加工过程质量预测与控制技术的研究与应用
|
摘要
过程是一组将输入转换为输出的相互关联或者相互作用的活动。加工过程强调制造过程中每个工站的对产品质量的影响。质量预测强调对产品质量的提前控制，避免不良产品的出现。使用标准的方法将工件的质量特征参数值测量出来，再将质量特征值与造成此参数变化的因素联系起来，建立关系模型。通过对过程参数的测量，再根据其关系模型即可实现对质量参数的预测。质量控制属于质量管理的范畴，其目的为了使产品的固有特征能够达到规定的要求。质量控制贯穿产品形成的全过程，强调对产品质量加工过程的质量进行控制，突出通过控制过程质量的方法来控制最终的产品实物的质量。可以预见，面向产品质量加工过程，研究基于过程的质量控制方法必将成为质量控制技术研究领域的重点。
本文针对棉纺纺纱工艺的特点，研究了在复杂工艺条件下的质量预测与控制技术。
首先，针对棉纺工艺多工序，复杂工艺的情况，我们采用分段工艺质量预测模型对纺纱工艺的每道工序进行建模。建模的过程充分考虑每道工艺的输入，当前工序的工艺与设备参数，原棉质量参数的影响和每道工序的输出。我们使用ANN对采集的棉纺历史数据进行训练，得到适应企业实际生产、工艺和质量条件情况下的数学模型，利用该模型可以实现对当前纱线质量的有效预测。
其次，为了有效的利用企业长期积累的历史数据，提取有价值的潜规则，对企业生产决策提供依据，我们使用数据挖掘领域的粗糙集理论，对某棉纺厂的原始数据进行规则提取。相对传统的人工智能方法，粗糙集理论对于不准确、不完整和冗余数据的离散化数据的规则提取具有一定的优势。
最后，我们研究的基于SPC控制图原理的模式分类。我们以X-bar图作为基础来对原始数据进行预处理，采用支持向量机分类算法作为我们模式分类的工具，在算法的实现过程中我们使用网格搜索法对支持向量机参数进行了优化。经实验表明，支持向量机分类机是很好的模式分类算法，可以达到较高的预测精度。
针对以上的研究领域，我们开发了棉纺质量预测与控制平台，该平台可以帮助管理人员顺利的使用上述工具进行建模、规则提取和模式分类。
Process is a group of interactive association or function which transforms input to output. Machining process emphasize the action of each step to product in the manufacture course. Quality forecast emphasize the ahead control to the product's quality, to avoid the defective product. With the standard method we can measure the quality character values of a workpiece, then we associate this quality character values with the correlative factors to build the association model. Via the measuring of the process parameters and the association model we can implement the forecast of the quality parameters. Quality control belongs to the field of quality management, in order to guarantee the product's inter characters to meet the stated requirement. Quality control runs through each step of the production, emphasize the control of the product's quality machining process, stress the method of control the process to ensure the final product's quality. We can predict that the research about the quality control method based on the product machining process will be the hotspot.
In this paper we research the quality forecast and control technology in the complex technics, especially in the cotton's spinning process.
Firstly, aiming at the multi working procedure and complex technics of the cotton's spinning process, we use the subsection technics forecast model to build each model to each step of spinning process. During this course, we think about the effect of each step's input, output, process and equipment's parameters and raw cotton's quality parameters. We utilize the ANN tool to build the model based on the history datum of one cotton spin company, which can get a good effort of forecasting the yarn's quality for this model depends on the datum of this company.
Secondly, we use data mining algorithm: rough set theory to extract the potential and valued rules based on the raw datum, which can help the company's decision. Comparing with the other AI method, Rough Set has a advantage in extracting rules from those uncertain、redundant、abridged datum.
Finally, we research the pattern classify based on the SPC control diagram. We scalar the raw datum according to the X-bar control diagram, then use the SVM classification algorithm to implement the pattern classification and optimize the SVM parameters via the grid-search method. According to the experiment result, we conclude the SVM is an effective pattern classify algorithm, can reach a high forecast accuracy.
We also implement the platform of cotton's spinning quality forecast and control system based on the above research field, which can help the management employee to use those tools to build model, extract rules and pattern classify.
