發(fā)布時(shí)間：2016-06-21 06:40

第一章 緒 論 

1.1 課題的研究背景與意義
經(jīng)濟(jì)的飛速發(fā)展導(dǎo)致了全球化市場(chǎng)競(jìng)爭(zhēng)日趨激烈，質(zhì)量問(wèn)題成為人們?cè)絹?lái)越關(guān)注的話題，它在很大程度上代表了一個(gè)企業(yè)的生命力，是企業(yè)得以持續(xù)發(fā)展的根本出發(fā)點(diǎn)。因此，質(zhì)量意識(shí)在現(xiàn)代生產(chǎn)企業(yè)中也得到了越來(lái)越多的關(guān)注與重視，產(chǎn)品的質(zhì)量所具有的重要意義已經(jīng)遠(yuǎn)大于過(guò)去。然而，據(jù)有關(guān)統(tǒng)計(jì)數(shù)據(jù)顯示，我國(guó)目前的大多數(shù)產(chǎn)品質(zhì)量水平還遠(yuǎn)未達(dá)到國(guó)際先進(jìn)水平，顯然我國(guó)在逐漸成為“世界制造工廠”的同時(shí)也生產(chǎn)了大量的質(zhì)量不高的產(chǎn)品。產(chǎn)品質(zhì)量問(wèn)題已經(jīng)在很大程度上限制了我國(guó)經(jīng)濟(jì)的快速發(fā)展，削弱的我國(guó)產(chǎn)品的競(jìng)爭(zhēng)力，同時(shí)也浪費(fèi)了大量的資源和能源。我國(guó)每年因產(chǎn)品質(zhì)量問(wèn)題造成的損失高達(dá)千億之多，其中產(chǎn)品生產(chǎn)過(guò)程的質(zhì)量監(jiān)控不到位、缺乏必要的控制手段以及預(yù)控程度不高是現(xiàn)代制造企業(yè)面臨質(zhì)量水平低下的主要原因[1]。 隨著科學(xué)技術(shù)的進(jìn)步，現(xiàn)代工業(yè)生產(chǎn)逐漸向大型化和復(fù)雜化方向發(fā)展，同時(shí)市場(chǎng)競(jìng)爭(zhēng)越來(lái)越激烈，對(duì)企業(yè)生產(chǎn)過(guò)程的控制系統(tǒng)提出了更高的要求，形成了復(fù)雜加工過(guò)程。復(fù)雜加工過(guò)程的特點(diǎn)主要表現(xiàn)在:(1)加工過(guò)程數(shù)據(jù)高維、非線性;(2)加工過(guò)程模型的不確定性;(3)各子過(guò)程相互千擾并呈現(xiàn)強(qiáng)稱(chēng)合性;(4)多層次、多目標(biāo)的控制要求以及嚴(yán)格的性能指標(biāo)[2]。根據(jù)復(fù)雜加工過(guò)程的特點(diǎn)，其過(guò)程中的制約因素較多且各因素之間關(guān)系復(fù)雜，很難實(shí)現(xiàn)其加工輸出與輸入?yún)?shù)之間的狀態(tài)描述和加工過(guò)程模擬。因此若采用傳統(tǒng)的質(zhì)量控制方法，難以實(shí)時(shí)有效地判別出復(fù)雜過(guò)程的質(zhì)量問(wèn)題[3]。 針對(duì)具有高度復(fù)雜、不可確定、多層次、網(wǎng)絡(luò)性的復(fù)雜加工系統(tǒng)，其質(zhì)量預(yù)測(cè)及控制問(wèn)題是工業(yè)過(guò)程中帶有根本性的、普遍性的又是遠(yuǎn)遠(yuǎn)沒(méi)有解決的問(wèn)題，需要在未來(lái)研究中，運(yùn)用復(fù)雜系統(tǒng)理論提供的新概念，結(jié)合已經(jīng)形成的質(zhì)量預(yù)測(cè)及控制體系和方法學(xué)，通過(guò)多個(gè)層次以及對(duì)多個(gè)層次的綜合集成研究，最終對(duì)復(fù)雜加工過(guò)程進(jìn)行有效的質(zhì)量預(yù)測(cè)及控制[4]。隨著先進(jìn)制造技術(shù)的逐步應(yīng)用，生產(chǎn)過(guò)程的質(zhì)量控制理論與技術(shù)主要沿著多元化、柔性化、智能化等方向發(fā)展。將傳統(tǒng)質(zhì)量預(yù)測(cè)及控制理論與人工智能技術(shù)相結(jié)合，充分利用人工智能技術(shù)的優(yōu)勢(shì)，加快復(fù)雜加工過(guò)程質(zhì)量控制的智能化進(jìn)程。因此，研究復(fù)雜加工過(guò)程質(zhì)量智能預(yù)測(cè)及控制方法不僅具有重要的理論價(jià)值，還具有十分重要的實(shí)際意義。
..........

