基于人工智能方法的企业质量.doc

目录目录 摘要 I ABSTRACT II 第一章 绪论 1 第二章 人工智能概述 2 2 1 人工智能简介 2 2 2 人工神经网络的概念 2 2 3 BP 神经网络 3 2 4 BP 算法简介 5 2 5 BP 网络的计算流程 6 2 6 BP 网络的优缺点比较 7 第三章 BP 神经网络在质量管理中的运用 7 3 1 质量诊断智能化 8 3 2 质量预测的智能化 10 3 3 基于神经网络的质量控制 13 3 4 神经网络在质量决策中的运用 15 第四章 基于智能代理的质量信息系统 16 4 1 智能代理简介 16 4 2 智能代理的结构 17 4 3 质量信息系统 17 4 4 智能代理的质量信息系统总体框架 18 第五章 总结 19 参考文献 20 致谢 21 I 基于人工智能方法的企业质量管理研究基于人工智能方法的企业质量管理研究 专业 工业工程 学号 105404304007 姓名 郎兴飞 指导老师 苏海涛 摘要 计算机科学的发展带动了仿真技术的兴起 人工智能的发展更是与计算机 科学分不开 现在 很多企业已经开始采用一些人工智能来管理和控制部分产 品的生产 基于此 通过从人工智能的角度研究企业的质量管理 通过建立智 能化质量管理系统来自动控制产品的质量 降低企业的质量成本 从而提高企 业的市场竞争力 本文主要是综合多方面的文献 从人工智能中最常用的 BP 神经网络入手 探讨了 BP 网络的原理及模型 对 BP 网络进行了运用于企业质量管理的可行性 分析 建立起了 BP 网络在质量管理的诊断 预测 控制及决策方面的工作模 型 并与传统工作模型进行比较 最后建立起基于智能代理的质量信息系统 使整个质量管理系统智能化 有机化 关键词 关键词 质量管理 人工智能 BP 神经网络 智能代理 II Abstract The development of computer science and simulation technology led the rise the development of artificial intelligence and computer science are inseparable Now many enterprises have begun to use artificial intelligence to manage and control the production of some products because of this through artificial intelligence from the business point of view of quality management quality management through the establishment of intelligent automatic control system to product quality reduce business cost of the quality thereby enhancing their market competitiveness This article is comprehensive multifaceted literature the most commonly used in artificial intelligence from the BP neural networks start of the BP network and the principles of model of a BP network enterprise quality management applied to the feasibility analysis established a network BP quality management in the diagnosis prediction control and decision making model of the work and work with the traditional model to compare and finally establish the quality of intelligent agent based information system