CN112526931B - 一种船用柴油机机身孔系镗削加工过程质量控制方法 - Google Patents

Abstract

本发明公开了一种船用柴油机机身孔系镗削加工过程质量控制方法，包括：步骤1、对船用柴油机机身孔系镗削加工工序相似性分析并组成相似工序。步骤2、获取相似工序的关键质量数据，将关键质量数据进行预处理。步骤3、使用模糊C均值聚类法对处理后的关键质量数据进行降维处理，得到关键质量数据的隶属度值数据特征，同时根据关键质量数据绘制控制图。步骤4、将隶属度值数据特征输入至训练好的的支持向量机中进行模式识别。步骤5、根据支持向量机输出的模式识别结果，利用异常因素诊断库得到异常模式下对应的异常原因，而后对加工参数和生产设备进行及时调整。本发明的控制方法，有效提高了船用柴油机机身孔系的加工质量。

Description

一种船用柴油机机身孔系镗削加工过程质量控制方法

技术领域

本发明属于船用柴油机机身孔系质量控制技术领域，具体涉及一种船用柴油机机身孔系加工过程质量控制方法。

背景技术

柴油机作为海洋装备开发和利用的核心部件，柴油机机身是关键的基础零件，其质量对柴油机的性能和寿命具有重要影响。孔系加工是机身加工的重要工序，孔系质量影响装配过程，对提高机身运行可靠性和安全性具有非凡意义。长期以来，保证孔系质量的传统方法的核心是测试和检验，属于事后统计。这既不能保证产品的百分百合格，又会产生检验的废品。但是随着国内加工成本的不断增加，对事中统计的质量控制方法的需求愈加强烈。而实现事中统计除了解决实时数据采集与处理的问题，还需快速判定产品是否有失控的趋势以防产生较多不合格品。

近年来，统计过程控制(Statistical Process Control,SPC)广泛运用于机械加工过程质量控制中，尤其是在控制图方面，由以前的事后统计转为事中统计。随着物联网技术的发展，基于 SPC船用柴油机机身加工过程的质量控制方法日益增多。传统的控制图需要大量数据进行统计分析，船用柴油机机身属于小批量生产过程，存在数据样本不足的情况，同时控制图识别是将事后统计转化为事中统计的重要步骤，现在对于控制图的识别方法存在识别精度不高，识别速度慢等问题。

目前，针对船用柴油机机身孔系镗削加工过程质量管控问题，依然没有很好的解决方案。为此，针对上述问题和不足，亟需一种更好的船用柴油机机身孔系镗削加工过程质量控制方法。

发明内容

本发明的目的是为了解决上述现有技术存在的技术问题和不足，提供一种船用柴油机机身孔系镗削加工过程质量控制方法，其有效保证了船用柴油机机身的质量并提高机身加工效率。

为达到上述目的，本发明通过下述技术方案予以实现：

一种船用柴油机机身孔系镗削加工过程质量控制方法，包括以下步骤：

步骤1、对船用柴油机机身孔系镗削加工工序相似性分析并组成相似工序。

步骤2、机身加工并获取相似工序的关键质量数据，将关键质量数据进行预处理。

步骤3、使用模糊C均值聚类法对处理后的关键质量数据进行降维处理，得到关键质量数据的隶属度值数据特征，同时根据关键质量数据绘制质量控制图并检验。

步骤4、将隶属度值数据特征输入至训练好的的支持向量机中进行质量控制图模式识别。所述控制图模式包括正常模式和异常模式、其中异常模式包括周期模式、上升趋势模式、下降趋势模式、向上阶跃模式和向下阶跃模式。

步骤5、支持向量机输出的模式识别结果。若判断为正常模式，则返回步骤2继续加工并再次获取关键质量数据；若判断为异常模式，则根据异常情况诊断库得到异常模式下对应的异常原因，而后对加工参数和生产设备进行及时调整后步骤2，继续加工并再次获取关键质量数据。。

