（管理科学与工程专业论文）工序质量诊断技术研究.pdf

中文摘要 摘要 在激烈的市场竞争环境下，产品质量水平已成为影响企业竞争力的关键因素， 而工序质量是形成产品最终质量的关键。在先进制造模式下，如何有效地提高工 序质量成为当前产品质量控制领域的研究热点。本文在对现有工序质量诊断方法 分析的基础上，提出采用神经网络技术进行质量诊断，进而进行工序质量控制的 思路。主要研究内容包括以下几个方面： 提出以质量诊断为基础的工序质量控制思路。有效的质量诊断不仅能够解 决生产过程中出现的各种质量问题，更重要的是能够为质量预防提供依据，从而 减少质量问题的发生概率。鉴于质量诊断在工序质量控制过程中的地位和作用， 本文提出从提高工序质量诊断水平入手进行工序质量控制的思路。 结合工序质量诊断的特点和神经网络技术的优势，建立了基于神经网络技 术的工序质量诊断模型。在此基础上，给出了工序质量控制系统的总体框架，阐 述了基于质量诊断的工序质量控制流程，并对其主要功能模块进行了描述。 在对控制图模式划分的基础上，通过设计质量控制图模式识别网络、参数 估计网络和质量诊断网络实现基于质量诊断的工序质量控制。详细阐述了相关神 经网络及其辅助模块的设计过程和训练方案，最后以实例验证了网络性能。 研究结果表明，基于神经网络技术的质量诊断方法，不仅能够较好地发现和 解决生产过程中的质量问题，还能为质量预防提供依据，充分体现了“预防为主” 的思想。神经网络技术应用于质量诊断，提高了工序质量诊断的效率，弥补了传 统专家诊断实时性差的不足，对保证产品质量具有积极的作用。 关键词：工序质量，质量诊断，神经网络 英文摘要 a b s t r a c t n o w a d a y s , m a r k e tc o m p e t i t i o nb e c o m em o l ea n dm o r ef i e r c ew i t ht h ec o n t i n u o u s a d v a n c e m e n to fs c i e n c et e c h n o l o g ya n df a s td e v e l o p m e n to f e c o n o m y i nt h i ss i t u a t i o n , q u a l i t yl e v e lb l ，c , o m c s ak e yf a c t o ri n f l u e n c i n ge n t e r p r i s e sp a r t i c i p a t i o ni nm a r k e t c o m p e t i t i o n , a n dp r o c e s sq u a l i t yt u r n st ob et h ef o u n d a t i o no ff i n a lq u a l i t yo fp r o d u c t i na d v a n c e dm a n u f a c t u r i n gc o n d i t i o n , h o wt oi m p r o v ee f f i c i e n t l yp r o c e s sq u a l i t yh a s b e e nt h er e s e a r c hf o c u si nt h ec u r r e n tp r o d u c tq u a l i t yc o n t r o lf i e l d i nt h i sp a p e rt h e a u t h o rp r o p o s e sp r o c e s sq u a l i t ya p p r o a c hb a s e d0 1 1q u a l i t yd i a g n o s i sb ya n a l y z i n g e x i s t i n gp r o c e s sq u a l i t yc o n t r o lm e t h o d sa n da s s o c i a t i n gc h a r a c t e r i s t i c so fa d v a n c e d m a n u f a c t u r i n gc o n d i t i o n t h es t u d yi sc o n c e r n e da b o u t t h ef o l l o w i n ga s p e c t s ： p r o c e s sq u a l i t yc o n t r o li sp r o p o s e db a s e do i lq u a l i t , d i a g n o s i s w i t he f f i c i e n t q u a l i t yd i a g n o s i s ，w en o to n l ys o l v et h eq u a l i t yp r o b l e m so c c u r r i n gi nm a n u f a c t u r i n g p r o c e s sb u ta l s op r o v i d ev a l u a b l er e f e r