本文選題：制造過程質(zhì)量控制　切入點(diǎn)：統(tǒng)計過程控制　出處：《重慶大學(xué)》2013年博士論文

【摘要】：制造過程質(zhì)量控制是全面質(zhì)量管理（Total Quality Control，TQC）的核心內(nèi)容，是確保產(chǎn)品質(zhì)量的重要措施。在現(xiàn)代生產(chǎn)條件下，加工自動化程度和復(fù)雜程度不斷提高，單純依靠統(tǒng)計過程控制（Statistical Process Control，SPC）方法已不能很好滿足制造過程質(zhì)量控制的要求。將人工智能與機(jī)器學(xué)習(xí)技術(shù)與SPC相結(jié)合實現(xiàn)制造過程質(zhì)量的智能化控制，成為新的發(fā)展方向。近年出現(xiàn)的支持向量機(jī)（SupportVector Machine，SVM）技術(shù)，與人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Networks，ANN）等較早出現(xiàn)的機(jī)器學(xué)習(xí)方法相比，具有多方面優(yōu)勢。將SVM用于實現(xiàn)制造過程質(zhì)量控制智能化成為目前該領(lǐng)域研究的熱點(diǎn)。本文結(jié)合國家重大專項課題“齒輪加工自動生產(chǎn)線網(wǎng)絡(luò)化現(xiàn)場管理與智能監(jiān)控系統(tǒng)”（編號：2011ZX04001-041-06）需要，對基于SVM的自動加工過程質(zhì)量智能化控制方法進(jìn)行了系統(tǒng)研究，主要內(nèi)容如下： 1）研究了一種將控制圖模式的原始特征、形狀特征及統(tǒng)計特征進(jìn)行融合構(gòu)建分類特征集，并以SVM作為分類工具的控制圖模式識別方法。在該方法的特征融合中，分別采用了KNNC和ReliefF兩種特征約簡算法來消除特征合集中的冗余和無關(guān)特征分量；其中，約簡算法的控制參數(shù)與SVM的超參數(shù)一起通過基于粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）和交叉驗證（Cross Validation）實現(xiàn)的智能尋優(yōu)模型進(jìn)行同步優(yōu)化，使融合特征集更利于模式分類，且SVM的泛化能力較好。仿真實驗證實所提方法能獲得更好的識別精度。 2）研究了基于優(yōu)化多核支持向量回歸（Support Vector Regression，SVR）的過程異常參數(shù)估計方法，提出了以三種基本核函數(shù)進(jìn)行凸組合構(gòu)建SVR的核函數(shù)。其中，各基本核的關(guān)鍵參數(shù)、組合權(quán)重系數(shù)以及SVR的懲罰系數(shù)通過PSO和交叉驗證實現(xiàn)的智能尋優(yōu)模型進(jìn)行同步優(yōu)化，以提高SVR的估計性能。將累積和（CUSUM）控制圖與該多核SVR結(jié)合建立了過程異常監(jiān)測模型，用于監(jiān)控過程均值階躍異常和估計均值階躍異常幅度。仿真實驗證實該優(yōu)化多核SVR估計更準(zhǔn)確。 3）研究了基于優(yōu)化有向無環(huán)圖SVM（Directed Acyclic Graph SVM，DAGSVM）的多變量過程異常源識別方法。針對多變量過程存在多種異常形式時模式類型數(shù)多、一般多分類SVM難以兼顧識別精度和效率的問題，以具有效率優(yōu)勢的DAGSVM作為研究對象，提出兩種優(yōu)化方法以改善其識別精度。一是根據(jù)核空間內(nèi)的類型樣本平均差異測度對DAGSVM拓?fù)浣Y(jié)構(gòu)進(jìn)行啟發(fā)式優(yōu)化，在一定程度上緩解了其固有的分類錯誤累積問題，以提高識別精度；二是基于集成學(xué)習(xí)理論，以DAGSVM作為個體，通過二進(jìn)制粒子群算法（Binary PSO，BPSO）構(gòu)建選擇性集成分類器，以獲得更好的泛化能力，提高識別精度。通過仿真實驗證明了所提方法的有效性。 4）研究了基于支持向量機(jī)混合模型的多變量過程異常在線監(jiān)控與診斷方法。針對多變量過程控制中需要同時解決異常探測、異常源識別和異常幅度量化的要求，提出一種由SVM和SVR組成的混合模型（HSVMM），對兩變量過程中的均值階躍異常進(jìn)行在線監(jiān)控與診斷。其中，SVM對過程均值狀態(tài)進(jìn)行模式識別，以探測過程均值異常并對異常源進(jìn)行識別；SVR被用作估計工具對均值偏移幅度進(jìn)行量化。仿真實驗結(jié)果表明，所提模型在探測小幅度異常和識別異常源上，與傳統(tǒng)多元控制圖和ANN模型相比具有優(yōu)越性；并能較為準(zhǔn)確估計異常幅值。 基于以上研究成果，結(jié)合課題需要，設(shè)計開發(fā)了齒輪自動生產(chǎn)線過程質(zhì)量智能化控制系統(tǒng)。系統(tǒng)基于.NET平臺構(gòu)建，，并集成MATLAB計算環(huán)境實現(xiàn)SPC控制圖和支持向量機(jī)的高效運(yùn)算，以滿足加工過程質(zhì)量的在線監(jiān)控和診斷要求；系統(tǒng)結(jié)構(gòu)設(shè)計為C/S與B/S結(jié)合模式，以滿足圍繞自動加工生產(chǎn)線過程質(zhì)量控制的多方面需求。系統(tǒng)已在某齒輪加工企業(yè)實施應(yīng)用，取得了初步應(yīng)用效果。
[Abstract]:The quality control of manufacturing process is the core content of Total Quality Control ( TQC ) . It is an important measure to ensure the quality of products . By combining artificial intelligence with machine learning technology and SPC , it can not meet the requirement of quality control of manufacturing process .

