基于组件的制造企业SPC管理信息系统

为了更加准确、高效地利用统计过程控制技术监控生产过程，在对制造企业SPC管理深入调研和分析的基础上，对其业务进行了优化、整合，运用数组变量、计数器以及数据循环处理方法构造了异常识别的核心算法，采用组件化的开发方法实现了制造企业SPC管理信息系统，并已在一家大型制造企业投入使用，效果显著。     

基于中小批量制造的SPC管理系统分析与设计

简要阐述了SPC统计分析方法及其控制图的概念,针对小批量生产的相关特征设计了一个SPC管理系统。系统主要依照控制图的思想,对中小制造企业的质量管理进行合理的控制。系统包含SPC分析模块、质量诊断模块和工序能力计算模块,通过多模块组合完成对中小批量制造的动态监控与管理。通过对该系统的分析与设计,促进了质量管理在质量检测中的应用,保证了企业对质量的控制。     

基于中小批量制造的SPC管理系统分析与设计

简要阐述了SPC统计分析方法及其控制图的概念,针对小批量生产的相关特征设计了一个SPC管理系统。系统主要依照控制图的思想,对中小制造企业的质量管理进行合理的控制。系统包含SPC分析模块、质量诊断模块和工序能力计算模块,通过多模块组合完成对中小批量制造的动态监控与管理。通过对该系统的分析与设计,促进了质量管理在质量检测中的应用,保证了企业对质量的控制。     

先进制造环境中工序质量统计过程控制的地位与作用

针对先进制造环境不仅要求技术上具有先进性，更重要的是其理念上具有先进性的特点，从工序质量统计过程控制(SPC)与自动过程控制(APC)关系的视角及质量改进的角度，论证了SPC在先进制造环境中的重要性，提出SPC是先进制造环境中重要组成部分的观点，指出其表现形式将是自动的SPC系统。先进制造环境中新的质量观要求将SPC实现计算机化、网络化及集成化，而SPC系统为在先进制造环境中新质量观的实现，提供了有力的物质保障与支持。     

浅析SPC技术在航天紧固件制造企业的应用

在全球化激烈的市场竞争环境中,产品质量是生产制造型企业的生命,是企业成功的保证。为了获得理想的产品质量,贯彻实施全面质量管理至关重要,其中全过程的质量管理是至关重要的一个环节。而统计过程控制(Statistical Process Control,SPC)是将制造过程质量控制理念落实到实际工作的关键工具之一,探讨统计过程控制在制造质量管理中的应用与实现,具有深刻的理论意义以及重要的现实价值,本文对公司紧固件-螺栓的制造进行SPC技术应用实例解析。     

质量统计过程控制技术SPC的应用及实现方法

统计过程控制技术SPC在现代企业生产质量管理中起着非常重要的作用。为促进SPC技术在航空产品中、小批生产企业中的应用和推广,本文阐述了SPC技术在质量管理中的应用方法,提出了SPC技术控制应用流程图并重点对SPC技术在计算机系统中的几种实现方法以及SPC软件系统设计与实现的思路进行了论述和研究。     

SPC在包装企业产品质量管理中的应用

统计过程控制(SPC)是质量管理的重要内容.为了更加准确、高效地利用SPC监控生产过程,在对包装企业SPC深入调研知分析的基础上,对业务进行了优化、整合,选用微软SQL Server2000数据库技术,运用JAVA开发工具,实现了企业SPC分析和管理系统,介绍了SPC的基本理论及西安德宝公司已投入使用3年且收效显著的SPC管理信息系统.     

离散制造系统在制品库存控制研究

研究SPC＆PI集成控制策略在离散制造系统在制品库存控制中的应用。分析SPC＆PI集成控制的实施步骤,建立SPC＆PI集成控制模型,实现对离散制造系统在制品库存的实时控制。仿真结果表明,当在制品库存均值出现移动和漂移两种偏差下,SPC＆H集成控制效果要优于单独的PI控制。     

基于SPC的压铸质量监控技术研究

为提高铸件质量、解决压铸制造中质量管理问题,将统计过程控制(SPC)技术应用于压铸制造过程,提出了面向压铸制造的SPC质量监控技术。实际应用结果表明:该技术可以显著提高压铸件质量,降低压铸件的废品率。     