the entire quality management system intelligent and organic Keywords Quality Management BP neural network Artificial intelligence Agent 1 第一章 绪论 质量是一个企业的生命 是企业得以持续发展的立足之本 企业要全面提高 质量水平 不仅要有质量管理的思想 方法和手段 而且需要有质量管理先进技 术的支持 1 目前 如何设计生产出低成本 短周期 顾客满意度高的产品 以 使企业获得长期的竞争优势 成为国内外质量研究者和实践者关注的焦点 对一个制造企业而言 在企业为市场和利润进行的斗争中 质量是最有力 的战略竞争武器 是企业求得生存 提高效益的关键 采用先进的技术 实现 质量系统的自动化 智能化 提高企业的质量能力 适应质量新时代的需求是 企业的重要战略决策 2 随着质量新时代的世界市场供大于求 用户的眼光越来越挑剔 需求不断 变化并越来越多样化 要求相应的售后服务更加优良及产品的交货更加快捷 同时技术的发展也为快速的产品更新提供了可能 这使得产品生命周期明显缩 短 3 为了满足用户的不同需求及更高要求 制造企业必须增加产品品种 提供 越来越优良的售后服务及缩短产品交货期 在这种情况下质量数据急剧增加 要求质量数据处理的速度和精度更高 要求质量管理具有更快的反应性 同时由 于竞争的加剧 企业的利润空间也越来越小 要求包括质量成本在内的总成本 核算和控制更精确和有效这时企业若采用落后的质量管理手段将不适应形势 而面临被淘汰的危险为此为了加速研制用户需要的新产品 缩短交货期 提高 产品质量 降低成本 提高企业对市场的适应性 很多企业将计算机引入质量管理 实施计算机辅助质量系统 实现了质量 管理一定程度上的自动化 有些还在某些方面实现了一定程度上的智能性 这 在一定情况下解决了质量新时代的质量管理问题 但一般的系统还是需要不少 的人力工作量 而随着市场竞争的进一步加剧 质量数据的增加以及市场对质 量管理上述要求的提高几乎是无限的 最终 人将不能承担日益繁重的工作量 这要求质量管理不仅要有更高的自动化和智能性 还要具有自主性 交互性 以减轻人的工作量最大限度减少人因易受情绪干扰和自身固有特性而带来的不 可靠因素 而计算机辅助质量系统是达不到这些要求的 针对这种情况 我们 在质量管理中引入分布式人工智能研究中的智能代理 提出基于智能代理的质 量管理系统 利用智能代理的自主性 反应性 交互性和主动性 可以满足上 述要求 实现质量管理的自动化 智能性 自治性 这正是本文研究的意义所 在 2 第二章 人工智能概述 2 1 人工智能简介 人工智能 Artificial Intelligence 英文缩写为 AI 4 它是研究 开发用于 模拟 延伸和扩展人的智能的理论 方法 技术及应用系统的一门新的技术科 学 人工智能是计算机科学的一个分支 它企图了解智能的实质 并生产出一 种新的能以人类智能相似的方式作出反应的智能机器 该领域的研究包括机器 人 语言识别 图像识别 自然语言处理和专家系统等 人工智能所采用的方 法很多 常用的有神经网络 遗传算法及模拟退火等 而神经网络则是最常用 的 2 2 人工神经网络的概念 神经网络是现代人工智能的最重要的分支 人工神经网络是由大量简单处 理单元 人工神经元 互连构成的 模拟生物神经系统的自适应 非线性动态系统 5 神经网络的基本构成元素有八个 分别介绍如下 一个处理单元集合 一组处理单元可看作具有一定功能的神经元细胞群的抽象化 根据单元的 作用可分为输入单元 隐含单元 输出单元 输入单元接受网络外部的输入 输出单元向网络外部发送输出 隐含单元则与网络外部没有联系 单元集合的激活状态 激活状态描述网络单元的状态 它是时间的函数 根据需要激活状态可以 定义成离散的 也可以定义为连续的 单元之间的连接模式 不同种类的神经网络模型单元间的连接模式各不相同 连接模式是网络能 否有效解决问题的关键之一 连接模式可分为自连接和异连接两大类 自连接 模型中 单元的集合只有一个 单元间存在着相互的连接 异连接模型中 单 元分成几个子集 同一子集内的单元相互间不连接 一个子集中的单元与另一 个子集中的单元才有连接 激活模式在网络中的传递规则 传递规则是指将若干单元的输出和连接矩阵结合起来以得到某单元净输入 的规则 