（测试计量技术及仪器专业论文）基于神经网络的产品质量预测控制模型研究.pdf

湖北工业大学硕士学位论文 摘要 在生产过程中，提高产品的质量是企业永恒的目标。为了提高产品质量，企 业在长时间的生产运行中积累了大量生产数据和产品质量特征参数数据。而且， 随着计算机技术的快速发展和广泛应用，企业在生成、收集、存储和处理数据方 面的能力大大提高，数据量与只剧增。然而，如何有效利用这些数据，保证产品 质量在理想的控制范围内是现代质量控制的发展方向之一。基于知识发现的产 品质量控制理论与方法研究就是从这些海量数据中挖掘出有用的信息，建立产品 输入参数和质量特征参数之间的模型，并根据该模型来实现产品质量预测和控制， 以帮助质量工程师来改善产品质量和进行新产品的辅助设计。本文以神经网络建 模方法为研究内容，以b p 网络和r b f 网络的质量预测模型为研究重点，系统深 入地探讨了机械加工质量预测和控制模型的建模方法，主要内容如下： ( 1 ) 综述了国内外关于质量控制理论与方法和基于神经网络质量预测控制模 型的研究和发展现状，介绍了几种常见的建模方法和手段，分析了其各自的优、 缺点，为基于b p 和r b f 神经网络的建模方法打下基础。 ( 2 ) 研究了b p 网络模型的结构、学习算法、设计方法以及b p 网络的不足， 提出了改进的l m 算法，并以机械加工产品质量控制为例子，利用b p 网络改进 算法构建了一个单隐层b p 网络机械加工质量预测模型，预测了加工后径向误差大 小；同时，针对多输入多输出的机械加工过程，运用b p 网络改进算法构建了一个 两隐层的质量预测逆模型即质量控制模型，用工艺系统刚度、工件硬度、加工前 径向误差、加工后径向误差来控制总进给量、第一次进给量和第二次进给量的值， 起到提高机械加工产品质量的作用。 ( 3 ) 研究了r b f 网络模型的结构、学习算法等，构建了基于r b f 网络的机 械加工质量预测模型，预测了加工后径向误差大小，并将其测试结果与b p 网络测 试结果作比较，分析了各自的优、缺点，指出了每个模型适合的场合。 ( 4 ) 采用l a b v i e w 和m a t l a b 编制了几种质量预测模型软件系统，使得 质量预测模型计算、输出较为直观和方便。 最后对全文作了总结和回顾，指出了基于神经网络的质量预测控制模型要关 注和深入研究的问题。 关键词：质量控制，质量预测，机械加工，神经网络模型 湖北工业大学硕士学位论文 a b s t r a c t i th a sb e e nt h ee v e r l a s t i n gt a r g e to fe n t e r p r i s e st oe n h a n c ep r o d u c tq u a l i t yi nt h e c o u r $ eo fp r o d u c t o n f o rr a i s i n gp r o d u c tq u a l i t y ，e n t e r p r i s e sh a v ea c c u m 蜘ag r e a t d e a lo fp r o d u c t i o nd a t aa n dp r o d u c tq u a l i t yc h a r a c t e r i s t i cp a r a m e t e rh i s m i l ed a t a m o r e o v e r w i t ht h ec o m p u t e rt e c h n i c a lf a s td e v e l o p m e n ta n di t se x t e n s i v ea p p l i c a t i o n , e n t e r p r i s e si n c r e a s i n g l yi m p r o v et h ea b i l i t y o fg e n e r a t i o n , c o l l e c t i o n , s a v i n ga n d p r o c e s s i n gd a t a , a n dd a t aq u a n t i f i e sa r eg r a d u a l l yi n c r e a s e d h o w e v e r , h o wt om a k eu s e o ft h e s ed a t ae f f e c t i v e l ya n da s s u r ep r o d u c tq u a l i t yw i t h i nt h ei d e a lc o n t r o l l e ds c o p ei s o n eo ft h ed e v e l o p e dd i r e c t i o n so ft h em o d e r nq u a l i t yc o n t r 0 1 r e s e a r c ho np r o d u c t q u a l i t yc o n t r o lt h e o r i e sa n dm e t h o d sb a s e do nk n o w l e d g ed i s c o v e r yi