论文部分内容阅读
产品质量控制是生产企业参与市场竞争并赖以生存和发展的基础,也是先进制造生产模式的重要组成。在先进制造技术(Advanced Manufacturing Technology,AMT)环境下,生产过程具有自动化、柔性化、集成化和智能化的特点,以适应市场全球化、消费个性化趋势发展的需要。制造过程工序质量控制的自动化及智能化研究,已成为当前机械制造科学研究的前沿与热点课题。 本文对工序质量控制的自动化及智能化的理论和方法进行了深入的研究,其主要工作包括: 1.提出了一种新型的神经网络模型——局部有监督特征映射(Regional Supervised Feature Mapping,RSFM)网络,对网络的收敛性、模式分类和自适应能力等性能进行了理论分析和实验验证,结果表明该网络学习快速,特征提取能力强,自适应能力也较好。 2.研究了基于RSFM网络的控制图模式识别方法。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,为基于SPC的智能工序质量分析诊断系统提供了技术支持。文中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;提出了采用数据模糊化和指数加权滑动平均处理两种提高模型识别精度的方法。实验证明,所提出的模型收敛速度快、识别精度高,并且具有较强的自适应能力,可应用于控制图的在线实时模式识别。 3.研究了质量控制图异常模式参数估计的方法。文中基于RSFM网络,提出了控制图异常模式参数估计的有效方法,为加工过程异常程度的定量分析提供方法。为了有效估计异常模式的参数值,避免不同参数估计间的互相干扰,采用多个网络分别对不同模式的参数进行估计,采用这种方法也使得整个参数估计模块具有自适应能力,当加工过程遇到一个新的模式,在参数估计模块相应加入一个网络对其进行训练。 4.研究了智能控制和预测控制的基本理论,在此基础上提出了智能预测控制理论的概念,建立了基于神经网络的智能预测控制模型。模型的基本特点为:多步预测、滚动优化和反馈校正,并具有学习、记忆和推理的能力。 5.为了适应质量特征参数预测的需要,对SLFM网络的算法进行了改进,建立了基于改进型SLFM网络的质量智能预测模型,该模型可快速学习、快速预测,可应用于跟踪动态的加工过程质量特征参数变化。 6.论文广泛研究了机床误差补偿技术目前的发展状况,针对目前误差补偿系统存在的不足(诸如大多为单项误差补偿、通用性较差,模型多为静态等),提出了机床综合误差的补偿策略,以三轴数控机床为例建立了综合误差补偿系摘要统,系统的误差模型可实时更新,该补偿系统可直接移植到多轴加工系统中。 本文针对先进制造生产环境下的不同生产方式,提出了不同的工序质量控制方法。论文提出的控制图智能模式识别的有效方法、基于质量特征参数序列的智能预测控制方法和机床综合误差补偿策略,分别适用于大批量、中小批量、单件及复杂曲面工件生产智能工序质量控制的需要。所研究的内容对现代制造系统工序质量控制的自动化和智能化具有重要的理论与应用价值。