进一步作为优选，所述对船用柴油机机身孔系镗削加工工序相似性分析并组成相似工序，具体内容和步骤包括：

步骤1.1、分析影响船用柴油机机身孔系镗削加工工序相似性的六类因素，所述六类因素包括人员因素、设备因素、材料因素、加工方法因素、环境因素、测量因素。

步骤1.2、通过历史统计数据对六类因素的直觉模糊集U_i<μ_i,υ_i,π_i>进行赋值，Ui为第i 类因素的直觉模糊集，μ_i为第i类因素的直觉模糊集中的隶属度，υ_i为第i类因素的直觉模糊集中的非隶属度，π_i为第i类因素的直觉模糊集中的直觉指数。

步骤1.3、构建六类因素的判定矩阵，计算出判定矩阵的一个特征向量Ω。将特征向量Ω进行归一化处理，同时将处理后的特征向量的行向量ω_i设置为六类因素的权重。ω_i为第i 类因素的权重。

步骤1.4、根据六类因素的直觉模糊集U_i和六类因素的权重ω_i计算孔系间的相似度量 W，根据W的大小组成船用柴油机机身孔系的相似工序

作为优选，所述机身加工并获取相似工序的关键质量数据，将关键质量数据进行预处理，具体内容和步骤包括：

步骤2.1获取一组关键质量数据作为原始数据x，x＝(x₁,x₂,x₃,…,x_n)，计算原始数据x 的标准化数据X，如下：

其中，X—标准化数据，M_i—第i类孔的公差中心，T_i—第i类孔的公差值

步骤2.2通过Minitab软件对标准化数据X的进行正态检验以保证数据的有一定的随机性且符合统计标准，再进行均值、方差的一致性检验。

作为优选，所述使用模糊C均值聚类法对处理后的关键质量数据进行降维处理，得到关键质量数据的隶属度值数据特征，同时根据关键质量数据绘制质量控制图并检验，具体内容和步骤包括：

步骤3.1、建立模糊C均值聚类法的最小化目标函数J_m：

其中，x_i为处理后的关键质量数据，c_j为控制图模式的聚类中心，u_ij ^m为关键质量数据的隶属度值数据特征。

步骤3.2、将处理后的关键质量数据x_i对6种控制图模式的聚类中心求最小化目标函数，获取关键质量数据的隶属度值数据特征u_ij，u_ij＝(u_i1，u_i2，u_i3，u_i4，u_i5，u_i6)。

步骤3.3、根据控制图参数计算公式，将处理后的关键质量数据xi绘制成控制图。

均值控制图计算公式如下：

移动极差控制图计算公式如下：

查看控制图控制限计算的系数表得：d₂＝1.128，d₃＝0，d₄＝3.267

步骤3.4、根据检验标准检验控制图是否有异常点，控制图异常属于小概率事件基本上不发生，若有异常点，则需检修加工设备，否则进入步骤4。

作为优选，所述将隶属度值数据特征输入至训练好的的支持向量机中进行质量控制图模式识别。所述控制图模式包括正常模式和异常模式、其中异常模式包括周期模式、上升趋势模式、下降趋势模式、向上阶跃模式和向下阶跃模式，具体内容和步骤包括：

步骤4.1、对柴油机机身关键质量数据进行仿真。使用模糊C均值聚类法处理仿真的关键质量数据，将处理后的关键质量数据作为输入训练支持向量机。

关键质量数据生成公式如下：

x(t)＝u+r(t)×σ+d(t)

其中，x(t)为机身孔系在t时刻的加工数据的观测值；u为孔系的基本尺寸，r(t)服从标准正态分布，表示加工过程中不可避免的随机因素，σ为过程标准差，d(t)为t时刻的异常干扰， d(t)的不同代表控制图模式的不同。

正常模式：d(t)＝0；此时的观测值应在设计基本尺寸周围随机变化。

上升趋势模式：d(t)＝γ×t；其中γ为倾斜度。γ＞0，取值范围为[0.1σ,0.24σ]，此时的观测值呈现不断的上升变化。

下降趋势模式：d(t)＝γ×t；其中γ为倾斜度。γ＜0，取值范围为[-0.24σ,-0.1σ]，此时的观测值呈现不断的下降变化。

向上阶跃模式：d(t)＝α×λ；其中α为阶跃幅度，取值范围为[σ,2.4σ]，阶跃发生前后λ＝0 和1。α＞0，此时的观测值由正常波动突然跳跃至标准值上方分布。

向下阶跃模式：d(t)＝α×λ；其中α为阶跃幅度，取值范围为[-2.4σ,σ]，阶跃发生前后λ＝0 和1。α＜0，此时的观测值由正常波动突然跳跃至标准值下方分布。