st om i n eu s e f i d i n f o r m a t i o n , a n dt ob u i l du pt h ep r o d u c tq u a l i t ym o d e lo f t h ei m p o r tp a r a m e t e r sa n dt h e o u t p u tq u a l i t yc h a r a c t e r i s t i cp a r a m e t e r s ，a n dt or e a l i z ep r o d u c tq u a l i t yp r e d i c t i o na n d c o n t r o l ，s oa st oa i dq u a l i t ye n d n e e r st oi m p r o v ep r o d u c tq u a l i t ya n dd e s i g nn e w p r o d u c t s ，t 1 1 i sp a p e ri n v e s t i g a t e st h em o d e l i n gm e t h o d sm e c h a n i c a lp r o c e s sq u a l i t y p r e d i c t i o na n dc o n t r o lm o d e lt h o r o u g h l ya n ds y s t e m a t i c a l l y , w h i c ht a k et h en e u r a l n e t w o r k sm o d e l i n ga sr e s e a r c hc o n t e n t s ，a n dt a k eq u a l i t yp r e d i c t i o nm o d e lo fb p n e t w o r ka n dr b fn e t w o r ka sr e s e a r c he m p h a s i s t h ec o n t e n t sa r ea sf o l l o w s ： ( 1 ) o v e r v i e w e dd o m e s t i ca n di n t e r n a t i o n a lp r e s e n ts i t u a t i o no fs t u d ya n d d e v e l o p m e n ta b o u tq u a l i t yc o n t r o lt h e o r i e s m e t h o d sa n dq u a l i t yp r e d i c t e dc o n t r o l m o d e l sb a s e do i ln e u r a ln e t w o r k s ，i n t r o d u c e daf e wk i n do fm o d e l i n gm e t h o d sa n d m e a l l s ，a n a l y z e dr e s p e c t i v ea d v a n t a g e sa n dd i s a d v a n t a g e s ，a n dl a yag o o df o u n d a t i o n f o rm o d e l i n gb a s e do l lb pa n dr b fn e u r a ln e t w o r k s ( 2 ) s t u d i e db pn e t w o r km o d e l ss t r u c t u r e ，l e a r n i n ga l g o r i t h m , d e s i g nm e t h o da n d i t sw e a k n e s s ，p u tf o r w a r di m p r o v e dl - ma l g o r i t h m ，a n da ne x a m p l eo fm e c h a n i c a l p r o c e s sp r o d u c tq u a l i t yc o n t r o lh a sb e e ng i v e n , as i n g l eh i d el a y e rb pn e t w o r k m e c h a n i c a lp r o c e s sq u a l i t yp r e d i c t i o nm o d e lh a sb e e ns e c1 1 dt of o r e c a s tt h er a d i a le r r o r o f a f t e r - p r o c e s su s i n gb p n e t w o r k sr e f i n e m e n ta l g o r i t h m ；a tt h es a m et i m e ，an e g a t i v e m o d e lo ft w oh i d el a y e r sq u a l i t yp r e d i c t i o n ，t h a ti