CN108563201A - 一种dmaic驱动的小批量零件加工工艺过程质量改进方法 - Google Patents

Abstract

一种DMAIC驱动的小批量零件加工工艺过程质量改进方法，其逻辑过程主要有定义、测量、分析、改进与控制五个阶段，定义阶段主要确定质量改进活动的对象和目标，找出与加工过程相关的所有因素；测量阶段通过确定加工过程的关键控制工序，搭建基于CPS的数字化信息采集网络，实时采集生产过程中的加工数据；分析阶段构建了赋值型误差传递网络，通过对质量特征误差灵敏度的计算，找出与质量问题相关的关键因素；改进阶段针对出现质量问题的原因，制定对应的措施对工艺参数等加以改进；控制阶段构建了质量特征误差预测模型，对产品质量进行有效控制。该方法可以有效改进和优化小批量零件的加工工艺过程，形成对小批量零件加工过程质量的持续改进功能。

Description

一种DMAIC驱动的小批量零件加工工艺过程质量改进方法

技术领域

本发明属于生产过程管理中的质量改进与管理领域，特别涉及一种DMAIC驱动的小批量零件加工工艺过程质量改进方法。

技术背景

当前，工业产品需求越来越多样化、个性化，现代制造企业的生产模式由传统的单一型、大批量生产模式逐渐转变为多品种、小批量柔性生产。企业的产品质量改进和管理方法也亟需适应这种新的生产模式。具体来说，(1)小批量生产模式下，零部件的种类繁多，工艺规程复杂多变，对于出现质量问题的产品，很难分析造成缺陷的原因，导致了质量改进环节不能准确找到问题所在，质量改进措施的制定也具有一定的盲目性；(2)传统的基于统计过程控制(Statistical Process Control,SPC)技术的质量控制方法是建立在质量特征值相互独立、服从同一分布的假设基础之上，而且需要采集充足的样本以实施控制图，但是在小批量加工过程中，这些假设都不能满足。

针对小批量零件加工工艺过程的质量改进，国内外学者较多采用鱼骨图、Pareto图等工具分析造成质量问题的可能性因素，但是却忽略了这些工具的使用特点，例如鱼骨图较多的依赖经验知识，主观性较强，不具备量化分析；而Pareto图则需要大量的历史质量缺陷统计数据，对于小批量加工过程质量改进不具备实用性；除此之外，也有学者将批量加工过程中使用的质量监测方法加以改进并应用到小批量生产过程中，如基于小样本的Bootstrap法、Bayes预测模型等，但是，这些方法没有深入研究“因样本数量过少而导致无法获得较准确的参数估计”问题，对参数的先验分布上存在一定程度的主观性，从而影响了这些方法在实际中的有效应用。

由此可知，传统的质量改进方法无法适用于小批量的生产模式，小批量加工过程中的质量改进和优化还存在一些问题。

发明内容

为了解决传统质量改进方法无法适用小批量加工的实际问题，本发明的目的在于提供一种定义(D)-测量(M)-分析(A)-改善(I)-控制(C)(以下简称DMAIC)驱动的小批量零件加工工艺过程质量改进方法，旨在实现利用小批量生产过程中少量生产过程数据，准确分析导致质量问题的原因、制定对应的改进措施，并构建可靠的质量控制流程，最终建立起一套完整的、服务于小批量零件加工工艺过程质量改进的方法体系。可实现对现有工艺流程界定并进行定量化测量、分析，并在实施改进措施的基础上，对最终的产品质量进行有效的控制。

为了达到上述目的，本发明采用的技术方案是：

一种DMAIC驱动的小批量零件加工工艺过程质量改进方法，包括以下步骤：

1)定义阶段：明确现有小批量零件加工过程的工艺水平，制定适合的阶段改进目标，并通过对流程的全面分析，绘制供应商(S)-输入(I)-流程(P)-输出(O)-客户(C)(以下简称SIPOC)图，为后续的各阶段打下基础；

