FMS质量控制技术的研究

对柔性制造系统（FMS）质量控制技术的重要工具－质量控制图的模式识别问题进行了深入的研究,提出了一种基于神经网络的质量控制图模式识别的方法,实现了质量控制图的自动识别。该方法具有结构简单、识别能力强、训练时间短的特点,经过训练的神经网络能够识别质量控制图的6种基本模式,并给出仿真结果。     

质量控制图在线智能诊断分析系统

在计算机集成制造系统环境下，为了有效实现工序质量控制，提出了质量控制图的在线智能诊断分析系统框架，它由控制图模式识别、参数估计、专家诊断分析系统和加工参数调整系统四个模块组成。在该系统中，采用了一种适用于模式识别与分类的新型神经网络模型——局部有监督特征映射网络，将其应用于该系统的控制图模式识别和参数估计中。仿真实验和应用实例表明，识别和分类结果与实际相符，并可以保证实时性。     

智能统计工序质量控制的体系研究

针对统计工序质量控制的要求，提出了智能控制体系的基本框架，论述了控制图模式的分类及其表达。对智能统计工序质量控制的控制图模式识别、控制图异常模式的参数估计和诊断分析专家系统3个主要方面进行了分析，并提出了解决方案和系统模型。在模型构造中，采用小波概率神经网络进行控制图的模式识别和控制图异常模式的参数估计。模拟仿真和实际应用结果表明：该方法结构简单、收敛速度快、识别准确率高，能够满足控制图在线检测和分析的需要。     

一种新型的神经网络及其在智能质量诊断分析中的应用

提出了一种适用于模式识别的新型神经网络模型———局部有监督特征映射 (RegionalSupervisedFeatureMapping, RSFM)网络,将其应用到质量控制图的模式识别中,为基于统计过程控制(SPC)的智能工序质量诊断分析系统提供了技术支持。文中研究了网络的基本性能并对其参数进行优化,提出了采用欧氏距离判别法作为混合型多特征异常模式的识别方法。实验证明,所提出的模型对控制图的基本模式和混合型多特征异常模式都能够有效识别,网络收敛速度快、识别精度高,可进行大样本训练,适用于控制图的在线实时模式识别。     

FMS质量保证体系数据采集及分析系统的研究

用容栅数显卡尺对FMS加工过程中的零件几何参数进行测量,以无线电通讯方式将数据传给数据采集器,数据采集器通过标准RS485串行口与计算机相连,计算机对测量数据进行处理,形成质量控制图并用神经网络方法对质量控制图进行分析(对质量控制图模式识别)。     

基于小波概率神经网络的控制图模式识别

提出了控制图模式识别的基本框架,描述了控制图异常状态的三种形式,即基本模式、特殊模式和混合模式.针对特殊模式和混合模式,提出了将输入数据经小波分解后的近似,系数与各层细节系数的能量成分组成的特征向量作为概率神经网络的输入进行控制图模式识别的方法.仿真实验结果表明,该方法结构简单、收敛速度快、识别精度高、Ⅰ型错判和Ⅱ型错判低,适合于控制图模式识别.     

基于小波概率神经网络的控制图模式识别

提出了控制图模式识别的基本框架,描述了控制图异常状态的三种形式,即基本模式、特殊模式和混合模式。针对特殊模式和混合模式,提出了将输入数据经小波分解后的近似系数与各层细节系数的能量成分组成的特征向量作为概率神经网络的输入进行控制图模式识别的方法。仿真实验结果表明,该方法结构简单、收敛速度快、识别精度高、Ⅰ型错判和Ⅱ型错判低,适合于控制图模式识别。     

模式识别在机械自动化制造过程中的质量监控

为降低机械自动化制造过程中的废品率,提出模式识别在机械自动化制造过程中的质量监控方法,监控自动化制造过程中的产品质量,提高对产品质量的识别精准度。基于机械自动化制造过程中的质量检测环节,创建机械自动化制造过程中的产品质量监控流程。采用数字化测量仪采集机械自动化制造生产线质量数据,创建 SPC 控制图。基于 SPC 控制图模式识别的质量监控方法,将 k-means 算法与粒子群算法相结合,利用改进 k-means 算法获取控制图模式产品质量数据集聚类中心,结合欧氏距离,提取 SPC 控制图距离特征。将其输入多分类的支持向量机中,识别机械自动化制造过程中的产品质量控制图模式类型,诊断异常因素,并采取相应调控措施,实现机械自动化制造过程中的质量监控。实验表明:该方法可有效提高控制图的识别精准度,缩短训练与测试时间;并有效监控机械自动化制造过程中的产品质量。     

基于神经网络的可重组制造系统质量控制方法研究

为提高可重组制造系统的可诊断性并缩短系统重组后的斜升时间,提出了基于神经网络的可重组制造系统工序质量控制方法。首先,结合x-R控制图质量控制方法和神经网络技术分别建立了用于控制图模式识别和质量缺陷原因诊断的两个神经网络模型;然后,开发出基于神经网络的工序质量控制系统,以加工件的质量特征数据作为数据源,可对生产过程进行快速诊断和及时反馈。最后,通过实例验证了基于神经网络的可重组制造系统工序质量控制方法的有效性。     