st os a y , q u a l i t yc o n t r o lm o d e l ，h a s b e e nb u i l tb ym e a n so fb pn c t w o r k sr e f i n e m e n ta l g o r i t h m , w h i c ha c tar o l ef o r i m p r o v i n gm e c h a n i c a lp r o c e s sp r o d u c tq u a l i t yt h r o u g hc r a f ts y s t e mr i g i d i t y , w o r kp i e c e h a r d n e s s ，t h er a d i a le i t o ro fb e f o r e p r o c e s s ，t h er a d i a le r l o ro fa f t e r - p r o c e s st oc o n t r o l t h et o t a lf e e dl e v e l t h ef i r s tf e e dl e v e la n dt h es e c o n df e e dl e v e l ( 3 ) s t u d i e d 瑚强n e t w o r km o d e l ss t r u c t u r e , l e a r n i n ga l g o r i t h n s e tu pa m e c h a n i c a lp r o c e s sq u a l i t yp r e d i c t i o nm o d e lb a s e do i lr b fn e t w o r k , p r e d i c t e dt h e r a d i a le r r o ro fa f t e r - p r o c e s s ，a n dc o m p a r e dt h et e s t i n gr e s u l t so fr b fn e t w o r ka n db p n e t w o r k , a n a l y z e dr e s p e c t i v ea d v a n t a g e sa n dd i s a d v a n t a g e s ，a n dp o i n t e do u ts u i t a b l e o c c a s i o n so fe a c hm o d e l s ( 4 1a d o p t e dl a b v i e wa n dm a t l a bt oc o m p i l es e v e r a ls o t t 、j v a r es y s t e m so f q u a l i t yp r e d i c t i o nm o d e l s ，w h i c hm a k e se a l e d a t i o na n do u t p u to fq u a l i t yp r e d i c t i o n n 湖北工业大学硕士学位论文 m o d e l sv e r yv i s u a l l ya n dc o n v e n i e n t l y f i n a l l y , t h ew h o l ep a p e l - h a sb e e ns u m m a r i z e da n dr e v i e w e d ，a n ds o m en e e dt ob e n o t i c e da n di n - d e p t hr e s e a r c h e dp r o b l e m so fq u a l i t yp r e d i c t e dc o n t r o lm o d e lb a s e do l l l l l ，t l f a ln e t w o r k sh a v eb e e ni n d i c a t e d k e y w o r t b ：q u a l i t yc o n h o l ，q u a l i t yp r e d i c t i o n , m e c h a n i c a lp r o c e s s , m o d e lo fn e u r a l n e t w o r k s n 1 佩l j l 工繁火秀 学位论文原创性声明和使用授权说职 原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师指导下，独立进行研究工作所取 镊的研究成果。除文中已经标明引用的内容外，本论文不包含任何其他个人或集体已经 发表或撰写过的研究成果，对本文的研究做出贡献的个人和集体，均己在文中以明确方 式标明。本声明的法律结 学位论文作者签名： 日期：川年，月哆e t 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权保留 并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授 权湖北工业大学可以将本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 可髑 彳 同 。 