隨著全球化市場競爭日益激烈,產(chǎn)品質(zhì)量受到前所未有的重視。論文系統(tǒng)研究制造過程質(zhì)量智能預測控制中的關(guān)鍵技術(shù)與實現(xiàn)方法,這對促進先進制造技術(shù)發(fā)展、智能預測理論及應用具有重要的學術(shù)價值和實際意義。 論文詳細分析了制造質(zhì)量波動特性,闡述了制造質(zhì)量建模預測控制基本原理,從制造質(zhì)量低維特征信息提取方法、制造質(zhì)量智能預測建模方法、質(zhì)量信息集成方法三個方面,對制造質(zhì)量預測建模中關(guān)鍵問題的研究動態(tài)及國內(nèi)外進展進行了分析,進一步展開了多工序制造質(zhì)量智能預測建模機理研究及應用課題研究。主要工作包括: ⑴研究面向關(guān)鍵工序的多維制造質(zhì)量數(shù)據(jù)模型構(gòu)架。建立關(guān)鍵質(zhì)量特性KQCs產(chǎn)品結(jié)構(gòu)樹映射模型,通過功能分解間接實現(xiàn)制造質(zhì)量BOM中KQCs向產(chǎn)品結(jié)構(gòu)樹的映射,質(zhì)量特性指標細分到每一個零部件,既體現(xiàn)公共KQCs,又表現(xiàn)個性KQCs;提出一種定性與定量相結(jié)合的多準則決策方法,避免主觀臆斷或僅考慮少數(shù)判讀所帶來的局限性;研究不同類型生產(chǎn)過程時間序列質(zhì)量數(shù)據(jù)樣本的在線抽取方法,通過引入維、維分層和度量概念,建立多維制造質(zhì)量數(shù)據(jù)模型,使制造質(zhì)量數(shù)據(jù)的描述結(jié)構(gòu)化、規(guī)范化。 ⑵深入開展高維制造質(zhì)量低維特征信息動態(tài)提取方法研究。提出將滑動數(shù)據(jù)窗采樣和主元遞推更新算法相結(jié)合,能夠使主元模型自適應地跟蹤數(shù)據(jù)樣本的變化,有利于提取出動態(tài)制造過程中數(shù)量少但包含信息量大的質(zhì)量特征;基于核函數(shù)PCA能夠?qū)碗s關(guān)聯(lián)數(shù)據(jù)投影到線性可分的高維特征空間,提出通過將遞歸KPCA分解推廣到核空間,給出了核形式的遞歸PCA算法,結(jié)合滑動窗采樣,使主元分析的時間復雜度和空間復雜度較標準核函數(shù)PCA進一步減小。仿真結(jié)果表明,選取建模樣本數(shù)為500時,使用遞推更新算法能夠比沒有選用遞推算法(樣本數(shù)1000)效果更好,而且其SPE分析結(jié)果超出95%、99%控制線的點,分別減少了10%、8%;遞推核函數(shù)PCA的T 2分析結(jié)果超過95%、99%的點數(shù)較標準核函數(shù)PCA分別減少了10%、7%;而SPE分析結(jié)果則相應較少了15%、4%。 ⑶系統(tǒng)研究基于Elman神經(jīng)網(wǎng)絡的智能質(zhì)量預測控制方法。針對復雜產(chǎn)品制造過程中,質(zhì)量變量、數(shù)據(jù)樣本間時序相關(guān)性較強的特點,提出一個新型多通路反饋OHIF Elman神經(jīng)網(wǎng)絡結(jié)構(gòu),在Elman網(wǎng)絡結(jié)構(gòu)自反饋因子?基礎上,引入反饋因子?、r ,形成輸出層、隱含層類似“全反饋”拓撲結(jié)構(gòu),提高了預測精度;針對OHIF Elman神經(jīng)網(wǎng)絡結(jié)構(gòu)關(guān)聯(lián)層影響網(wǎng)絡收斂性的問題,提出了LM-CGD算法以期加快收斂速度,將CDG用于求解包含Jacobi矩陣J k正則方程,可將計算復雜度由原求解方法O ( N36)降低到O (2 N 2);針對OHIF Elman網(wǎng)絡隱含層中應用Sigmoid函數(shù),權(quán)值矩陣階數(shù)增加、難以建立出網(wǎng)絡規(guī)模與可逼近分辨尺度的定量關(guān)系的問題,提出一種緊致型小波OHIF Elman網(wǎng)絡,該方法充分利用小波神經(jīng)網(wǎng)絡權(quán)系數(shù)的線性分布及學習目標函數(shù)的凸性,可避免局部最優(yōu)非線性優(yōu)化問題。仿真結(jié)果表明,OHIF Elman網(wǎng)絡應用LM-CGD算法,145 Epoch即可收斂,比應用L-M算法步長減少46.7%,應用GD、Newton算法甚至不收斂;小波Elman OHIF Elman網(wǎng)絡MSE較RBF網(wǎng)絡減小36.4%,較OHIF Elman網(wǎng)絡減小12.9%,而收斂步長略高于OHIF Elman網(wǎng)絡。 ⑷開展在線制造質(zhì)量信息集成系統(tǒng)設計與實現(xiàn)方法研究。討論在線制造質(zhì)量信息集成三層體系架構(gòu),使現(xiàn)場監(jiān)控層、企業(yè)監(jiān)控層、遠程監(jiān)控層層內(nèi)與層間建立高效信息傳輸通道;設計USB、RS232/422/484、模擬量與CAN總線間數(shù)據(jù)轉(zhuǎn)換協(xié)議,討論“現(xiàn)場總線+以太網(wǎng)+TCP/IP+OPC”方案,避免不必要資源競爭,提高效率并增強信息傳送的安全性;確定XML數(shù)據(jù)交換接口模型和跨平臺數(shù)據(jù)交換技術(shù)路線,實現(xiàn)基于UML用例圖的系統(tǒng)需求細化、基于UML類圖的數(shù)據(jù)模型所包含的框架內(nèi)容及XML Schema對象邏輯關(guān)系的確定、UML對象模型向XML Schema映射,滿足系統(tǒng)平臺間信息無縫傳遞及互操作的需求;結(jié)合華南理工大學“985”建設內(nèi)容,建立了一個制造質(zhì)量在線檢測實驗平臺。 ⑸開展智能預測建模方法在漏光度制造質(zhì)量控制應用研究。基于活塞環(huán)漏光原因分析及AHP多準則決策體系,指出氮化工序、粗磨開口后定型、精珩外圓是制造過程的第一、第二、第三關(guān)鍵質(zhì)量控制工序;以氮化關(guān)鍵工序為例,利用核函數(shù)主元分析法對六個主成分進行排序,發(fā)現(xiàn)氮化溫度、氮化時間、催化劑三相為輸入主元質(zhì)量特征,并以氮化層硬度為輸出,所建立的小波OHIF Elman、OHIF Elman神經(jīng)網(wǎng)絡預測模型,其預測準確度較標準Elman網(wǎng)絡預測準確度分別提高22.3%、21.7%;智能質(zhì)量預測方法在活塞環(huán)制造企業(yè)實施后優(yōu)等品率由原來的75%提高到實施后的87%以上。
【學位單位】：華南理工大學
【學位級別】：博士
【學位年份】：2011
【中圖分類】：TH186;F273.2;F224
【部分圖文】：

