當前全球制造業(yè)不斷尋求升級、國內(nèi)正在推進產(chǎn)業(yè)結(jié)構(gòu)調(diào)整,市場需求也趨向于個性化、差異化,制造企業(yè)由大批量生產(chǎn)轉(zhuǎn)為多品種、小批量柔性化生產(chǎn)模式。開發(fā)有效適用于當前生產(chǎn)模式的質(zhì)量控制技術(shù)成為當前亟需解決的問題。而隨著智能化技術(shù)發(fā)展日益成熟,引入人工智能和機器學習技術(shù),構(gòu)建起質(zhì)量智能控制和預測體系已成為多品種、小批量產(chǎn)品質(zhì)量控制方法研究的熱點。本文分析了多品種、小批量生產(chǎn)模式的形成過程、特點,構(gòu)建了適用于多品種小批量生產(chǎn)的質(zhì)量控制流程。并以R公司某型軸套產(chǎn)品為例,采用復雜網(wǎng)絡(luò)以及灰色理論、最小二乘支持向量機（LS-SVM）方法對該流程中的質(zhì)量特性識別與預測階段進行了詳細論證和重點研究。（1）提出了基于圖論思想的復雜網(wǎng)絡(luò)方法以識別零件關(guān)鍵質(zhì)量特性。依據(jù)工藝流程及設(shè)計要求描述零件各個加工特征之間的內(nèi)在聯(lián)系,建立零件加工特征網(wǎng)絡(luò);計算網(wǎng)絡(luò)拓撲參數(shù)確定網(wǎng)絡(luò)節(jié)點的重要度,進而得出關(guān)鍵質(zhì)量特性為軸套左端外圓尺寸,為零件加工質(zhì)量預測工作奠定了基礎(chǔ)。（2）采用了對小樣本數(shù)據(jù)有良好適應性,且學習能力與預測性能均較好的灰色預測理論建立GM（1,1）質(zhì)量預測模型,并從灰色動態(tài)模型群和灰色關(guān)聯(lián)度加權(quán)兩個方面進行改進,... 

【文章來源】：蘭州理工大學甘肅省

【文章頁數(shù)】：76 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景和意義
    1.2 關(guān)鍵質(zhì)量特性識別研究現(xiàn)狀
    1.3 質(zhì)量預測技術(shù)研究現(xiàn)狀
    1.4 論文主要內(nèi)容和結(jié)構(gòu)
第2章 多品種小批量生產(chǎn)質(zhì)量控制方法及案例分析
    2.1 制造業(yè)生產(chǎn)模式發(fā)展歷程
    2.2 多品種小批量生產(chǎn)模式特點
    2.3 多品種小批量質(zhì)量控制需求與流程
    2.4 擬采用預測方法可行性分析
    2.5 案例企業(yè)簡介及其質(zhì)量控制狀況分析
        2.5.1 企業(yè)簡介
        2.5.2 企業(yè)質(zhì)量控制現(xiàn)狀及問題分析
    2.6 本章小結(jié)
第3章 基于復雜網(wǎng)絡(luò)的關(guān)鍵質(zhì)量特性識別
    3.1 質(zhì)量特性及關(guān)鍵質(zhì)量特性
        3.1.1 質(zhì)量特性的概念
        3.1.2 關(guān)鍵質(zhì)量特性
    3.2 復雜網(wǎng)絡(luò)基本理論
        3.2.1 網(wǎng)絡(luò)的表示
        3.2.2 網(wǎng)絡(luò)的基本拓撲性質(zhì)
        3.2.3 參數(shù)計算
    3.3 基于復雜網(wǎng)絡(luò)的關(guān)鍵質(zhì)量特性識別
        3.3.1 零件加工特征關(guān)系描述
        3.3.2 基于加工特征的復雜網(wǎng)絡(luò)構(gòu)建
    3.4 實例分析
    3.5 本章小結(jié)
第4章 改進灰色GM(1,1)模型的建立
    4.1 灰色理論簡介
    4.2 灰色GM(1,1)預測模型
        4.2.1 灰序列生成
        4.2.2 灰色GM(1,1)模型的建立
        4.2.3 灰色模型的適用范圍及精度檢驗
    4.3 灰色GM(1,1)模型的改進
        4.3.1 灰色動態(tài)模型群
        4.3.2 灰色關(guān)聯(lián)度加權(quán)
    4.4數(shù)據(jù)仿真實驗
    4.5 本章小結(jié)
第5章 優(yōu)化的質(zhì)量預測組合模型的構(gòu)建
    5.1 支持向量機和粒子群算法理論
        5.1.1 支持向量機回歸原理
        5.1.2 最小二乘支持向量機
        5.1.3 基于粒子群算法的參數(shù)尋優(yōu)
    5.2 優(yōu)化的組合預測模型構(gòu)建
        5.2.1 組合預測理論原理
        5.2.2 模型組合方法選擇
        5.2.3 優(yōu)化的組合預測模型構(gòu)建
    5.3 組合預測模型應用與對比分析
        5.3.1 殘差預測模型
        5.3.2 組合模型最終預測結(jié)果分析及模型對比
    5.4 本章小結(jié)
總結(jié)與展望
    總結(jié)
    展望
參考文獻
致謝