名 f 文 签弘 批蝴垆 酗 捌 御中 鍪。日 啦喝 p ， 删一哆 鞑 各 月 扫 者 l ； 惜陴 雕刘哼 轿 渺 矗 眠 翔 日， 湖北工业大学硕士学位论文 第1 章绪论 1 1 课题的来源、目的及意义 1 1 1 课题来源 本学位论文课题主要来源于以下科研项目： ( 1 ) 湖北省现代制造质量工程重点实验室开放基金项目基于知识发现的 产品质量控制理论与方法研究( 编号：l m q 2 0 0 5 a 0 2 ) ： ( 2 ) 湖北省教育厅重点项目基于状态监测与故障诊断技术的质量控制理 论和方法研究( 编号：2 0 0 3 a 0 0 2 ) 。一 1 1 2 目的及意义 提高产品质量是生产厂家永恒的目标。随着现代工业生产愈来愈趋向大型化， 复杂化，使其整个生产过程愈来愈呈现出工业大系统的性质，并且生产技术和工艺 过程同趋复杂，信息集成要求办越来越高。设备的大型化、复杂性，不仅使设备运 行的安全性变得越来越重要，而且使得产品的质量保证也越来越复杂，要求也越来 越高。随着计算机技术的快速发展和它在生产过程中的广泛应用，企业在生成、收 集，存储和处理数据的能力大大提高，数据量与r 剧增。众所周知，数据就是财富， 但是这种知识是隐含的【l 。3 】。因此如何利用这些海量数据获取定性和定量的知识， 以帮助质量工程师改善产品的质量和进行新产品的辅助设计，从而进行产品质量控 制和质量预测等，是本课题选题的基本出发点。 事实上现代生产对生产制造过程的监测和控制已远远超出了单纯的工况监视 和故障诊断的范畴，而是要求能对整个生产过程进行质量控制与预测，利用生产历 史数据以及建模、优化方法在约束条件下求解最优的工艺生产参数，提供最优的生 产过程。我们知道在许多工业生产过程中存在着许多可测和不可测、可控或不可控 的过程参量和设备的运行参量，如宝钢2 0 5 0 热轧生产线中，仅精轧作业区就包含7 组机架，而每组机架中所监测的物理量多达1 6 0 多个，仅这个作业区就含有近千个 监测变量。这些变量直接或间接地对产品的质量有着不同程度的影响，这种影响是 相当复杂的，并且这些变量之间也相互影响，我们很难用简单的映射关系来描述这 种影响。因此，如何找到这些参数同产品质量之间的关系，就成为产品质量控制的 一个关键问题。本课题的根本目的就是试图利用监测到的海量历史数据来建立输入 湖北工业大学硕士学位论文 参数与产品质量特征参数之间的关系模型，从而实现产品的质量控制与预测、优化 生产工艺、提高产品的质量。因此，本选题具有理论研究意义和工程应用价值。 1 2 国内外研究现状 1 2 1 质量控制理论与方法研究现状 产品的质量是生产企业参与市场竞争并赖以生存和发展的基础，也是先进制造 生产模式的先决条件。在先进制造技术( a d v a n c e dm a n u f a c t u r i n gt e c h n o l o g y ，a m t ) 环境下。生产过程具有自动化、柔性化、集成化和智能化的特点，以适应市场全球 化、消费个性化趋势发展的需要。针对质量控制理论，国内外主要集中在以下几个 方面： 1 统计过程控制 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 ) 是用来诊断分析加工过程异 常变化，消除加工异常因素，以达到加工稳定并提高工序能力的工序质量控制方法。 早期的s p c 也称为统计质量控制，其理论最早由休哈特( s h e w h a r t ) 提出，1 9 3 1 年， 休哈特名著“e c o n o m i cc o n t r o lo f m a n u f a c t u r e dp r o d u c t s ”的出版，标志着统计过程 控制时代的开始。而休哈特所提出的过程控制理论及监控过程的工具控制图， 已为工业化大生产的质量控制作出了巨大的贡献，至今仍然为制造质量控制中最有 效的工具。 二战时英美军队需要大量高质量的军需品，s p c 被成功用于军工生产后，实现 了在增加产量和降低成本的同时，明显提高产品质量的目标。二战后日本处于百废 待兴的局面，1 9 5 0 年，美国统计学家d e r u i n g 博士在同本作了关于质量控制的讲座， 1 9 5 4 年，另一位美国质量专家j u r a n 博士又为日本各大公司中、高层管理人员讲解 了管理层领导作用在质量系统中的重要性。这些思想与方法在战后复苏的日本得到 了广泛的应用，使其产品质量明显提高，生产出来的高质量低成本的电子、汽车等 产品迅速占领了世界市场，一跃成为经济强国。 统计过程控制在日本的成功应用引起西方国家对这一技术的重新认识。美国通 用电器公司的费根堡姆( a v f e i g c n b a u m ) 和质量管理专家朱兰( j m j u r a n ) 又提 出全面质量管理t q m ( t o t a lq u a l i t ym a n a g e m e n t ) 理论把质量控制推向新的高度， 它与统计质量控制s q c ( s t a t i s t i c a lq u a l i t yc o n t r 0 1 ) 一起，被列为质量控制发展的 两个阶段。 