CN107992006A - 基于svm的制造过程多元质量诊断分类器 - Google Patents
基于svm的制造过程多元质量诊断分类器 Download PDFInfo
- Publication number
- CN107992006A CN107992006A CN201711254548.9A CN201711254548A CN107992006A CN 107992006 A CN107992006 A CN 107992006A CN 201711254548 A CN201711254548 A CN 201711254548A CN 107992006 A CN107992006 A CN 107992006A
- Authority
- CN
- China
- Prior art keywords
- quality
- control
- manufacturing process
- multivariate
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000002159 abnormal effect Effects 0.000 claims abstract description 8
- 238000005516 engineering process Methods 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims abstract description 5
- 238000012706 support-vector machine Methods 0.000 claims abstract description 5
- 206010000234 Abortion spontaneous Diseases 0.000 claims abstract description 3
- 208000015994 miscarriage Diseases 0.000 claims abstract description 3
- 208000000995 spontaneous abortion Diseases 0.000 claims abstract description 3
- 238000009826 distribution Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000012790 confirmation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000003754 machining Methods 0.000 claims description 2
- 230000009897 systematic effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000003908 quality control method Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 6
- 238000003745 diagnosis Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 description 4
- 238000003070 Statistical process control Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000013256 coordination polymer Substances 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000009941 weaving Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
基于SVM的制造过程多元质量诊断分类器,收集制造过程中质量特性的原始数据,进行数据预处理,应用混合算法对关键工序的多元质量特性进行过程分析,根据控制图记录的数据判稳以及是否出现异常现象,应用支持向量机方法查找出过程异常源所在,为了使分类结果更加准确,利用拉格朗日优化方法以及目标函数中增添了松弛因子。本发明过程能力系数条件严谨、判定状态准确,算法复杂度低,处理的时间快,综合了多元质量、误判因子、主成分因子,适用性更强,参数处理规范,数据处理完善,降低了误判概率,解决了数据偏置、单位不统一的问题,可以实现异常诊断技术。
Description
技术领域
本发明涉及机械产品加工制造过程质量诊断技术领域,具体涉及一种基于SVM的制造过程多元质量诊断分类器。
背景技术