描述了外界输入对神经元的 积累效应 也即 净输入 单元的激活规则 激活规则是指将一单元的净输入与该单元当前激活状态结合起来以产生新 的激活状态的规则 也叫 更新规则 3 单元的输出规则 输出规则是将某单元的激活值转换到该单元对其他单元的输出的规则 学习规则 学习规则 也即修改单元间连接的规则 它是神经网络的核心 其优劣直 接影响到学习的速度和效果以及神经网络记忆的容量大小 通常采用的网络连 接模式的方法是 修改已有连接的强度 系统的运行环境 对一种模型提出要求时 首先应给出该模型的运行环境 这个环境由学习 的模式与它们出现的概率组成 2 3 BP 神经网络 成功的神经网络模型有多种 但理论上最完善 应用最广泛的主要是 BP 网 络 Back Propagation 模型 6 B P 网络模型具有很好的函数逼近能力 通过对训 练样本的学习 能很好地反映出对象的输入 输出之间复杂的非线性关系 它是典 型的多层网络 分为输入层 隐含层和输出层 层与层之间采用全互连方式 同层 单元间无相互连接 BP 算法的特点是误差逆向传播 当给定网络一个输入模式 时 它由输入层单元传到隐含层单元 经隐含层单元处理后再送到输出层单元 由 输出层单元处理后 产生一个输出 如果输出响应与期望输出的误差不满足要求 则转入误差逆向传播 将误差沿连接通路逐层回传并修正各层连接权和阀值 使误 差减小 然后再转入正向传播过程 反复迭代 直到误差降至要求范围 BP 网络 主要用于 1 数据压缩 减少输出向量维数以便于传输或存储 2 函数逼近 用输入向量和相应的输出向量训练一个网络逼近一个函数 3 模式识别 用一个特定的输出向量将它与输入向量联系起来 4 分类 把输入向量以所定义的合适方式进行分类 由于 BP 神经网络是应用最广泛的神经网络 也是最具有代表意义的一种 神经网络模型 从结构上看 它是属于典型的前向网络 由输入层 输出层和 若干隐含层组成 相邻两层的神经元之间形成全互连接 同层各神经元互不连 接 典型的 BP 网络是三层的前馈阶层网络 由输入层 隐含层和输出层组成 这里就只简单介绍它的结构及功能 其结构图 7 图 2 1 如下 4 ji W kj V 图 2 1 BP 网络结构图 在网络初始化时 用较小的随机数初始化网络参数 8 及 其 ji W kj V j A k B 中为输入层第 i 个神经元到隐含层第 j 个神经元的连接权值 为隐含层 ji W kj V 第 j 个神经元到输出层第 k 个神经元的连接权值 为隐含层第 j 个神经元的 j A 偏置值 为输出层第 k 个神经元的偏置值 k B 输入层 输入层起缓冲存储器的作用 把数据源加到网络上 其节点数目取决于数据 源的维数 即输入特征向量的维数 对于一个实际问题 特征向量的确定是十 分重要的 因为在识别对象时它是唯一的依据 选择特征向量时 就要考虑到 应选的向量是否完全描述了事物的本质特征 隐含层 BP 网络通常有一个或多个隐层 隐层中的神经元一般采用 Sigmoid 型变 换函数 隐层和隐层单元数难以确定 是 BP 神经网络在结构上主要缺点 9 确 定隐含层数和层内节点数是一个十分复杂的问题 一种直接估算 10 最佳隐含层 节点数的方法是 2NNNN p01H 其中 为最佳隐含层节点数 为输入层节点数 为输出层节点数 H N 1 N 0 N 为训练样本数 p N 输出层 输入层 隐含层输出层 5 输出层节点数的确定 有以下两种方法 i 当模式类别较少时 输出层节点数等于模式类别数 m 类的输出用 m 个输出 单元 每个输出结点对应一个模式类别 即当某输出结点值为 1 其余输出结 点值均为 0 时 对应输入为某一特定模式类的样本 ii 当模式类别较多时 用输出结点的编码表示各模式类别 即 m 类的输出只 要用m 个输出单元即可 2 log 2 4 BP 算法简介 BP 神经网络的学习采用误差反向传播算法 Back Propagation Algorithm 简称 BP 算法 11 BP 算法是一种有导师的学习算法 其主要思想是把整个学习 过程分为四个部分 一是输入模式从输入层经隐含层传向输出层的 模式顺传播 过程 二是网络的希望输出与实际输出之差的误差信号由输出层经隐含层向输入 层逐层修正连接权的 误差逆传播 过程 三是由 模式顺传播 和 误差逆传 播 的反复交替进行的网络 记忆训练 过程 四是网络趋向收敛即网络的全局 误差趋向极小值的 