【參考文獻】：
期刊論文
[1]基于蜻蜓算法和最小二乘向量機的小批量生產(chǎn)質(zhì)量預測[J]. 董海,徐德珉.  科技管理研究. 2019(22)
[2]自適應差分算法優(yōu)化的焦炭質(zhì)量BP模型[J]. 都吉東,陶文華,李邵鵬,顧琦瑤.  控制工程. 2019(06)
[3]基于灰色關(guān)聯(lián)支持向量機回歸的紗線質(zhì)量預測[J]. 王東平,吳志剛.  山東工業(yè)技術(shù). 2019(09)
[4]基于隨機森林的熱軋帶鋼質(zhì)量分析與預測方法[J]. 紀英俊,勇曉玥,劉英林,劉士新.  東北大學學報(自然科學版). 2019(01)
[5]基于BP神經(jīng)網(wǎng)絡(luò)的預切沖裁斷面質(zhì)量的仿真預測[J]. 張良.  鍛壓技術(shù). 2018(12)
[6]Integration of A Deep Learning Classifier with A Random Forest Approach for Predicting Malonylation Sites[J]. Zhen Chen,Ningning He,Yu Huang,Wen Tao Qin,Xuhan Liu,Lei Li.  Genomics,Proteomics & Bioinformatics. 2018(06)
[7]基于ARIMA模型和BP人工神經(jīng)網(wǎng)絡(luò)的產(chǎn)品質(zhì)量預測[J]. 曹學晨,張順堂.  價值工程. 2018(35)
[8]焦炭質(zhì)量的DE-BP神經(jīng)網(wǎng)絡(luò)預測模型研究[J]. 陶文華,袁正波.  系統(tǒng)仿真學報. 2018(05)
[9]基于灰色GM（0,4）模型的強力旋壓連桿襯套成形質(zhì)量的預測研究[J]. 湯傳堯,樊文欣,王欣.  熱加工工藝. 2018(05)
[10]中國智能制造發(fā)展的國際背景與政策研究[J]. 趙光輝,馮帆.  中國市場. 2017(31)

博士論文
[1]面向復雜產(chǎn)品的關(guān)鍵質(zhì)量特性識別方法研究[D]. 王化強.天津大學 2014

碩士論文
[1]基于組合模型的燒結(jié)礦質(zhì)量預測系統(tǒng)研究與應用[D]. 邵慧君.武漢科技大學 2019
[2]面向變速箱殼體機加過程的質(zhì)量預測與診斷方法研究應用[D]. 王昆龍.合肥工業(yè)大學 2019
[3]支持向量機核函數(shù)及關(guān)鍵參數(shù)選擇研究[D]. 尹嘉鵬.哈爾濱工業(yè)大學 2016
[4]移動通信網(wǎng)流量數(shù)據(jù)分析及預測研究[D]. 張雁欽.中國科學技術(shù)大學 2016
[5]質(zhì)量功能展開（QFD）在生產(chǎn)企業(yè)中的應用研究[D]. 俞文杰.浙江工業(yè)大學 2015
[6]質(zhì)量功能展開在企業(yè)產(chǎn)品設(shè)計中的應用研究[D]. 謝凌.上海交通大學 2012



本文編號：3479862