e n c e s f o rq u a l i t yp r e v e n t i o ns oa s t or e d u c e f r e q u e n c yo fq u a l i t yp r o b l e m s o nt h ea c c o u n to ft h er o l ea n dp o s i t i o no fq u a l i t y d i a g n o s i s i np r o c e s sq u a l i t yc o n t r o l ，m e t h o do fc o n t r o l l i n gp r o c e s sq u a l i t yf r o m i m p r o v e m e n to f q u a l i t yd i a g n o s i sl e v e li sp r o p o s e d i nt h ep a p e r p r o c e s sq u a l i t yd i a g n o s i sm o d e li se s t a b l i s h e db a s e do i ln e u r a ln e t w o r kb y a s s o c i a t i n ga d v a n t a g eo fp r o c e s sq u a l i t ye o n 缸o lw i t hc h a r a c t e r i s t i c so fp r o c e s sq u a l i t y d i a g n o s i s b a s e do i lt h i s ，t h eo v e r a l lf r a m eo f p r o c e s sq u a l i t yc o n t r o ls y s t e mi sp r o p o s e d , p r o c e s sq u a l i t yc o n t r o lf l o wi se x p o u n d e d , a n dm a i nf u n c t i o nm o d u l e sa r ed e s c r i b e d p r o c e s sq u a l i t yc o n t r o lb a s e do nq u a l i t yd i a g n o s i si si m p l e m e n t e db yd e s i g n i n g q u a l i t yc o n t r o lc ：h a l tp a t t e r nr e c o g n i t i o nn e t w o r k ，p a r a m e t e ra s s e s s m e n tn e t w o r ka n d q u a l i t yd i a g n o s i sn e t w o r ka n dd i v i d i n gc o n t r o lc h a r tp a t t e r n t h ed e s i g np r o c e s sa n d t r a i n i n gs c h e m ea r ee x p l a i n e di nd e t a i l a n dt h ep e r f o r m a n c eo f n e t w o r ki st e s t e dw i t l l e x a m p l e sf i n a l l y a st h er e s e a r c hr e s u l t , w ec 趾s u m m a r yt h a tw i t ht h ea i do f p r o c e s sq u a l i t yc o n t r o l s y s t e mb a s e d o nq u a l i t yd i a g n o s i s w en o to n l ys o l v eq u a l i t yp r o b l e m si nm a n u f a c t u r i n g p h a s e ，b u ta l s op r o v i d er e f e r e n c ef o rf u t u r eq u a l i t yd i a g n o s i s ，a n de f f i c i e n t l ye m b o d y t h e p r e v e n tf i r s t l y b ya p p l y i n gn e u r a ln e t w o r kt oq u a l i 哆d i a g n o s i s ，w ec a ni m p r o v e e f f i c i e n c yo f p r o c e s sq u a l i t yd i a g n o s i s ，o f f s e td e f i c i e n c yo f t r a d i t i o n a le x p e r td i a g n o s i s ， a n dm a k et h es y s t e mm e e tt