本文针对棉纺纺纱工艺的特点，研究了在复杂工艺条件下的质量预测与控制技术。
首先，针对棉纺工艺多工序，复杂工艺的情况，我们采用分段工艺质量预测模型对纺纱工艺的每道工序进行建模。建模的过程充分考虑每道工艺的输入，当前工序的工艺与设备参数，原棉质量参数的影响和每道工序的输出。我们使用ANN对采集的棉纺历史数据进行训练，得到适应企业实际生产、工艺和质量条件情况下的数学模型，利用该模型可以实现对当前纱线质量的有效预测。
其次，为了有效的利用企业长期积累的历史数据，提取有价值的潜规则，对企业生产决策提供依据，我们使用数据挖掘领域的粗糙集理论，对某棉纺厂的原始数据进行规则提取。相对传统的人工智能方法，粗糙集理论对于不准确、不完整和冗余数据的离散化数据的规则提取具有一定的优势。
最后，我们研究的基于SPC控制图原理的模式分类。我们以X-bar图作为基础来对原始数据进行预处理，采用支持向量机分类算法作为我们模式分类的工具，在算法的实现过程中我们使用网格搜索法对支持向量机参数进行了优化。经实验表明，支持向量机分类机是很好的模式分类算法，可以达到较高的预测精度。
针对以上的研究领域，我们开发了棉纺质量预测与控制平台，该平台可以帮助管理人员顺利的使用上述工具进行建模、规则提取和模式分类。
Process is a group of interactive association or function which transforms input to output. Machining process emphasize the action of each step to product in the manufacture course. Quality forecast emphasize the ahead control to the product's quality, to avoid the defective product. With the standard method we can measure the quality character values of a workpiece, then we associate this quality character values with the correlative factors to build the association model. Via the measuring of the process parameters and the association model we can implement the forecast of the quality parameters. Quality control belongs to the field of quality management, in order to guarantee the product's inter characters to meet the stated requirement. Quality control runs through each step of the production, emphasize the control of the product's quality machining process, stress the method of control the process to ensure the final product's quality. We can predict that the research about the quality control method based on the product machining process will be the hotspot.
In this paper we research the quality forecast and control technology in the complex technics, especially in the cotton's spinning process.
Firstly, aiming at the multi working procedure and complex technics of the cotton's spinning process, we use the subsection technics forecast model to build each model to each step of spinning process. During this course, we think about the effect of each step's input, output, process and equipment's parameters and raw cotton's quality parameters. We utilize the ANN tool to build the model based on the history datum of one cotton spin company, which can get a good effort of forecasting the yarn's quality for this model depends on the datum of this company.
Secondly, we use data mining algorithm: rough set theory to extract the potential and valued rules based on the raw datum, which can help the company's decision. Comparing with the other AI method, Rough Set has a advantage in extracting rules from those uncertain、redundant、abridged datum.
Finally, we research the pattern classify based on the SPC control diagram. We scalar the raw datum according to the X-bar control diagram, then use the SVM classification algorithm to implement the pattern classification and optimize the SVM parameters via the grid-search method. According to the experiment result, we conclude the SVM is an effective pattern classify algorithm, can reach a high forecast accuracy.