2)测量阶段：在进行生产之前，提取出工艺过程中影响零件最终质量特征的某些关键工序。由于工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系，使得加工过程中的误差传递呈现网络特性，据此可构建误差传递网络，通过对网络指标的计算，可得到小批量零件加工工艺过程的关键工序。为增强对质量误差诱因和改进机会的定量化认识，需在这些关键工序设置数据采集点，由此提出基于信息物理系统(Cyber-Physical System,CPS)的数字化加工过程信息采集网络，并通过此网络采集零件加工过程中的工况信息以及质量特征数据，为后续的分析阶段提供数据支持；

3)分析阶段：定量分析小批量零件加工过程中的误差传递关系，针对加工关键工序构建赋值型误差传递网络，在此基础上进行质量特征误差灵敏度分析、建模与解算，以得到影响零件质量特征的关键因素；

4)改进阶段：是指针对分析出的关键影响因素，提出相对应的改进措施，并通过实验的方法验证改进效果；

5)控制阶段：利用分析阶段的赋值型误差传递网络，构建质量特征误差预测模型，通过基于特征加权的支持向量回归机(Weighted Feature Support Vector RegressionMachine,WF-SVRM)进行回归预测，并采用差分进化(Differential Evolution,DE)算法进行权重系数以及核函数相关参数的优化以提高预测精度，最终以成熟度指标来评价质量特征误差预测模型的优劣。

该并行优化的流程描述如下：

1)获取训练样本；

2)权重系数、惩罚因子、核参数初始化，确定种群规模、交叉概率、变异概率、初始化种群；

3)导入训练样本，调用WF-SVRM主程序进行模型训练；

4)判断误差是否满足终止条件，若满足则转6)，不满足则转5)；

5)通过差分矢量对个体进行变异操作，之后进行交叉操作，并通过选择适应度较高的个体产生新一代种群，重复4)；

6)得到最优参数，即得到了优化后的质量特征误差预测模型；

7)将对应的信息导入即可获得零件质量特征的预测值，结束。

8)为了保证质量特征误差预测模型的预测质量，采用成熟度来衡量上述模型的优劣，当成熟度满足设定的指标值时，即证明该模型已经经过了足够的样本训练，可以进行质量特征预测。模型成熟度用下式表示：

式中，p_i为第i个零件的质量特征预测结果，t_i为第i个零件的质量特征实际值，N为已加工零件的数量。

步骤二所述的工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系，具体如下：

加工特征：零件的几何特征和加工过程中完成该几何特征所使用的加工方法的组合，表示为FE＝fe₁,fe₂,…,fe_n，其中FE为加工特征的集合，fe_i为第i个加工特征，n为加工特征的总数。

加工要素：加工过程中使用的机床、刀具、夹具等工装设备，表示为ME＝MA∪TO∪FI，其中ME为加工要素的集合，MA＝ma₁,ma₂,…,ma_j表示机床的集合，ma_i表示第i个机床，j为机床的总数；TO＝to₁,to₂,…,to_k表示刀具的集合，to_i表示第i个刀具，k为刀具的总数；FI＝fi₁,fi₂,…,fi_l表示夹具的集合，fi_i表示第i个夹具，l为夹具的总数。

基准关系：确定加工表面位置的点、线、面，表示为RR＝<fe_i,fe_j,w_ij>,i≠j其中RR为基准关系边集，<fe_i,fe_j,w_ij>为由加工特征fe_i指向fe_j的基准关系抽象的边，w_ij为边的权重。

演变关系：同一零件几何特征经过多次加工形成加工特征序列，相邻加工特征之间存在演变关系，表示为ER＝<fe_m,fe_n,w_mn>,m≠n，其中ER为演变关系边集，<fe_m,fe_n,w_mn>为由加工特征fe_m指向fe_n的演变关系抽象的边，w_mn为边的权重。