h er e q u i r e m e n to fi n t e g r a t i o n , a u t o m a t i o na n dn e t w o r ki n m a n u f a c t u r i n ge o n l r o lp r o c e s si na d v a n c e dm a n u f a c t u r i n gs i t u a t i o n 1 1 1 重庆大学硕士学位论文 k e y w o r d ：p r o c e s sq u a l i t y , q u a l i t yd i a g n o s i s ，n e u r a ln e t w o r k i v 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取 得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果，也不包含为获得重废盔堂 或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本 研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。 学位敝储虢蕤恤签字鼢砷年月7 日 学位论文版权使用授权书 本学位论文作者完全了解重庞盔堂有关保留、使用学位论文的 规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许 论文被查阅和借阅。本人授权重麽太堂可以将学位论文的全部或部 分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段 保存、汇编学位论文。 保密( ) ，在年解密后适用本授权书。 本学位论文属于 不保密( ) 。 ( 请只在上述一个括号内打“4 ”) 一虢遗恤糯名： 签字吼砰占月7 日 协彤 签字日期：伽刁年6 月7 日 1 绪论 1 绪论 1 1 引言 2 1 世纪是质量的世纪，【”。随着科学技术的不断进步和经济的快速发展，市场 竞争日益激烈，产品的质量水平已成为影响企业参与市场竞争的关键因素。而工 序质量是产品最终质量的基石，在先进制造模式下，许多传统上由人工完成的工 作己经被机器所替代，如何实现实时在线工序质量诊断，已成为提高产品质量面 临的主要问题。本文的研究内容正是围绕工序质量诊断技术展开的。 1 2 相关概念 1 2 1 工序质量控制 质量控制( q u a l i t yc o n t r 0 1 ) 的含义是指：为了达到质量要求所采取的作业技 术和活动【”。质量控制贯穿于质量形成的全过程，包括质量检验、设计质量控制、 工序质量控制、工作质量控制以及供应商质量控制等环节。工序质量控制( p r o c e s s q u a l i t yc o n t r 0 1 ) 是质量控制的重要内容，它的作用在于确保生产过程处于稳定状 态，预防大量不合格品的产生。工序质量控制可分为以下两种类型： 单一工序的质量控制 工序是指一个( 或一组) 工人在一个工作场地上( 如一台机床或一个装配工 位等) 对一个( 或若干个) 工作对象连续完成的各项操作的总和【l 】。通常，产品最 终质量的形成过程要经过多道工序。所谓单一工序是指产品最终质量形成过程中 的某一道工序。单一工序的质量状况对产品最终质量的形成具有至关重要的影响。 工序质量控制的主要内容就是对单个工序的质量状况进行监控。2 0 世纪6 0 年代， 为适应全员参与日本刚刚开始推行的全面质量管理的需要，日本质量管理专家针 对现场人员的特点，开发出便于掌握的七种统计工具，即排列图、因果图、调查 表、直方图、控制图、散布图和分层法，一般称为质量管理七种工具”，主要应用 于现场的质量管理。随着质量管理的不断深化，7 0 年代又开发出j 贡量管理新七种 工具”：法、关联图法、系统图法、矩阵图法、矢线图法( 网络图法) 、p d p c ( 过程决策程序图，p r o c e s s d e c i s i o n p r o g r a m c h a r t ) 法和矩阵数据解析法。“新七 种工具”是以分析为主的质量管理方法，主要应用于p d c a 循环的p ( p l a n ) 阶段。 目前工序质量控制多应用老七种质量工具，生产型企业用的最多的是s p c - 一 统计过程控制( s t a t i s t i c a lp r o c e s sc o n t r 0 1 ) 技术，它是美国贝尔电话实验室( b e l l t e l e p h o n el a b o r a t o r y ) 的休哈特( w a s h e w h a r t ) 在2 0 世纪2 0 3 0 年代提出的。 应用基于s p c 理论的过程监控工具控制图技术，能够定量地判断生产过程是 重庆大学硕士学位论文 否处于统计受控状态。 多源多工序质量控制 产品最终质量的好坏取决于制造它的多个工序质量的状态。因此，对产品质 量逐步形成的多源多工序制造过程进行控制，也是工序质量控制的一个重要方面。 多源多工序的质量控制除了应用常见的控制工具对单个工序进行监控以外，还要 处理多个工序之间的相互影响，从产品整体角度分析影响产品质量的原因所在。 