1.2 質(zhì)量預(yù)測(cè)關(guān)鍵理論技術(shù)及研究現(xiàn)狀
企業(yè)為了提高質(zhì)量降低成本，就需要最大限度地控制和減少圍繞設(shè)計(jì)目標(biāo)產(chǎn)生的波動(dòng)，而過(guò)程質(zhì)量控制是在生產(chǎn)和服務(wù)過(guò)程中，對(duì)影響質(zhì)量的各項(xiàng)因素實(shí)行控制，是保證產(chǎn)品質(zhì)量的一個(gè)行之有效的途徑，是質(zhì)量改進(jìn)的先行技術(shù)。 隨著科學(xué)技術(shù)的發(fā)展，工業(yè)生產(chǎn)過(guò)程日漸復(fù)雜，大多具有數(shù)據(jù)高維、非線性，過(guò)程模型不確定和各子過(guò)程相互干擾并呈現(xiàn)強(qiáng)耦合等特點(diǎn)，比傳統(tǒng)生產(chǎn)過(guò)程質(zhì)量控制困難很多。因此復(fù)雜生產(chǎn)過(guò)程的質(zhì)量預(yù)測(cè)與控制問(wèn)題正成為研究者們關(guān)注的重大課題。 從目前的現(xiàn)狀和未來(lái)的發(fā)展趨勢(shì)分析，復(fù)雜生產(chǎn)過(guò)程中的質(zhì)量預(yù)測(cè)和控制技術(shù)的智能化是不可避免的。智能質(zhì)量控制方法，充分利用歷史及當(dāng)前的質(zhì)量信息，應(yīng)用人工智能方法進(jìn)行質(zhì)量建模與預(yù)測(cè)，，并對(duì)制造過(guò)程進(jìn)行實(shí)時(shí)調(diào)整，故能較好地滿足現(xiàn)代制造質(zhì)量發(fā)展的要求。預(yù)防為主的質(zhì)量控制改變了傳統(tǒng)事后檢驗(yàn)的被動(dòng)性，及時(shí)發(fā)現(xiàn)和消除質(zhì)量形成過(guò)程中的隱患，將質(zhì)量損失降低到最小，對(duì)其研究的意義重大。 
........

第二章 基于核主成分分析與改進(jìn)極限學(xué)習(xí)機(jī)的復(fù)雜產(chǎn)品質(zhì)量預(yù)測(cè) 