影响关系：加工要素会影响加工特征的质量，加工要素与加工特征之间存在影响关系，表示为IR＝MR∪TR∪FR，其中IR为影响关系边集，MR＝<ma_i,fe_j,w_ij>为机床影响关系边集，<ma_i,fe_j,w_ij>为由机床ma_i指向加工特征fe_j的影响关系抽象的边，w_ij为机床对加工特征的影响权重；TR＝<to_m,fe_j,w_mj>为刀具影响关系边集，<to_m,fe_j,w_mj>为由刀具to_m指向加工特征fe_j的影响关系抽象的边，w_mj为刀具对加工特征的影响权重；FR＝<fi_k,fe_j,w_kj>为夹具影响关系边集，<fi_k,fe_j,w_kj>为由夹具fi_k指向加工特征fe_j的影响关系抽象的边，w_kj为夹具对加工特征的影响权重。

步骤二所述的误差传递网络的构造流程具体描述如下：

1)从小批量零件工艺流程中抽取一道工序，提取出加工特征和加工要素节点，确定节点之间的关系；

2)对抽取的节点编码，形成误差传递子网络；

3)判断工序是否抽取完毕，如果完毕转4)，未完毕转1)继续进行抽取；

4)将形成的多个误差传递子网络进行合并，此过程注意去掉重复的节点和重复的边；

5)初始化网络边权重，若两节点之间存在边则权重为1，否则为0；

6)生成网络关系矩阵；

7)生成误差传递网络，结束。

采用复杂网络的分析方法对构建的误差传递网络进行分析，以节点的度、吸收度、延展度、活跃度及综合效应指数作为考查的网络指标，计算公式如下：

节点的度：

式中，Node_k_i为节点的度，N_nodei为网络中直接指向节点i的节点集合，a_ji为节点j对节点i的影响权重，N_inode为网络中由节点i直接指向的节点集合，a_ik为节点i对节点k的影响权重。

节点的吸收度：

式中，Node_l_i为节点的吸收度，N_nodei为网络中直接指向节点i的节点集合，N_nodej为网络中直接指向节点j的节点集合，a_kj为节点k对节点j的影响权重。

节点的延展度：

式中，Node_e_i为节点的延展度，N_inode为网络中由节点i直接指向的节点集合，N_jnode为网络中由节点j直接指向的节点集合，a_jk为节点j对节点k的影响权重。

节点的活跃度：

式中，Node_f_i为节点的活跃度，n_jk为节点j、k之间的所有最短路径数量，n_jki为节点j、k之间经过节点i的所有最短路径数量，N为节点总数。

节点的综合效应指数：

Node_I_i＝Node_l_i+Node_e_i Node_f_i

式中，Node_I_i为节点的综合效应指数，Node_l_i为节点的吸收度，Node_e_i为节点的延展度，Node_f_i为节点的活跃度。

本发明的有益效果为：

1、本发明提出的方法与传统的质量改进方法相比：a、是本发明提出的方法针对的是小批量生产模式。可以有效解决基于SPC技术的传统质量改进方法因样本数量受限导致无法适用的实际问题；b、是本发明提出的方法可以解决多品种个性化的零件质量改进问题。可以实现由于工艺灵活多变、生产过程不稳定导致的质量一致性差，质量失效原因不明晰的问题。

2、本发明构建误差传递网络来分析小批量零件加工过程中的关键工序，并通过质量特征误差灵敏度建模与解算定量地求出影响小批量零件加工工艺过程的关键误差因素，有效克服了传统质量控制方法主观性较强、不易量化的缺点，提升了质量问题原因分析的准确度，为小批量零件加工过程中的产品质量管理与控制提供技术支撑。

附图说明

图1为本发明的体系架构图。

图2为本发明的执行逻辑图。

图3为本发明使用的误差传递网络构建流程图。

图4为本发明构建的基于CPS的数字化加工过程信息采集网络图。

图5为本发明使用的多参数并行优化流程图。

具体实施方式

下面结合附图和实例对本发明作详细的说明，此处所说明的附图是本申请的一部分，用来对本发明作进一步解释，但并不构成对本发明的限定。

参见图1，本发明中涉及DMAIC驱动的小批量零件加工工艺过程质量改进方法，其应用的体系架构分为车间层、技术层和平台层。所述的车间层是指小批量零件加工生产车间，所述的技术层是指DMAIC驱动的小批量零件加工工艺过程质量改进的方法和模型；所述的平台层是技术层的物理实现，通过该平台实现小批量零件加工工艺过程质量改进的数字化和智能化。

