基于智能学习模型的制造过程质量控制理论与方法论研究

摘要

连续稳定的产品质量一直是工业界追求的目标,制造过程质量的控制是确保高质量产品的重要因素之一。鉴于其重要的理论与工程实际意义,一直是质量控制领域的重点和难点课题。统计过程控制(Statistical Process Control,SPC)技术是过程质量控制的最常用的工具,但其对复杂制造过程(如高维多变量过程、多输入多输出(Multi Input and Multi Output,MIMO)过程等)无法有效地进行复杂多维信息融合分析、无法进行过程状态量化与可视化分析,无法有效地进行过程失控源识别。而具有智能性、非线性、信息融合能力、良好学习能力的智能学习模型(Intelligent Learning Models)可有效地解决以上SPC无法有效解决的一些问题,以实现过程质量控制的智能化。本论文围绕现代制造过程质量智能控制,以典型制造过程(如独立离散过程、自相关过程及多变量过程)和复杂的MIMO过程为研究对象,研究基于智能学习模型的制造过程质量控制的理论与方法论体系,为智能学习模型在制造过程质量控制的广泛应用奠定重要的理论与实践基础。
　　 1.以制造过程状态监控为本文的首要研究内容,率先提出了制造过程状态量化与可视化(Quantification and Visualization of Manufacturing Process Status)的概念,和基于自组织映射(Self-Organization Mapping,SOM)神经网络的最小量化误差(Minimum QuantifyingError,MQE)质量控制图。SOM以数据驱动(Data Driving)和无监督学习(UnsupervisedLearning)的方式实现对复杂过程数据空间分布规律的建模,解决了传统控制图无法进行过程状态量化和可视化,及基于有监督学习(Supervised Learning)的监控模型可应用性不强的问题。实验结果也证明MQE质量控制图有潜力成为现代质量控制系统的一个有效的监控工具。基于无监督学习的监控模型的研究也为其它无监督学习器在过程质量监控的应用研究奠定了基础。
　　 2.提出了一套基于自适应高斯混合模型(Adaptive Gaussian Mixture Model,AGMM)的时变过程(Time-varing Processes)智能监控模型,利用对数似然值(Log Likelihood)来量化制造过程状态。通过基于遗忘因子的递归更新、高斯混合项的分裂与合并等的GMM模型参数在线更新策略,建立复杂时变过程的在线动态自适应监控模型,解决了常规控制图等监控模型无法应用于时变过程监控的问题,进一步验证了无监督智能学习模型在复杂制造过程监控的特殊能力。
　　 3.率先提出了运用神经网络集成模型来有效地解决多变量制造过程的失控源识别问题。同时提出了一套基于离散微粒群的选择性神经网络集成算法(本文命名为DPSOEN),来提高模式识别器的工程可应用性和识别性能。通过有效地集成MQE控制图和DPSOEN模型,建立了一套基于混合智能学习的过程质量控制模型,提出了其在典型多变量制造过程的在线异常监控和异常源识别的应用方法论。及时正确的异常警告和异常源定位将加速发现导致过程异常的可归因因素,进行快速和正确的过程调整。
　　 4.为提取制造过程关键过程变量与输出产品质量的关联性中蕴含的重要知识,提出了一套基于遗传算法的知识发现算法。进一步实现了知识发现算法与基于知识神经网络的无缝集成,建立了产品质量智能在线监控与诊断系统。通过制造过程的知识发现,解决了复杂MIMO过程的监控、诊断、过程变量调整等问题,从而有效地克服了使用单个学习模型同时实现复杂过程监控和诊断等功能时性能较差和可应用性不强的缺陷,为混合智能学习模型在制造过程质量控制的广泛应用奠定了重要的实践基础。
　　 智能学习模型在制造过程的应用极大地提高了过程质量控制的能力,克服了传统SPC存在的一些缺陷,提高了制造系统的稳定性,从而有效地提高产品质量。同时,基于智能学习模型的过程质量控制研究也为传统的过程质量控制引入了新的理论和方法论。本文的研究也为基于智能学习模型在过程质量控制应用研究奠定了理论与实践基础。
　　 本文在研究过程中得到了国家自然科学基金项目(No.50675137)、教育部外专局高等学校创新引智计划(项目号:B06012)、教育部新世纪优秀人才支持计划、上海交通大学优秀博士论文基金的大力支持和资助,在此表示衷心的感谢。