由于单变量统计过程控制常用于监测少量质量相关的过程变量，在近年来激烈 的市场竞争中，为适应连续制造业寻求产品质量提高的需求，在传统统计过程控制 2 湖北工业大学硕士学位论文 和多元统计分析方法研究的基础上逐渐形成了多元统计过程控制。由于连续过程的 特点及其相关处理的复杂性，使得多元统计过程控制从理论方法到实际应用，都还 有一些问题有待研究解决。而且，研究人员对于现有的理论和方法，本身也存在很 多争辩和分歧，因而多元统计过程控制理论仍需不断发展和完善。 统计过程控制今天已经得到了广泛的工业应用。单变量统计过程控制方法( 如 s h e w h a r t 控制图、累积和图、指数加权平均图等) 以及一些质量控制和质量管理方 法( 如t a g u c h i 方法等) 已经被工业界所广泛接受，多元统计控制方法也开始进入工 业应用，目前所报道的多元统计控制在工业生产中的应用主要集中在北美和欧洲， 这和多元统计过程控制的研究主要集中在北美和欧洲有关。1 9 9 2 年，m i l l e r 等报告 了美国柯达公司应用多元统计质量控制的情况，并提出了贡献图方法【4 】。1 9 9 5 年， k o s a u o v i c h 和p i o v o s o 报告了美国杜邦公司应用多元统计控制的情况【5 】。1 9 9 9 年， w i s e 等报告了将多向主元分析、三线性分解及平行因素分析应用于美国德克萨斯仪 表公司的半导体蚀刻过程的情况【6 】：同年，m a r t i n 等也报告了多元统计过程控制在 欧洲的应用情况【_ ”。这些应用基本上是通过多元统计分析方法来对生产过程进行监 控，及时找出产生不正常运行的原因或故障。通过及时排除这些故障，可以提高过 程能力和产品质量的一致性。 关于多元统计过程控制的商业软件也逐渐增多，进行统计分析的一个很好的软 件包是美国特征向量研究公司( e i g c n v e c t o rr e s e a r c h ) 出的在m a t l a b 软件下运行 的p l s 软件包i s 。英国的m d c 技术公司同纽卡斯尔大学合作，于近期推出了m s p c + 软件刨9 1 。该软件融入了纽卡斯尔大学化工系在多元统计控制方面的一些研究成果。 瑞典的i m e t r i c s 公司于最近推出了s i m c a 4 0 0 0 软件包，该软件包可用于在线多 元统计过程控制。 2 统计过程诊断( s t a f f s t i c a lp r o c e s sd i a g n o s i s ，s p d ) 休哈特的s p c 理论只能对加工过程是否异常进行判断，它并不能告知是什么异 常，异常产生于何处，产生异常的原因是什么，即不能进行诊断。s p d 就是要用来 诊断加工过程失控之后，其存在什么样的异常，异常发生于何处。多元丁2 控制图 的诊断问题一直是s p d 理论研究的焦点，目前国内外学者对此作了大量的研究工 作，提出了许多方法，其中主要有： ( 1 ) 主成分分析法 主成分分析法由j e j a c k s o n 最早提出，此法将r 2 统计量分离成相互独立的主 成分的平方和，其缺点是不能找出这些主成分与原变量之间的简单对应关系，诊断 效果不好。 ( 2 ) b o n f e r r o n i 不等式法 湖北工业大学硕士学位论文 阿尔特等人利用b o n f c r r o n i 不等式对多元r 2 控制图进行诊断，当控制图显示异 常，对每个原始变量应用一元休哈特控制图进行判断，以找出异常的变量。由于多 变量间的相关性，此法容易导致错误的结论。 ( 3 ) 判别分析法 此法采用数理统计判别分析的思想，将多元r 2 控制图的所有变量分为两组； 一组是被怀疑为异常变量的集合，另一组则不含异常变量，然后根据设计的检验统 计量来诊断。此法对如何找出异常变量集合的工作量很大，并且没有给出调整异常 变量的方法。 ( 4 ) t 2 值分解法 r 2 值分解法将丁2 统计量分解为相互独立的部分，每个部分的值都是j 下的，分 别代表对r 2 值的贡献程度，然后对每个部分进行检验，得出诊断结论。使用此法 得到的结论不一定正确。 ( 5 ) 两种质量多元逐步诊断理论 该理论由张公绪提出【，可成功应用于诊断上道工序的影响。该理论将工序质 量分为总质量与分质量，分别用休哈特控制图和选控控制图加以控制。然后根据典 型情况诊断表进行诊断。 1 2 2 基于神经网络的质量预测控制理论与方法研究现状 传统上所使用的s p c 属于滞后控制，也就是说，当加工过程或者控制过程出现 异常状态，上述的控制方法才能起作用，是一种“出现问题，分析问题，解决问题” 的过程，难以满足零废品率、高质量控制的要求。要做到零废品率、高质量的控制， 采用基于预测的超前控制是必要的。预测控制是一种超前控制，它可根据当前的信 息预测出系统下一个时刻的状态，是一种“预测将出现的问题，解决问题”的过程。 在质量预测控制过程中，质量预测模型的建立最为关键，它决定着系统的控制 精度。由于加工过程的复杂性、时变性和非线性，很难建立糖确的预测模型。传统 上的预测模型有线性回归模型、非线性回归模型、指数加权模型和时间序列模型， 这些建模方法大多有适应性不强、预测精度低，需要数据量大等不足。