21世纪,伴随着全球经济一体化的发展,国际市场的竞争日趋激烈,与时间和成本一样,质量己成为企业生存与发展的主要制胜因素。广泛应用国内外先进的质量方法和质量技术对于企业改进产品质量、提高产品竞争力具有重要意义。好的质量是低成本、高效率、低损耗、高收益的保证也是长期赢得顾客忠诚度,企业获得可持续发展的基石。尽管中国企业界最近的热点似乎集中在并购、资本经营、市场拓展、多元化等方面,但事实上,对任何一家生产制造企业来讲,质量的管理、生产流程的控制,乃是企业发展的最为重要的“内功”之一。如何练好“内功”,不仅需要有质量管理的思想、方法和手段,更需要有质量工程技术的支持。如何利用质量工程技术,设计并生产出低成本、短周期、高质量、高可靠性的产品,由此获得竟争优势,己成为国内外广大理论研究者和实际工作者广泛关注的问题。而提高质量的一个主要技术手段就是进行有效的过程监控。由于产品质量在现代工业中的重要地位,统计过程控制(SPC)在机械、纺织、电子产品、汽车灯离散制造业中取得了很大成功,并逐渐向造纸、炼油、化工、食品等间歇工业和连续制造业渗透。在实际的制造过程中,被加工零部件或产品往往具有多个质量特性,且这些质量特性之间存在一定的相关性,如何确定该过程的过程能力指数以及对过程质量进行诊断,是迫切需要解决的问题,该问题的研究不仅对多元制造过程能力分析研究具有重要的意义,而且对多元制造过程的质量进行监控和诊断均具有一定的理论意义和实用价值。另外现存的多变量统计过程控制方法,随在一定程度上解决了多变量控制的问题,但是其过程报警的准确性差强人意。基于上述需求,本发明提供了基于SVM的制造过程多元质量诊断分类器。
发明内容
针对多元控制图在多元过程监控和异常诊断中的不足,本发明提供了一种基于SVM的制造过程多元质量诊断分类器。
为了解决上述问题,本发明是通过以下技术方案实现的:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算。
步骤2:对关键工序的多元质量特性进行过程分析;
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象;
步骤4:根据识别结果,应用支持向量机方法查找出过程异常源所在;
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;
步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
本发明有益效果是:
1、过程能力系数条件更严谨,判定状态更加准确。
2、算法复杂度低,处理的时间短,得到了较好的结果准确度。
3、为后续制造过程诊断技术奠定了较好的基础。
4、考虑了质量间的多元特性,算法适应性更强,更符合实际的应用。
5、参数因子处理的更加规范合理,得到的值更符合经验判定的结果。
6、考虑了误判因子、又结合主成分分析方法,结果准确度得到的进一步提升。
7、数据处理更完善,减低了误判的概率。
8、解决了数据的偏置、单位不统一的问题。
附图说明
图1基于SVM的制造过程多元质量诊断分类图
图2本发明车间数据采集方案图
图3二维过程修正的规格区域与实际分布区域示例图
具体实施方式
为了解决多元控制图在多元过程监控和异常诊断中的不足,结合图1-图3对本发明进行了详细说明,其具体实施步骤如下:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算,其具体计算过程如下:
在生产过程中,当工序不存在系统性误差时,产品的质量特性值X符合正态分布;由于多元质量特性值得单位不统一,数值大小差距也较大,需对数据做进一步处理;
生产过程正常运行收集的数据矩阵为Xn×m,n为样本的个数,m为样本质量属性个数。
上式Xn×i为第n个样本第i种质量属性值,μi为第i种质量属性均值,σi第i种质量属性标准差。
对预处理后的数据X′n×i,进行比重计算如下:
假设m维正态分布Nm(μ,∑),即Xm~Nm(μ,∑),其中μ为总体均值向量,∑为协方差矩阵,由于∑m×m为对称矩阵,因此存在对称矩阵P,使得
其中λ1,λ2,…,λm为协方差矩阵的特征值,其满足(λ1,λ2,…,λm)>0,即m维多元质量的权重分配可以表示为下式:
取前k个主元的累计贡献率达到80%以上,即贡献率为W:
则主元模型为
分别为k个主元质量的属性向量,E为误差。
步骤2:对关键工序的多元质量特性进行过程分析,其具体计算过程如下:
这里主要对步骤1中E的计算和估计;
X∈N(μ,σ2),其中X是质量特性值,μ是总体均值,σ2是总体方差。当质量特性值服从正态分布时,其均值也服从正态分布,其中,n为样本容量。依照正态分布的特性,则
P(μ-3σ<X<μ+3σ)=99.73%
即,无论μ和σ取何值,X落在之间的概率是99.73%,也就是说,落在这个分布范围之外的概率只有0.27%。
对于过程修正的规格区域是一个椭球体,其体积计算公式为:
Ui、Li分别为控制图上第i元质量因子的上下限。
多元过程在(1-α)置信度下实际分布区域的椭球体为:
|∑|为多元质量因子的协方差行列式。
设其修正系数为k;
ε=[(M1-μ1)2+(M2-μ2)2+…+(Mt-μt)2]1/2
Mi、μi分别为规格图、和实际过程的均值位置,ε为t维均值差值。
另一影响因子为(Uj、Lj)为规格上下限的交点。
即
综上所述,表征过程能力函数如下:
为了完善上式的结果,这里整合下面的方法,具体过程如下:
错判误差的概率分为两类,一是受控状态判为失控状态,概率即为P1,二是失控状态判为受控状态,概率即为P2。
样本X,当处于受控状态时。设其分布为正态分布X∈N(μ,σ2);过程处于失控状态时,其分布发生了变化,变化后的分布函数为F(x)。
记控制图的上、下控制限分别为U、L;
P1=2(1-Φ(λ))
P2=F(U)-F(L)
总误差概率为P1+P2
上式Φ(λ)为标准正态分布的分布函数在点λ处的值,λ为控制图中实际参数,这个具体情况可以具体确定。
一元修正系数k′:
β1、β2分别为中心距离差值|λ-μ|、误判概率的权重分配值,这里β1+β2=1,(β1,β2)>0。
表征过程能力函数CP:
CP=min(CPU,CPL)
多元表征过程能力函数MC′P:
表征E
E=|MCp-MC′P|
根据X′主模型即可提取制造过程质量异常的主特征。
