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,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際意義,一直是質(zhì)量控制領域的重點和難點課題。統(tǒng)計過程控制（Statistical Process Control,SPC）技術是過程質(zhì)量控制的最常用的工具,但其對復雜制造過程（如高維多變量過程、多輸入多輸出（Multi Input and Multi Output,MIMO）過程等）無法有效地進行復雜多維信息融合分析、無法進行過程狀態(tài)量化與可視化分析,無法有效地進行過程失控源識別。而具有智能性、非線性、信息融合能力、良好學習能力的智能學習模型（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（如獨立離散過程、自相關過程及多變量過程）和復雜的MIMO過程為研究對象,研究基于智能學習模型的制造過程質(zhì)量控制的理論與方法論體系,為智能學習模型在制造過程質(zhì)量控制的廣泛應用奠定重要的理論與實踐基礎。1.以制造過程狀態(tài)監(jiān)控為本文的首要研究內(nèi)容,率先提出了制... 

【文章來源】：上海交通大學上海市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：173 頁

【學位級別】：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。為了驗證這個假設，軌跡（Traje失控的連續(xù)移動窗口（39:74）被增加到 U-matrix 個軌跡點，而箭頭指明了這個軌跡的方向。圖 2.9 狀態(tài)的 Cluster1 移動到了代表失控狀態(tài)的 Clus軌跡圖能作為一個有效的過程狀態(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

上海交通大學博士學位論文 第五章 基于知識發(fā)現(xiàn)與神經(jīng)網(wǎng)絡集成的產(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，需要進行重點監(jiān)控與控制。因此這樣的制造過程需要一個智能監(jiān)控與診斷系統(tǒng)以監(jiān)控過程異常，識別故障類型，診斷故障發(fā)生原因，及提供消除故障的指導方案�？刂茍D通常能有效地運用于過程監(jiān)控，但是控制圖一般分割地監(jiān)控過程輸入和輸出，因此無法預測具有 MIMO 特征的制造系統(tǒng)的過程狀態(tài)。當制造系統(tǒng)即將產(chǎn)生次品前，控制圖通常無法診斷異常原因。因為輸入和輸出變量間關系的復雜性與非線性，使用一些線性回歸等數(shù)學方法也無法有效地建模這些復雜關系。人工神經(jīng)網(wǎng)絡（ANN）非常擅長于建模這樣復雜的關系[134]。ANN 已經(jīng)廣泛地運用于過程異常監(jiān)控，能有效預測過程的狀態(tài)。但是 ANN 沒有能力提供一個顯式和可理解的規(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：3357045