参见图2，本发明的具体实施流程主要包括5个步骤：

1)定义阶段：明确现有工艺过程水平，制定阶段改进目标；

2)测量阶段：根据零件加工工艺过程建立误差传递网络，由此确定关键工序，在此基础上构建基于CPS的数字化加工过程信息采集网络；

3)分析阶段：针对关键工序构建赋值型误差传递网络，并进行质量特征误差灵敏度建模与解算，得到影响零件质量特征的关键误差因素；

4)改进阶段：针对关键误差因素提出对应的改进措施；

5)控制阶段：在赋值型误差传递网络的基础上，构建质量特征误差预测模型，并采用多参数并行优化算法以提高模型预测的准确性。

具体实现流程如下：

1)定义阶段

明确现有小批量零件加工过程的工艺水平，并制定适合的阶段改进目标，通过对流程的全面分析，绘制供应商(S)-输入(I)-流程(P)-输出(O)-客户(C)(以下简称SIPOC)图，为后续的各阶段打下基础。

2)测量阶段

本发明在对小批量零件工艺过程进行深入分析的基础上，所述的工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系，提取出了两类节点和三种关系，并对其作如下定义：

加工特征：零件的几何特征和加工过程中完成该几何特征所使用的加工方法的组合，表示为FE＝fe₁,fe₂,…,fe_n，其中FE为加工特征的集合，fe_i为第i个加工特征，n为加工特征的总数。

加工要素：加工过程中使用的机床、刀具、夹具等工装设备，表示为ME＝MA∪TO∪FI，其中ME为加工要素的集合，MA＝ma₁,ma₂,…,ma_j表示机床的集合，ma_i表示第i个机床，j为机床的总数；TO＝to₁,to₂,…,to_k表示刀具的集合，to_i表示第i个刀具，k为刀具的总数；FI＝fi₁,fi₂,…,fi_l表示夹具的集合，fi_i表示第i个夹具，l为夹具的总数。

基准关系：确定加工表面位置的点、线、面，表示为RR＝<fe_i,fe_j,w_ij>,i≠j其中RR为基准关系边集，<fe_i,fe_j,w_ij>为由加工特征fe_i指向fe_j的基准关系抽象的边，w_ij为边的权重。

演变关系：同一零件几何特征经过多次加工形成加工特征序列，相邻加工特征之间存在演变关系，表示为ER＝<fe_m,fe_n,w_mn>,m≠n，其中ER为演变关系边集，<fe_m,fe_n,w_mn>为由加工特征fe_m指向fe_n的演变关系抽象的边，w_mn为边的权重。

影响关系：加工要素会影响加工特征的质量，加工要素与加工特征之间存在影响关系，表示为IR＝MR∪TR∪FR，其中IR为影响关系边集，MR＝<ma_i,fe_j,w_ij>为机床影响关系边集，<ma_i,fe_j,w_ij>为由机床ma_i指向加工特征fe_j的影响关系抽象的边，w_ij为机床对加工特征的影响权重；TR＝<to_m,fe_j,w_mj>为刀具影响关系边集，<to_m,fe_j,w_mj>为由刀具to_m指向加工特征fe_j的影响关系抽象的边，w_mj为刀具对加工特征的影响权重；FR＝<fi_k,fe_j,w_kj>为夹具影响关系边集，<fi_k,fe_j,w_kj>为由夹具fi_k指向加工特征fe_j的影响关系抽象的边，w_kj为夹具对加工特征的影响权重。