在先进制造环境下，多源多工序质量控制还呈现出计算机化、网络化和集成化的 特点。应用计算机技术采集质量数据，通过车间总线实现质量信息的共享，再应 用集成分析的方法，综合处理来自多个工序的质量信息，为综合提高产品质量水 平提供保证。 1 2 2 质量诊断 质量诊断( q u a l i t yd i a g n o s i s ) 是指诊断人员运用现代科学技术和管理方法， 针对产品质量方面存在的问题，客观地进行调研和评价，并为消除缺点、提高管 理水平而提出改进建议和指导实施的全部活动【2 】。 质量诊断，包括质量管理诊断，产品质量诊断和工序质量诊断。质量管理诊 断指的是对企业有关质量管理职能的有效性进行诊断，从组织上和策略上保证企 业的质量始终处于受控状态。产品质量诊断，指的是定期对已交库的产品进行抽 查试验，检查产品质量能否满足用户的需要。通过诊断检查，掌握产品的质量信 息，以便及早采取措藏加以改进。工序质量诊断( p r o c e s sq u a l i t yd i a g n o s i s ) ，指 的是对工序质量进行检查，评价各工序能力是否达到要求，掌握工序质量信息， 寻找影响工序质量的主要因素，以便采取对策加以改进。本文重点研究工序质量 诊断。 工序质量诊断的目的在于，考核各工序或工序中影响工序质量的各种因素是 否处于受控状态。所谓“受控”就是要求： 生产过程必须按规定的标准程序进行； 随时监控质量动态，一旦发现“失控”， 质量事故消除在发生之前； 一旦发生质量问题，要能够及时发现， 产品质量具备可追朔性。 1 2 3 人工神经网络 必须立即找出异常原因，尽可能把 及时纠正，不出批量质量事故； 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k , a n n ) 是参照生物神经网络发展起 来的一种技术。 人脑神经系统的基本单元是神经细胞，即生物神经元，人脑中每个神经元约 与1 0 4 个其他神经元连接。神经细胞具有产生、处理和传递信号的功能。如图1 i 2 1 绪论 所示：每个神经元细胞中，有一根从细胞体伸出的粗细均匀、表面光滑的突起， 称为“轴突”，它的功能是传出从细胞体来的神经信息；铁细胞体延伸出像树枝一样 向四周散开的许多突起，称为“树突”，其作用是感受其他神经元的传递信号；轴突 末端有许多细的分支，称为“神经末梢”，每一根神经末梢可以与其他神经元连接， 其连接的末端称为“突触”。各个神经元互相连接，就组成了人脑的神经系统。神经 系统中的神经信号就是由某些神经元产生，并按照一定的方式由其他神经元感知 并处理，进而促使人体产生反应。 图1 1 生物神经元示意图 f i 9 1 zt h e s k e t c hm a po f n e m a lc e l l a n n 的基本思想就是从仿生学的角度出发，在不同程度和层次上对人脑神经 系统的结构和功能进行模拟。将众多简单神经元连成一个网络，并动态运行，即 可构成一个非线性动态系统。可以认为a n n 是由大量简单神经元广泛互联的一种 分布式并行计算的非线性动态系统，a n n 的这种结构特性使得它具有学习、记忆、 归纳及推理等各种智能处理功能，并具有很好的稳健性和容错性。 a n n 不需要建立精确的数学模型来描述变量阔的菲线性跌射关系，这种非线 性关系通过a n n 内部单元相互联接的权值来表达。应用于模式识别领域时，被学 习的模式由联接权值来描述，联接权值分布于局部甚至是整个网络，使得系统对 特定的输入能够做出正确的响应。 目前大多数的神经网络采用权值修正法来达到学习的目的，所采用的学习规 3 重庆大学硕士学位论文 则主要有h c b b 、感知器、d e l t a ( 6 ) 以及胜者为王( w i 皿e 卜t a k c a 1 1 ) 学习规则。 在机械工程领域广泛应用的神经网络主要有b p 网络、h o p f i c l d 网络和s o m 网络这三种。 1 3 工序质量诊断技术的研究现状及发展趋势 当前国内外在工序质量诊断方面的研究方法主要是以统计质量控制理论为基 础，并应用模糊理论、贝叶斯等信息处理方法，或者融合专家系统、人工神经网 络等智能技术进行工序质量诊断与控制。本文就国内外对工序质量诊断技术的主 要研究情况做以下归纳和总结。 1 3 1 研究现状 统计过程控制图的深化与扩展 统计过程控制( s t a t i s t i c a lp r o c e s sc o n t r o l ，s p c ) 作为一种有效的质量控制手段 被广泛应用于制造过程中。从最早应用的均值一极差、均值标准差等休哈特控 制图之后，学者们在此基础上进行了改进和发展，陆续提出了模糊控制图、累积 和控制图、指数加权移动平均控制图等数十种控制图。 考虑到生产线工序中，指标( 包括质量指标和技术指标) 往往有多个且相互之间 有相关性，如果分别对每一个指标迸行控制，认为当每个指标都控制在其控制界 限内时过程就正常，将会导致错误的结论。因此h h o t c l l i n g 提出了多元t 2 控制图 3 1 ，开辟了多元过程控制的时代。此后又陆续研究开发了基于似然比检验的多元协 方差控制图、样本广义方差i s i 图、w 图、l 图等。