基于智能學(xué)習(xí)模型的制造過程質(zhì)量控制理論與方法論研究
發(fā)布時(shí)間:2021-08-22 04:57
連續(xù)穩(wěn)定的產(chǎn)品質(zhì)量一直是工業(yè)界追求的目標(biāo),制造過程質(zhì)量的控制是確保高質(zhì)量產(chǎn)品的重要因素之一。鑒于其重要的理論與工程實(shí)際意義,一直是質(zhì)量控制領(lǐng)域的重點(diǎn)和難點(diǎn)課題。統(tǒng)計(jì)過程控制(Statistical Process Control,SPC)技術(shù)是過程質(zhì)量控制的最常用的工具,但其對(duì)復(fù)雜制造過程(如高維多變量過程、多輸入多輸出(Multi Input and Multi Output,MIMO)過程等)無法有效地進(jìn)行復(fù)雜多維信息融合分析、無法進(jìn)行過程狀態(tài)量化與可視化分析,無法有效地進(jìn)行過程失控源識(shí)別。而具有智能性、非線性、信息融合能力、良好學(xué)習(xí)能力的智能學(xué)習(xí)模型(Intelligent Learning Models)可有效地解決以上SPC無法有效解決的一些問題,以實(shí)現(xiàn)過程質(zhì)量控制的智能化。本論文圍繞現(xiàn)代制造過程質(zhì)量智能控制,以典型制造過程(如獨(dú)立離散過程、自相關(guān)過程及多變量過程)和復(fù)雜的MIMO過程為研究對(duì)象,研究基于智能學(xué)習(xí)模型的制造過程質(zhì)量控制的理論與方法論體系,為智能學(xué)習(xí)模型在制造過程質(zhì)量控制的廣泛應(yīng)用奠定重要的理論與實(shí)踐基礎(chǔ)。1.以制造過程狀態(tài)監(jiān)控為本文的首要研究?jī)?nèi)容,率先提出了制...
【文章來源】:上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:173 頁
【學(xué)位級(jí)別】:博士
【部分圖文】:
多變量過程質(zhì)量智能控制系統(tǒng)
控窗口向量和100個(gè)失控窗口向量( 2.00 ),我該 SOM的 U-matrix 映射。在 U-matrix 上,我們能區(qū)域的 Cluster1 可能是在控窗口向量所形成的聚類所形成的聚類。為了驗(yàn)證這個(gè)假設(shè),軌跡(Traje失控的連續(xù)移動(dòng)窗口(39:74)被增加到 U-matrix 個(gè)軌跡點(diǎn),而箭頭指明了這個(gè)軌跡的方向。圖 2.9 狀態(tài)的 Cluster1 移動(dòng)到了代表失控狀態(tài)的 Clus軌跡圖能作為一個(gè)有效的過程狀態(tài)可視化工具來監(jiān)著調(diào)整過程變量以使得過程的軌跡點(diǎn)停留在期望的過觀察軌跡,一些正確的過程調(diào)整措施可被正確地化工具 U-matrix 和軌跡(Trajectory)能有效地應(yīng)
上海交通大學(xué)博士學(xué)位論文 第五章 基于知識(shí)發(fā)現(xiàn)與神經(jīng)網(wǎng)絡(luò)集成的產(chǎn)品質(zhì)量在線監(jiān)控與診斷系統(tǒng)在本章研究中,Y 是最終輸出產(chǎn)品質(zhì)量的類型,包括正常產(chǎn)品及各種次品。關(guān)鍵過程變量 X(i 1,2,...n)i 顯著地影響著輸出產(chǎn)品的質(zhì)量,需要進(jìn)行重點(diǎn)監(jiān)控與控制。因此這樣的制造過程需要一個(gè)智能監(jiān)控與診斷系統(tǒng)以監(jiān)控過程異常,識(shí)別故障類型,診斷故障發(fā)生原因,及提供消除故障的指導(dǎo)方案。控制圖通常能有效地運(yùn)用于過程監(jiān)控,但是控制圖一般分割地監(jiān)控過程輸入和輸出,因此無法預(yù)測(cè)具有 MIMO 特征的制造系統(tǒng)的過程狀態(tài)。