1 ) The original characteristics , shape characteristics and statistical characteristics of the control chart pattern are fused to construct a classification feature set , and the SVM is used as the control chart pattern recognition method of the classification tool . In the feature fusion of the method , two feature reduction algorithms of KNNC and ReliefF are adopted to eliminate the redundancy and irrelevant feature components in the feature set .
In this paper , the control parameters of the reduction algorithm are synchronized with the super parameters of the SVM by the intelligent optimization model realized by Particle Swarm Optimization ( PSO ) and Cross Validation , so that the fusion feature set is more beneficial to the pattern classification , and the generalization ability of the SVM is better . The simulation experiment proves that the proposed method can obtain better recognition accuracy .

2 ) In this paper , we study the method of parameter estimation of process anomaly based on optimized multi - core support vector regression , and put forward the kernel function of combining three basic kernel functions . The key parameters , combined weight coefficient and penalty coefficient of each basic kernel are optimized by PSO and cross - validation to improve the estimation performance .

A multi - variable process anomaly source identification method based on optimized directed acyclic graph SVM ( DAGSVM ) is studied .
Second , based on the theory of integrated learning , using DAGSVM as an individual , a selective ensemble classifier is constructed by binary particle swarm optimization ( BPSO ) , so as to obtain better generalization ability and improve recognition accuracy . The validity of the proposed method is proved through simulation experiments .

4 ) On - line monitoring and diagnosis of multivariable process based on support vector machine hybrid model is studied . A hybrid model ( HSVMM ) , which is composed of SVM and support vector , is proposed to solve the problem of abnormal detection , abnormal source identification and abnormal amplitude quantization in multivariable process control .
The simulation results show that the proposed model is superior to traditional multivariate control graph and ANN model when detecting small amplitude anomalies and identifying abnormal sources .
and the abnormal amplitude can be estimated more accurately .

Based on the above research results , the intelligent control system for the process quality of gear automatic production line is designed and developed based on . NET platform , and the efficient operation of SPC control chart and support vector machine is realized by integrating MATLAB computing environment to meet the requirement of online monitoring and diagnosis of machining quality .
The system structure is designed as C / S and B / S combined mode , so as to meet the demand of quality control around automatic processing production line .