学习收敛 过程 BP 算法属于 D 算法 是一种有监督的学习算法 由两部分组成输入信息的正 向传播和误差的反向传播 在正向传播过程中 一批描述控制图模式信息的数 据从输入层经隐含层逐层计算传向输出层 每一层的神经元状态只影响下一层 神经元的状态 如果输出层没有得到所期望的输出模式 则网络计算输出层的 误差值 然后将误差反向传播 逐层修改各层神经元的连接权值 如此不断循 环 直至最终输出达到期望模式 BP 神经网络的隐含层神经元通常采用对数 Sigmoid 传递函数 即 f x 而输出层神经元则采用线性函数 即 f x x e1 1 kx BP 神经网络对于输入的信号 要先向前传播到隐含层节点 经过作用函 数后 再把隐含层节点的输出信息传播到输出层节点 最后输出结果 作用函数是神经网络的核心 是保证网络训练收敛和实现网络预期性能的 最重要参数 12 BP 网络的作用函数必须是单调 可微和非线性的 所以在控制 图识别网络中通常采用 S 型的函数 即 f x 选用 S 型函数作为 BP 网 x x e1 e1 络的输出函数 其原因是 S 型函数输出曲线两端平坦 中间部分交化激烈 如图 2 2 从形式上看具有 柔软性 从生理上学角度看 一个人对远远低 于或高于他智力和知识水平的问题 往往很难产生强烈的思维反应 从数学角 度看 S 型函数具有可微分性 正是因为 S 型函数更接近于生物神经元的信号 输出形式 所以选用 S 型函数作为 BP 网络的输出函数 同时 BP 算法本身也要 6 求网络的输入输出函数是可微分的 S 型函数不但具有可微分性 而且具有饱 和非线性特征 这又增强了网络的非线性映射能力 uf 0 u 图 2 2 S 型函数 S 函数的一个重要特征是 其导数可用它的自身来表示 它的导数为 11 1 1 1 1 0 22 x xx x e ee e xf 1 e1 1 1 e1 1 xx xfxf 即 xf 1 xfxf 2 5 BP 网络的计算流程 在了解了 BP 网络算法原理后 下面给出其计算流程图 图 2 3 如下 YES NO NO 图 2 3 图 2 3 BP 算法流程简图 初始化 给定输入向量和目标输出 求隐层 输出层各单元输出 误差是否满足精度 需求 计算隐层单元误差 求误差梯度 权 值 学 习 结束 7 初始化就是确定层的单元个数 学习样本个数 允许收敛误差 输入层单 元与隐含层单元之间的连接权 隐含层单元与输出层单元之间的连接权 隐含 层及输出层单元的闺值 各连接权及阈值的调整量 各单元的输入及输出 总 体误差 学习率 动量因子等 然后根据 BP 网络的具体算法按上示流程一步 步进行 直到运算结束 7 2 6 BP 网络的优缺点比较 任何神经网络都有自己的优点和缺点 BP 网络也步例外 这里简单说说 BP 网络不同于一般的神经网络 自身特有的优缺点 优点 BP 网络能够通过学习带正确答案的实例集自动提取 合理的 求解规则 BP 网络具有一定的推广能力 BP 网络的学习过程有被 固化 的潜在可能性 缺点 学习时间过长 甚至可能达不到学习的目的 难以解决应用问题的实例规模和网络规模之间的矛盾 尽管 BP 网络仍有其不足之处 但其独特的优越性仍然值得利用 而且事 实也证明了这一观点 建立 BP 神经网络就是在确定输入 输出向量后 根据 这些向量之间的关系选择相应的隐含层函数 第三章 BP 神经网络在质量管理中的运用 BP 神经网络通过对经验样本的学习 将学习结果以权值和阈值的形式分布 存储在网络内部 更重要的是 神经网络具有极强的自学习 自适应能力 对 于新的学习样本 神经网络可以通过权值的改变来进行记忆和存储 对于新的 模式 神经网络可以利用它对信息的保持性来实现其预测功能 神经网络作为 一种新的智能化模型 它为企业质量管理系统的建构提供了一种新的框架 神 经网络在质量管理中主要运用于对企业质量信息的处理上 企业的质量信息来 源于产品的整个生命周期 设计 制造 销售 服务 回收等 活动过程 且呈 现为信息量大 复杂 动态 多参数等特点 信息处理不仅包括动态过程的数 据分析 更重要的是和状态识别诊断 预测 决策 控制等紧密结合为一个整 体 12 企业质量信息的常见形式主要包括 企业质量管理活动中的各种数据 报表 8 资料 标准和文件 与产品质量有关的试验 控制 设备 工装 计量 检验 维护及售后服务等工作信息及用户信息记录等 在现代企业中 