这些多元协方差控制图要求多 元协方差阵为已知，然而这在实际中并不容易做到。上述控制图均为全控图，是 控制总质量的。张公绪的选控图理论，可以用来选择部分异常因素加以控制，从 而缩小了搜索异常因素的范围，提高了效率。由于在过程控制方面主要应用休哈 特的过程理论，现今的s p c 理论与当年的休哈特理论并无质上的区别。 控制图虽然解决了质量控制问题，但当其显示异常时，它并不能告知是什么 异常，发生于何处，即不能进行诊断。控制图的诊断一直是国外诊断理论的研究 焦点之一，许多学者作了大量的工作。例如主成份分析法是将t 2 统计量写成互相 独立的主成份的平方和，它的缺点是不能找出这些主成份与原变量之间的简单对 应关系，故起不到诊断的作用1 4 】；邦菲隆尼不等式法则是当t 2 图显示异常时，对 每个原始变量应用一元休哈特图进行判断，以找出异常的变量。这种将多元情形 简单地分解成为若干个一元情形来处理，可能导致错误的结论 5 】；而判别分析法则 是将所有变量分成两组，一组是被怀疑为异常变量的集合，另一组则是不含有异 常变量的集合，然后根据设计的检验统计量来诊断。此法的问题是如何准确无误 地找出异常变量的集合 6 1 ；b j m u r p h y 给出了一个算法，对p 个变量要进行2 0 p 次 4 1 绪论 检验，从实际工作角度看，工作量太大，另外此法未指出，若异常产生应该调整 哪些变量 7 。 控制图与人工智能分析方法的结合 目前对统计过程控制的研究大都是针对单一工序，集中在对s p c 控制图类型 改进及对控制图异常模式识别方面，即针对不同的生产模式和控制目标采用不同 的质量控制图，并利用人工智能技术实现对控制图异常模式的诊断分析。g u h 等 采用神经网络和专家系统对控制图异常模式进行判别【s 】；朱铭铨等利用局部有监督 特征映射神经网络对控制图出现的异常进行识别1 9 ；余忠华等采用贝叶斯网络对小 批量制造过程的质量控制方法进行了深入研究【i o 】；a r a d h y e 等利用多尺度理论对工 序质量数据进行了分析【l ”；t s u n g 提出了基于线性状态空间模型的多工序s p c 控 制方法【埘。 多工序误差传递和控制研究 近年来，针对多工序误差传递和控制方面的研究成为一个研究热点，其中h u 提出误差流理论并用于汽车车身装配过程的质量控制【1 3 】；l a w l e s s 等利用一阶自回 归模型采用线性回归和方差分析方法对汽车发动机曲轴加工和机罩装配过程中误 差的传递进行了分析【1 4 1m a n t r i p r a g a d a 等采用状态转换模型建立了装配过程中误 差传播和控制的模型1 5 l ；j i n 等用状态空间模型对薄壁件装配过程尺寸控制进行建 模和分析，建立了工序间误差传递模型【1 6 】；林忠钦等采用主成分分析法对汽车装 配过程误差进行分析研究，用于装配过程误差源诊断1 1 7 ；h u a n g 等对多工序零件 加工过程误差传递进行了状态空间建模和分析【18 】；z h o u 等采用机器人领域的微分 运动矢量法对多工序零件加工误差源进行分析【l9 1 。 综上所述，当前工序质量诊断领域的研究热点主要集中于进一步完善控制图 理论和应用方法，对控制图模式进行识别以及将控制图技术与先进的信息处理方 法相结合，从而达到提高工序质量诊断水平的目的。 1 3 2 发展趋势 通过以上分析可以看出：在先进制造模式下，工序质量诊断朝自动化、网络 化、集成化方向发展。主要表现为质量信息采集手段自动化，质量信息传输和信 息共享网络化，信息处理及应用集成化。在这种趋势下就要求质量诊断过程中的 信息处理方法自动化程度要高，以降低工序质量诊断对领域专家的依赖程度；实 时性要强，从而能够及时发现问题并处理；信息数据的格式要标准化，以便于信 息及时传递并能适应不同的应用环境。 重庆大学硕士学位论文 1 4 课题的来源及研究意义 1 4 1 课题来源 课题来源于国家8 6 3 高技术研究发展计划资助项目“e 一质量管理系统理论及应 用研究”( 2 0 0 2 a a 4 1 3 5 1 0 ) 和国家自然科学基金资助项目“面向制造企业的e - 质量 管理体系理论及关键技术研究”( 5 0 3 7 5 1 6 2 ) 。本论文主要负责对工序质量诊断技 术进行研究。 1 4 2 论文研究的意义 本文在上述分析的基础上进行研究，深入挖掘工序质量信息并应用神经网络 技术进行工序质量诊断。论文研究意义主要体现在以下几个方面： 有效提高工序质量信息处理能力 对质量信息处理能力的强弱是工序质量诊断水平高低的重要标志。以往的工 序质量诊断，质量信息的来源比较单一，处理方法也主要局限于老七种质量工具 的运用。生产中应用最多的s p c 控制图技术的应用也只局限于工序异常报警，对 控制图反映的质量信息缺乏进一步的挖掘。而且信息处理主要依靠人工手动完成， 信息处理过程的自动化、集成化水平不高。本文对采集的工序质量信息应用神经 网络技术进行处理，充分发挥了神经网络技术数据处理能力强，处理速度快，可 自学习等特点，为有效地迸行质量诊断奠定基础。 有效提高质量诊断的实时性和准确性 以往工序质量诊断都是采用离线方式。