基于上述定义，本发明构建了加工过程误差传递网络，通过网络指标计算确定了关键工序，在此基础上构建了基于CPS的数字化加工过程信息采集网络：

a)基于误差传递网络的加工过程关键工序确定

参见图3，本发明误差传递网络的构造流程具体描述如下：

1)从小批量零件工艺流程中抽取一道工序，提取出加工特征和加工要素节点，确定节点之间的关系；

2)对抽取的节点编码，形成误差传递子网络；

3)判断工序是否抽取完毕，如果完毕转4)，未完毕转1)继续进行抽取；

4)将形成的多个误差传递子网络进行合并，此过程注意去掉重复的节点和重复的边；

5)初始化网络边权重，若两节点之间存在边则权重为1，否则为0；

6)生成网络关系矩阵；

7)生成误差传递网络，结束。

采用复杂网络的分析方法对构建的误差传递网络进行分析，以节点的度、吸收度、延展度、活跃度及综合效应指数作为考查的网络指标，计算公式如下：

节点的度：

式中，Node_k_i为节点的度，N_nodei为网络中直接指向节点i的节点集合，a_ji为节点j对节点i的影响权重，N_inode为网络中由节点i直接指向的节点集合，a_ik为节点i对节点k的影响权重。

节点的吸收度：

式中，Node_l_i为节点的吸收度，N_nodei为网络中直接指向节点i的节点集合，N_nodej为网络中直接指向节点j的节点集合，a_kj为节点k对节点j的影响权重。

节点的延展度：

式中，Node_e_i为节点的延展度，N_inode为网络中由节点i直接指向的节点集合，N_jnode为网络中由节点j直接指向的节点集合，a_jk为节点j对节点k的影响权重。

节点的活跃度：

式中，Node_f_i为节点的活跃度，n_jk为节点j、k之间的所有最短路径数量，n_jk i为节点j、k之间经过节点i的所有最短路径数量，N为节点总数。

节点的综合效应指数：

Node_I_i＝Node_l_i+Node_e_i Node_f_i

式中，Node_I_i为节点的综合效应指数，Node_l_i为节点的吸收度，Node_e_i为节点的延展度，Node_f_i为节点的活跃度。

通过上述网络指标的计算可以得出零件工艺过程中的关键工序。

b)构建基于CPS的数字化加工过程信息采集网络

为了获得生产过程中关键工序的加工信息，构建了基于CPS的数字化加工过程信息采集网络，参见图4，该网络分为物理层、感知层、网络层、数据层和应用层，每层的功能如下：

物理层：车间数据采集的对象，主要包括机床、刀具、夹具等的状态信息以及零件的质量信息等，是整个加工过程信息采集网络的最底层；

感知层：车间数据采集的工具，包括RFID、无线传感器等设备，它们通过TCP/IP、Zigbee等协议组网，将采集到的物理层信息提供给数据层，并为上层应用提供统一的数据访问API接口，降低了数据传输和处理的难度；

网络层：通过互联网技术对生产车间的信息采集节点进行组网连接，满足远程监控的需要；

数据层：主要负责对采集到的加工过程数据进行存储和计算分析，为后续应用层的可视化显示奠定基础；

应用层：基于生产过程数据的多层次、多方面分析计算，提供不同的服务功能，如质量信息统计、设备运行状态监控以及工件信息追踪等，进而满足不同用户的不同需求。

综上所述，所构建的基于CPS的数字化加工过程信息采集网络具有低门槛、轻量级、可扩展等优点，使用者不用过多了解传感设备的技术细节即可通过统一的API接口进行数据处理；此外，该网络是分布式、可扩展的，传感设备通过配置后即可接入，且这种物理上的变化对数据采集网络的组织方式影响较小。

3)分析阶段

为了采用定量分析的方法研究小批量零件加工过程中的误差传递关系，进而找到影响其质量特征的关键因素，将质量特征和工况特征抽象成为节点，添加到所属的上一级网络节点下，将采集到的质量信息和工况信息预处理后填入对应的节点属性下，由此形成赋值型误差传递网络。

