论文部分内容阅读
统计过程控制(Statistical Process Control,简称SPC)已经在全球各行各业获得了广泛的应用。SPC不仅可以提高产品或服务的质量,还可以减少变差,不断改善过程水平。制造过程的SPC控制也称为统计质量管理,通常以产品的某质量特性值为分析对象,因此本文主要讨论单变量统计过程控制在制造过程质量管理中的应用。
控制图作为SPC实施的重要工具之一,更是得到了广泛的应用。然而,经典控制图在应用中逐渐显露出一些问题。控制图存在多种异常模式,而异常模式识别的自动化、智能化是CIMS发展的必然趋势;传统控制图均为单个尺度上最优,不能满足制造加工过程多频率特性的需要;传统控制图局限于正态独立同分布(Normal,Independent,and IdenticallyDistributed,简称NIID)过程,然而许多化工、制药等连续工业过程的特性值却往往表现出自相关特性,此外,一些强烈依赖于原料、专用机器等离散加工过程也会受温度等过程固有因素的影响而呈现自相关性。当质量特性值不满足正态分布以及独立性要求时,传统的控制图、过程能力分析等SPC方法就遇到了障碍;SPC控制下的过程质量特性值相对于目标值的波动是被看成是服从一定统计分布的随机现象,过程输出(质量特性值)相对于目标值的偏差也是一定存在的,从对偏差的处理角度讲,经典SPC只是一个开环控制。
本文针对以上问题,提出了一些改进方法:
首先针对当需要识别的类别数以及质量特性值的统计分布皆为未知情况,提出了一种基于ART神经网络的控制图异常模式识别系统,并运用Monte-Carlo模拟分析了该方法的平均运行链长(Average Run Length,简称ARL)特性。它不仅解决了BP神经网络对新模式的泛化能力不足问题,还解除了NIID对经典SPC的约束,实现了对各种未知分布特性的过程的统计监控;
接着运用多尺度小波分析解决了制造过程以及其他工业工程中经常出现的多频率特性问题;
针对自相关问题,本文分别提出了开环和闭环两种SPC控制。开环SPC控制是指用神经网络、多尺度小波分析、时间序列分析等各种先进的信息处理方法实现自相关过程的SPC问题,与NIID过程类似,还讨论了自相关过程的异常模式识别以及多频率特性等问题;闭环SPC则是借用工程过程控制,通过设计自相关过程的反馈控制器达到过滤自相关的目的,并结合SPC,实现对偏差或控制作用进行统计监控,以检测并排除过程中存在的可指出因素,改善过程水平。