论文部分内容阅读
大数据环境下,前沿信息技术的应用促使车间采集到大规模多元样本数据。这些数据源于几十甚至上百上千道工序,蕴含着反映加工设备与加工过程实际状态的丰富信息,但这些信息中的大部分价值往往由于技术方法以及意识观念的影响而被遗漏。多工序制造过程所具备的关联性、波动性和传递性等特性,以及大数据下产品质量数据的全样本、多特征特性,促使数据分析的广度与维度不断向全量数据过渡。传统质量控制过程,以抽样检查结合SPC方法解决产品相关质量问题,但此种控制方法存在延后性,无法满足实时数据的质量事先预测、在线全局监控以及实时追溯诊断等需求。因此本文主要利用大数据分析方法解决多工序制造过程中的产品质量预测控制问题,主要研究如下:(1)对基于大数据的多工序制造过程产品质量问题进行分析。考虑信息技术给制造业带来的改变,对多工序制造过程的特点、质量特性以及大数据下的多工序制造过程的需求进行了详细分析,并对质量预测与具体控制技术的关键问题点进行了剖析。(2)建立基于时序特征重构的SC-PSO-RBF多工序产品质量预测模型。针对大数据下多工序过程的关联特性,质量数据的全样本、多特征特性,建立改进RBF质量预测模型,SC与PSO实现RBF模型的参数优化,并以均方根误差为检验模型优劣的指标。同时在Python3.5平台上仿真验真,利用实例数据,在数据处理与特征提取之后,分别对有无时序特征的RBF神经网络、BP神经网络、SC-RBF模型以及SC-PSO-RBF混合模型进行实例仿真。(3)建立SPC结合知识发现的质量控制模型。建立知识库,包括专家经验等显性知识,以及K-means-PSO-Apriori方法挖掘出的产品质量指标和相应特征因素间的规则集,从而形成的隐性知识。现场操作人员可以根据知识库的指导,结合(3?-控制图联合MEWMA控制图过程监测情况,解决多工序制造过程中产品质量问题,确保产品质量处于可控状态。研究结果证明了本文建立的基于时序特征的SC-PSO-RBF预测模型效果最佳,均方根误差为0.085,低于10%,满足实际工业要求;同时证明了SPC结合知识发现的质量控制模型,指导生产过程的质量管控,切实可行。