基于混合模型与改进多分类马田系统的控制图模式识别

为提高生产过程中产品质量的智能监控水平,提出基于时间序列混合模型及改进多分类马田系统的控制图模式识别算法。选用时间序列混合模型对控制图实时数据进行特征提取;改进马田系统的阈值计算方法并制定多类判别准则,将表征的特征向量代入改进多分类马田系统分类器中进行特征约减及模式识别。最后,将该识别算法应用于控制图公开数据集及生产案例中,以验证算法的有效性,并与其他算法对比了分析,结果表明,基于时间序列混合模型及改进多分类马田系统算法能简化识别系统,识别精度高,是一种更为有效的控制图模式识别方法。     

基于小波分析和SVM的控制图模式识别

为提高控制图模式尤其是混合控制图模式的识别精度,提出了基于小波分析和支持向量机(SVM)的控制图模式识别方法。该方法通过对工序质量特征数据进行小波包分解,提取低频逼近序列和各频带能量信息,并以此作为SVM分类器的输入,分别识别控制图模式中的趋势信号、阶跃信号和周期信号,最后通过合并这些信号以确定控制图的模式。通过仿真实验的验证,表明该方法相比传统的控制图模式识别方法,具有较好的识别精度。     

关键重要零件质量控制技术

研究了加工关键、重要零件的质量控制问题.三坐标测量机将加工数据通过PCI总线传输给PC机,PC机对加工数据进行处理并形成质量控制图,利用神经网络技术对质量控制图进行模式识别和参数估计,并对国家标准的8种判异准则进行正确识别,对过程能力进行了分析研究,计算过程能力指数,最后在Matlab环境下编制了系统的GUI界面,在实际应用中取得良好效果.     

利用优化概率神经网络识别自相关过程异常

概率神经网络的控制图模式识别性能主要取决于平滑因子的设定,为提高概率神经网络对控制图模式识别准确率,文章利用PSO算法对平滑系数进行优化。将优化的概率神经网络运用于自相关过程的控制图模式识别中,并与常见的控制图模式识别方法BP神经网络进行对比,通过仿真实验证明,基于PSO优化的概率神经网络在自相关过程中具有更强的模式分类性能。     

质量控制图及其工序质量控制

简要介绍了质量控制图的基本特点,论述了质量控制图的选择方法,对比分析了四种计量值质量控制图的应用特点,以实例详细分析了应用控制图进行工序质量控制的方法.     

利用-x-s图控制汽车零件制造质量

阐述了应用计量控制图中的均值-标准差控制图（x^- -s图）对汽车零件制造质量进行控制的计算机系统。该系统对机械零件加工质量进行实时控制，对加工过程的有关数据进行收集，按统计质量控制原理进行分类、统计、绘制控制图。对所得到的图进行分析，判断生产过程是否处于控制状态；还得到零件单项质量不合格率等统计结果。     

基于方差分析的电子产品质量控制图的研究

为提高电子产品的质量,降低生产成本,使用控制图是个很好的质量控制方法.针对航空电子产品生产过程中统计过程控制方法的局限性,介绍了方差分析及控制图的概念,并考虑到不同环境下样本抽样数据之间的差异,结合方差分析原理对(x)-R控制图的构造方法及上下控制限的确定方法进行了研究.通过实例分析验证了修正后的(x)一R控制图对航空...     

基于支持向量机的控制图在线检测和分析系统的研究

针对控制图在线检测和分析的要求，提出了系统基本框架。利用一对一算法的多类分类支持向量机进行控制图模式识别和异常模式下参数估计。在模型构造中，采用混合核函数，并利用遗传算法优化混合核函数支持向量机参数。仿真结果和实际应用表明：该方法结构简单、收敛速度快，识别准确率高，能够满足控制图在线检测和分析的需要。     

利用-s图控制汽车零件制造质量

阐述了应用计量控制图中的均值 -标准差控制图 (x -s图 )对汽车零件制造质量进行控制的计算机系统。该系统对机械零件加工质量进行实时控制 ,对加工过程的有关数据进行收集 ,按统计质量控制原理进行分类、统计、绘制控制图。对所得到的图进行分析 ,判断生产过程是否处于控制状态 ;还得到零件单项质量不合格率等统计结果     

改进的BP算法用于控制图模式识别

研究3种改进的BP算法在控制图模式识别中的应用。应用Matlab神经网络工具箱对神经网络进行仿真，为了提高网络的运行速度，对样本数据进行预处理。仿真结果表明尺度共轭梯度下降算法的训练速度最快，识别的准确率也最高。     

基于Minitab质量控制图的电子产品生产应用

为了提高电子产品的质量,降低生产成本,使用质量控制中的控制图是一个很好的方法。本文利用x—R控制图对某电子产品进行质量控制。面对复杂的统计分析公式和繁多的数据,用Minitab作为开发工具对某电子产品的质量测试数据进行统计处理,通过Minitab所得的计算机图形和分析结果,能够方便、准确地判断该电子产品的质量情况。本文通过实例分析了该电子产品的工序生产过程和受控状态。