它是改进设计 改进工艺 控制生产过程 提高产品质量的依据 也是领导决策和规划的重要 依据 3 1 质量诊断智能化 质量诊断是企业中的一种专题诊断 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 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 以便及早采取措施加以 改进 工序质量诊断 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 工序质量诊断是质量诊断的基础 也是最重要的一环 所以 这里着重研 究工序质量诊断 质量诊断最为关键的是数据分析 知识检索和故障判定三个 环节 数据分析通过对质量特征值的进一步处理 提取最能反映工序质量问题 的信息 根据这些信息 从人 机 料 法 环 测 即 5M1E 等角度进行 检索 排查质量问题的可能故障源 最后依照相关准则对质量故障源给出判定 依照判定结果结合相关知识对工序进行调整 其流程图 图 3 1 如下 数据采集现象描述 质量特性值序列 数据分析 知识检索 故障判断 工序调整 质量诊断 9 图 3 1 工序质量诊断的一般流程 从数学角度看 质量诊断的过程实际上就是把症状空间的向量映射到故障 源空间 即实现空间 X 症状空间 到空间 Y 故障源 的映射 F 映射关系 映射关系 F 是未知的 质量诊断的实质也就是综合各种知识和方法 找出这种 映射关系 F 进而应用这种关系 在以后发生质量问题时能快速找出问题根源 基于以上分析可知 应用何种控制方法查找这种映射关系 是智能化工序质量 诊断的关键问题所在 结合神经网络技术的特点 应用流程以及质量诊断的原理 可以得出神经 网络技术与工序质量诊断有以下结合点 机械加工过程系统中 影响工序质量的因素极其复杂 从故障现象到故 障原因的推理过程是非线性的 神经网络技术的非线性特征能够满足这种要求 良好的工序质量诊断系统不但能够对以往出现过的故障进行有效识别 还能够对初次出现的质量问题给出初步诊断 或提供参考信息 即诊断系统有 一定的学习拓展能力 这与神经网络的学习算法在本质上是一致的 工序质量诊断过程中需要同时处理多种多样的质量信息 而且要求信息 处理必须及时 神经网络技术信息处理的并行机制可以解决控制系统中大规模 实时计算问题 而且并行机制中的冗余性可以使控制系统具有很强的容错能力 工序质量受到来自 5M1E 条件下多种因素影响 有些甚至干扰很强烈 这就要求系统有一定的抗干扰能力 神经网络的信息分布特点 使经过训练的 神经网络具有强大的联想能力 对个别神经元和连接权值的损坏 并不会对信 息特征造成太大的影响 因此神经网络具有很好的稳定性 即神经网络受干扰 时自动稳定的特性和强大的容错能力 综上所述 神经网络方法应用于故障诊断分析 可以大大提高诊断速度和 诊断精度 神经网络能很好的满足工序质量诊断 下面以诊断发动机排放异常 故障为例建立神经网络模型 其故障与温度传感器 氧气传感器 压力传感器 故障异常输出有关 与水温度 发动机转速显示有关 若选取 8 组样本 则该 网络的输入元为 5 由本文第二章可知 输出元 2 隐含层节点数 5log2 10 7 可建立三层诊断神经网络模型如下 图 3 2 25 2 8 温度传感器 压力传感器 发动机转速 图 3 2 发动机故障诊断神经网络模型 则整个工序质量诊断过程的模型如下 图 3 3 X Y X Y 图 3 3 基于神经网络的工序质量诊断流程 在映射关系 F 未知的情况下 首先选择一定数量 具有代表意义的症状空 间样本集合 和对应的故障原因样本集合 组成训练样本集合 i x i y i x i y 应用训练样本集合对构造的神经网络进行训练 根据训练结果逐步调整神经网 络参数 直到网络输出与实际输出 Y 的误差 Y 在可接受范围内 训练 Y Y 完毕且符合要求后 即可用于工序质量诊断 水 温 氧气传感器 F 样本集合 i x样本集合 i y i x i y i y i xf 神经网络配置和训练 质量诊断神经网络 11 3 2 质量预测的智能化 目前 人工神经网络在质量预测模型中的研究成果主要有两个方面 一方面 是以产品错误报告为基础 以失效时间作为神经网络输入的质量预测模型 另一 方面是以质量度量参数作为神经网络输入的质量预测模型 失效时间是指产品从加工完成时至在正常使用状况下失去使用价值时的时 