引言 
復(fù)雜產(chǎn)品質(zhì)量預(yù)測(cè)是改進(jìn)現(xiàn)有產(chǎn)品質(zhì)量，提高產(chǎn)品核心競(jìng)爭(zhēng)力的關(guān)鍵技術(shù)之一。國(guó)內(nèi)外學(xué)者對(duì)此進(jìn)行了大量研究。文獻(xiàn)[27]采用基于粒子群算法優(yōu)化的支持矢量回歸機(jī)方法，構(gòu)建了單工序質(zhì)量預(yù)測(cè)模型，并在此基礎(chǔ)上構(gòu)建了多工序加工質(zhì)量預(yù)測(cè)模型，實(shí)驗(yàn)表明該方法能夠較為準(zhǔn)確的預(yù)測(cè)加工誤差。文獻(xiàn)[28]采用主成分分析與 BP 神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法，在一定程度上簡(jiǎn)化了數(shù)據(jù)規(guī)模，并建立了對(duì)螺紋成形質(zhì)量等級(jí)的預(yù)測(cè)模型，取得了較好的預(yù)測(cè)效果。針對(duì)復(fù)雜產(chǎn)品質(zhì)量預(yù)測(cè)問(wèn)題，大多采用基于傳統(tǒng)前饋人工神經(jīng)網(wǎng)絡(luò)的優(yōu)化模型或支持向量機(jī)的優(yōu)化分類(lèi)模型，但由于生產(chǎn)質(zhì)量相關(guān)參數(shù)過(guò)多，模型迭代次數(shù)較大，易陷入局部最優(yōu)等缺點(diǎn)導(dǎo)致算法計(jì)算效率下降，預(yù)測(cè)結(jié)果不夠穩(wěn)定，模型泛化性能較差，因此迫切需要一種新的方法來(lái)為復(fù)雜產(chǎn)品質(zhì)量預(yù)測(cè)提供不同的視角。 極限學(xué)習(xí)機(jī)(Extreme learning machine，  ELM)是一種新型單隱層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的區(qū)別在于可調(diào)參數(shù)少，只需設(shè)置隱含層節(jié)點(diǎn)數(shù)，再通過(guò)隨機(jī)給定的輸入層隱含層的連接權(quán)值與隱含層閾值得到輸出層權(quán)值矩陣，通過(guò)網(wǎng)絡(luò)對(duì)數(shù)據(jù)樣本的訓(xùn)練便能夠得到唯一的最優(yōu)解，因此該方法具有的優(yōu)點(diǎn)是泛化性能好以及學(xué)習(xí)速度快等[29-39]。文獻(xiàn)[40]為了提高電力負(fù)荷預(yù)測(cè)的精度，提出一種在線序列優(yōu)化的極限學(xué)習(xí)機(jī)的電力負(fù)荷預(yù)測(cè)模型，結(jié)果表明該模型的預(yù)測(cè)精度均優(yōu)于傳統(tǒng)的支持向量回歸預(yù)測(cè)算法及泛化神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)算法。文獻(xiàn)[41]利用粒子群算法的全局搜索能力，將其與核極限學(xué)習(xí)機(jī)相結(jié)合用于變壓器的故障診斷，取得了良好的效果。 
.............

2.1 基于 KPCA 與改進(jìn) ELM 的預(yù)測(cè)模型

ELM 算法的最終輸出權(quán)值矩陣是通過(guò)計(jì)算隨機(jī)給出的權(quán)值和偏差得到的，而輸入權(quán)值與隱含層偏差是隨機(jī)給定的，這樣存在的問(wèn)題就是隨機(jī)給定的值可能為 0，導(dǎo)致部分隱含層節(jié)點(diǎn)在整個(gè)網(wǎng)絡(luò)中不起作用。因此在實(shí)際的工程應(yīng)用中，只有通過(guò)不斷增加隱含層節(jié)點(diǎn)數(shù)才能得到理想的精度，這樣就在一定程度上降低了算法在預(yù)測(cè)上的精度與泛化性能。針對(duì)以上問(wèn)題，本文提出基于核主成分分析(KPCA)與改進(jìn)遺傳算法優(yōu)化極限學(xué)習(xí)機(jī)的預(yù)測(cè)模型，首先使用核主成分分析對(duì)輸入的生產(chǎn)原料及工藝參數(shù)進(jìn)行降維處理，提高算法的運(yùn)算效率，采用遺傳算法對(duì)傳統(tǒng)極限學(xué)習(xí)機(jī)的權(quán)值矩陣及隱含層偏置進(jìn)行優(yōu)化，減少隱含層節(jié)點(diǎn)為 0 的情況。將該模型應(yīng)用于精梳毛紡質(zhì)量參數(shù)毛紗 CV 值的預(yù)測(cè)，并與 PCA-GA-ELM模型及 GA-ELM 模型的預(yù)測(cè)精度進(jìn)行對(duì)比，驗(yàn)證了 KPCA-MELM 模型具有更高的預(yù)測(cè)精度。 

.........