We also implement the platform of cotton's spinning quality forecast and control system based on the above research field, which can help the management employee to use those tools to build model, extract rules and pattern classify.
引文
[1] 聂胜才，机械加工过程质量控制与分析方法和集成系统研究，北京航空航天大学博士论文，2001，11 1-13
[2] Robert K. Measure the Process, Not the Part: American Machinist & Automated Manufacturing, 1998; 71, 64-65
[3] 罗国英等，质量管理体系教程，北京：中国经济出版社，2000
[4] Alex Glushkovsky, Subgroup composition of SPC Charts, Qualiaty Engineering, 1998, 99, Vol.11, NO.2, 179-185
[5] Montgomery D. C., Introduction to Staticstical Quality Control, New York:John wiley & Sons, 1985
[6] S. KASSICIEH etc, SPC-Pro:An Expert System Approach For Variables Control Charts, Quality Engineering, 1994, 7, 89-104
[7] 李刚等，基于专家系统质量职能控制，江苏理工大学学报，2000，Vol21 No．2，44-48
[8] E. S. Page, Continuous Inspection Schemes, Biometrics, 1954, Vol. 41, 13-19
[9] 袁哲俊，面向AMT生产环紧的EWMA质量控制图，哈尔滨工业大学学报，2000，Vol．32 No．1 45-47
[10] 陈庆新等，多批次小批量零件加工质量数据动态建模，哈尔滨，第四届中国计算机集成制造系统学术论文集，1996，8，652-660
[11] 袁媛，人工智能与智能系统，西北师范大学数学与信息科学学院，甘肃科技2006．5，130。
[12] 刘新宇，李庆予，基于数据仓库与数据挖掘技术的质量控制系统设计与实现，2006．498-99
[13] 方喜峰，赵良才，基于数据挖掘的产品质量控制建模方法，江苏科技大学，机械工程学报，2005，11，20-22
[14] 胡迎九，棉纺工艺专家系统知识建模及实现，武汉理工大学，2005，05 17-20
[15] 张辉，SVM在数据挖掘中的应用，计算机工程，2004，3，同济大学CIMS中心
[16] 徐少范编著，棉纺质量控制，中国纺织出版社，北京2004，1-3
[17] 董奎勇，于伟东，基于BP神经网络的纺纱质量预报模型，东华大学学报，2005， 4，88-91
[18] 韩立群 编著，人工神经网络理论、设计及应用，北京，化学工业出版社 2004
[19] 曹承志 王楠，智能技术，北京，清华大学出版社，2004
[20] 上海纺织控股公司，棉纺手册，北京，中国纺织出版社，2004
[21] D. Das, S. M Ishtiaque，应用人工神经网络预测转杯纱性能，国际纺织导报，2004．3，30-35
[22] 郁崇文 编著，纺纱工艺设计与质量控制，北京，中国纺织出版社，2005
[23] 杨善林、倪志伟，机器学习与智能决策支持系统，北京，科学出版社，2004
[24] 张文修，吴伟志，梁吉业，粗糙集理论与方法，北京，科学出版社，2003，3-21
[25] Jiawei Han, Micheline kamber, Data Mining Concepts and techniques, Beijing, China Machine Press, 2001, 70-75
[26] [德]M．巴斯蒂安著 武森，高学东译，数据仓库与数据挖掘，北京，冶金工业出版社，2003，179-227
[27] 张公绪，孙静，现代质量控制与诊断工程，北京，经济科学出版社，1999，48-49
[28] 王殊轶，CUSUM控制图的一种优化设计方法研究，工业工程与管理，2004，2，44-45
[29] VINAY ASHOK MAHADIK, DETECTION OF DENIAL OF QoS ATTACKS ON DIFFSERV NETWORKS, North Carolina State University, 2002, 34-36
[30] 槐春晶等，基于神经网络的质量控制图模式识别研究，哈尔滨工业大学硕士学位论文，2005，06，1-8
[31] 智能模式识别方法，肖健华 编著，广州，华南理工大学出版社，2006，1-7
[32] Vapnik V N，张学工译，统计学习理论的本质，北京，清华大学出版社，2000
[33] 邓乃扬，田英杰著，数据挖掘的新方法-支持向量机，北京，科学出版社，2004
[34] Yue Shihong, SVM Classification: its contents and challenges, Appl. Math. J. Chinese Univ, Vol. 18, No.3, 1-11
[35] HSU CW, LIN CJ. A comparison of methods for multi class support vector machines, IEEE Trans, on Neural Networks, 2002, 13 (2): 415-422.
[36] 黄琼英等，支持向量机多分类算法研究与应用，河北工业大学硕士论文，2004，49-94
[37] Guh R S, Hsieh Y C. A neural network based model for abnormal pattern recognition of control charts. Computers & Industrial Engineering, 1999, 36, 97-108
[38] 乐清洪，李建文，安翔，控制图异常模式参数估计的神经网络方法，航空制造技术， 2002,4,31-33
[39] Chen P H, Lin C J, Scholkopf B.A , Totorial on V-Support Vector Machine, 2003, Http://www.csie.ntu.edu.tw/cjlin/papers/nvsvmtutorial.pdf.