间段 是衡量产品质量的一个有力指标 产品的失效时间一般是通过抽样测试 来确定的 其估算方法如下 已知 时间内有个样品失效 可以用等 1j j j l 间隔方式估计此个失效样品的失效时间 即在 内第 h 个失效时间可 j l 1j j 用如下公式计算 h 1 2 h 1lj 1 jj 1 jjh j l 式中 试验某时间段的起止时间 第 h 个失效时间 j 1 j jh j l 失效产品个数 而度量是按照明确定义的规则 将数字或者符号赋予真实世界中的实体的 属性的过程 通过这种映射人们可以更容易的理解实体的特性和实体间的关系 而困难在于如何解释数字化的行为和判断其在现实世界的意义 度量理论对于 在企业质量管理中选择和应用合适的度量是很重要的 通过这种方式来描述实 体的属性 这一赋值虽然本质上是经验性的 但是 所赋数值或符号必须能够 反映事物被度量的属性 度量是一个三元组 Q M N 其中 1 经验关系系统 Q Q R Q 为被度量实体的集合 R 为 Q n RRR 21 上的一系列关系 2 数值关系系统 N N P N 为数值或者符号的一个集合 P n PPP 21 为 N 上的一系列关系 3 映射 M Q N M x 为实体 x 在被度量属性方面的度量值 对生产线上的产品进行质量检测 事实上是对产品进行聚类分析 输出仅 为二值 合格与不合格 这实际上是一个模式识别问题 把神经网络应用于模式 识别问题包括两个截然不同的阶段 第一个阶段是训练阶段 如图 3 4 所示 这一阶段是调整权值 以表现问题域 第二个阶段是工作阶段或称预测阶段 如图 3 5 所示 在这一阶段中 权值固定不变 并且当把实验数据或实际数据 输入到网络时 网络能够对其分类 12 1 x 类 2 x n x 输入神经元 隐含层神经元 输出层神经元 图 3 4 质量检测训练模型 固定的权值 训练阶段获得 1 x 预测的类 2 x n x 输入神经元 隐含层神经元 输出层神经元 图 3 5 质量预测网络模型 通过数据预处理后 就可以将数据输入神经网络模型中进行质量预测 数 据预处理可以改进数据的质量 从而有助于提高其后的 BP 神经网络训练的精 度和性能 数据预处理 是将得到的原始数据转化为能被人工神经元网络识别 的数据 是数据挖掘的重要内容之一 BP 神经网络由于具有很好的函数逼近能 调整权值来缩小 误差 分 类 中 的 误 差 训练数据测试数据 13 力 因而通过对训练样本的学习 能很好地反映出对象的输入 输出之间复杂的非 线性关系 实质是求误差函数的最小值 它通过多个样本的反复训练 权值误差函 数的最速下降 负梯度 方向来改变 最终收敛于最小点 最后将多个已知样本训练 得到的各层连接权及各层神经元的偏置值等信息作为知识保存 以便对未训练样 本值进行预测 案例分析 已知钢铁的质量主要由 C 含量 Si 含量 S 含量 强度 伸缩率 延伸率 等的影响 将这些数据作为输入因子 若把前面各影响因素的样本数据依次设 为 X1 X2 X6 然后按实际情况选择训练样本数量 确定误差范围 就可 建立其 BP 网络模型 图 3 6 X1 Y1 X2 Y2 X3 Y3 X4 Y4 X5 Y5 X6 Y6 图 3 6 钢铁质量预测网络模型 输入样本值后 经过多次学习训练 不断修改权值和阈值 使输出值满足 误差 最终得到权值 得到预测值后 同样本值进行对比 从而可以计算出 误差 将误差值与比较 就可以得到满意的预测结果 3 3 基于神经网络的质量控制 质量控制是质量管理的一部分 致力于满足质量要求 质量控制是产品生 命周期的一项重要内容 它对提高产品的市场竞争力 降低产品的生命周期成 本有极其重要的意义 质量控制是一个设定标准 根据质量要求 测量结果 判定是否达到了预期要求 对质量问题采取措施进行补救并防止再度发生的过 程 质量控制不是检验 在生产前对生产过程进行评审和评价的过程也是质量 控制的一个组成部分 总之 质量控制是一个确保生产出来的产品满足要求的 过程 例如 为了控制生产过程 对某一工序的质量 可以通过作业指导书规 定生产该工序使用的设备 工艺装备 加工方法 检验方法等 对特殊过程或 关键工序还可以采取控制图法监视其质量的波动情况 早期的 SPC 也称为统计质量控制 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 其主 