發(fā)布時(shí)間：2023-04-17 00:36

　　隨著社會經(jīng)濟(jì)發(fā)展水平的日益提高,消費(fèi)者需求的日趨多樣化,企業(yè)逐漸采用多品種小批量生產(chǎn)模式來替代大批量生產(chǎn)模式,多品種小批量生產(chǎn)過程的質(zhì)量控制問題也日益成為制造型企業(yè)亟待解決的問題。基于這一背景,本文結(jié)合多品種小批量生產(chǎn)模式的特點(diǎn),以提高過程質(zhì)量控制能力和過程產(chǎn)出質(zhì)量為目的,研究了多品種小批量生產(chǎn)模式下的過程質(zhì)量監(jiān)控和異常模式識別問題。首先,針對多品種小批量生產(chǎn)過程樣本量較少導(dǎo)致質(zhì)量特性參數(shù)標(biāo)準(zhǔn)差估計(jì)值偏差較大進(jìn)而影響控制圖監(jiān)控性能這一問題,以及T-K多品種小批量控制圖對于中小程度偏移敏感性較低的缺陷,本文將指數(shù)加權(quán)移動平均(EWMA)統(tǒng)計(jì)過程控制理論與T-K控制圖相結(jié)合生成TK-EWMA控制圖對多品種小批量生產(chǎn)過程的關(guān)鍵質(zhì)量特性參數(shù)均值和標(biāo)準(zhǔn)差進(jìn)行監(jiān)控。并通過蒙特卡洛法將TK-EWMA控制圖和T-K控制圖進(jìn)行對比,對比結(jié)果表明TK-EWMA控制圖的異常檢出能力,尤其是對中小程度偏移的檢出能力,要顯著優(yōu)于T-K控制圖。同時(shí)通過實(shí)例說明TK-EWMA控制圖監(jiān)控多品種小批量生產(chǎn)過程質(zhì)量的有效性。其次,本文建立TK-EWMA控制圖的馬爾科夫鏈模型對控制圖的性能進(jìn)行分析,分析主要參數(shù)對TK-EW...

【文章頁數(shù)】：85 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景
        1.1.1 研究背景
        1.1.2 制造業(yè)生產(chǎn)模式
        1.1.3 多品種小批量生產(chǎn)模式的特點(diǎn)
    1.2 研究意義
        1.2.1 理論意義
        1.2.2 現(xiàn)實(shí)意義
    1.3 相關(guān)研究綜述
        1.3.1 統(tǒng)計(jì)過程控制研究現(xiàn)狀
        1.3.2 多品種小批量統(tǒng)計(jì)過程控制研究現(xiàn)狀
        1.3.3 控制圖異常模式識別研究現(xiàn)狀
    1.4 研究內(nèi)容及方法
        1.4.1 研究內(nèi)容
        1.4.2 研究方法
        1.4.3 創(chuàng)新點(diǎn)
2 相關(guān)理論和方法介紹
    2.1 質(zhì)量控制理論的發(fā)展
        2.1.1 質(zhì)量檢驗(yàn)理論
        2.1.2 統(tǒng)計(jì)質(zhì)量控制理論
        2.1.3 全面質(zhì)量管理理論
    2.2 統(tǒng)計(jì)過程控制理論概述
    2.3 主成分分析法介紹
    2.4 交叉驗(yàn)證方法介紹
        2.4.1 方法概述
        2.4.2 常見形式
3 TK-EWMA多品種小批量統(tǒng)計(jì)過程控制方法
    3.1 引言
    3.2 問題描述
    3.3 模型構(gòu)建
        3.3.1 T-EWMA控制圖
        3.3.2 K-EWMA控制圖
    3.4 仿真分析
        3.4.1 性能對比
        3.4.2 實(shí)例說明
    3.5 本章小結(jié)
4 TK-EWMA多品種小批量控制圖性能分析與優(yōu)化
    4.1 引言
    4.2 問題描述
    4.3 構(gòu)建TK-EWMA控制圖的馬爾科夫鏈模型
    4.4 TK-EWMA控制圖性能分析和參數(shù)優(yōu)化
        4.4.1 T-EWMA控制圖性能分析和參數(shù)優(yōu)化
        4.4.2 K-EWMA控制圖性能分析和參數(shù)優(yōu)化
    4.5 本章小結(jié)
5 TK-EWMA多品種小批量控制圖異常模式識別方法
    5.1 引言
    5.2 問題描述
    5.3 異常識別模型的選取
        5.3.1 PNN概率神經(jīng)網(wǎng)絡(luò)模型概述
        5.3.2 改進(jìn)后PSO粒子群優(yōu)化算法概述
        5.3.3 PCA-IMPSO-PNN概率神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)方法
    5.4 數(shù)據(jù)采集和處理
        5.4.1 數(shù)據(jù)采集
        5.4.2 數(shù)據(jù)處理
    5.5 模型優(yōu)化
    5.6 模型訓(xùn)練測試及結(jié)果分析
    5.7 模型對比
    5.8 本章小結(jié)
6 研究總結(jié)與展望
    6.1 研究總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
附錄 A



本文編號：3792205