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象,其具体描述如下:
如果过程处于非统计过程受控状态时用样本点建立的控制图控制后续的生产过程,不仅起不到良好的控制效果,反而会给企业带来错误的预报,给企业造成损失。
步骤4:根据识别结果,应用支持向量机方法查找出过程异常源所在,其具体计算过程如下:
设训练集为
S={(xi,yi,fi)|xi∈X=Rm,yi∈{-1,1},ε≤fi≤1,i=1,2,…,n}
此时它所对应的优化问题为:
上述式子已经利用了拉格朗日优化方法,将上述命题变化为其对偶命题了。
最优分类函数为:
h*是分类阈值,可以由支持向量进行求解,也可以通过支持向量对取中值得方法求得。为了增加容噪能力,通过引入松弛变量ki≥0来改进模型,得到:
α.β.yi[(p·x)+h]-1+ki≥0(xi∈(0,l),i∈(1,n))
目标中的l为惩罚系数。
应用上式优化函数,即可找到最优的超平面将训练样本归类,进而可以对测试样本归类,这样就构成了一个分类器。
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;
步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
Claims (2)
1.基于SVM的制造过程多元质量诊断分类器,本发明涉及机械产品加工制造过程质量控制技术领域,具体涉及基于SVM的制造过程多元质量诊断分类器,其特征是,包括如下步骤:
步骤1:收集制造过程中质量特性的原始数据,并对该数据进行必要的整理、简化及计算,其具体计算过程如下:
在生产过程中,当工序不存在系统性误差时,产品的质量特性值符合正态分布;由于多元质量特性值得单位不统一,数值大小差距也较大,需对数据做进一步处理;
生产过程正常运行收集的数据矩阵为,为样本的个数,为样本质量属性个数
上式为第个样本第种质量属性值,为第种质量属性均值,第种质量属性标准差
对预处理后的数据,进行比重计算如下:
假设维正态分布,即,其中为总体均值向量,为协方差矩阵,由于为对称矩阵,因此存在对称矩阵,使得
其中为协方差矩阵的特征值,其满足,即维多元质量的权重分配可以表示为下式:
取前个主元的累计贡献率达到80%以上,即贡献率为:
则主元模型为
分别为个主元质量的属性向量,为误差
步骤2:对关键工序的多元质量特性进行过程分析,其具体计算过程如下:
这里主要对步骤1中的计算和估计;
,其中是质量特性值,是总体均值,是总体方差,当质量特性值服从正态分布时,其均值也服从正态分布,其中,n为样本容量,依照正态分布的特性,则
即,无论和取何值,落在之间的概率是,也就是说,落在这个分布范围之外的概率只有
对于过程修正的规格区域是一个椭球体,其体积计算公式为:
、分别为控制图上第元质量因子的上下限
多元过程在置信度下实际分布区域的椭球体为:
为多元质量因子的协方差行列式
设其修正系数为;
、分别为规格图、和实际过程的均值位置,为t维均值差值
另一影响因子为,为规格上下限的交点
即
综上所述,表征过程能力函数如下:
为了完善上式的结果,这里整合下面的方法,具体过程如下:
错判误差的概率分为两类,一是受控状态判为失控状态,概率即为,二是失控状态判为受控状态,概率即为
样本,当处于受控状态时,设其分布为正态分布;过程处于失控状态时,其分布发生了变化,变化后的分布函数为
记控制图的上、下控制限分别为、;
总误差概率为
上式为标准正态分布的分布函数在点处的值,为控制图中实际参数,这个具体情况可以具体确定
一元修正系数:
、分别为中心距离差值、误判概率的权重分配值,这里,
表征过程能力函数:
多元表征过程能力函数:
表征
根据模型即可提取制造过程质量异常的主特征
步骤3:把观测到的数据记录到己经画好控制限的控制图上,根据判稳规则判断过程是否出现异常现象,其具体描述如下:
如果过程处于非统计过程受控状态时用样本点建立的控制图控制后续的生产过程,不仅起不到良好的控制效果,反而会给企业带来错误的预报,给企业造成损失
步骤4:根据识别结果,应用支持向量机方法查找出过程异常源所在;
步骤5:相关人员针对质量问题提出并实施改善的措施,解决过程异常情况;
步骤6:在改善实施后,维续使用控制图对过程质量进行验证确认,观测是否仍有异常,若有则返问至(3),若无则继续利用控制图对制造过程进行监控。
2.根据权利要求1中所述的基于SVM的制造过程多元质量诊断分类器,其特征是,以上所述步骤4中的具体计算过程如下:
步骤4:根据识别结果,应用支持向量机方法查找出过程异常源所在,其具体计算过程如下:
设训练集为
此时它所对应的优化问题为:
上述式子已经利用了拉格朗日优化方法,将上述命题变化为其对偶命题了
最优分类函数为:
是分类阈值,可以由支持向量进行求解,也可以通过支持向量对取中值得方法求得,为了增加容噪能力,通过引入松弛变量来改进模型,得到:
目标中的为惩罚系数
应用上式优化函数,即可找到最优的超平面将训练样本归类,进而可以对测试样本归类,这样就构成了一个分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711254548.9A CN107992006A (zh) | 2017-12-01 | 2017-12-01 | 基于svm的制造过程多元质量诊断分类器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711254548.9A CN107992006A (zh) | 2017-12-01 | 2017-12-01 | 基于svm的制造过程多元质量诊断分类器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107992006A true CN107992006A (zh) | 2018-05-04 |
