復(fù)雜生產(chǎn)過程質(zhì)量控制的智能方法研究.pdf

1、質(zhì)量作為社會(huì)經(jīng)濟(jì)發(fā)展的關(guān)鍵因素之一，越來越受到社會(huì)各界的重視。隨著科學(xué)技術(shù)的發(fā)展，實(shí)現(xiàn)日漸復(fù)雜生產(chǎn)過程的質(zhì)量管理成為研究者們關(guān)注的重大課題。質(zhì)量管理是根據(jù)所制定的質(zhì)量方針，通過質(zhì)量策劃、質(zhì)量控制、質(zhì)量保證和質(zhì)量改進(jìn)來實(shí)現(xiàn)產(chǎn)品或服務(wù)的全部活動(dòng)。過程質(zhì)量控制作為質(zhì)量控制的關(guān)鍵部分，是實(shí)現(xiàn)產(chǎn)品創(chuàng)造的主要階段，因而保證過程質(zhì)量是實(shí)現(xiàn)質(zhì)量管理的一種有效途徑。隨著現(xiàn)代生產(chǎn)過程的日益復(fù)雜，其過程具有數(shù)據(jù)高維、非線性，過程模型不確定和各子過程相互干擾并

2、呈現(xiàn)強(qiáng)耦合等特點(diǎn)，因而比傳統(tǒng)生產(chǎn)過程質(zhì)量控制更為困難。本文通過復(fù)雜系統(tǒng)理論結(jié)合多元化、智能化等方向發(fā)展的質(zhì)量控制方法，實(shí)現(xiàn)復(fù)雜生產(chǎn)過程的質(zhì)量控制。
　　支持向量機(jī)是建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論和最小結(jié)構(gòu)風(fēng)險(xiǎn)基礎(chǔ)上的一種機(jī)器學(xué)習(xí)智能方法。通過核函數(shù)實(shí)現(xiàn)非線性問題向線性問題的轉(zhuǎn)化，能較好的解決小樣本、非線性、高維數(shù)、局部最小等問題，具有很強(qiáng)的泛化能力。粒子群算法模擬鳥群捕食行為，其算法概念簡(jiǎn)單，控制參數(shù)少，易于實(shí)現(xiàn)，同時(shí)兼有進(jìn)化計(jì)算

3、和群智能優(yōu)化的特點(diǎn)，通過個(gè)體間的協(xié)作與競(jìng)爭(zhēng)，實(shí)現(xiàn)對(duì)復(fù)雜空間最優(yōu)解的搜索。粒子群算法是解決整數(shù)非線性優(yōu)化問題、非線性連續(xù)優(yōu)化問題和組合優(yōu)化問題等方面的有效優(yōu)化工具。本文利用支持向量機(jī)作為建立復(fù)雜生產(chǎn)過程質(zhì)量模型的工具，將粒子群算法及其改進(jìn)算法應(yīng)用于支持向量機(jī)參數(shù)優(yōu)化、模型最優(yōu)解選擇等問題中，從而實(shí)現(xiàn)復(fù)雜生產(chǎn)過程的質(zhì)量控制。
　　針對(duì)復(fù)雜生產(chǎn)過程故障檢測(cè)問題，本文將小波包分析方法作為過程樣本數(shù)據(jù)的消噪工具，通過多層次劃分逼近原信號(hào)的方

4、法消除樣本數(shù)據(jù)中的噪音和干擾，提取高效的數(shù)據(jù)樣本，建立基于核主元分析的多變量統(tǒng)計(jì)過程監(jiān)控模型，實(shí)現(xiàn)非線性問題向線性問題的轉(zhuǎn)化，從而進(jìn)行復(fù)雜生產(chǎn)過程的故障檢測(cè)。本文通過1個(gè)數(shù)值算例和TE復(fù)雜化工過程故障分析進(jìn)行故障檢測(cè)研究，并與PCA和KPCA故障檢測(cè)方法進(jìn)行對(duì)比研究，證明所提出方法的可行性和有效性。
　　控制圖作為統(tǒng)計(jì)過程控制的有效工具，控制圖模式的識(shí)別在處理復(fù)雜生產(chǎn)過程質(zhì)量問題中發(fā)揮著重要的作用。針對(duì)目前識(shí)別較難的控制圖混合模式