近年来，人 们将目光转向了人工智能，特别是人工神经网络( a r t i f i c i a l n e u r a l n e t w o r k ，a n n ) 技术【l l 】。以非线性、并行分布式处理为特征的人工神经网络技术，使基于a n n 信 息融合的加工精度预测具有传统的数学建模方式预测所无法比拟的优点，比如 a n n 的非线性映射能力，很适用于复杂的加工系统，加工精度预测的应用环境具 有复杂多任务、多目标实时运行和多事件实时并发的特点，而a n n 本身结构体系 就具有并行的特点。随着在线测试技术的发展，利用a n n 的联想能力、容错能力 4 湖北工业大学硕士学位论文 和并行计算能力实现在有外界干扰条件下的生产加工过程质量预测与控制，是实现 自动加工零废品控制的有效手段。 目前利用神经网络预测质量特征参数的研究主要集中在智能建模，所使用的大 多为b p 网。比如日本的松村隆、舀井英治等【1 2 】用神经网络及三维解析法综合预测 车削光轴时的加工误差及粳糙度：n a d h m i 1 3 】提出了磨削模式辨识及神经网络预测 粗糙度的方法，采用磨削力f t ，f t f n 和磨削能量作为输入参数，预测结果与实验 结果相近；唐英等【1 4 1 人在车削过程中将刀具磨损作为影响表面粗糙度的主要因素， 考虑到切削力和声发射信号与刀具磨损状态有直接关系。因此把切削力和声反射信 号测量值及其历史值作为a n n 的输入来预测刀具状态，进而预测粗糙度：a z o u z i 1 5 】 利用正交设计安排车削试验，用统计方法分析得到影响表面粗糙度和工件直径误差 的主要因素，为进给速度、工件直径、径向切削力和进给分量，把这四个因素作为 时州融合模型的输入，表面粗箍度和工件直径作为输出，效果令人满意：东北大 学的柴天佑等【l6 】用r b f 神经网络对转炉炼钢终点温度和碳含量进行预报，证明了 运用r b f 神经网络建立转炉炼钢终点预报模型，具有较高的预报精度和较快的收 敛特性，可以实时应用于转炉炼钢过程的终点温度和碳含量的有效控制：东南大学 自动化研究所的魏海坤等【1 7 】将r b f 神经网络应用在动力配煤过程状态预测建模中； 罗春雷等【1 8 j 针对火电厂锅炉燃烧器喷口的煤粉浓度和速度对燃烧效果存在较大影 响，但在实际运行中又很难精确控制的特点，提出一种基于b p 神经网络的锅炉优 化燃烧指导系统。该系统以现有的监测数掘和运行人员长期积累的经验为样本，利 用b p 网络的自学习能力，建立了指导锅炉优化燃烧调整的智能系统。西安交通大 学李换琴、万百五等【1 9 1 针对多道工序、输入变量很多的复杂工业系统建模精度难以 提高的特点，提出了一种改进前馈神经网络结构，建立了一个热连轧钢过程的质量 模型；崔明义、孙恒虎1 2 0 1 用b p 神经网络的方法建立胶结充填材料质量与主要影响 因素胶结剂、浓度、骨料、粒级之间的关系模型，并用m a t l a b 实现对该模型的 训练和仿真。 1 3 本文主要研究内容 本文主要研究了以下几方面的内容： ( 1 ) 第1 章为绪论，阐述了课题来源、目的及意义，综述了国内外关于质量 控制理论与方法，关于基于神经网络质量预测模型的发展和研究现状。 ( 2 ) 第2 章研究了几种常见的建模方法和手段，介绍了基于机理分析的建模 方法、机理建模与经验建模相结合的方法、基于回归分析的建模方法和基于神经网 湖北工业大学硕士学位论文 络的建模方法，分析了传统建模方法的不足和缺点，引入了神经网络建模方法的概 念。 ( 3 ) 第3 章重点研究了b p 网络模型的结构、学习算法、设计方法、b p 网络 的不足和其改进算法，以一个机械加工中的例子，利用b p 网络改进算法构建了一 个单隐层的基于b p 神经网络机械加工质量预测模型，预铡了加工后径向误差( e 后) 大小，并在m a t l a b 环境下，用实验数据对该模型进行仿真和测试，测试结 果表明该模型预测结果可靠：另外，针对多输入多输出的实际生产加工过程，运用 b p 网络构建了一个两隐层的质量预测逆模型即质量控制模型，来控制机械加工中 的总进给量f 、第一次和第二次进给量，通过仿真和测试，证明了该逆模型的成功， 并运用l a b v i e w 和m a t l a b 编制了b p 网络模型软件系统，实现了模型的直观 输出 ( 4 ) 第4 章重点研究了r b f 网络模型的结构、学习算法等，并与b p 网络作 比较，针对b p 网络的不足，构建了基于r b f 神经网络机械加工质量预测模型，也 编制了该模型软件系统。通过仿真和测试，该网络也适合建模，其预测结果也比较 可信。该模型和b p 模型相比较，在速度方面优势明显，在预测精度和泛化能力方 面有所降低，但仍不失为一种好的质量预测模型，适合在线预测。 ( 5 ) 第5 章为总结和展望。 6 湖北工业大学硕士学位论文 第2 章常见的建模手段和方法 2 1 基于机理分析的建模方法 在对产品进行质量控制与预测分析时，往往需要建立一个描述产品的质量模 型。可以通过模型分析影响产品质量的主要因素，预测产品质量，计算最优控制策 略这种模型可以分成机理模型和实验模型两种类型。机理模型是通过对生产过程 中所包括的物理变化及化学变化进行分析，利用质量守恒、反应动力学等物理和化 学规律所构成的模型。