对质量故障的反应速度不够快，灵敏 性不强；故障处理过程几乎完全依靠人工推理，智能化程度不高；由于人工推理 对相关人员的知识经验依赖性很强，当相关人员缺失或经验不足时，工序质量诊 断的效率将严重降低；当前的专家系统等智能化方法，由于系统本身的结构缺陷， 比如知识获取“瓶颈”、推理机制复杂而导致“推理危机”等问题，也制约了专家系统 的实际应用。实际上，专家系统的应用对质量诊断的实时性提高并不明显。 本文采用神经网络方法处理工序质量信息。神经网络不同于其他智能方法， 它采用数值运算模式而不是逻辑运算模式，算法容易编程实现，再加上网络的并 行信息处理方式，更提高了质量信息的处理速度。结合先进制造环境下的数据自 动采集系统，质量诊断的实时性将明显提高。另外神经网络的推理依据是以往已 有的实际情况，并在此基础上进行自学习，推理准确性高。而专家系统等方法是 按照既定的规则进行推理，规则制订往往难以保证全面且合理，因此计算机处理 时容易出现推理偏差，故而准确性较差。 为质量控制集成系统的开发奠定基础 神经网络以数值运算方式处理信息。因此各种信息均需以网络可接受的数据 形式来表示。本文通过信息编码的方式，以二进制码值来代表各种信息及其处理 6 1 绪论 结果。这样的设计使得信息传递速度更快且准确性高，有助于质量控制集成系统 的开发。 1 5 论文研究的内容 本文研究内容面向工序质量诊断。主要研究集中于工序质量状况的识别方法 和质量问题的诊断技术。通过对工序质量特性值的分析和处理，结合神经网络技 术，深入挖掘工序质量控制图包含的信息，再对控制图异常状况的参数进行估计， 进而应用构造的神经网络进行质量问题诊断。 论文主要工作如下： 分析工序质量诊断的相关理论和方法，对质量诊断的流程进行剖析，提出 了基于质量诊断的工序质量控制模式。 构建了基于质量诊断的工序质量控制系统框架，并对其中涉及的关键技术 进行研究。主要包括；对表征工序质量状况的质量数据特征值进行分析处理，研 究控制图信息挖掘技术；讨论工序质量异常模式与质量问题之间的关系；对工序 异常时的特征参数进行估计，构造基于神经网络的工序质量诊断模型；建立以工 序异常信息为输入，以异常原因代码为输出的质量诊断神经网络并对其进行训练， 最后以实例验证网络诊断的可靠度。 根据论文研究过程中遇到的问题和研究结果，提出了论文进一步深化研究 的方向。 论文章节大致安排如下： 第一章：介绍工序质量诊断的相关概念，阐述工序质量诊断技术的研究现状 和发展趋势，阐明本文的研究目的和意义，提出本文的研究方向。 第二章：对基于质量诊断的工序质量控制系统涉及的相关理论和方法进行展 开，描述本文研究的理论基础，构建系统体系框架。着重从系统的功能结构和应 用流程两个方面进行阐述。 第三章：对工序质量状态识别涉及的技术进行研究。主要针对应用最为广泛 的控制图进行信息挖掘，对其异常模式的进行分类并应用神经网络技术进行识别。 第四章：在对相关方法进行分析比较的基础上，设计用于控制图异常状态特 征参数估计和质量诊断的神经网络，详细阐述神经网络参数设置和训练方法。 第五章：以实例对模式识别网络、参数估计网络和质量诊断网络进行验证并 分析结果。 第六章：总结本文的研究成果和不足之处，提出论文进一步研究的方向。 7 重庆大学硕士学位论文 1 6 本章小节 本章首先介绍了本文涉及的工序质量控制、质量诊断以及人工神经网络技术 等相关概念。在对大量文献进行分析的基础上，阐述了工序质量诊断技术的研究 现状和发展趋势，指出了本文研究的方向，说明了本研究的工作内容、目的和意 义。 3 2 工序质量诊断相关理论及系统架构 2 工序质量诊断相关理论及系统架构 2 1 质量诊断的基本理论和方法 2 1 1 两种质量诊断理论【2 0 1 两种质量的概念是张公绪教授于1 9 8 1 年提出的，是以总质量和分质量的概念 为基础即将当前工序本身的固有加工质量称为分质量( p a r t i a lq u a l i t y ) 或工序固 有质量，而将通常所讲的质量，即分质量与上影( 上道工序对下道工序的影响) 二者的综合称为总质量( t o t a lq u a l i t y ) 或工序综合质量，将两种质量加以度量和比 较，从而进行诊断的一种理论。1 9 9 6 年，张公绪提出两种质量多元逐步诊断理论， 在一定程度上解决了国外诊断理论需要同时诊断诸元从而第一种错误概率大的问 题，这是对多指标、多工序系统进行控制与诊断的有效工具。1 9 9 8 年，进一步提 出相关单因素多元诊断理论，使得多元诊断理论大为简化，使许多多元诊断问题 从而得到解决。 2 1 2 小批量生产模式下的质量诊断 传统的统计过程控制与诊断( s p c s p d ) 方法均是基于统计分析理论，要求 质量数据呈渐进正态分布，因此其应用范围多限于传统的大批量稳定生产模式下。 与大批量生产产品质量分布规律的情况不同，小批量生产过程可能远未达到稳定 状态，故上述方法不能很好地适应小批量多品种的柔性生产模式。为此，国内外 学者将多种不确定数学方法应用于质量诊断。主要通过两种方式：一是对小批量 生产的质量数据做一定的累计换算，转化为满足大样本条件的数据，再进行质量 分析与诊断，例如有历史信息小批量生产控制图。或者将相似工序同类分布的产 品质量特性值数据，通过数学变换的方法转化成同一分布，从而累积成大样本， 再应用大样本方法做出控制图【2 ”。