第三章 基于混合種群遺傳神經(jīng)網(wǎng)絡(luò)的工藝參數(shù)反演研究 ...... 29 
引言.... 29 
3.1 紡織品工藝參數(shù)反演問(wèn)題描述 ........ 30
3.3 數(shù)學(xué)模型描述 ........ 31 
3.4 精梳毛紡反演算法設(shè)計(jì) ...... 32
3.5 MPG 算法反演 ......... 34
3.6 實(shí)驗(yàn)驗(yàn)證 .......... 35
3.7 本章小結(jié) ......... 41 
第四章 基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的生產(chǎn)控制圖模式識(shí)別 ......... 42 
引言.... 42 
4.1 生產(chǎn)過(guò)程控制圖基本模式 ......... 43 
4.2 基于卷積神經(jīng)網(wǎng)絡(luò)的控制圖模式識(shí)別概述 ......... 44 
4.3 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) .......... 45
4.4 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程 ......... 48
4.5 CNN 生產(chǎn)控制圖識(shí)別模型建立 ...... 52
4.6 生產(chǎn)控制圖識(shí)別模型訓(xùn)練及測(cè)試 .... 54
4.7 紗線 CV 值生產(chǎn)控制圖識(shí)別實(shí)例 .... 61
4.8 本章小結(jié) ......... 63 
第五章 總結(jié)與展望 ....... 64 
5.1 研究工作總結(jié) ........ 64 
5.2 研究工作展望 ........ 64 

第四章 基于深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)的生產(chǎn)控制圖模式識(shí)別 

引言 

對(duì)制造過(guò)程的質(zhì)量狀態(tài)進(jìn)行檢測(cè)，是實(shí)施過(guò)程質(zhì)量連續(xù)改進(jìn)的起點(diǎn)，通過(guò)質(zhì)量生產(chǎn)狀態(tài)識(shí)別發(fā)現(xiàn)過(guò)程異常并采取糾正措施，可以使過(guò)程恢復(fù)并保持穩(wěn)定受控狀態(tài)。休哈特提出了統(tǒng)計(jì)過(guò)程控制（Statistical Process Control，SPC）理論，統(tǒng)計(jì)過(guò)程控制理論認(rèn)為，世界上沒(méi)有兩個(gè)產(chǎn)品是一樣的，產(chǎn)品質(zhì)量特性之間存在的差異也稱(chēng)之為波動(dòng)(Variation)，波動(dòng)是造成產(chǎn)品質(zhì)量問(wèn)題的根源，而產(chǎn)品質(zhì)量特性數(shù)據(jù)的波動(dòng)具有統(tǒng)計(jì)規(guī)律性[61]。Snee 進(jìn)一步闡明了質(zhì)量改進(jìn)中的統(tǒng)計(jì)思維模式：即企業(yè)的所有活動(dòng)都可以看成一系列相互聯(lián)系的過(guò)程，過(guò)程總有波動(dòng)，識(shí)別、量化、控制并減少波動(dòng)以獲得質(zhì)量改進(jìn)，從而達(dá)到顧客滿意的最終質(zhì)量目標(biāo)[62-63]。 統(tǒng)計(jì)過(guò)程控制圖理論給出了判定過(guò)程異常的準(zhǔn)則，然而，這些準(zhǔn)則并不能對(duì)所有的過(guò)程失控都進(jìn)行有效檢測(cè)或診斷，比如，GBT4091-2001 中的判異規(guī)則：―連續(xù) 14 點(diǎn)中相鄰點(diǎn)交替上下‖定義了一種周期性異常，但對(duì)于控制圖中出現(xiàn)的其它周期性異常沒(méi)作定義，加上過(guò)程中偶然波動(dòng)的影響，通過(guò)規(guī)則來(lái)描述所有周期性異常是無(wú)法做到的�，F(xiàn)實(shí)生產(chǎn)過(guò)程中存在的另外一類(lèi)重要的過(guò)程失控現(xiàn)象就是過(guò)程失控，在控制圖中經(jīng)常以異常模式的形式出現(xiàn)。由于過(guò)程中存在噪聲，使用GBT4091-2001 中規(guī)定的判斷失控的準(zhǔn)則卻對(duì)此并不能進(jìn)行有效的過(guò)程異常診斷。質(zhì)量控制圖是對(duì)工序輸出值的監(jiān)視，可根據(jù)加工過(guò)程中不同的控制狀態(tài)，呈現(xiàn)出不同的模式。 

