛(wèi)星;朱云龍;胡琨元;劉芳;;基于模型的過程工業(yè)時間序列異常值檢測方法[J];儀器儀表學報;2012年09期

3 丁世飛;齊丙娟;譚紅艷;;支持向量機理論與算法研究綜述[J];電子科技大學學報;2011年01期

4 卓德保;徐濟超;;質(zhì)量診斷技術(shù)及其應用綜述[J];系統(tǒng)工程學報;2008年03期

相關(guān)博士學位論文 前6條

1 朱波;基于支持向量機的自動加工過程質(zhì)量控制方法研究[D];重慶大學;2013年

2 楊文安;制造過程質(zhì)量智能控制與診斷中若干問題的研究[D];南京航空航天大學;2012年

3 李英偉;基于增量改進BP神經(jīng)網(wǎng)絡微波深度干燥模型及應用研究[D];昆明理工大學;2011年

4 劉建華;粒子群算法的基本理論及其改進研究[D];中南大學;2009年

5 李鋼;基于SPC的計算機集成質(zhì)量控制系統(tǒng)研究[D];合肥工業(yè)大學;2007年

6 李榮雨;基于PCA的統(tǒng)計過程監(jiān)控研究[D];浙江大學;2007年

相關(guān)碩士學位論文 前1條

1 徐玉杰;粒子群算法的改進及應用[D];南京師范大學;2013年

，

本文編號：1739052