要成就是休哈特控制图 14 应用于质量控制图模式识别的 BP 网络隐含层一般只采用 l 2 层 以避免 过多的层数引起网络收敛缓慢 计算量繁重 学习速度过慢 就会影响识别效 率 为了便于应用 符合实际生产现场需要 输入层的节点数 n 在能有效判别 控制图模式的前提下应尽可能的少 但实际上在多模式判别中 过少的输入层 节点数由难于有效表达控制图模式的特征信息 所以一般采用 20 个左右的输入 节点 输出层的节点数一般与所要识别的模式种类数量一致 中间层节点数一 般须通过多次实验来确定 在满足网络性能的条件下应尽可能的少 BP 网络在控制图模式识别应用的学习过程也分为两个阶段 第一阶段 正 向传播过程 一组描述控制图模式信息的样本通过输入层经隐含层逐层处理并 计算每个单元的实际输出值 第二个阶段 误差反向传播过程 如果网络的输出 模式和期望模式不相符合 则逐层递归地计算实际输出与期望输出之差值 即误 差 据此误差逐层调节神经元之间的连接权值 如此循环迭代 直至输出模式 与期望模式相符 其 BP 网络的拓扑结构 图 3 7 为 误差反传 X1 Y1 D1 输入样本 输出模式 期望模式 Xn Yn Dn 输入层 隐含层 输出层 图 3 7 质量控制网络模型 在制造企业的质量控制上主要分两类 一类是 SPC 另一类是 EPC 其中 SPC 旨在寻求识别和减少可避免的异常因素来减低质量波动 而 EPC 主要是在 连续生产线上利用反馈 前馈及其二者结合的原理调整过程 由于调整通常要 用到自动设备 所以也称为自动过程控制 APC 传统的 SPC 本身并不真正介入 控制 仅起着监视过程的质量波动和识别制造过程中的系统误差源的作用 力 图通过阶段性的调整 从根本上消除误差源 使过程的质量波动控制在某一可 以接受的水平 而 EPC 则着重于控制 通过不断地调节 纠正状态变量的波动 使之处于合理的水平 但没有就其产生质量波动的根本原因做出识别 因此 15 如果存在着较大的系统干扰 则可能会出现过补偿或欠补偿的现象 不仅起不 到控制的作用 反而会使过程质量更加恶化 人工智能技术在质量控制方面的重要性显著提高 使繁杂 单调的工作变 得简单易行 大大提高了工作效率 然而 SPC 技术不只是单纯的统计计算和 简单的绘图 它还需要专家知识和经验来选择 设计合适的质量控制图 并能 正确的解释控制图来识别生产过程中的质量控制状况和失控原因 提供相应的 纠正措施 但由于现场质量工程师的缺乏 使得 SPC 技术的推广工作遇到困难 尤其是在中 小型企业曾一度流于形式 未能真正发挥作用 随着人工智能技 术的发展 研究和开发质量控制专家系统 QCES 己成为近年来 SPC 研究的一 大趋势 3 4 神经网络在质量决策中的运用 决策是人们为了达到某一种目的而进行的有意识的 有选择的活动 在一 定的人力 设备 材料 技术 资金和时间因素的制约下 人们为了实现特定 的目标 而从多种可供选择的策略中做出决断 以求获得满意效果的过程就是 决策的过程 决策学家 Simon 在其著名的决策过程模型论著中指出 决策过程 属于一个连续的统一体 这个连续区间的范围从高度的结构化到高度的非结构 化 这个过程被分为三个阶段 即情报阶段 设计阶段和选择阶段 后来又加 上了第四阶段 实现阶段 其示意图 图 3 8 如下 图 3 8 决策过程图 在市场经济的今天 市场竞争变得异常激烈 产品质量问题受到了越来越 广泛的重视 质量也就决定了一个企业的发展 要取得竞争优势 就必须投入 了大量人力 物力和财力用于改善和提高本企业的产品质量 由于在产品质量 管理过程中存在大量的决策活动 而这些决策活动的合理性和准确性直接制约 着产品质量管理的有效性 改善和提高质量决策将大大提高产品的质量水平 这时候 质量决策就显得格外重要 其重要性有如下几点 增强企业信息化管理意识 使产品质量信息得到充分利用 情报设计 实现选择 16 减轻劳动强度 提高工作效率 应用质量决策能为企业获得良好的经济效益 人工智能技术在质量决策上的运用主要是将质量数据作为输入因子从神经 网络的输入端输入 经过中间隐含层的变换后输出信号 从而根据输出的信息 来作出决策 质量决策支持系统对于提高企业产品质量管理效率 增加产量 改善产品的合格率 是非常有帮助的 在经过推理机后 可以知道相应数据在总体上是否在要求的控制范围内 及这种数据围绕其平均值的分布情况和各关重工序的工序能力 进而知道装配 