目录

文摘

英文文摘

上海交通大学博士学位论文答辩决议书

部分词汇说明

第一章 绪论

1.1 课题背景

1.2 研究意义

1.3 制造过程质量控制关键理论技术及研究现状

1.3.1 统计过程控制

1.3.2 基于智能学习的制造过程监控模型

1.3.3 多变量制造过程异常源识别

1.3.4 基于知识发现的制造过程异常监控与诊断

1.3.5 小结

1.4 本文的主要研究内容及创新点

1.4.1 基于最小量化误差控制图的平稳制造过程监控模型

1.4.2 基于高斯混合模型的多变量制造过程在线监控模型研究

1.4.3 基于混合智能学习模型的多变量制造过程异常源识别研究

1.4.4 基于集成知识发现算法和知识神经网络的产品质量在线监控与诊断系统

第二章 基于最小量化误差的平稳制造过程监控模型

2.1 引言

2.2 基于智能学习模型的制造过程监控

2.3 自组织映射神经网络与最小量化误差控制图

2.3.1 自组织映射神经网络

2.3.2 基于SOM的最小量化误差控制图

2.3.3 SOM的可视化研究

2.4 MQE控制图的应用方法论研究

2.4.1 数据表达方式与SOM网络设计

2.4.2 构建MQE控制图

2.4.3 监控模型性能评估参数:平均运行链长ARL

2.4.4 MQE控制图阈值设置

2.4.5 MQE控制图的应用步骤

2.5 实验与结果分析

2.5.1 MQE控制图监控独立离散制造过程异常

2.5.2 MQE控制图监控单变量自相关制造过程异常

2.5.3 MQE控制图监控多变量制造过程异常

2.5.4 MQE控制图分析

2.6 制造过程状态可视化研究

2.7 小结

第三章 基于高斯混合模型的多变量制造过程在线监控模型研究

3.1 引言

3.2 多变量制造过程监控

3.3 基于PCA的过程监控模型

3.4 高斯混合模型

3.4.1 EM算法

3.4.2 GMM模型选择标准

3.5 自适应GMM算法

3.5.1 参数动态更新算法

3.5.2 高斯混合项分裂和合并

3.5.3 AGMM算法过程

3.6 基于GMM的制造过程监控方法论

3.6.1 过程状态量化参数

3.6.2 信任限设置方法

3.6.3 模型性能评估标准

3.7 实验与结果分析

3.7.1 实验1:基于GMM的平稳制造过程在线监控性能评估

3.7.2 实验2:基于AGMM的时变过程自适应监控模型的性能评估

3.8 小结

第四章 基于混合智能学习模型的多变量制造过程异常源识别

4.1 引言

4.2 多变量制造过程失控源识别

4.3 基于离散微粒群的选择性神经网络集成算法

4.3.1 神经网络集成算法

4.3.2 选择性ANN集成算法

4.4 基于混合智能学习模型的方法论研究

4.4.1 多变量过程模型和工业实例应用

4.4.2 混合智能学习模型框架

4.4.3 数据集产生方法

4.4.4 混合智能学习模型的应用过程

4.5 混合学习系统的Module Ⅰ

4.5.1 监控模型性能评估

4.5.2 MQE控制图分析

4.6 混合学习模型的Module Ⅱ

4.6.1 输入特征和多变量模式仿真

4.6.2 ANN结构设计

4.6.3 模式识别性能分析

4.7 小结

第五章 基于知识发现及神经网络集成的产品质量在线监控与诊断系统

5.1 引言

5.2 基于智能学习的产品质量监控与诊断模型

5.3 混合智能学习模型

5.3.1 混合智能学习模型的系统结构

5.3.2 基于GA的规则抽取算法:GARule

5.3.3 基于KBANN的智能监控模型

5.3.4 混合智能学习模型的应用步骤

5.4 工业实例应用研究

5.4.1 规则抽取:GARule

5.4.2 过程监控模型:KBANN

5.5 小结

第六章 总结与展望

6.1 引言

6.2 本文的创新点

6.3 将来的研究工作

参考文献

致谢

作者攻读博士学位期间所做的研究工作和发表或录用的学术论文