二是将诸如粗糙集理论、模糊控制理论等方法 引入质量诊断【2 2 , 2 3 1 。此类方法不需要预先给定某些特征和属性数量的描述，从原 始的生产过程质量信息出发，对其进行分析和简化，从中挖掘出影响生产过程质 量发生变化的因素和影响规则，为生产过程质量的改进提供决策支持。 2 1 3 基于专家系统的质量诊断【2 4 1 以上2 种诊断理论和方法都需要人工计算和判别，为了更好的适应先进制造 环境下质量诊断自动化智能化的要求，研究人员将专家系统理论与质量诊断相结 合，设计了质量诊断型专家系统。通过专家系统知识库存储各种已知的工序异常 状态及其对应的解决方案，在有效识别质量状况后，质量控制人员应用专家系统 诊断质量问题产生的根源，进而根据系统提供的方案做出相应的调整措施。但是 专家系统存在知识库构建复杂，推理机制难以保证完全可靠等弱点，因此在质量 9 重庆大学硕士学位论文 诊断方面具有较大的局限性。 2 2 工序质量控制基本理论和方法 2 2 1 工序质量控制基本理论 在现代质量工程中，经常采用的质量诊断与控制方法基本都是基于数理统计 原理的【2 5 1 。 当前工序质量控制的基本思路是：由于表征工序质量状况的工序质量特征值 的分布具有统计特性，因此通过数理统计方法分析质量数据的分布状况，再结合 既定的质量指标要求。判定工序质量是否处于受控状态，最后根据工序质量状况 对工序因素进行调整，从而达到质量控制的目的。s p c ( 统计过程控制，s t a t i s t i c a l p r o c e s sc o n t r 0 1 ) 技术是当前应用最为广泛的工序质量控制方法。s p c 理论认为： 产品质量特征具有统计特性。即：产品质量总是有变异的；产品质量的变异具有 统计规律。基于这两点，可以用统计理论来保证和改进产品质量。控制图就是基 于这种思想而产生的。异常因素是影响产品质量的主要矛盾。产品质量产生波 动的因素分为随机因素和异常因素。随机因素对产品的影响通常较小，不易识别 和消除；异常因素对产品质量影响大，易于识别和消除，因此在正常生产过程中 应尽量找出异常因素并消除。控制图就是发现异常因素的科学工具。稳定状态 是工序质量控制追求的目标。在生产过程中只有随机因素而没有异常因素的状态 成为稳定状态，也叫统计控制状态。统计控制状态下，产品质量得到有效、可靠 且经济地控制，所产生的不合格品相对最少。在控制图应用领域，已经建立了一 套判定生产过程是否稳定的准则。 2 2 2 工序质量控制常用工具 排列图、因果图、调查表、直方图、控制图、散布图和分层法，一般称为“质 量管理七种工具”。这些工具也是工序质量控制过程中最为常用的。 排列图是对发生频次从最高到最低的项目进行排列而采用的简单图示技术。 解决质量问题要抓住关键的少数原因，以最少的努力取得最佳的改进效果。排列 图按下降的顺序显示出每个项目( 例如不合格项目) 在整个结果中的相应作用。 相应的作用可以包括发生次数、有关项目的成本或影响结果的其他指标。用矩形 的高度表示每个项目相应的作用大小，用累计频数表示个项目的累计作用。 因果图主要用于分析质量特性( 结果) 与可能影响质量特性的因素的( 原因) 的一种工具，可以将许多可能的原因归纳成原因类别与子原因，画成形似于鱼刺 的图，通过对这些因素进行全面系统地观察与分析，找出其因果关系，从而把握 现状、寻找措施解决问题。该图由日本质量专家石川馨1 9 5 3 年首次提出，又称石 川图，也称鱼刺图。 1 0 2 工序质量诊断相关理论及系统架构 调查表：既适用于收集数字数据，又适用于非数字数据：是用于收集和记录 数据的一种表格形式，便于按统一的方式收集数据并进行统计计算和分析。调查 表用于对事物或项目的调查，需明确调查的基本要求、目的、类型和方式等。 直方图：即用一系列等宽不等高的长方形来表示数据。宽度表示数据范围的 间隔，高度表示在给定间隔内数据出现的频数，变化的高度形态表示数据分布情 况。根据直方图提供的信息，可以推算出数据分布的各种特征值和过程能力指数 以及过程的不合格品率等，为质量改进提供信息。 散布图：是研究成对出现的数据( 每对数据在平面直角坐标系中与一个点一 一相对应) ，即两组变量之间相关关系的图示技术。散布图可以进行定性分析也 可以进行定量分析( 回归分析) 。在质量分析及质量改进以至质量管理活动中，散 布图有着广泛的应用前途。 分层法，又称为分类法或分组法。造成质量问题的原因和条件是多方面( 人、 机、料、环、法) 的，所收集的大量统计数据往往带有综合性，为真实地反映质 量问题的实质性原因和变化的规律，将收集到的大量统计数据，按其不同的来源 进行分类后，再进行质量分析的方法，称为分层法。分层的目的在于使同一层内 的数据波动尽可能小，而使层与层之间的数据差异尽可能大地反映出来，就可以 显示出分层的作用与效果，否则分层无效。在应用分层法对数据进行分层时，须 选择适当的分层标志，一般按人、机、料、环、法、时间等条件作为的标志。分 层法是一种十分重要的统计方法，几乎在应用其它统计方法( 如因果图、排列图、 散布图、直方图、控制图等) 的过程中都可以结合使用。 以上七种质量控制工具主要应用于制造阶段，实现工序过程的质量控制。