本论文是国家自然科学基金资助项目--“基于支持向量机的智能质量控制方法及关键技术研究”(批准号：70672096，起止日期：2007.1-2009.12)研究内容的一部分，主要针对多品种、小批量生产模式下的质量控制和信息集成问题进行研究和讨论，本论文的研究内容主要分为以下四个部分：　　 第一部分--参数设计的智能方法研究：　　 研究参数设计的智能辅助方法及相关技术。采用支持向量机(SVM)回归方法对正交试验数据进行拟合，建立质量指标和信噪比与各参数之间精确的关系模型，通过参数优化设计，在实现对质量目标值逼近的同时减小质量波动。　　 第二部分--质量信息采集与集成技术研究：　　 (1)研究了传感器静态非线性特性的智能识别方法及相关技术，在对传感器静态非线性特性认识的基础上，提出基于最小二乘支持向量机(LS-SVM)的识别方法，建立了LS-SVM识别模型，并对温度传感器进行了静态非线性校正，同时对参考端温度进行了补偿；研究了传感系统的动态非线性特性，将动态非线性响应分为静态非线性和动态线性两个部分，在此基础上建立动态非线性逆响应数学模型，并建立LS-SVM校正模型。实验表明，LS-SVM模型能够对传感器的静态非线性和动态非线性误差进行有效地补偿，提高了信息采集的精度。　　 (2)研究了多传感器的信息采集问题。分析和讨论了传感器阵列在多个信息解耦和提取中面临的问题，提出基于SVM的多传感器多维信息提取的智能方法，建立输入与所有耦合输出的智能模型，实现对输入信号的提取。仿真实验表明，该方法无需对各个传感器的特性作具体的了解便能够一次性完成对所有输入信号的提取，且具有精度高、速度快的优点，适合对多维信号的测量。　　 第三部分--过程质量控制技术研究：　　 (1)提出了一种基于LS-SVM构造函数链接型神经网络(FLANN)的加工机械状态诊断方法，在对传统FLANN诊断结构认识的基础上，提出了基于LS-SVM回归方法改进的FLANN识别结构，从理论上分析了该方法的优越性。应用结果表明，该方法继承了LS-SVM的优点，保证了学习过程全局收敛、结果唯一和鲁棒性。　　 (2)针对控制图模式识别中存在凭经验、主观臆断及滞后等问题，提出了基于主元分析(PCA)和SVM的控制图模式识别方法。在对控制图可能存在的8种“微观”异常进行识别后，采用了PCA方法对控制图样本进行主元分析，得到各样本在三维主元空间的特征分布图，建立对应的SVMHAH聚类结构；针对混合型控制图，提出了基于SVMOAO投票策略的识别方法，实验表明，上述方法可以有效提高控制图识别精度，并且具有识别速度快的优点，适合控制图模式的实时在线识别。　　 (3)在对现有各种预测模型分析的基础上，提出基于SVM和LS-SVM的产品质量预测方法，对基于时间序列的质量预测，根据历史产品对未来短期产品质量影响遵从“近重轻远”原则的实际特点，提出了加权最小二乘支持向量机(WLS-SVM)。提出基于标准误差σ的工序波动预测，降低随机因素的干扰，增加了预测结果的客观性和使用价值。对SVM模型的参数进行了优化，提出基于预测样本均方差MSE最小的迭代寻优方法，提高了模型的预测精度，实验结果令人满意。　　 第四部分--质量检测阶段的质量控制技术研究：　　 针对产品质量无法或不便直接判断、评价的问题，建立了产品质量与特征参数之间的LS-SVM智能诊断模型。该模型能够通过一些可测或易测的相关参数，对产品质量进行及时、准确地判断，应用结果表明了该方法的有效性。　　 本论文以SVM及其改进模型等新型人工智能工具为主要手段，对现代生产模式下的产品质量控制及关键技术展开了研究。该研究为现代企业实施先进的质量管理与质量控制引入了新思路、新方法，对于提高产品质量、缩短产品研发周期、降低生产成本、进而提高企业的核心竞争力等具有重要作用和意义；同时，对于尽快缩小我国在适应高新技术领域的质量管理方面与国外的差距，推动质量管理科学的发展和提高企业整体素质、增强核心竞争力有一定的科学意义和应用价值。