【學(xué)位授予單位】：重慶大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2013
【分類號】：TH164;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王清翔;仲婷;潘金貴;;基于SVM的日文網(wǎng)頁分類[J];廣西師范大學(xué)學(xué)報(自然科學(xué)版);2007年02期

2 趙書河,馮學(xué)智,都金康,林廣發(fā);基于支持向量機(jī)的SPIN-2影像與SPOT-4多光譜影像融合研究[J];遙感學(xué)報;2003年05期

3 張鍵;于忠黨;欒海瀅;;基于SVM的教師評價系統(tǒng)研究[J];教育信息化;2006年03期

4 薄麗玲;;基于SVM的數(shù)字圖像水印檢測算法設(shè)計[J];科技情報開發(fā)與經(jīng)濟(jì);2007年33期

5 黃秀麗;王蔚;;SVM在非平衡數(shù)據(jù)集中的應(yīng)用[J];計算機(jī)技術(shù)與發(fā)展;2009年06期

6 劉曉亮;丁世飛;朱紅;張力文;;SVM用于文本分類的適用性[J];計算機(jī)工程與科學(xué);2010年06期

7 任俊旭;;基于SVM的企業(yè)信息化能力成熟度測度模型研究[J];商業(yè)文化(下半月);2011年04期

8 吳春輝;陳洪生;;基于內(nèi)容的音頻分類技術(shù)綜述[J];現(xiàn)代計算機(jī)(專業(yè)版);2011年05期

9 毛偉;;基于支持向量機(jī)的回歸應(yīng)用研究[J];科技資訊;2011年12期

10 王雙亭;艾澤天;都偉冰;康敏;;基于SVM不同核函數(shù)的多源遙感影像分類研究[J];河南理工大學(xué)學(xué)報(自然科學(xué)版);2011年03期

相關(guān)會議論文 前10條

1 ;A Tool Wear Predictive Model Based on SVM[A];Proceedings of 2010 Chinese Control and Decision Conference[C];2010年

2 ;A CDMA Signal Receiver Based on LS-SVM[A];第二十六屆中國控制會議論文集[C];2007年

3 司愛威;馮輔周;江鵬程;饒國強(qiáng);王建;;基于可變風(fēng)險SVM模型的故障識別方法研究[A];第十屆全國振動理論及應(yīng)用學(xué)術(shù)會議論文集（2011）上冊[C];2011年

4 王紅偉;董慧;;一種提高SVM分類精度的調(diào)制信號識別方法[A];2010年西南三省一市自動化與儀器儀表學(xué)術(shù)年會論文集[C];2010年

5 ;Improved Particle Swarm Optimized SVM for Short-term Traffic Flow Predication[A];第二十六屆中國控制會議論文集[C];2007年

6 宋鑫穎;周志逵;;一種基于SVM的主動學(xué)習(xí)文本分類方法[A];第二十三屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2006年

7 邵杰;葉寧;容亦夏;;基于SVM的多波束測深數(shù)據(jù)濾波[A];第二十九屆中國控制會議論文集[C];2010年

8 于湘濤;周峰;張?zhí)m;魏超;;基于SVM和田口方法的石英撓性加速度計健壯性設(shè)計[A];質(zhì)量——持續(xù)發(fā)展的源動力：中國質(zhì)量學(xué)術(shù)與創(chuàng)新論壇論文集（下）[C];2010年

9 ;Adaptive Control of Nonlinear System Based on SVM Online Algorithm[A];中國自動化學(xué)會控制理論專業(yè)委員會D卷[C];2011年

10 張睿;陳雪;馬建文;;基于遞歸SVM的高光譜數(shù)據(jù)特征選擇算法研究[A];第八屆成像光譜技術(shù)與應(yīng)用研討會暨交叉學(xué)科論壇文集[C];2010年