[40] Chih-Wei Hsu, A Practical Guide to Support Vector Classification, National Taiwan University
[41] Richard J. Roiger, Data Mining A tutorial-based primer, tsinghua press, Beijing, 2004, 155-161
[2] Robert K. Measure the Process, Not the Part: American Machinist & Automated Manufacturing, 1998; 71, 64-65
[3] 罗国英等，质量管理体系教程，北京：中国经济出版社，2000
[4] Alex Glushkovsky, Subgroup composition of SPC Charts, Qualiaty Engineering, 1998, 99, Vol.11, NO.2, 179-185
[5] Montgomery D. C., Introduction to Staticstical Quality Control, New York:John wiley & Sons, 1985
[6] S. KASSICIEH etc, SPC-Pro:An Expert System Approach For Variables Control Charts, Quality Engineering, 1994, 7, 89-104
[7] 李刚等，基于专家系统质量职能控制，江苏理工大学学报，2000，Vol21 No．2，44-48
[8] E. S. Page, Continuous Inspection Schemes, Biometrics, 1954, Vol. 41, 13-19
[9] 袁哲俊，面向AMT生产环紧的EWMA质量控制图，哈尔滨工业大学学报，2000，Vol．32 No．1 45-47
[10] 陈庆新等，多批次小批量零件加工质量数据动态建模，哈尔滨，第四届中国计算机集成制造系统学术论文集，1996，8，652-660
[11] 袁媛，人工智能与智能系统，西北师范大学数学与信息科学学院，甘肃科技2006．5，130。
[12] 刘新宇，李庆予，基于数据仓库与数据挖掘技术的质量控制系统设计与实现，2006．498-99
[13] 方喜峰，赵良才，基于数据挖掘的产品质量控制建模方法，江苏科技大学，机械工程学报，2005，11，20-22
[14] 胡迎九，棉纺工艺专家系统知识建模及实现，武汉理工大学，2005，05 17-20
[15] 张辉，SVM在数据挖掘中的应用，计算机工程，2004，3，同济大学CIMS中心
[16] 徐少范编著，棉纺质量控制，中国纺织出版社，北京2004，1-3
[17] 董奎勇，于伟东，基于BP神经网络的纺纱质量预报模型，东华大学学报，2005， 4，88-91
[18] 韩立群 编著，人工神经网络理论、设计及应用，北京，化学工业出版社 2004
[19] 曹承志 王楠，智能技术，北京，清华大学出版社，2004
[20] 上海纺织控股公司，棉纺手册，北京，中国纺织出版社，2004
[21] D. Das, S. M Ishtiaque，应用人工神经网络预测转杯纱性能，国际纺织导报，2004．3，30-35
[22] 郁崇文 编著，纺纱工艺设计与质量控制，北京，中国纺织出版社，2005
[23] 杨善林、倪志伟，机器学习与智能决策支持系统，北京，科学出版社，2004
[24] 张文修，吴伟志，梁吉业，粗糙集理论与方法，北京，科学出版社，2003，3-21
[25] Jiawei Han, Micheline kamber, Data Mining Concepts and techniques, Beijing, China Machine Press, 2001, 70-75
[26] [德]M．巴斯蒂安著 武森，高学东译，数据仓库与数据挖掘，北京，冶金工业出版社，2003，179-227
[27] 张公绪，孙静，现代质量控制与诊断工程，北京，经济科学出版社，1999，48-49
[28] 王殊轶，CUSUM控制图的一种优化设计方法研究，工业工程与管理，2004，2，44-45
[29] VINAY ASHOK MAHADIK, DETECTION OF DENIAL OF QoS ATTACKS ON DIFFSERV NETWORKS, North Carolina State University, 2002, 34-36
[30] 槐春晶等，基于神经网络的质量控制图模式识别研究，哈尔滨工业大学硕士学位论文，2005，06，1-8
[31] 智能模式识别方法，肖健华 编著，广州，华南理工大学出版社，2006，1-7
[32] Vapnik V N，张学工译，统计学习理论的本质，北京，清华大学出版社，2000
[33] 邓乃扬，田英杰著，数据挖掘的新方法-支持向量机，北京，科学出版社，2004
[34] Yue Shihong, SVM Classification: its contents and challenges, Appl. Math. J. Chinese Univ, Vol. 18, No.3, 1-11
[35] HSU CW, LIN CJ. A comparison of methods for multi class support vector machines, IEEE Trans, on Neural Networks, 2002, 13 (2): 415-422.
[36] 黄琼英等，支持向量机多分类算法研究与应用，河北工业大学硕士论文，2004，49-94
[37] Guh R S, Hsieh Y C. A neural network based model for abnormal pattern recognition of control charts. Computers & Industrial Engineering, 1999, 36, 97-108
[38] 乐清洪，李建文，安翔，控制图异常模式参数估计的神经网络方法，航空制造技术， 2002,4,31-33
[39] Chen P H, Lin C J, Scholkopf B.A , Totorial on V-Support Vector Machine, 2003, Http://www.csie.ntu.edu.tw/cjlin/papers/nvsvmtutorial.pdf.
[40] Chih-Wei Hsu, A Practical Guide to Support Vector Classification, National Taiwan University
[41] Richard J. Roiger, Data Mining A tutorial-based primer, tsinghua press, Beijing, 2004, 155-161