........

總結(jié) 

本文圍繞現(xiàn)代制造過(guò)程質(zhì)量控制，以復(fù)雜非平穩(wěn)的紗線制造過(guò)程為研究對(duì)象，研究基于智能學(xué)習(xí)模型的制造過(guò)程質(zhì)量預(yù)測(cè)與控制方法，以實(shí)現(xiàn)紗線生產(chǎn)質(zhì)量的智能預(yù)測(cè)與工藝優(yōu)化，使紗線生產(chǎn)質(zhì)量最終穩(wěn)定受控。論文的主要成果總結(jié)如下：
(1) 將核主成分分析(KPCA)與改進(jìn)的極限學(xué)習(xí)(Modified-ELM，MELM)相結(jié)合，構(gòu)建了復(fù)雜產(chǎn)品關(guān)鍵質(zhì)量參數(shù)的預(yù)測(cè)模型(KPCA-MELM)，通過(guò)結(jié)合改進(jìn)遺傳算法優(yōu)化 ELM 算法的輸入權(quán)值矩陣和隱含層偏差，提高網(wǎng)絡(luò)的預(yù)測(cè)效率與精度。 
(2) 以 BP 神經(jīng)網(wǎng)絡(luò)為基礎(chǔ),提出一種混合種群遺傳人工神經(jīng)網(wǎng)絡(luò)反演模型，以紗線 CV 值為質(zhì)量指標(biāo)對(duì)生產(chǎn)過(guò)程的主要工藝參數(shù)進(jìn)行反演，并與 SGA-ANN模型進(jìn)行比較，驗(yàn)證了該模型的有效性，可對(duì)復(fù)雜加工過(guò)程進(jìn)行工藝參數(shù)反演，并以此為依據(jù)進(jìn)行工藝優(yōu)化。 
(3) 構(gòu)建了基于深度卷積神經(jīng)網(wǎng)絡(luò)的控制圖異常模式識(shí)別模型，并與基于SVC 的控制 圖識(shí)別模型進(jìn)行了對(duì)比。該方法實(shí)現(xiàn)了復(fù)雜工況下控制圖模式的自動(dòng)識(shí)別，識(shí)別準(zhǔn)確率可達(dá) 98.33%且識(shí)別性能穩(wěn)定，通過(guò)實(shí)際紡織生產(chǎn)數(shù)據(jù)測(cè)試，能有效地識(shí)別不同時(shí)間窗內(nèi)的控制圖模式，根據(jù)控制圖所描述的加工過(guò)程的變化，判斷紡紗生產(chǎn)過(guò)程是否處于受控狀態(tài)。將該模型應(yīng)用于紡織加工過(guò)程異常的檢測(cè)，根據(jù)識(shí)別得出的控制圖模式，結(jié)合工藝調(diào)整規(guī)則，消除潛在的問(wèn)題，使生產(chǎn)質(zhì)量穩(wěn)定受控，具有實(shí)際生產(chǎn)應(yīng)用價(jià)值。 
.........
參考文獻(xiàn)(略)

本文編號(hào)：59659