復(fù)雜生產(chǎn)過程質(zhì)量控制智能方法研究

《復(fù)雜生產(chǎn)過程質(zhì)量控制智能方法研究》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、SouthwestJiaotongUniversityDoctorDegreeDissertationRESEARCHONQUALITYCONTROLn寸TELLIGENTMETHODOFCOMPLEXITYPRODUCTIONPROCESGrade：2009Candidate：ZHANGMinAcademicDegreeAppliedfor：DoctorofEngineeringSpeciality：MechanicalElectronicEngineeringSupervisor：Prof．CHENGWenmingMay2013西南交通大學(xué)學(xué)位論文版權(quán)使用授權(quán)書本學(xué)位論文作者

2、完全了解學(xué)校有關(guān)保留、使用學(xué)位論文的規(guī)定，同意學(xué)校保留并向國家有關(guān)部門或機構(gòu)送交論文的復(fù)印件和電子版，允許論文被查閱和借閱。本人授權(quán)西南交通大學(xué)可以將本論文的全部或部分內(nèi)容編入有關(guān)數(shù)據(jù)庫進行檢索，可以采用影印、縮印或掃描等復(fù)印手段保存和匯編本學(xué)位論文。本學(xué)位論文屬于1．保密口，在年解密后適用本授權(quán)書；2．不保密時／在用本授權(quán)書。(請在以上方框內(nèi)打“、／”)學(xué)位論文作者簽名：蘇敏日期：勿J；．g．I8指導(dǎo)老師簽名：7沈心砣f日期：孑留呵弓．上，I8．西南交通大學(xué)博士學(xué)位論文創(chuàng)新性聲明本人鄭重聲明：所呈交的學(xué)位論文，是在導(dǎo)師指導(dǎo)下獨立進行研究工作所得的成果。除文中已經(jīng)注明引用的內(nèi)容外

3、，本論文不包含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的研究成果。對本文的研究做出貢獻的個人和集體，均已在文中作了明確的說明。本人完全意識到本聲明的法律結(jié)果由本人承擔(dān)。本學(xué)位論文的主要創(chuàng)新點如下：(1)針對復(fù)雜生產(chǎn)過程多變量、非線性的特點，采用多變量統(tǒng)計過程故障檢測模型方法進行復(fù)雜生產(chǎn)過程的質(zhì)量控制。將小波包分析應(yīng)用于復(fù)雜生產(chǎn)過程數(shù)據(jù)樣本的去噪，并利用核主元分析方法對非線性過程實現(xiàn)過程故障檢N(3．2)。(2)針對質(zhì)量控制圖模式識別問題，提出將樣本數(shù)據(jù)的統(tǒng)計和形狀特征作為質(zhì)量信息特征，并采用主元分析作為二次特征提取方法實現(xiàn)質(zhì)量信息的有效提取(4．3)，再利用自適應(yīng)粒子群算法與支持向量機

4、相結(jié)合的方法對控制圖的基本模式和混合模式進行有效識另lJ(4．4)。(3)利用K均值聚類對復(fù)雜生產(chǎn)過程進行工況劃分(5．2)，運用支持向量機的回歸理論建立各工況下的局部模型，再利用自適應(yīng)粒子群算法得到最優(yōu)的各局部模型權(quán)重，構(gòu)建全局多模型(5．3)，從而實現(xiàn)復(fù)雜生產(chǎn)過程的預(yù)測。(4)利用虛擬仿真技術(shù)，以瀝青混合料生產(chǎn)這一復(fù)雜生產(chǎn)過程為例，建立質(zhì)量控制系統(tǒng)的仿真模型(6．3，6．4)，根據(jù)不同的控制策略分析影響質(zhì)量的各因素(6．5)，為實際生產(chǎn)過程的質(zhì)量控制提供參考。學(xué)位論文作者簽名：張級日期：少f；．多．一西南交通大學(xué)博士研究生學(xué)位論文第l頁摘要質(zhì)量作為社會經(jīng)濟發(fā)展的關(guān)鍵因素之一，

5、越來越受到社會各界的重視。隨著科學(xué)技術(shù)的發(fā)展，實現(xiàn)日漸復(fù)雜生產(chǎn)過程的質(zhì)量管理成為研究者們關(guān)注的重大課題。質(zhì)量管理是根據(jù)所制定的質(zhì)量方針，通過質(zhì)量策劃、質(zhì)量控制、質(zhì)量保證和質(zhì)量改進來實現(xiàn)產(chǎn)品或服務(wù)的全部活動。過程質(zhì)量控制作為質(zhì)量控制的關(guān)鍵部分，是實現(xiàn)產(chǎn)品創(chuàng)造的主要階段，因而保證過程質(zhì)量是實現(xiàn)質(zhì)量管理的一種有效途徑。隨著現(xiàn)代生產(chǎn)過程的日益復(fù)雜，其過程具有數(shù)據(jù)高維、非線性，過程模型不確定和各子過程相互干擾并呈現(xiàn)強耦合等特點，因而比傳統(tǒng)生產(chǎn)過程質(zhì)量控制更為困難。本文通過復(fù)雜系統(tǒng)理論結(jié)合多元化、智能化等方向發(fā)展的質(zhì)量控制方法，實現(xiàn)復(fù)雜生產(chǎn)過程的質(zhì)量控制。支持向量機是建立在統(tǒng)計學(xué)習(xí)理論的VC

6、維理論和最小結(jié)構(gòu)風(fēng)險基礎(chǔ)上的一種機器學(xué)習(xí)智能方法。通過核函數(shù)實現(xiàn)非線性問題向線性問題的轉(zhuǎn)化，能較好的解決小樣本、非線性、高維數(shù)、局部最小等問題，具有很強的泛化能力。粒子群算法模擬鳥群捕食行為，其算法概念簡單，控制參數(shù)少，易于實現(xiàn)，同時兼有進化計算和群智能優(yōu)化的特點，通過個體間的協(xié)作與競爭，實現(xiàn)對復(fù)雜空間最優(yōu)解的搜索。粒子群算法是解決整數(shù)非線性優(yōu)化問題、非線性連續(xù)優(yōu)化問題和組合優(yōu)化問題等方面的有效優(yōu)化工具。本文利用支持向量機作為建立復(fù)雜生產(chǎn)過程質(zhì)量模型的工具，將粒子群算法及其改進算法應(yīng)用于支持向量機參數(shù)優(yōu)化、模型最優(yōu)解選擇等問題中，從而實現(xiàn)復(fù)雜生產(chǎn)過程的質(zhì)量控制?！め槍?fù)雜生產(chǎn)過程

7、故障檢測問題，本文將小波包分析方法作為過程樣本數(shù)據(jù)的消噪工具，通過多層次劃分逼近原信號的方法消除樣本數(shù)據(jù)中的噪音和干擾，提取高效的數(shù)據(jù)樣本，建立基于核主元分析的多變量統(tǒng)計過程監(jiān)控模型，實現(xiàn)非線性問題向線性問題的轉(zhuǎn)化，從而進行復(fù)雜生產(chǎn)過程的故障檢測。本文通過1個數(shù)值算例和TE復(fù)雜化工過程故障分析進行故障檢測研究，并與PCA和KPCA故障檢測方法進行對比研究，證明所提出方法的可行性和有效性。控制圖作為統(tǒng)計過程控制的有效工具，控制圖模式的識別在處理復(fù)雜生產(chǎn)過程質(zhì)量問題中發(fā)揮著重要的作用