Family
ID=62035223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711254548.9A Pending CN107992006A (zh) | 2017-12-01 | 2017-12-01 | 基于svm的制造过程多元质量诊断分类器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992006A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222853A (zh) * | 2019-06-10 | 2019-09-10 | 上海第二工业大学 | 一种实现报废汽车回收效率提升的决策方法 |
-
2017
- 2017-12-01 CN CN201711254548.9A patent/CN107992006A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110222853A (zh) * | 2019-06-10 | 2019-09-10 | 上海第二工业大学 | 一种实现报废汽车回收效率提升的决策方法 |
CN110222853B (zh) * | 2019-06-10 | 2021-11-02 | 上海第二工业大学 | 一种实现报废汽车回收效率提升的决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10814448B2 (en) | Comprehensive performance evaluation method for CNC machine tools based on improved pull-off grade method | |
JP6285494B2 (ja) | サンプリングレート決定機構付きの測定サンプル抽出方法及びそのコンピュータプログラム製品 | |
CN106355030B (zh) | 一种基于层次分析法和加权投票决策融合的故障检测方法 | |
CN107256003A (zh) | 一种模糊支持向量机的制造过程多元质量诊断分类器 | |
Abdella et al. | Variable selection‐based multivariate cumulative sum control chart | |
CN109583520B (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN102736558A (zh) | 基于时间序列算法的数控机床热误差实时补偿建模方法 | |
TW201537360A (zh) | 量測抽樣方法與其電腦程式產品 | |
CN104677997B (zh) | 一种变压器油色谱在线监测差异化预警方法 | |
CN108108890A (zh) | 一种基于工序关联关系的工艺缺陷风险分析方法 | |
CN105868164A (zh) | 一种基于有监督的线性动态系统模型的软测量建模方法 | |
CN107346122A (zh) | 改进模糊支持向量机的制造过程多元质量诊断分类器 | |
CN107992006A (zh) | 基于svm的制造过程多元质量诊断分类器 | |
Guleria et al. | Classification of surface roughness during turning of forged EN8 steel using vibration signal processing and support vector machine | |
CN101780488B (zh) | 内螺纹冷挤压加工质量在线预测方法 | |
CN108037744A (zh) | 基于统计方法的制造过程多元质量诊断分类器 | |
CN107357167A (zh) | 基于主成分分析方法的制造过程质量异常的特征提取算法 | |
CN107390667A (zh) | 基于决策树的制造过程多元质量诊断分类器 | |
CN107203198A (zh) | 改进的制造过程多元质量诊断分类器 | |
CN107272611A (zh) | 一种衡量制造过程质量能力的算法 | |
Gao et al. | Soft sensor modeling based on PCA and LS-SVM for strip thickness in cold steel rolling mills | |
CN107390647A (zh) | 一种混合的衡量制造过程多元质量能力的算法 | |
CN114800036A (zh) | 一种设备健康状态评估方法 | |
CN107256002A (zh) | 新的衡量制造过程多元质量能力的算法 | |
TW201020806A (en) | Product quality fault detection method and real metrology data evaluation method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180504 |