机理建模需要有扎实的物理、化学和生物方面基础知识，对 工艺过程十分清楚，对被测对象作详实细致的分析，找出主导变量与有关辅助变量 之间的数学关系，以数学表达式的形式进行计算。机理建模从事物的本质出发认识 问题和解决问题，有其优越性，但是由于实际工业生产和加工过程的复杂性，往往 难以完全通过机理分析得到预测模型。因此，基于机理分析的建模方法对很多实际 生产过程来说，往往是件非常耗时而且比较困难的事情，需要和其它方法结合。 2 2 机理建模和经验建模相结合 经验建模依据工艺经验和数据积累，有时还要进行必要的数据测试，了解一般 操作条件之外的情况，然后用数学回归、人工神经网络等方法建立预测模型。经验 建模不注重事物的本质而关心事物的外部特征及因果关系。有着和机理建模正好相 反的优、缺点。最好的方法是机理建模和经验建模相结合。通过机理分析和仿真， 可以确定数学模型的函数基本形式，通过经验总结和分析，可以选择、确定自变量， 利用仿真和实践中获取的大量数据，就能用回归方法或神经网络方法最后确定预测 模型。因此，机理建模与经验建模相结合是一种互补的方法，目前己被广泛采用。 2 3 回归分析建模方法 回归分析方法f 2 ”是一种建模的基本方法，应用相当广泛。它是基于一元或多元 统计分析技术以最d , - - 乘法为基础的一种模型参数“黑箱”辨识法。即它不需要掌 握很多的关于工艺机理的先验知识，也不需要得出有关机理的精确数学描述，只需 要获褥对象的输入、输出数据，并从这些数据中提取反映过程内在关系的信息，得 出描述对象输入、输出数据的简单数学关系( 即数学模型) 。回归分析方法建模物 7 湖北工业大学硕士学位论文 理意义较明确，能看出输入变量与输出变量的关系，外推能力强。根据输入变量个 数的多少，回归分析方法可分为一元回归分析方法和多元回归分析方法两种形式。 回归分析方法的主要步骤为： ( 1 ) 分析确定自变量和因变量； ( 2 ) 计算各自变量和因变量的相关性，确定最合适的自变量； ( 3 ) 通过预测对象的多组独立的历史数据样本建立起合适的回归模型： ( 4 ) 模型建立后，需要进行检验，判断是否和实际的数据有比较好的拟合度， 可用于实际预测； ( 5 ) 模型经过检验后，代入自变量得到因变量的预测值，计算置信区间。 2 3 1 一元线性回归分析 一元线性回归模型的数学表达式是一元线性方程： v = a 4 - b x( 2 一1 ) 式中：y 预测对象，即因变量； 工代表对因变量的主要影响因素，即自变量； a ，卜回归系数。 式( 2 - 1 ) 表示：y 只受一个因素x 的影响，而且这种影响是呈线性的关系，但实际 上自变量和因变量的关系不完全是线性的，而只是近似一条直线。确定回归系数的 常用方法是最小二乘法。 对应预测对象y ，相关因素x ，可以收集到 对数据“，而) ，( 儿，而) o 。，工) ， 每组数据到直线的距离为： e 产y i y ；y ，一( a + 幻r ) ( 2 2 ) 现在要确定一组系数( a ，b ) ，使它的误差平方和达到最小 m i n = 如一口一姊) ( 2 - 3 ) j - im 在最小二乘原则下，利用高等数学的求极值法，对m j n e ；分别求关于口，6 的 i - i 偏导数，并令其分别等于0 ，得： 解以上联立方程组得： 月， 一 2 o o = = 畸 撕 撕 一 一 口 4 一 一 。愿：冱。 一 一 湖北工业大学硕士学位论文 三= 去喜舅一言喜葺= 歹一b 6 x 一 窆( 而一砧，一；) ( 2 - 5 ) b = j = l 一 o 一 在获得了回归系数的估计值口，b 并通过常用统计检验标准的检验后，我们就 可以根据自变量的值对因变量进行预测，但对于多变量、非线性、大时滞性的复杂 预测问题，如采用一元线性回归分析建模其预测精度是相当低的。 2 3 2 多元线性回归分析 在实际预测中。当预测对象受到多个因素影响时，如果各个影响园素与因变量 的关系可以近似地线性表示，这时就可以建立多元线性回归模型进行分析和预测。 若因变量与自变量的内在关系是线性的，由测量采集或化学分析得到玎组有效 数据，那么就可以建立以下的线性关系式： y l = b o + 岛工1 1 + b 2 x 1 2 + + b m 而珥+ 毛 y 2 = b o + 6 i 屯1 + 如+ + k 工2 一- i - 8 2 ( 2 6 ) 只= b o + 磊+ 岛2 + + 丸x 删+ 鼻 式中：b o ，6 l ，b 2 ，屯是模型回归系数，毛，岛，f 。是测量中产生的随机误差。方程 组( 2 - 6 ) 可以写成矩阵形式： y=厨+占(2-7) 如前所述，用最小二乘原理，可以获得正规方程组的矩阵形式为： ( x 7 x ) b = x 7 y ( 2 8 ) 若疗 ( m + 1 ) 可得待测确定回归参数b o ，6 1 ，6 2 ，6 _ 的解的矩阵形式为： b = ( x 7 朋一1 x 7 y ( 2 9 ) il 而ix 1 2 毛_ l ， f l 工2 f 善2 2 z 2 坷 式中：x = ： i i i 善 l 工目2 工 为以( m + 1 ) 维测量数据矩阵，刀表示测量次数，掰表示自变量数目 9 湖北工业大学硕士学位论文 量詈曼詈! 