周期模式：d(t)＝A×sin(2πt/T)；其中A为周期变化的波动幅度，取值范围为[σ,2.4σ]；T 为发生周期异常变化的周期，取值范围为[3,17]。

步骤4.2、使用模糊C均值聚类法处理仿真的关键质量数据，将处理后得到的隶属度数据特征作为输入、模式类型作为输出训练支持向量机，获得训练好的支持向量机。其中原仿真关键质量数据通过模糊C均值聚类法处理后的隶属度数据特征示意图如图3所示。

步骤4.3、将处理后的实时关键质量数据处理后得到的隶属度数据特征作为输入，使用支持向量机进行识别，获得控制模式类型。若为正常模式返回至步骤2继续加工，否则进行步骤5。

作为优选，根据支持向量机输出的模式识别结果。若判断为正常模式，则返回步骤2继续加工并再次获取关键质量数据；若判断为异常模式，则根据异常情况诊断库得到异常模式下对应的异常原因，而后对加工参数和生产设备进行及时调整后步骤2，继续加工并再次获取关键质量数据，具体内容和步骤包括：

步骤5.1、根据异常模式类型，查阅异常情况诊断库查明原因。

其中，周期模式标准化数据X呈现周期性变化，产生该异常的原因一般为刀具局部崩裂或者主轴轴承磨损，配合间隙过大。

上升趋势模式标准化数据X呈现不断的上升变化，产生该异常的原因一般为刀具轻微磨损、进给参数过小或者主轴旋转速度过慢。

下降趋势模式标准化数据X呈现不断的下降变化，产生该异常的原因一般为毛坯误差、进给参数过大或者主轴旋转速度过快。

向上阶跃模式标准化数据X由正常波动突然跳跃至标准值上方分布。产生该异常的原因一般为刀具中度或严重磨损或者冷却液喷头堵塞。

向下阶跃模式标准化数据X由正常波动突然跳跃至标准值下方分布。产生该异常的原因一般为刀具装夹不正或者工件装夹偏斜。

步骤5.2、根据原因，工人作出及时调整，保证船用柴油机机身孔系加工质量。

周期模式时，更换刀具或者调整主轴轴承间隙；上升趋势时，加大程序中的刀具补偿或者加大进给参数、调快主轴旋转速度；下降趋势时，重新加工毛坯或者减小进给参数、调慢主轴旋转速度；向上阶跃模式，进行磨刀或者更换刀具、疏通冷却液喷头；向下阶跃模式，调正刀具装夹和工件装夹。

本发明的有益效果

本发明的船用柴油机机身孔系镗削加工过程质量控制方法，通过分析机身孔系镗削加工工序相似性并组成相似工序，扩大机身孔系镗削加工过程关键质量数据，降低机身孔系镗削加工工序的统计复杂度。并且使用模糊C均值聚类法对处理后的标准数据进行降维处理，得到关键质量数据的隶属度值数据特征，利用支持向量机进行分类，再根据分类后的结果诊断异常原因并作出及时调整。提高船用柴油机机身孔系加工的效率，保证船用柴油机机身孔系加工的质量。

附图说明

图1为本发明的船用柴油机机身孔系镗削加工过程质量控制方法的流程图。

图2为本发明的船用柴油机机身孔系镗削加工工序相似性分析并组成相似工序的流程图。

图3(a)为本发明的正常模式原始数据特征图。

图3(A)为本发明的正常模式新隶属度数据特征图。

图3(b)为本发明的上升模式原始数据特征图。

图3(B)为本发明的上升模式新隶属度数据特征图。

图3(c)为本发明的下降模式原始数据特征图。

图3(C)为本发明的下降模式新隶属度数据特征图。

图3(d)为本发明的向上阶跃模式原始数据特征图。

图3(D)为本发明的向上阶跃模式新隶属度数据特征图。

图3(e)为本发明的向下阶跃模式原始数据特征图。

图3(E)为本发明的向下阶跃模式新隶属度数据特征图。

图3(f)为本发明的周期模式原始数据特征图。

图3(F)为本发明的周期模式新隶属度数据特征图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，一种船用柴油机机身孔系镗削加工过程质量控制方法，包括以下步骤：