数据或产品重要参数的实际情况 进而决策是否调整质量考核标准 则智能决 策系统 图 3 9 如下 图 3 9 智能决策系统 神经网络主要是运用在控制器中 在学习前 控制器先根据相关性分析结 果确定神经网络的输入输出 将其存入知识库中 在学习开始时 设置各权值 的初值为随机值 以避免各权值永远相等 并给出一些样本 让神经网络进行 自主学习 将学习所得最终权值存于知识库 当控制器要求调整装配参数时 推理机便调用神经网络及其知识库中的权值 根据要达到的产品重要性能参数 值 推理出相应的装配参数 然后向相关工序 Agent 下指令 实现装配参数的 调整 第四章 基于智能代理的质量信息系统 4 1 智能代理简介 接口控制器 学习 知识库推理机 对设备进行维修 调整装配参数 调整分析精度 调整配套企业及其合作 方式 调整质量考核标准 增强员工培训教育 17 智能代理 Inetllignet Agnet 13 的定义 Agent 一词主要有两种解释 一是对环 境的认识以及对环境产生作用的行为者 二是代理人 倾向于第一种解释的主要 是人工智能 AI 领域的研究者 M Minsky 指出 当你试图说明完成一些任务的 机器是如何工作时 即将其处理为黑箱时 就称为 Agent 软件界的研究人员 倾向于第二种解释 代理人 顾名思义 这类代理软件的主要作用是提供一种易 于理解和使用的操作界面 接受用户的指令 代替用户完成某些复杂繁琐的工 作 或为用户提供帮助 在计算机领域 智能代理可看作是被授权的个人软件 助理是一种在分布式系统或协作系统中能持续自主地发挥作用的计算实体 具 有如下四特征 自主性 具有属于其自身的计算资源和局部于自身行为控制的机制 能 在无外界直接控制的情况下 根据其内部状态和感知到的外部环境信息 决定 和控制自身的行为 交互性 能与其他智能代理进行多种形式的交互 能有效地与其他智能 代理协同工作 反应性 能感知所处的环境 并对相关事件作出适时反应 主动性 能遵循承诺采取主动行动 表现出面向目标的行为 4 2 智能代理的结构 通讯端口 接 口 图 4 1 智能代理结构图 4 3 质量信息系统 质量信息系统是计算机集成制造系统的一个分系统 主要用于实现集成化 的质量控制和质量管理 是运用信息集成手段和工具 使企业的质量控制体系 在信息共享 相互联系的集成环境下 实现质量活动的整体协调和优化 实现 质量活动同产品设计 开发 生产 安装和服务等产品开发活动的整体集成 在 总体上 通过人 管理和技术三者的结合 实现质量控制的最佳化 14 主要分为五大功能模块 质量计划制定 质量检测与管理 质量评价与控 制 质量成本管理 质量综合信息管理 安全管理应用 知识库 智能代理应用程序 网络 智能控制器 18 4 4 智能代理的质量信息系统总体框架 图 4 2 智能代理的质量信息系统框架 各功能模块 15 简介 质量计划制定 Agent 完成质量计划的制定 包括两方面的功能 产品 质量计划编制和产品检测计划生成 产品质量计划编制是针对某种产品 或过 程 以该产品的历史质量状况 生产技术状态的现状和发展分析结果为基础 确定需要达到的质量目标 包括特性或规范 一致性 产品和可信性等 分配 项目的各阶段中职责 权限和资源分配 制定采取的程序 方法和作业指导书 确定达到质量目标的测量方法 编制质量手册和质量程序手册等 产品检测计 划生成是根据检测对象的质量要求与规范 产品模型及检测资源制订检测对象 包括产品 零件 部件 外购外协件等 的检测规程和检测规范 包括检测 项目 检测方法 检测设备的确定 质量检测与管理 Agent 在质量计划制定 Agent 的指导下采集制造过程 不同阶段与产品质量有关的数据 包括外购原材料及零部件检测数据 零件制 质量评价与控制 Agent 质量综合信息 管理 Agent 接口 Agent 质量成本管理 Agent 质量检测与管理 Agent 质量计划制定 Agent 19 造过程检测数据 最终检验数据 制造过程状态数据 装配过程检测数据 成 品试验数据及产品使用过程故障数据等 质量评价与控制 Agent 包括对制造过程 进货及其供应商三方面的质 量评价与控制 质量成本管理 Agent 实现对质量成本的核算 分析和控制 质量综合信息管理 Agent 实现对计量器具的质量管理 质量指标综合统计 分析 工具工装和设备质量管理 质检人员资格印章管理 产品使用过程质量信息