(哈尔滨产业年夜学 现代出产手艺中央,150001)
摘要：本文在剖析提高前辈制造手艺(AMT)情况下实施统计过程质量节制手艺的发显现状的同时，谈判了将统计过程质量节制(SPQC)手艺应用于提高前辈制造情况下所存在的题目问题。凭据所提出的题目问题，研究了面向提高前辈制造情况，基于等效工序手法的统计过程质量节制方式；拓荒了基于前馈型BP神经收集的加工过程极端模式自动识别软件。 要害词：提高前辈制造手艺，统计过程质量节制，模式识别，质量担保 一、引言 八十年月以来，顾客对产物的需求从单一型向多样型改变，国际市场的竞争日趋乖戾。据国外的察看注解，企业之间的竞争焦点已从价钱成分向柔性、质量、对市场转变的快速响应等非价钱成分转移[1]。跟着全国产业市场竞争的络续加剧，为了生计和成长，越来越多的企业熟悉到实施提高前辈制造手艺的主要性，并已经最先引进和实施AMT[2]。在AMT的研究和应用络续取得成功的同时，也有许多企业发现AMT带来的效益并不如所盼愿的那么年夜，甚至还有许多失落败的例子摆在人们面前。影响提高前辈制造手艺成功应用的成分有许多，其中一个主要的成分是产物的质量。 传统的统计过程质量节制基于休哈特节制图，监测节制统一产物的统一质量特征的转变纪律，使之知足精度并连结不变，在刚性自动化年夜出产中获得了普遍的应用，并取得了伟年夜的经济效益[3]。然则，在小批量出产体式格局占主导地位的AMT出产情况下，传统的统计模子无法获得充沛的数据来竖立统计节制相干。是以，传统的SPQC却不能直接被应用在AMT出产情况下，SPQC需要一种新的指导脑子。对此，国内外均做了一些研究[4-8]，提出一些治理方案，但均没能在基本上治理数据不足的题目问题。 此外，在提高前辈制造系统中还存在对节制图的识别题目问题。传统的出产情况下节制图是否处于统计节制状况下，是由人对节制图进行统计状况的识别。在AMT出产情况下若是持续沿袭这种方式，一方面影响信息反馈的实时性，另一方面工人一贯看管节制图会提高工作强度，降低他们的工作遵守。行使模式识别算法对节制图自动识别，就可以很好地治理这两方面的题目问题。有一些工序的失落控状况很随意纰漏用通俗算法识别，例如节制变量超出节制界限以及一连的上升和下降的趋向。然而对于小波动的持续上升或下降概略是轮回转变趋向，则难以用通俗方式进行剖断。因为神经策画手艺的成长，许多畴昔策画量很年夜并耗时较长的题目问题获得认识决，模式识别就是其中的一项。考虑到在AMT出产模式入彀算机化是根底前提之一，而且出产情况中的策画机只是行使已经演习好的法式运行识别算法，不需要太年夜的策画量。是以，行使神经收集对节制图的极端模式进行识别长短常合适的。 基于以上谈判，本文提出了基于等效工序手法的统计过程节制方式，并给出了统计变量的策画方式。而且，以这种统计方式所获得的节制图的转变趋向为研究器械，接纳人工神经收集理论贪图了节制图极端状况的自动识别软件。 二、基于等效工序手法的统计过程质量节制方式 1. 等效工序手法节制的理论根柢根底 现代统计过程质量节制的起点是在事前节制加工过程，使其处于正常状况；而不是在事后经过过程磨练的方式节制次品的扩散。进行的是“过程节制”而不是“产物节制”。总的来说，只若是无较着差异的5M1E[9]情况下出产出来的产物的质量特征值（不必然为同类产物）偏离盼愿值的正常波动遵守 的分布。等效工 序手法节制图经过过程对 的尺度化更改，使得等效工序手法节制图的节制界限不随质量特征的分歧 而转变，使统计变量成为遵守尺度正态分布的无量纲量的随机变量，达到行使历史数据的目的。分歧的统计变量的转换方式分歧，但其根底理论可以由下式表达： (1) 式(1)是对 的尺度化，新获得的统计变量T为遵守尺度正态分布的无量纲量随机变量，节制界限 在给定第一类统计错判的允许概率的情形下平稳不变。这样在等效工序手法下，分歧产物的质量特征以及统一产物的分歧质量特征就能够经过过程尺度化更改行使统一种统计方式剖析，实现分歧但相关的统计特征之间的统计相干，达到充裕行使一台机床的历史数据和部门相关数据的目的，实此刻中小批量出产中对加工工序的统计过程质量节制。 