基于模式识别的多阶段制造过程质量诊断

Because the difficulties of accurately modeling the multistage manufacturing process with series-parallel structure and the limitations of existing quality diagnosis method in addressing the multistage manufacturing process in multiple failure condition, a multistage manufacturing process quality diagnosis method is researched based on pattern recognition. Firstly, the multistage series-parallel mixed manufacturing process models are built through analyzing the characteristics of multistage manufacturing process with series-parallel mixed structure. And then, the effective parameter estimation methods are researched to solve the multiple correlation between variables and improving the accuracy of the modeling. Secondly, how the quality variation are added and propagated across the process are analyzed to identify the impact of quality variation in each stage on the final process output quality. Finally, on the basis of the above analysis, from the failure mode defined, process fault feature extraction and pattern matching methods three aspects, the multistage manufacturing process quality diagnosis methods based on the pattern recognition are studied systematically under multiple failure condition. The achievement of this project could not only provide quality analysis and fault diagnosis method for multistage manufacturing process, such as mechanical processing, automobile assembly and so on, but also through in-depth studying the multistage manufacturing process with series-parallel structure and multiple failure condition, enrich the related research results, provide a theoretical basis for further quality improvement and optimization.

本项目针对具有串并联结构的多阶段制造过程难以建立精确质量关系模型和现有质量诊断方法在处理多阶段制造过程多故障情况时的局限性，研究基于模式识别的多阶段制造过程质量诊断方法。首先，分析串并联结构下的多阶段制造过程特点，研究有效的模型参数估计方法，解决变量间的多重相关性问题，提高建模的准确性，构建多阶段串并联制造过程质量关系模型；其次，明确质量波动在过程各阶段间传递的过程，识别各阶段质量波动对最终过程输出质量的影响；最后，在上述分析基础上，从已有故障异常模式界定、过程故障特征提取和模式匹配方法三个方面，系统研究多阶段制造过程多故障情况下基于模式识别的质量诊断方法。本项目的项目成果不仅可以为机械加工、汽车装配等多阶段制造过程提供质量分析和故障诊断技术。而且通过对串并联结构和多故障情况等问题的深入研究，丰富了多阶段制造过程相关质量问题的研究成果，为进一步质量改进和优化提供理论依据。

项目针对具有高维性、非平衡性特点的多阶段复杂产品制造过程难以建立精确过程模型或利用统计质量控制技术难以进行质量监控与诊断问题，系统地研究了基于模式识别的多阶段制造过程质量诊断方法。首先，基于特征选择的单阶段制造过程关键质量特性识别方法，引入多阶段制造过程模型，将单阶段识别方法扩展为多阶段制造过程识别方法，为多阶段复杂产品制造过程关键质量特性识别提供有效理论和实践指导。其次，提出了基于IAda-Lasso（Improved Adaptive Lasso, IAda-Lasso）的多工序串并联过程关键质量特性识别方法；而后，针对轮廓控制中的异常点识别问题 ，提出基于凝聚层次聚类分析法（Agglomerative NESting，AGNES）的非线性轮廓异常点识别方法；最后在多级制造过程质量诊断中，提出了多级制造过程质量诊断研究思路。根据多级制造过程质量关系模型分别建立多级串联结构以及并联结构中并行、分散和收敛模式的质量诊断模型，然后介绍了极大似然估计和最小范数二次无偏估计两种常用的模型估计方法，并给出了利用假设检验进行多级制造过程质量诊断的具体方法。本课题通过构建数据预处理方法提高数据质量和平衡数据，并针对高维数据构建基于特征选择的关键质量特性识别方法，过程监控方法和质量诊断方法，丰富了基于数据驱动的多阶段质量诊断相关理论研究。同时，本研究将质量管理领域的多阶段制造过程模型与机器学习中的特征选择方法结合，提出多阶段制造过程关键质量特性识别方法，过程监控方法和质量诊断方法，丰富了机器学习方法在多阶段质量管理领域的相关应用研究。