相關(guān)重要報紙文章 前10條

1 魯永勤 索玉祥;強(qiáng)化生產(chǎn)過程質(zhì)量控制　全面提升藥品生產(chǎn)質(zhì)量[N];經(jīng)理日報;2004年

2 郭濤;利用SVM虛擬化技術(shù)實現(xiàn)容災(zāi)[N];中國計算機(jī)報;2008年

3 孫運(yùn)利;萊鋼齒輪鋼獲冶金行業(yè)“品質(zhì)卓越產(chǎn)品”稱號[N];世界金屬導(dǎo)報;2009年

4 韓沈南 蘇建敏;爭做“五個模范” 確保試驗成功[N];中國航天報;2009年

5 尚志 楊宏 五院“天宮一號”總指揮、總設(shè)計師;全過程質(zhì)量策劃 嚴(yán)格做好每一環(huán)[N];中國航天報;2009年

6 龔界文 李永;科工四院 “七抓”確保試驗100%成功[N];中國航天報;2009年

7 記者 張文鳴　通訊員 王蕾;新疆油田過程控制促工程上水平[N];中國石油報;2009年

8 徐志軍　王龍勝;淮宿變電站工程獲“魯班獎”[N];國家電網(wǎng)報;2008年

9 路曉宇 記者 楊慶;楊莊河煉化項目全力打造廉潔優(yōu)質(zhì)工程[N];延安日報;2009年

10 孫運(yùn)利;萊鋼特鋼廠成功開發(fā)德標(biāo)齒輪鋼[N];中國質(zhì)量報;2009年

相關(guān)博士學(xué)位論文 前10條

1 朱波;基于支持向量機(jī)的自動加工過程質(zhì)量控制方法研究[D];重慶大學(xué);2013年

2 渠瑜;基于SVM的高不平衡分類技術(shù)研究及其在電信業(yè)的應(yīng)用[D];浙江大學(xué);2010年

3 申豐山;樣例權(quán)重估計及在此基礎(chǔ)上的SVM[D];西安電子科技大學(xué);2011年

4 宋國明;基于提升小波及SVM優(yōu)化的模擬電路智能故障診斷方法研究[D];電子科技大學(xué);2010年

5 張婧;基于SVM的肺結(jié)節(jié)自動識別方法研究[D];華南理工大學(xué);2011年

6 余建波;基于智能學(xué)習(xí)模型的制造過程質(zhì)量控制理論與方法論研究[D];上海交通大學(xué);2009年

7 龍艷花;基于SVM的話者確認(rèn)關(guān)鍵技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2011年

8 許敏強(qiáng);基于話者統(tǒng)計特征和SVM的文本無關(guān)話者確認(rèn)研究[D];中國科學(xué)技術(shù)大學(xué);2011年

9 藍(lán)華;基于過程的科技學(xué)術(shù)期刊質(zhì)量控制系統(tǒng)研究[D];哈爾濱工業(yè)大學(xué);2009年

10 王慧;制造過程產(chǎn)能柔性及其若干關(guān)鍵技術(shù)研究[D];武漢理工大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 嚴(yán)會霞;基于SVM的眼動軌跡解讀思維狀態(tài)的研究[D];太原理工大學(xué);2010年

2 吳迪;基于SVM分類器的分步定位算法研究[D];哈爾濱工業(yè)大學(xué);2010年

3 楊煥;基于Basic-N-Units特征的SVM方法預(yù)測MicroRNA[D];吉林大學(xué);2010年

4 曾玉祥;盲抽取與SVM方法在地球化學(xué)異常下限提取中的應(yīng)用[D];成都理工大學(xué);2010年

5 曹云生;基于支持向量機(jī)（SVM）的森林生態(tài)系統(tǒng)健康評價及預(yù)警[D];河北農(nóng)業(yè)大學(xué);2011年

6 張漢女;基于SVM的海岸線提取方法研究[D];東北師范大學(xué);2010年

7 姚玉;基于GA-SVM算法的細(xì)胞色素酶P450突變預(yù)測[D];上海交通大學(xué);2011年

8 陳燃燃;基于SVM算法的web分類研究與實現(xiàn)[D];北京郵電大學(xué);2010年

9 陳卓;基于聚類和SVM主動反饋的圖像檢索方法[D];重慶大學(xué);2010年

10 馮青;基因微陣列數(shù)據(jù)的SVM分類器優(yōu)化方法[D];東北師范大學(xué);2010年

本文編號：1713318