2. x-Rs 节制方式统计变量的策画 基于以上脑子，本文改造了传统的单值-移动极差节制图，行使这种节制图实现了对多品种、小批量出产过程的统计过程质量节制。 传统的单值－移动极差节制图是用所罕有据的均值 作为 的估量值，故只有在数据悉数收集后才 能进行节制图的绘制和剖析，而在现实出产中，数据是一批一批或一个一个获得的。是以改造的单值－移动极差节制图在获得第i个数据后，为充裕行使已知信息，用曩昔i-1个数据来策画节制界限和统计变量。并经过过程统计更改，消去统计变量中的平均值 和集体方差 ，实现对质量信息的充裕行使。 (1) 单值节制变量的策画 改造的单值变量在每个节制点，行使 进行判袂。 因为 ，由正态过程平均值的抽样分布性质可知： 由正态过程的可加性和正态过程的尺度化更改获得： 因为总体尺度差 未知，故必需消去表达式中的 。由尺度差的抽样分布的性质可知： 凭据student-t分布的界说获得： 化简后获得： (2) 上式注解， 遵守自由度为i－2的student-t分布，对于给定的较着性水平 ，由student-t分布找出知足下式的节制界限值 使得： 但因为 在给定 下，跟着n的转变而转变，是以首先作自由度为i－2的student-t分布概率密度积分得 （p(t)为t分布概率密度函数），然后对积分值进行反尺度正态更改获得单值节制图的统计变量 。 (3) 此时统计变量 凭据给定的第一类统计错判的允许概率 ，由尺度正态分布找出知足下式的节制界限 ： 若是把某次检测的数据代入上式中，使 或一段时刻内 值的罗列泛起极端趋向则意味着工 序已发生了转变，反之则工序处于统计节制状况。 (2) 移动极差节制变量的策画 因为： 且 则可知在出产过程没有较着变异的情形下 的特征分布纪律遵守于 的正态分布纪律。 所以，由正态过程的根底性质可得 且由 特征分布的界说可以获得： 由 特征分布的概念可以获得： (4) 因为 在给定第一类统计错判的允许概率 的情形下，跟着i的转变而转变，为此特做以下更改。自由 度为 的F分布的概率密度积分为 ，其值为0到1 之间，对 进行反尺度正态更改获得移动极 差节制图的统计变量： (5) 用T2作为统计变量，新的节制图的中央线为0，如接纳3 原则时，其上下节制界限就是+3和-3。至此，以T1和T2为统计节制变量，就可画出改造的单值－移动极差节制图了。节制图的中央线为0，上下节制界限凭据给定的第一类统计错判的允许概率策画，不再随样本巨细和物理特征的转变而转变。 三、极端模式自动识别 本研究将前馈型的反向流传神经收集算法用于AMT质量节制中的极端模式自动识别，接纳离线演习与在线识别相连系的方式，竖立了一个三层的神经收集。该收集的输入是经由预处置责罚的二进制数，输出是一种特定的节制图显示趋向。收集由输入层、隐层和输出层组成。输入层有i个结点，每个结点代表节制图上按挨次罗列的一个质量特征，数值为特征点在节制图上的位置。输出层有o个结点，结点输出值为1或0，代表了o种分歧的节制图极端趋向。隐层结点数为h，本文接纳执行剖析的方式确定隐层结点数。整个收集的结点数为i+h+o。 人工神经收集的进修算法为有教师的δ进修律，其输入与输出相干知足非线性单调上升的函数： (6) 在现实研究中，演习数据是行使Visual C++中的随机数函数发生(0,1)上平均分布的随机数Ri。行使所发生的随机数，并凭据中央极限制理，由式(7)生成尺度正态分布的样本。更改尺度正态分布的总体生成80组分歧浸染趋向的数据，其中20组数据为通俗的，60组为三种复杂趋向，离别是小波动的持续上升、小波动的持续下降和轮回趋向。 (7) 行使这80组数据，对所竖立的神经收集进行演习取得了优越的效果。在对分歧加工过程中所获得的20组现实数据的测试中，悉数正确。对各类其余方式不易剖断的复杂趋向具有优越的剖断手法。 四、结论 本文在研究SPQC手艺应用于提高前辈制造情况下所存在的题目问题的根柢根底上，提出认识决AMT出产情况下质量数据不足的题目问题的方式，给出了基于等效工序手法的统计过程节制图的节制变量的策画方式；剖析注解这种质量节制方式能够有