在上述赋值型误差传递网络的基础上，将质量特征形成过程中的各个误差因素作为输入，最终的质量特征作为输出，由此构建质量特征误差灵敏度模型，表示为：

Δq＝f p₁,p₂,…,p_n,Δb,Δd

式中，Δq为零件最终的质量特征误差，f·为各影响因素和零件最终质量特征误差之间的映射关系，p_i为加工要素i的加工状态值，n为加工要素的数量，Δb为前序质量特征误差，Δd为定位基准误差。

本发明中用灵敏度表示不同误差因素对最终质量特征的影响程度，灵敏度越大说明最终质量特征的误差对该因素的变化越敏感，即该因素对于最终质量特征的形成具有越重要的影响和作用。为了定量分析的需要，提出质量特征综合误差灵敏度和质量特征对单一误差因素灵敏度，表达式如下：

质量特征综合误差灵敏度：

式中，S为质量特征综合误差灵敏度，x为误差因素组成的偏差向量，f x为各误差因素和零件质量特征之间的映射关系，为f x在误差因素偏差向量x处的梯度。

质量特征对单一误差因素灵敏度：

式中，Sⁱ为质量特征对单一误差因素x_i的灵敏度，x_i为误差因素i的偏差，f x为各误差因素和零件质量特征之间的映射关系，为f x在误差因素x_i处的梯度。

至此，质量特征误差灵敏度建模已经完成，利用测量阶段获得的小批量零件加工过程信息数据，即可进行上述灵敏度指标的计算，由此可以得到影响零件最终质量特征的主要误差因素。

4)改进阶段

针对分析阶段得到的影响零件最终质量特征的主要误差因素，提出对应的改进方案并加以实施，根据最终的实验结果确定该工序各加工要素的最佳状态值。此外，判断定义阶段设置的阶段改进目标是否实现，如果实现则进入控制阶段，未实现则返回分析阶段。

5)控制阶段

在影响零件质量特征的众多误差因素中，不同的误差因素对最终加工质量的影响程度不同，因此，在进行质量预测时，必须要考虑误差因素与零件质量特征之间的关联程度。WF-SVRM针对每一个误差因素给予一个权重系数，这样通过训练得到的误差预测模型将更加准确。通过WF-SVRM得到的质量特征误差预测模型表示为：

Δy＝g α₁p₁,α₂p₂,…,α_npx,α_n+1Δb,α_n+2Δd

式中，Δy为零件最终的质量特征误差，g·为各误差因素和零件最终质量特征误差之间的映射关系，p_i为加工要素i的加工状态值，n为加工要素的数量，Δb为前序质量特征误差，Δd为定位基准误差，α_k为误差因素k对最终加工质量的影响权重系数。

传统的权重系数分配一般是通过评价打分等方法进行的，主观性较强；为了提高预测精度，本发明采用差分进化算法来对WF-SVRM权重系数、惩罚因子以及核参数进行并行优化，参见图5，该并行优化的流程描述如下：

1)获取训练样本；

2)权重系数、惩罚因子、核参数初始化，确定种群规模、交叉概率、变异概率、初始化种群；

3)导入训练样本，调用WF-SVRM主程序进行模型训练；

4)判断误差是否满足终止条件，若满足则转6)，不满足则转5)；

5)通过差分矢量对个体进行变异操作，之后进行交叉操作，并通过选择适应度较高的个体产生新一代种群，重复4)；

6)得到最优参数，即得到了优化后的质量特征误差预测模型；

7)将对应的信息导入即可获得零件质量特征的预测值，结束。

8)为了保证质量特征误差预测模型的预测质量，采用成熟度来衡量上述模型的优劣，当成熟度满足设定的指标值时，即证明该模型已经经过了足够的样本训练，可以进行质量特征预测。模型成熟度用下式表示：