當(dāng)制造系統(tǒng)即將產(chǎn)生次品前,控制圖通常無法診斷異常原因。因?yàn)檩斎牒洼敵鲎兞块g關(guān)系的復(fù)雜性與非線性,使用一些線性回歸等數(shù)學(xué)方法也無法有效地建模這些復(fù)雜關(guān)系。人工神經(jīng)網(wǎng)絡(luò)(ANN)非常擅長(zhǎng)于建模這樣復(fù)雜的關(guān)系[134]。ANN 已經(jīng)廣泛地運(yùn)用于過程異常監(jiān)控,能有效預(yù)測(cè)過程的狀態(tài)。但是 ANN 沒有能力提供一個(gè)顯式和可理解的規(guī)則集,以診斷故障和解釋內(nèi)在的士學(xué)位論文全文數(shù)據(jù)庫 2011年 第04期 工程科技Ⅱ輯 C02
本文編號(hào):3357045
【文章來源】:上海交通大學(xué)上海市 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】:173 頁
【學(xué)位級(jí)別】:博士
【部分圖文】:
多變量過程質(zhì)量智能控制系統(tǒng)
控窗口向量和100個(gè)失控窗口向量( 2.00 ),我該 SOM的 U-matrix 映射。在 U-matrix 上,我們能區(qū)域的 Cluster1 可能是在控窗口向量所形成的聚類所形成的聚類。為了驗(yàn)證這個(gè)假設(shè),軌跡(Traje失控的連續(xù)移動(dòng)窗口(39:74)被增加到 U-matrix 個(gè)軌跡點(diǎn),而箭頭指明了這個(gè)軌跡的方向。圖 2.9 狀態(tài)的 Cluster1 移動(dòng)到了代表失控狀態(tài)的 Clus軌跡圖能作為一個(gè)有效的過程狀態(tài)可視化工具來監(jiān)著調(diào)整過程變量以使得過程的軌跡點(diǎn)停留在期望的過觀察軌跡,一些正確的過程調(diào)整措施可被正確地化工具 U-matrix 和軌跡(Trajectory)能有效地應(yīng)
上海交通大學(xué)博士學(xué)位論文 第五章 基于知識(shí)發(fā)現(xiàn)與神經(jīng)網(wǎng)絡(luò)集成的產(chǎn)品質(zhì)量在線監(jiān)控與診斷系統(tǒng)在本章研究中,Y 是最終輸出產(chǎn)品質(zhì)量的類型,包括正常產(chǎn)品及各種次品。關(guān)鍵過程變量 X(i 1,2,...n)i 顯著地影響著輸出產(chǎn)品的質(zhì)量,需要進(jìn)行重點(diǎn)監(jiān)控與控制。因此這樣的制造過程需要一個(gè)智能監(jiān)控與診斷系統(tǒng)以監(jiān)控過程異常,識(shí)別故障類型,診斷故障發(fā)生原因,及提供消除故障的指導(dǎo)方案。控制圖通常能有效地運(yùn)用于過程監(jiān)控,但是控制圖一般分割地監(jiān)控過程輸入和輸出,因此無法預(yù)測(cè)具有 MIMO 特征的制造系統(tǒng)的過程狀態(tài)。當(dāng)制造系統(tǒng)即將產(chǎn)生次品前,控制圖通常無法診斷異常原因。因?yàn)檩斎牒洼敵鲎兞块g關(guān)系的復(fù)雜性與非線性,使用一些線性回歸等數(shù)學(xué)方法也無法有效地建模這些復(fù)雜關(guān)系。人工神經(jīng)網(wǎng)絡(luò)(ANN)非常擅長(zhǎng)于建模這樣復(fù)雜的關(guān)系[134]。ANN 已經(jīng)廣泛地運(yùn)用于過程異常監(jiān)控,能有效預(yù)測(cè)過程的狀態(tài)。但是 ANN 沒有能力提供一個(gè)顯式和可理解的規(guī)則集,以診斷故障和解釋內(nèi)在的士學(xué)位論文全文數(shù)據(jù)庫 2011年 第04期 工程科技Ⅱ輯 C02
本文編號(hào):3357045
本文鏈接:http://sikaile.net/kejilunwen/jixiegongcheng/3357045.html
最近更新
教材專著