随 着质量管理技术的发展，日本质量管理方面的专家提出了能应用于全面质量管理 的新七种工具：法、关联图法、系统图法、矩阵图法、矢线图法( 网络图法) 、 p d p c ( 过程决策程序图，p r o c e s s d e c i s i o n p r o g r a m c h a r t ) 法和矩阵数据解析法。 称为 q c 新七种工具”，于1 9 7 7 年底正式开始推广使用。“新七种工具”是以分析为 主的质量管理方法，主要应用于p d c a 循环的p ( 计划，ll o n ) 阶段。 2 3 神经网络基础理论 2 3 。l 神经网络技术要点 神经网络的基本构成元素1 2 6 神经网络是一些称为神经元的基本部件按照一定规则组合形成的网络。神经 网络由三要素决定：神经元，神经元与神经元之间的连接方式，网络的训练规则。 重庆大学硕士学位论文 p l p 2 ： ； p n 图2 2 人工神经元模型 f i 9 2 2t h em o d eo f m a n u a ln e l - v ec e l l 神经元是人工神经网络的基本处理单元，包括了输入，内部非线性变换及输 出三部分。从图2 2 可以看出，它相当于一个多输入单输出的非线性阀值器件。其 中：p 一 p ，a ，见】7 表示其他神经元的输出，也就是该神经元的输入向量； 缈= 【q ，：，m 】表示其他神经元与该神经元的连接强度，也就是权值向量；0 为 神经元的阀值，如果神经元输入向量的加权和罗叻p ，大于口，则该神经元被激活， 百 所以输入向量的加权和也称为激活值；f 表示神经元的输入输出关系函数，也称 月、 传递函数。因此，神经元的输出口可以表示为：口= 卅o t j p ，一口l 。 i f f i l 神经网络的拓扑结构 神经元与神经元之间不同的连接方式，构成了不同类型的神经网络。网络的 拓扑结构是神经网络的重要特性，神经网络的各种模型层出不穷，但总的来说， 大致可以归结为以下几类嘲： 1 ) 前馈式网络：该种网络结构是分层排列的，每一层的神经元输出只和下一 层神经元相连。这种网络结构特别适用于误差反向传播算法( b p 算法：b a c k p r o p a g a t i o n ) ，如今已得到了非常广泛的应用。 2 ) 输出反馈的前馈式网络：该种网络结构与前馈式网络的不同之处在于这种 网络存在着一个从输出层到输入层的反馈回路，该种结构适用于顺序型的模式识 别问题，如f u k u s h i m a 所提出的网络模型结构。 3 ) 前馈式内层互连网络：该种网络结构中，同一层之间存在着相互关联，神 经元之间有相互制约的关系，但从层与层之间的关系来看还是前馈式的网络结构， 许多自组织神经网络大多具有这种结构，如a r t 网络等。 4 ) 反馈型全互连网络；在该种网络中，每个神经元的输出都和其它神经元相 连，从而形成了动态的反馈关系，如h o p f i e i d 网络，该种网络结构具有关于能量 函数的自寻优能力。 5 ) 反馈型局部互连网络：该种网络中，每个神经元只和其周围若干层的神经 2 工序质量诊断相关理论及系统架构 元发生互连关系，形成局部反馈，从整体上看是一种网格状结构，如l 0 c h u a 的 细胞神经网络。该种网络特别适合于图像信息的加工和处理。 神经网络的学习训练方式 通过向环境学习获取知识并改进自身性能是神经网络的一个重要特点，在一 般情况下，性能的改善是按某种预定的度量通过调节自身参数( 权值或阀值) 随时间 推移逐步达到的。按环境所提供信息的多少，学习方式可以分为三种【2 8 ，2 9 】： 1 ) 监督学习( 有教师学习) 如图2 3 所示，这种学习方式需要外界存在一个“教师”，它可对一组给定输入 提供应有的输出结果( 正确答案) 。这组己知的“输入输出”数据称为训练样本 集。学习系统可根据己知输出与实际输出之间的差值( 误差信号) 来调节系统参数。 描述环境状 图2 3 有监督学习框图 f i 9 2 3t h es k e t c hm a po f s u p e r v i s e dl e a r n i n g 2 ) 非监督学习( 无教师学习) 如图2 4 所示，非监督学习时不存在外部教师，学习系统完全按照环境所提供 的数据的某些统计规律来调节自身参数或结构( 这是一种自组织过程) ，以表示外部 输入的某种固定特征( 如聚类，或某种统计上的分布特征) 。 图2 a 无监督学习框图 f i 9 2 at h es k e t c hm a po f t m s u p e r v i s e dl e a r n i n g 3 ) 再励学习( 或强化学习) 如图2 5 所示，这种学习介于上述两种情况之间，外部环境对系统输出结果只 重庆大学硕士学位论文 给出评价( 奖或惩) 而不是给出正确答案，学习系统通过强化那些受奖励的动作来改 善自身性能。 图2 5 再励学习框图 f i 9 2 5t h es k e t c hm a po f p r o m p t e dl e a r n i n g 2 3 2 神经网络的特点及应用 ， 技术特点 人工神经网络技术之所以引起极大关注，是因为人工神经网络在自动控制方 面具有诸多独到的特点，主要表现在【捌： 1 ) 非线性：它能以任意精度逼近任意连续非线性函数； 2 ) 自适应：它对复杂不确定问题具有自适应和自学习能力； 3 1 并行性：它的信息处理的并行