如何正确选用并有效实施统计过程质量控制

该文在对多家国内日资制造企业和国内领先制造业统计过程质量控制(SPC)应用情况调查的基础上,针对统计过程控制实施过程中的主要问题,从统计过程控制实施前的准备工作、非传统控制图的选用、控制图实施主要三个方面,论述了如何通过提高统计过程控制的应用效率为企业真正创造价值。     

Framework of a computer-aided short-run SPC planning system

Statistical process control (SPC) is recognized as a technique to achieve cost-effective quality control through continuous manufacturing process improvement. But with growing demand for small-batch and high-variety products in the current dynamic market, the involved manufacturing processes are becoming more complex, variable, and flexible, which are not suitable for implementing SPC in the traditional way. Hence, short-run SPC is applied instead. Planning is a critical phase in the implementation of short-run SPC, which includes the formation of part families and the determination of corresponding data collection. To ensure homogeneity of the family members, this paper addresses preliminary analysis on the characteristics and applications of pertinent factors, and statistical analysis for SPC-based part family formation. To improve the efficiency of SPC planning and the adaptation for computer-integrated manufacturing, a framework for a computer-aided short-run SPC planning system is proposed using group technology classification and coding concepts. This invokes a 29-digit hybrid code appended to the Opitz coding scheme. Further, a supportive database is also proposed to facilitate coding information retrieval and system updating. A case study is shown with data collected from injection-mold manufacturing, which typically involves small-batch processes.     

面向小批量制造过程的质量控制方法研究

针对小批量制造过程中统计质量控制（SPC）所面临的突出问题,即如何充分利用有关过程的信息（包括客观的历史数据和主观的经验与判断）,提出应用贝叶斯预测理论的动态质量控制方法,着重讨论这一方法的动态建模、参数估计、模型干预方法和实施步骤等,并进行工程应用。     

产品设计与制造过程质量保证的集成

讨论了并行工程环境下产品设计和制造过程质量保证相集成的方法、策略及基本集成框架。指出该集成系统的关键是进行质量功能配置、面向制造的设计、面向装配的设计及制造过程质量的统计过程控制各种手段与方法的集成。最后给出了一个集成系统框架,并对其中的各个部分进行了详细的讨论。     

Statistical process control with intelligence using fuzzy ART neural networks

With the automation development of manufacturing processes, artificial intelligence technology has been gradually employed to increase the automation and intelligence degree in quality control using statistical process control (SPC) method. In this paper, an SPC method based on a fuzzy adaptive resonance theory (ART) neural network is presented. The fuzzy ART neural network is applied to recognize the special disturbance of the manufacturing processes based on the classification on the histograms, which shows that the fuzzy ART neural network can adaptively learn the features of the histograms of the quality parameters in manufacturing processes. As a result, the special disturbance can be automatically detected when a feature of the special disturbance starts to appear in the histograms. At the same time, combined with spectrum analysis of the autoregressive model of quality parameters, the fuzzy ART neural network can also be utilized to adaptively detect the abnormal patterns in the control chart.     

Statistical process control with intelligence using fuzzy ART neural networks

With the automation development of manufacturing processes, artificial intelligence technology has been gradually employed to increase the automation and intelligence degree in quality control using statistical process control (SPC) method. In this paper, an SPC method based on a fuzzy adaptive resonance theory (ART) neural network is presented. The fuzzy ART neural network is applied to recognize the special disturbance of the manufacturing processes based on the classification on the histograms, which shows that the fuzzy ART neural network can adaptively learn the features of the histograms of the quality parameters in manufacturing processes. As a result, the special disturbance can be automatically detected when a feature of the special disturbance starts to appear in the histograms. At the same time, combined with spectrum analysis of the autoregressive model of quality parameters, the fuzzy ART neural network can also be utilized to adaptively detect the abnormal patterns in the control chart.     

基于网络的制造资源重构方法研究

提出了基于网络的制造资源重构的思路和方法,即分2个阶段实现制造资源的重构.首先是候选企业的选择,其次是制造资源的重构,并建立与之相适应的制造任务分配模式、企业信息模型和制造设备的信息模型,给出了重构过程的流程.     

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。