复杂生产过程质量控制的智能方法研究

摘要

质量作为社会经济发展的关键因素之一，越来越受到社会各界的重视。随着科学技术的发展，实现日渐复杂生产过程的质量管理成为研究者们关注的重大课题。质量管理是根据所制定的质量方针，通过质量策划、质量控制、质量保证和质量改进来实现产品或服务的全部活动。过程质量控制作为质量控制的关键部分，是实现产品创造的主要阶段，因而保证过程质量是实现质量管理的一种有效途径。随着现代生产过程的日益复杂，其过程具有数据高维、非线性，过程模型不确定和各子过程相互干扰并呈现强耦合等特点，因而比传统生产过程质量控制更为困难。本文通过复杂系统理论结合多元化、智能化等方向发展的质量控制方法，实现复杂生产过程的质量控制。
　　支持向量机是建立在统计学习理论的VC维理论和最小结构风险基础上的一种机器学习智能方法。通过核函数实现非线性问题向线性问题的转化，能较好的解决小样本、非线性、高维数、局部最小等问题，具有很强的泛化能力。粒子群算法模拟鸟群捕食行为，其算法概念简单，控制参数少，易于实现，同时兼有进化计算和群智能优化的特点，通过个体间的协作与竞争，实现对复杂空间最优解的搜索。粒子群算法是解决整数非线性优化问题、非线性连续优化问题和组合优化问题等方面的有效优化工具。本文利用支持向量机作为建立复杂生产过程质量模型的工具，将粒子群算法及其改进算法应用于支持向量机参数优化、模型最优解选择等问题中，从而实现复杂生产过程的质量控制。
　　针对复杂生产过程故障检测问题，本文将小波包分析方法作为过程样本数据的消噪工具，通过多层次划分逼近原信号的方法消除样本数据中的噪音和干扰，提取高效的数据样本，建立基于核主元分析的多变量统计过程监控模型，实现非线性问题向线性问题的转化，从而进行复杂生产过程的故障检测。本文通过1个数值算例和TE复杂化工过程故障分析进行故障检测研究，并与PCA和KPCA故障检测方法进行对比研究，证明所提出方法的可行性和有效性。
　　控制图作为统计过程控制的有效工具，控制图模式的识别在处理复杂生产过程质量问题中发挥着重要的作用。针对目前识别较难的控制图混合模式，本文首先提取样本数据的统计特征和形状特征值作为质量信息特征值，再利用主元分析方法进行第二次特征提取，得到高效的样本数据信息。利用支持向量机泛化能力强、识别精度高的特点实现控制图模式的多分类识别，同时采取自适应变异粒子群算法进行多分类支持向量机的参数优化。本文提出利用六种控制图基本模式和四种控制图混合模式对所提出的模型进行分析，通过与神经网络、支持向量机和主元分析-支持向量机这三种方法的对比试验，结果表明本文所建立的控制图模式识别方法能取得更高的分类识别率，为控制图模式识别研究提供一定的参考价值。
　　针对复杂生产过程的多输入、多输出、非线性的特点，提出了一种基于局部模型的多工况过程质量预测方法。首先利用K均值聚类方法进行复杂数据处理，实现复杂生产过程工况的划分，利用所需样本小、学习能力强的支持向量机回归原理建立各工况下的局部模型，再利用自适应粒子群算法求得各局部模型最优加权值，建立预测全局多模型，从而实现复杂生产过程的质量预测。通过TE过程的正常模式这一复杂过程对所建立的多模型预测方法进行仿真预测，并与局部模型、BP神经网络模型和支持向量机模型进行对比研究，结果表明本模型的预测效果相对其他预测方法较好，相对误差控制在1％左右，同时表明其预测方法的可行性和有效性。
　　复杂生产过程很难用单纯抽象的数学模型进行描述，生产商希望通过虚拟仿真的方式动态模拟生产过程，对生产过程的各质量因素进行分析，得到影响其质量问题的因素。本文在沥青混合料生产过程的级配控制的数学模型框架下，利用Arena仿真软件建立人机交互式界面，根据实际生产情况进行参数设定，模拟特定情况下的沥青混合料生产情况。并通过Arena软件内嵌的编译模块，编写不同的控制方法，实现沥青混合料质量控制的多因素控制逻辑，并利用图像输出实时观察生产状态的变化。模型试验结果表明系统优化控制与控制策略相关，适合的控制策略能使系统大幅度降低质量问题，仿真控制方法为沥青混合料级配的质量控制提供了很好的途径，极大地缩短产品的试验时间，及时控制级配偏差，有利于提高产品的整体质量，表明虚拟过程质量控制方法是复杂生产过程质量控制的一种有效途径。
　　本文利用支持向量机、粒子群算法、核主元分析、小波包分析等智能方法以及仿真技术进行复杂生产过程质量控制研究，主要从故障检测、控制图模式识别、质量预测和虚拟控制四个方面实现复杂生产过程质量的智能控制。文中所提的方法具有较高的理论价值和生产实践意义，并为后续的研究奠定了坚实的基础。