質(zhì)量預測控制三維空間結(jié)構(gòu)模型

依據(jù)某一項單獨功能或近似功能的組合，可建立如圖 1-4 所示的制造質(zhì)量預測控層次模型(Hierarchy Model)，層次模型分為檢測層、數(shù)據(jù)層、控制層、標準層和等 5 個抽象層次。其中，檢測層主要是通過對制造過程關(guān)鍵工序的質(zhì)量信息進行獲取實時可靠的質(zhì)量數(shù)據(jù)；數(shù)據(jù)層主要由實時質(zhì)量數(shù)據(jù)(由原始質(zhì)量數(shù)據(jù)預處理、樣本質(zhì)量數(shù)據(jù)(從實時質(zhì)量數(shù)據(jù)庫中抽取)和控制規(guī)則數(shù)據(jù)組成；控制層中由質(zhì)模型對質(zhì)量波動趨勢進行預測，提取出加工趨勢特征，形成質(zhì)量預測模型及過程

加值操作等)，也包含有定量分析判斷(質(zhì)量不穩(wěn)定、較大加工難度、多重復性故障響成品合格率等)，而最終則是由兩者綜合決策確定。根據(jù) KQCs 與關(guān)鍵工序的性，作者建立如圖 2-2 所示的基于 AHP 關(guān)鍵工序多準則決策分析體系圖，它包遞階層次模型及權(quán)值計算兩部分，遞階分層模型按目標層、準則層、方案層依次排

【引證文獻】

相關(guān)期刊論文 前1條

1 單龍艷;吉衛(wèi)喜;余杰;;高性能零件制造過程質(zhì)量控制方法研究[J];現(xiàn)代制造工程;2013年12期

相關(guān)碩士學位論文 前2條

1 段媛;產(chǎn)品合格率時間序列的混沌特性識別及預測[D];華南理工大學;2013年

2 梅南;基于遞歸神經(jīng)網(wǎng)絡的股票指數(shù)價格預測分析[D];吉林大學;2014年

本文編號：2810432