詈詈皇鼍曼詈皇鼍皇! 詈皇詈詈詈! ! 鼍! ! 曼詈鼍i 曼曼曼量量量曼! 曼皇詈詈鲁曼皇詈! 鲁皇基昌詈詈 y 侄 为因变量矩阵。这样，多元线性回归处理的主要工作为矩阵计算，在计算机上编程， 然后测量数据x 和y 便可计算出回归参数6 0 ，b l ，屯，k 。其中，矩阵( x 7 x ) 的逆矩 阵( x 7 x ) “是否存在是有解的先决条件。 由方程解的6 0 ，6 l ，6 2 , 1 - o0 6 _ 并不是真值，而是回归参数的估计值，用以下误差指 标进行性能评价： 误差平方和：$ s e = ( y y ) 7 ( 】，一y ) 均方误差：m s e = s s e ：n 其中，y 是因变量的实测值，争是模型计算输出。 2 4 神经网络建模 ( 2 - 1 0 ) ( 2 - 1 1 ) 人工神经网络( a r t i f i c i a ln 优r a ln e t w o r k , a n n ) ，或者通常简称为“神经网 络”( n n ) ，是近年发展起来的十分热门的交叉学科。神经网络技术也是一个十分 引人注且的研究领域，其理论研究j 下在不断地深入，应用神经网络技术来解决各种 类型的实际问题也得到了高度的重视，广泛的应用于模式识别、图像处理、故障诊 断、质量建模和智能预测、控制等【2 2 珊】。 2 4 1 神经网络的概念 神经网络是人类中枢神经系统的简化模型，是由许多简单的、高度互联的处理 单元( 又叫神经元) 构成的运算处理系统。它以外部输入作为动态响应的形式来处 理信息【2 9 1 。神经网络最基本的特点是并行分布处理模式，与传统的串行运算处理模 式相比，这一特点可以使信息处理的效率得到提高。由于信息分布式存储的作用， 当部分网络损坏、输入信息不完整或受到噪声干扰时，神经网络仍有可能表现良好 的性能。此外，神经网络还具有自适应、自学习和联想记忆等特性。 近年来，神经网络已逐步发展为一种公认的、强有力的运算处理模型。神经网 络的方法应用于非线性、复杂、动态、多变量或难以用其它常规方法建模的系统时， 其优势尤为突出。基于神经网络的建模方法的主要特点是，易于实现对非线性映射 关系的良好逼近。因此，神经网络用于生产或者加工过程中的质量建模是一条较为 湖北工业大学硕士学位论文 理想的方法，能实现对输出的良好逼近。 通过模仿人类的神经网络和其它建模方法相比具有一些特点和优越性，主要表 现在四个方面： ( 1 ) 自学习功能。神经网络可以根据外界环境修改自身的行为。因为人工神 经网络采用自顶向下的方法，需要的经验知识比较少。只要有数据就可以对它进行 训练，建立计算模型，并希望从中得出计算结果。 ( 2 ) 分布式和联想存储功能。神经网络的信息处理由神经元之间的相互作用 来实现，知识与信息存贮表现为神经元间分布式联想与存储。 ( 3 ) 并行分布处理功能。具有高速寻找优化解的能力。传统的计算模式只用 一个计算单元来进行计算，而人工神经网络使用分布式、并行式计算代替原来集中 的计算方式。 ( 4 ) 高度的鲁棒性和容错能力，适应性比较强。在训练学习后，神经网络的 响应能在一定程度上对外界输入信息少量丢失或神经网络组织局部缺损的情况下 不再敏感。 尽管目前人们对大脑的神经网络结构、运行机制，甚至单个神经细胞的工作原 理的了解还很肤浅，但是基于生物神经系统的分稚式存储、并行处理、自适应学习 这些现象，已经构造出有一定初级智能的人工神经网络。当然这种人工神经网络仅 仅是对大脑的粗略而且简单的模拟，无论是在规模上、功能上与大脑相比都还差得 很远。有人从理论上研究了现有神经网络模型计算能力的局限性，并认为它不能解 决传统的基于物理符号系统的人工智能中的一些问题，但它在一些科学研究和实际 工程领域中，己显示了很大的威力。从9 0 年代初神经网络的研究再次复苏并形成 热点以来，发展非常迅速，从理论上对它的计算能力、对任意连续映射的逼近能力、 学习理论以及动态网络的稳定性分析上，都取得了丰硕的成果。 2 4 2 神经网络模型的分类和建模 把神经元之间的相互作用关系进行数学模型化就可以得到神经网络模型。目前 神经网络已有上百种不同的模型。从不同的角度，人们通常按照五个原则对神经网 络进行分类： ( 1 ) 按照链接方式可分为两种通用的模型，即前馈型和反馈型； ( 2 ) 按照学习方式的不同可分为有监督学习、无监督学习和再励学习的网络； ( 3 ) 按照网络性能可分为连续型网络和离散性网络，随机型和确定型网络； ( 4 ) 按照连接突触的特性可分为一阶线性关联网络和高阶非线性关联网络； ( 5 ) 按照对生物神经系统的层次模拟可分为神经元模型、组合式模型、网络 湖北工业大学硕士学位论文 级模型、神经系统级模型和智能型模型。 近年来，随着神经网络算法的不断改进，基于神经网络的质量预测建模技术也 得到了迅速发展，其应用也越来越广泛，神经网络由于其自身特有的学习、估计和 适应能力，己成为最具潜力的非线性建模方法。由于在实际工业过程中。许多对象 具有复杂的不确定性、实时性、和高度的非线性，这必然造成根本无法或者很难精 确建模，然而人工神经网络具有逼近和拟合非线性关系韵能力，可以解决这些问题 【枷。其学习过程属于非线性回归范畴。 a n n ( 人工神经网络) 是由大量的神经元广