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。     

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。     

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.     

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。     

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。     

基于神经网络的控制模式识别技术研究

控制图是统计质量控制 (SQC)的重要工具 ,而控制图模式识别是计算机辅助质量控制系统中的难点之一。本文详细探讨了采用神经网络技术进行控制图模式识别的关键技术与实现方法     

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。     

时序分析在机床上的应用技术讲座 第七讲故障诊断的时序方法(一)

故障诊断技术是模式识别理论在工程领域的延拓,其实质是解决工程系统、运行设备的状态识别(即状态分类)问题。实践表明,该方法有较强的识别诊断能力,现已越来越被重视。 一、模式识别和故障诊断的基本概念 模式识别的概念见图7.1。运行设备(系统)的不同状态就是不同的模式,而识     

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。     

基于神经网络——模糊集的多元过程质量异常检测及分类

传统的多元控制图用于多元质量过程监控难以给出异常相关的进一步信息。而对于与过程异常关联的质量特性或其组合的检测及其偏移量的测定或定性，对于异常原因的快速诊断、纠正措施的及时制定意义重大，从而减少过程异常导致的不合格产品量。本文提出一种利用神经网络和模糊集技术对多元过程质量异常进行检测及分类的方法，神经网络模块利用其模式识别功能对过程偏移信号作出解释，确定引发异常的质量特性或其组合；模糊分类模块利用其模糊聚类功能对神经网络的输出信号加以分类，确定异常质量特性或其组合的偏移程度。并以ARL为评价指标，与多元T^2控制图做了比较。     

基于MSVM的多品种小批量动态过程在线质量智能诊断

提出了基于多分类支持向量机(MSVM)的多品种、小批量动态过程在线质量智能诊断方法。离线训练时,提取异常模式仿真数据的小波重构特征,对 MSVM识别和估计模型进行训练和测试,同时建立异常因素诊断库;在线诊断时,对“监控窗口”数据特征的过程模式及参数进行识别与估计,而后利用异常因素诊断库实现对多品种、小批量动态过程实时在线智能诊断。某精密轴加工过程实例验证了该智能诊断方法的有效性。     

Control chart pattern recognition using K-MICA clustering and neural networks

Automatic recognition of abnormal patterns in control charts has seen increasing demands nowadays in manufacturing processes. This paper presents a novel hybrid intelligent method (HIM) for recognition of the common types of control chart pattern (CCP). The proposed method includes two main modules: a clustering module and a classifier module. In the clustering module, the input data is first clustered by a new technique. This technique is a suitable combination of the modified imperialist competitive algorithm (MICA) and the K-means algorithm. Then the Euclidean distance of each pattern is computed from the determined clusters. The classifier module determines the membership of the patterns using the computed distance. In this module, several neural networks, such as the multilayer perceptron, probabilistic neural networks, and the radial basis function neural networks, are investigated. Using the experimental study, we choose the best classifier in order to recognize the CCPs. Simulation results show that a high recognition accuracy, about 99.65%, is achieved.     

一种有效提高控制图异常模式识别效果的方法

提出了一种基于主元分析(PCA)的控制图特征提取方法,先用常规控制图提取生产过程数据集,再将其高维特征进行线性组合并向低维空间投影,从而降低了分类器的输入维数,提高特征的敏感性。用一个含有6种趋势的20维特征数据集进行测试,通过PCA预处理后,特征被降到了3维并保留了88%的分类信息;再用BP分类器对特征提取前后的数据集进行识别,结果优于新型RSFM网络进行直接识别的效果。实验结果表明了本文方法的可行性和有效性。     

Control chart pattern recognition using an optimized neural network and efficient features

Automatic recognition of abnormal patterns in control charts has seen increasing demands nowadays in manufacturing processes. This study investigates the design of an accurate system for control chart pattern (CCP) recognition from two aspects. First, an efficient system is introduced that includes two main modules: the feature extraction module and the classifier module. The feature extraction module uses the entropies of the wavelet packets. These are applied for the first time in this area. In the classifier module several neural networks, such as the multilayer perceptron and radial basis function, are investigated. Using an experimental study, we choose the best classifier in order to recognize the CCPs. Second, we propose a hybrid heuristic recognition system based on particle swarm optimization to improve the generalization performance of the classifier. The results obtained clearly confirm that further improvements in terms of recognition accuracy can be achieved by the proposed recognition system.     

基于神经网络的质量控制图异常诊断

针对质量控制图异常模式到异常原因的映射存在模糊不确定性,采用4层前馈BP神经网络,实现从控制图异常模式到异常原因的推理诊断,构建质量控制图异常模式异因推理诊断系统。首先,将控制图异常模式进行归类,构建控制图异常模式集;其次,针对每种异常模式,确定与之对应的异常原因集;最后,针对每一种异常模式,利用其模式数据作为输入,与之对应的异常原因的异常度作为输出,构建与其对应的神经网络,实现质量控制图异常模式到异常原因的推理诊断,并在此基础上将神经网络输出异常度按大小进行排序,缩小异常原因查找范围,提高查找效率。     

基于LabVIEW的电火花线切割放电加工状态的研究

电火花线切割加工时放电加工状态决定着加工的质量和速度,电极丝和工件之间的放电电压是对放电加工过程进行实时检测的重要参数.以LabVIEW为开发平台,以放电电压为检测参数,构建了电火花线切割放电加工状态识别仿真系统.该系统主要包括线切割放电状态识别模块、BP神经网络放电预测模块以及加工稳定性分析模块,对提高电火花线切割加工质量、加工效率及智能化加工有良好的效果.     

Statistical process control using optimized neural networks: A case study

The most common statistical process control (SPC) tools employed for monitoring process changes are control charts. A control chart demonstrates that the process has altered by generating an out-of-control signal. This study investigates the design of an accurate system for the control chart patterns (CCPs) recognition in two aspects. First, an efficient system is introduced that includes two main modules: feature extraction module and classifier module. In the feature extraction module, a proper set of shape features and statistical feature are proposed as the efficient characteristics of the patterns. In the classifier module, several neural networks, such as multilayer perceptron, probabilistic neural network and radial basis function are investigated. Based on an experimental study, the best classifier is chosen in order to recognize the CCPs. Second, a hybrid heuristic recognition system is introduced based on cuckoo optimization algorithm (COA) algorithm to improve the generalization performance of the classifier. The simulation results show that the proposed algorithm has high recognition accuracy.     

Application of the PSO–SVM model for recognition of control chart patterns

Control chart patterns are important statistical process control tools for determining whether a process is run in its intended mode or in the presence of unnatural patterns. Accurate recognition of control chart patterns is essential for efficient system monitoring to maintain high-quality products. This paper introduces a novel hybrid intelligent system that includes three main modules: a feature extraction module, a classifier module, and an optimization module. In the feature extraction module, a proper set combining the shape features and statistical features is proposed as the efficient characteristic of the patterns. In the classifier module, a multi-class support vector machine (SVM)-based classifier is proposed. For the optimization module, a particle swarm optimization algorithm is proposed to improve the generalization performance of the recognizer. In this module, it the SVM classifier design is optimized by searching for the best value of the parameters that tune its discriminant function (kernel parameter selection) and upstream by looking for the best subset of features that feed the classifier. Simulation results show that the proposed algorithm has very high recognition accuracy. This high efficiency is achieved with only little features, which have been selected using particle swarm optimizer.