基于小批量的统计过程控制研究

分析了传统的休哈特控制图应用在小批量生产条件下存在的问题及其局限性。在此基础上提出了一种适合于小批量生产质量控制的新思路，并与传统的休哈特控制图方法进行了对比。证明了这种新思路应用在小批量生产过程中的可行性和有效性。     

小批量生产条件下的统计过程控制研究

从小批量生产的定义入手，分析传统的休哈特控制图应用在小批量生产条件下存在的问题及局限性。对目前小批量生产质量控制的方法进行简要分析。在此基础上，提出一种适合于小批量生产质量控制的新思路，并用实际数据对提出的方法与传统的休哈特控制图方法进行了对比，说明这种新思路应用在小批量生产过程中的可行性和有效性。     

累积和控制图与传统控制图同时监控过程均值

质量管理中广泛使用的休哈特控制图，对异常原因引起的均值大的偏移比较有效，但对于小的持续的偏移却不敏感；累积和控制图对小的持续性偏移有效。但对瞬间偏移不敏感。在过程质量的监控中，同时采用这两种控制图来进行监控，包容了两种控制图的优点，弥补了彼此的不足。在一定条件下，提出了一种新的控制图——累积和和休哈特混合控制图，效果明显优于累积和控制图或休哈特控制图。     

统计过程控制SPC概论

SPC即统计过程控制（Statistical Process Control），SPC是美国贝尔实验室休哈特（Shewhart）博士首先应用正态分布特性于生产过程中的管理，目前已成为生产过程中控制稳定产出的主要工具之一，在生产型企业中应用得非常广泛。     

自动衡器的法制管理和使用中控制

本文在简述法制计量管理做为自动衡器量值准确一致和可溯源性的重要手段基础上,论述了过程统计控制SPC——休哈特控制图和计量保证方案(MAP),在保证该测量系统两次检定、校准间,整个测量过程输出稳定的必要性、原理方法和作用。     

SPC在汽车减速器壳加工过程中的应用

统计过程控制(Statistical Process Control)简称SPC,是美国休哈特博士(Dr.Showhart)在20世纪20年代创造的理论。该理论把数理统计应用于工业生产,由此把产品的质量控制从事后检验改变为事前预防,对保证产品质量、降低生产成本、提高生产率开辟了广阔前景。本文介绍SPC技术原理,以某减速器壳Φ90mm为控制对象,提出如何应用SPC工具对机械零件加工过程进行管理和控制,以达到过程失控预警、过程不断改进、过程能力不断提高的目的,继而保证产品质量的稳定和不断提高。     

采用优化概率神经网络的质量异常识别方法

质量控制的核心在于对质量相关数据的充分利用和分析,如何有效组织和利用质量数据已成为企业和学者们广泛研究和关注的问题.针对质量数据库中异常实例缺失以及质量异常发现滞后的问题,提出利用遗传算法结合概率神经网络从质量控制图中挖掘质量异常现象的方法,弥补了当前广泛使用的统计过程控制(SPC)控制图在实际应用中存在的不足.首先通过分析判异准则在控制图异常判定方面的不足,引出控制图的异常模式;然后使用主成分分析法(PCA)对控制图原始数据进行降维和特征提取,以减少模型的训练时间;利用概率神经网络(PNN)结构简单、识别效果好的特点,实现控制图单一模式和混合模式的识别;通过改进的单目标优化遗传算法(SGA)对PNN的关键参数进行寻优,以消除经验取值的不足;最后通过仿真实验对所提方法进行了验证,并与传统的BP神经网络、单一的PNN、未进行参数优化的PCA-PNN模型,以及PSO优化的SVM模型进行了对比,证明了所提方法的有效性.     

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。     

基于经济性分析的贝叶斯迅速识别控制图

为实现特定生产条件下贝叶斯质量控制图迅速识别异常的功能,构建了一种将经济性分析与过程仿真相结合的贝叶斯迅速识别控制图。在该控制图中,基于最优经济指标设立最优控制限和操作规则,实现控制图经济性与迅速识别的双向功能;为分析该控制图的统计性能,采用蒙特卡洛仿真模拟技术,以过程失控时的平均运行链差值效率比作为评价指标,与传统休哈特控制图、当前普通贝叶斯控制图和经济性控制图进行对比分析,证实了基于经济性分析的贝叶斯迅速识别控制图不但可以高效地识别过程偏移并报警,而且颇具成本优势。     

基于专家系统的统计过程诊断体系研究

结合当前SPC技术的发展趋势,研究了控制图的异常模式及其判断方法,构建了质量诊断专家知识系统,阐述了统计质量诊断的应用流程,并对其中涉及的控制图异常类型识别、专家系统知识表示和推理机等关键技术进行了分析.     

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。     

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。     

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.     

多变异源过程控制与指数加权移动平均控制图的应用研究

改进休哈特控制图能够解决多变异源过程控制虚发警报错误过高的问题,但是对均值偏移的检出力过低。本文研究的目的是将指数加权移动平均(EWMA)控制图用于多变异源过程控制,提高控制图对均值偏移的检出力。通过对多个变异源的方差分析,基于对部分方差估计,给出指数加权移动平均控制图在多变异源过程控制的应用方法。通过计算指数加权移动平均控制图的平均运行长度,并与改进的休哈特控制图作比较,证明指数加权移动平均控制图在检测多变异源过程均值偏移时检出力有较大提高,应用实例的结果表明当偏移量小于1σ时,检出力能提高10倍以上。     

Fuzzy ART神经网络在统计质量控制中的应用

FuzzyART是在ART神经网络的基础上发展出的一种无导师学习型神经网络技术,将之引入到工序质量控制过程中,通过应用FuzzyART网络对生产过程质量数据直方图进行聚类分析,实现对生产过程异常状态的自动判别,得到了令人满意的结果。尤其在捕捉突发异常方面较之有监督学习神经网络有着很大的优势。     

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     

神经网络在温度控制系统中的应用

与常规控制方法相比较，神经网络控制系统有许多典型的先进特性，介绍了一些人工神经网络的基本概念及学习算法，最后，将神经网络PID控制器取代基本PID控制器用在浴室水箱温度控制中，仿真结果表明这种控制方法有很好的控制效果。