目录

声明

摘要

第1章 绪论

1．1 研究背景及意义

1．2 复杂生产过程质量控制的特点

1．3 过程质量控制的方法研究现状

1．3．1 过程故障检测方法的研究

1．3．2 质量控制图异常模式识别的研究

1．3．3 过程质量预测控制的研究

1．3．4 虚拟过程质量控制系统的研究

1．4 过程质量控制的智能优化方法研究现状

1．4．1 人工智能算法的研究现状

1．4．2 智能算法在复杂生产过程质量控制中的研究现状

1．5 本文的研究内容及技术路线

第2章 过程质量控制理论及智能算法

2．1 引言

2．2 过程质量控制

2．2．1 过程质量控制的概念及其质量描述

2．2．2 过程质量控制技术

2．3 支持向量机基本理论

2．3．1 统计学习理论

2．3．2 支持向量机分类机

2．3．3 支持向量机回归机

2．3．4 常用核函数及特点

2．4 粒子群算法

2．4．1 基本粒子群算法

2．4．2 改进粒子群算法

2．5 本章小结

第3章 基于小波包和核主元分析的过程故障检测研究

3．1 引言

3．2 基于小波包和核主元故障检测方法

3．2．1 小波包分析

3．2．2 基于核主元分析(KPCA)的故障检测方法

3．2．3 基于小波包和核主元故障检测方法

3．3 算例分析

3．3．1 数值算例分析

3．3．2 TE过程的仿真与分析

3．4 本章小结

第4章 基于支持向量机的质量控制图模式识别研究

4．1 引言

4．2 控制图模式类型及样本数据产生

4．2．1 控制图模式类型

4．2．2 过程样本数据的产生

4．3 控制图模式识别特征提取

4．3．1 样本数据的统计特征和形状特征提取

4．3．2 基于PCA的二次特征提取

4．4 基于自适应粒子群算法-多分类支持向量机的控制图分类

4．4．1 多分类支持向量机

4．4．2 基于自适应粒子群算法的SVM参数优化

4．4．3 基于PCA_SVM_AMPSO的控制图混合模式识别算法实现

4．5 质量控制图模式识别仿真实验

4．5．1 模型参数设置

4．5．2 实验1：不同分类方法的比较研究

4．5．3 实验2：不同特征提取方法的比较研究

4．5．4 实验3：RBF核函数参数优化

4．6 本章小结

第5章 一种基于局部模型的多工况过程质量预测方法

5．1 引言

5．2 聚类算法

5．2．1 聚类算法的分类

5．2．2 K均值聚类方法

5．3 基于支持向量机回归(SVR)的多模型质量预测

5．3．1 支持向量机回归原理

5．3．2 基于改进粒子群算法的局部模型加权

5．3．3 多模型建模

5．4 仿真实例

5．4．1 TE过程简介

5．4．2 TE正常模式研究

5．5 本章小结

第6章 复杂生产过程虚拟质量控制系统

6．1 引言

6．2 虚拟仿真质量控制理论与Arena仿真概述

6．2．1 虚拟仿真技术原理与应用

6．2．2 Arena软件与模块介绍

6．3 沥青混合料级配生产过程质量控制建模分析

6．3．1 沥青混合料级配过程模型

6．3．2 级配控制数据输入子模型

6．3．3 控制子模型

6．3．4 优化子模型

6．4 沥青混合料级配生产过程质量控制Arena建模研究

6．4．1 Input子系统

6．4．2 Control-Optimization子系统

6．4．3 Output子系统

6．5 仿真实例实现、评估与优化

6．5．1 输入数据及参数

6．5．2 试验结果及分析

6．6 本章小结

结论与展望

致谢

参考文献

攻读博士学位期间发表的论文及参加的课题