复杂制造过程中基于多通道数据的质量控制建模理论与方法研究

In the complex manufacturing process, how to use the large-scale multichannel data collected to model and infer is the key problem to improve the manufacturing process. However, the large-scale multichannel data has heterogeneous characteristics and the existence of potential cross-correlation between data, which will bring difficulties to the quality control. Based on this, this subject will focus on the modeling, detection and inferring of the multichannel data in the complex manufacturing process. Also, this program will combine with the intelligent factory to apply the enterprise level production and maintenance decision. In this program, we have four points: (1) variable selection using hierarchical regularization for modeling of quality responses, the effective explanatory variables selection to form a variable selection method from the large-scale data; (2) Develop the quality response model of the multichannel signals and infer quality response and its variability for quality prediction and decision service, develop a general multi-channel data modeling method abased on the mixed-effect model for quality prediction; (3) feature extraction using UMPCA (uncorrelated multilinear principal component analysis) for process monitoring and variation interference and reduction (4) analysis of mixture sensing signals via integrating ICA (independent component analysis) and SCA (sparse component analysis) for fault diagnosis. This paper is expected to focus on the general method of modeling and inferring the multichannel nonlinear sensor signals in order to achieve process detection, quality prediction, variation reduction and fault diagnosis, and finally achieve the purpose of improving the quality of complex manufacturing process.

在复杂制造过程的质量改进中，采集到的大规模多通道数据通常具有异构特征，且数据间存在潜在的互相关性，给质量控制建模带来较大困难。鉴于此，拟研究复杂制造过程中多通道数据的建模、检测与推断，并应用于智能工厂。拟研究：①用于质量响应建模过程中的分级正则化方法，从大量传感数据与特征中识别出有效的解释变量，形成统一的变量选择方法；②建立多通道数据的质量响应模型，推断质量响应及其变异性，为质量预测和决策服务，从而形成基于混合效应模型的多通道数据建模通用方法；③提出实时过程中质量特征的检测提取方法，使用不相关多线性主成分分析法（UMPCA)进行特征提取和质量控制建模，以实现缩减变异和过程检测；④结合独立成分分析法（ICA）与稀疏成分分析法（SCA），形成用于分析多通道混合传感数据的一般方法。本项目从上述四方面展开研究，力图建立一个系统的广泛适用的方法体系，实现基于多通道数据的质量控制建模和推断。

本项目围绕复杂制造过程中多通道数据的质量控制建模理论与方法进行研究，经过四年努力，按计划完成了申请书中所提的四项研究内容：（1）基于分层正则化的变量选择方法研究。（2）基于混合效应模型多通道数据的质量预测建模。（3）基于UMPCA特征提取方法的质量控制建模。（4）结合ICA和SCA混合传感信号分析的方法研究。此外，本项目针对复杂制造系统的故障诊断问题，额外研究了多传感器信号融合与复杂系统过程监控方法，该部分研究和本项目有密切联系。针对此问题，本项目证明了群级别的关键特征选择方法的必要性，展示了被选特征对后续制造过程监控的重要性。完成了多线性主成分分析（Multilinear Principle Component Analysis, MPCA）与支持高阶张量机（Support High-Order Tensor Machine, SHTM）结合的诊断模型，验证了该模型较VPCA+SVM与UMPCA+SVM的优越性。同时，本项目还发现固有波形变化和多通道数据间存在相互关系。围绕两者之间的相关性，本研究完成了多通道数据混合效应模型的构建与验证，该模型在复杂制造过程故障诊断方面有良好的判别能力。研究了基于质量预测模型的多机械状态监测和退化趋势分析。建立了基于多通道数据的复杂机械寿命预测框架。同时，本项目构建了基于不相关多线性主成分分析（Uncorrelated Multilinear Principal Component Analysis, UMPCA）分解的检测控制示意图。完成了线性判别分析(Linear Discriminant Analysis, LDA) 方法的改进研究，提出了改进的不相关多元线性判别分析（Improved Uncorrelated Multilinear Discriminant Analysis，I-UMLDA）方法。最后，本项目结合锻压机实际运行情况，完成了质量响应及变异性的预测，以实现持续的过程改进。基于识别到的独立成分和稀疏成分，完成了一种自动诊断方法的研究，并结合锻压机实际运行情况进行了诊断效果的验证。