式中，p_i为第i个零件的质量特征预测结果，t_i为第i个零件的质量特征实际值，N为已加工零件的数量。

综上所述，本发明提出了一种DMAIC驱动的小批量零件加工工艺过程质量改进方法，该方法具体包括以下五个步骤：1)明确现有工艺过程水平，制定阶段改进目标；2)根据零件加工工艺过程建立误差传递网络，由此确定关键工序，在此基础上构建基于CPS的数字化加工过程信息采集网络；3)针对关键工序构建赋值型误差传递网络，并进行质量特征误差灵敏度建模与解算，得到影响零件质量特征的关键误差因素；4)针对关键误差因素提出对应的改进措施；5)在赋值型误差传递网络的基础上，构建质量特征误差预测模型，并采用多参数并行优化算法以提高模型预测的准确性。

Claims (3)

1.一种DMAIC驱动的小批量零件加工工艺过程质量改进方法，其特征在于，包括以下步骤：

(1)定义阶段：明确现有小批量零件加工过程的工艺水平，制定适合的阶段改进目标，并通过对流程的全面分析，绘制供应商(S)-输入(I)-流程(P)-输出(O)-客户(C)(以下简称SIPOC)图，为后续的各阶段打下基础；

(2)测量阶段：在进行生产之前，提取出工艺过程中影响零件最终质量特征的某些关键工序。由于工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系，使得加工过程中的误差传递呈现网络特性，据此可构建误差传递网络，通过对网络指标的计算，可得到小批量零件加工工艺过程的关键工序。为增强对质量误差诱因和改进机会的定量化认识，需在这些关键工序设置数据采集点，由此提出基于信息物理系统的数字化加工过程信息采集网络，并通过此网络采集零件加工过程中的工况信息以及质量特征数据，为后续的分析阶段提供数据支持；

(3)分析阶段：定量分析小批量零件加工过程中的误差传递关系，针对加工关键工序构建赋值型误差传递网络，在此基础上进行质量特征误差灵敏度分析、建模与解算，以得到影响零件质量特征的关键因素；

(4)改进阶段：是指针对分析出的关键影响因素，提出相对应的改进措施，并通过实验的方法验证改进效果；

(5)控制阶段：利用分析阶段的赋值型误差传递网络，构建质量特征误差预测模型，通过基于特征加权的支持向量回归机(Weighted Feature Support Vector RegressionMachine,WF-SVRM)进行回归预测，并采用差分进化(Differential Evolution,DE)算法进行权重系数以及核函数相关参数的优化以提高预测精度，最终以成熟度指标来评价质量特征误差预测模型的优劣；

该优化的流程描述如下：

1)获取训练样本；

2)权重系数、惩罚因子、核参数初始化，确定种群规模、交叉概率、变异概率、初始化种群；

3)导入训练样本，调用WF-SVRM主程序进行模型训练；

4)判断误差是否满足终止条件，若满足则转6)，不满足则转5)；

5)通过差分矢量对个体进行变异操作，之后进行交叉操作，并通过选择适应度较高的个体产生新一代种群，重复4)；

6)得到最优参数，即得到了优化后的质量特征误差预测模型；

7)将对应的信息导入即可获得零件质量特征的预测值，结束。

8)为了保证质量特征误差预测模型的预测质量，采用成熟度来衡量上述模型的优劣，当成熟度满足设定的指标值时，即证明该模型已经经过了足够的样本训练，可以进行质量特征预测。模型成熟度用下式表示：

式中，p_i为第i个零件的质量特征预测结果，t_i为第i个零件的质量特征实际值，N为已加工零件的数量。

2.根据权利要求1所述的一种DMAIC驱动的小批量零件加工工艺过程质量改进方法，其特征在于，

步骤二所述的工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系，具体如下：

加工特征：零件的几何特征和加工过程中完成该几何特征所使用的加工方法的组合，表示为FE＝fe₁,fe₂,…,fe_n，其中FE为加工特征的集合，fe_i为第i个加工特征，n为加工特征的总数。

