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