5、，本文首先提取樣本數(shù)據(jù)的統(tǒng)計(jì)特征和形狀特征值作為質(zhì)量信息特征值，再利用主元分析方法進(jìn)行第二次特征提取，得到高效的樣本數(shù)據(jù)信息。利用支持向量機(jī)泛化能力強(qiáng)、識(shí)別精度高的特點(diǎn)實(shí)現(xiàn)控制圖模式的多分類識(shí)別，同時(shí)采取自適應(yīng)變異粒子群算法進(jìn)行多分類支持向量機(jī)的參數(shù)優(yōu)化。本文提出利用六種控制圖基本模式和四種控制圖混合模式對(duì)所提出的模型進(jìn)行分析，通過與神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和主元分析-支持向量機(jī)這三種方法的對(duì)比試驗(yàn)，結(jié)果表明本文所建立的控制圖模式識(shí)別方法能

6、取得更高的分類識(shí)別率，為控制圖模式識(shí)別研究提供一定的參考價(jià)值。
　　針對(duì)復(fù)雜生產(chǎn)過程的多輸入、多輸出、非線性的特點(diǎn)，提出了一種基于局部模型的多工況過程質(zhì)量預(yù)測(cè)方法。首先利用K均值聚類方法進(jìn)行復(fù)雜數(shù)據(jù)處理，實(shí)現(xiàn)復(fù)雜生產(chǎn)過程工況的劃分，利用所需樣本小、學(xué)習(xí)能力強(qiáng)的支持向量機(jī)回歸原理建立各工況下的局部模型，再利用自適應(yīng)粒子群算法求得各局部模型最優(yōu)加權(quán)值，建立預(yù)測(cè)全局多模型，從而實(shí)現(xiàn)復(fù)雜生產(chǎn)過程的質(zhì)量預(yù)測(cè)。通過TE過程的正常模式這一復(fù)雜過

7、程對(duì)所建立的多模型預(yù)測(cè)方法進(jìn)行仿真預(yù)測(cè)，并與局部模型、BP神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型進(jìn)行對(duì)比研究，結(jié)果表明本模型的預(yù)測(cè)效果相對(duì)其他預(yù)測(cè)方法較好，相對(duì)誤差控制在1％左右，同時(shí)表明其預(yù)測(cè)方法的可行性和有效性。
　　復(fù)雜生產(chǎn)過程很難用單純抽象的數(shù)學(xué)模型進(jìn)行描述，生產(chǎn)商希望通過虛擬仿真的方式動(dòng)態(tài)模擬生產(chǎn)過程，對(duì)生產(chǎn)過程的各質(zhì)量因素進(jìn)行分析，得到影響其質(zhì)量問題的因素。本文在瀝青混合料生產(chǎn)過程的級(jí)配控制的數(shù)學(xué)模型框架下，利用Arena仿真軟

8、件建立人機(jī)交互式界面，根據(jù)實(shí)際生產(chǎn)情況進(jìn)行參數(shù)設(shè)定，模擬特定情況下的瀝青混合料生產(chǎn)情況。并通過Arena軟件內(nèi)嵌的編譯模塊，編寫不同的控制方法，實(shí)現(xiàn)瀝青混合料質(zhì)量控制的多因素控制邏輯，并利用圖像輸出實(shí)時(shí)觀察生產(chǎn)狀態(tài)的變化。模型試驗(yàn)結(jié)果表明系統(tǒng)優(yōu)化控制與控制策略相關(guān)，適合的控制策略能使系統(tǒng)大幅度降低質(zhì)量問題，仿真控制方法為瀝青混合料級(jí)配的質(zhì)量控制提供了很好的途徑，極大地縮短產(chǎn)品的試驗(yàn)時(shí)間，及時(shí)控制級(jí)配偏差，有利于提高產(chǎn)品的整體質(zhì)量，表明虛