加工要素：加工过程中使用的机床、刀具、夹具等工装设备，表示为ME＝MA∪TO∪FI，其中ME为加工要素的集合，MA＝ma₁,ma₂,…,ma_j表示机床的集合，ma_i表示第i个机床，j为机床的总数；TO＝to₁,to₂,…,to_k表示刀具的集合，to_i表示第i个刀具，k为刀具的总数；FI＝fi₁,fi₂,…,fi_l表示夹具的集合，fi_i表示第i个夹具，l为夹具的总数。

基准关系：确定加工表面位置的点、线、面，表示为RR＝<fe_i,fe_j,w_ij>,i≠j其中RR为基准关系边集，<fe_i,fe_j,w_ij>为由加工特征fe_i指向fe_j的基准关系抽象的边，w_ij为边的权重。

演变关系：同一零件几何特征经过多次加工形成加工特征序列，相邻加工特征之间存在演变关系，表示为ER＝<fe_m,fe_n,w_mn>,m≠n，其中ER为演变关系边集，<fe_m,fe_n,w_mn>为由加工特征fe_m指向fe_n的演变关系抽象的边，w_mn为边的权重。

影响关系：加工要素会影响加工特征的质量，加工要素与加工特征之间存在影响关系，表示为IR＝MR∪TR∪FR，其中IR为影响关系边集，MR＝<ma_i,fe_j,w_ij>为机床影响关系边集，<ma_i,fe_j,w_ij>为由机床ma_i指向加工特征fe_j的影响关系抽象的边，w_ij为机床对加工特征的影响权重；TR＝<to_m,fe_j,w_mj>为刀具影响关系边集，<to_m,fe_j,w_mj>为由刀具to_m指向加工特征fe_j的影响关系抽象的边，w_mj为刀具对加工特征的影响权重；FR＝<fi_k,fe_j,w_ij＞为夹具影响关系边集，<fi_k,fe_j,w_kj>为由夹具fi_k指向加工特征fe_j的影响关系抽象的边，w_kj为夹具对加工特征的影响权重。

3.根据权利要求1所述的一种DMAIC驱动的小批量零件加工工艺过程质量改进方法，其特征在于，

步骤二所述的误差传递网络的构造流程具体描述如下：

1)从小批量零件工艺流程中抽取一道工序，提取出加工特征和加工要素节点，确定节点之间的关系；

2)对抽取的节点编码，形成误差传递子网络；

3)判断工序是否抽取完毕，如果完毕转4)，未完毕转1)继续进行抽取；

4)将形成的多个误差传递子网络进行合并，此过程注意去掉重复的节点和重复的边；

5)初始化网络边权重，若两节点之间存在边则权重为1，否则为0；

6)生成网络关系矩阵；

7)生成误差传递网络，结束。

采用复杂网络的分析方法对构建的误差传递网络进行分析，以节点的度、吸收度、延展度、活跃度及综合效应指数作为考查的网络指标，计算公式如下：

节点的度：

式中，Node_k_i为节点的度，N_nodei为网络中直接指向节点i的节点集合，a_ji为节点j对节点i的影响权重，N_inode为网络中由节点i直接指向的节点集合，a_ik为节点i对节点k的影响权重。

节点的吸收度：

式中，Node_l_i为节点的吸收度，N_nodei为网络中直接指向节点i的节点集合，N_nodej为网络中直接指向节点j的节点集合，a_kj为节点k对节点j的影响权重。

节点的延展度：

式中，Node_e_i为节点的延展度，N_inode为网络中由节点i直接指向的节点集合，N_jnode为网络中由节点j直接指向的节点集合，a_jk为节点j对节点k的影响权重。

节点的活跃度：

式中，Node_f_i为节点的活跃度，n_jk为节点j、k之间的最短路径，n_jk i为节点j、k之间经过节点i的最短路径，N为节点总数。

节点的综合效应指数：

Node_I_i＝Node_l_i+Node_e_iNode_f_i

式中，Node_I_i为节点的综合效应指数，Node_l_i为节点的吸收度，Node_e_i为节点的延展度，Node_f_i为节点的活跃度。