步骤1、对船用柴油机机身孔系镗削加工工序相似性分析并组成相似工序。具体内容与实施步骤如图2所示。

步骤1.1、分析影响船用柴油机机身孔系镗削加工工序相似性的六类因素，所述六类因素包括人员因素、设备因素、材料因素、加工方法因素、环境因素、测量因素。

步骤1.2、通过历史统计数据对六类因素的直觉模糊集U_i<μ_i,υ_i,π_i>进行赋值，U_i为第i类因素的直觉模糊集，μ_i为第i类因素的直觉模糊集中的隶属度，υ_i为第i类因素的直觉模糊集中的非隶属度，π_i为第i类因素的直觉模糊集中的直觉指数。

步骤1.3、构建六类因素的判定矩阵，计算出判定矩阵的一个特征向量Ω。将特征向量Ω进行归一化处理，同时将处理后的特征向量的行向量ω_i设置为六类因素的权重。ω_i为第i类因素的权重。

步骤1.4、根据六类因素的直觉模糊集U_i和六类因素的权重ω_i计算孔系间的相似度量W，根据W的大小组成船用柴油机机身孔系的相似工序

步骤2、机身加工并获取相似工序的关键质量数据，将关键质量数据进行预处理。具体内容与步骤如下：

步骤2.1、机身加工并获取一组关键质量数据作为原始数据x，x＝(x₁,x₂,x₃,…,x_n)，计算原始数据x的标准化数据X，如下：

其中，X—标准化数据，M_i—第i类孔的公差中心，T_i—第i类孔的公差值

步骤2.2、通过Minitab软件对标准化数据X的进行正态检验以保证数据的有一定的随机性且符合统计标准，再进行均值、方差的一致性检验。

步骤3、使用模糊C均值聚类法对处理后的关键质量数据进行降维处理，得到关键质量数据的隶属度值数据特征，同时根据关键质量数据绘制控制图并检验。具体内容与步骤如下：

步骤3.1、建立模糊C均值聚类法的最小化目标函数J_m：

其中，x_i为处理后的关键质量数据，c_j为控制图模式的聚类中心，u_ij ^m为关键质量数据的隶属度值数据特征。

步骤3.2、将处理后的关键质量数据x_i对6种控制图模式的聚类中心求最小化目标函数，获取关键质量数据的隶属度值数据特征u_ij，u_ij＝(u_i1，u_i2，u_i3，u_i4，u_i5，u_i6)。

每种模式的原始数据和新隶属度数据如图3所示。

步骤3.3、根据控制图参数计算公式，将处理后的关键质量数据xi绘制成控制图。

均值控制图计算公式如下：

移动极差控制图计算公式如下：

查看控制图控制限计算的系数表得：d₂＝1.128，d₃＝0，d₄＝3.267。

步骤3.4、根据检验标准检验控制图是否有异常点，控制图异常属于小概率事件基本上不发生，若有异常点，则需检修加工设备，否则进入步骤4。检验标准详细内容见下表一所示：

表一：

1个点，距离中心线大于3个标准差
	连续9点在中心线同一侧
连续6个点，全部递增或全部递减
	连续14个点，上下交错
3个点中有2个点，距离中心线(同侧)大于2个标准差
	5个点中有4个点，距离中心线(同侧)大于1个标准差
连续15个点，距离中心线(任一侧)1个标准差以内
	连续8个点，距离中心线(任一侧)大于1个标准差

步骤4、将隶属度值数据特征输入至训练好的的支持向量机中进行质量控制图模式识别。所述控制图模式包括正常模式和异常模式、其中异常模式包括周期模式、上升趋势模式、下降趋势模式、向上阶跃模式和向下阶跃模式。具体内容与步骤如下：

步骤4.1、对柴油机机身关键质量数据进行仿真。使用模糊C均值聚类法处理仿真的关键质量数据，将处理后的关键质量数据作为输入训练支持向量机。

关键质量数据生成公式如下：

x(t)＝u+r(t)×σ+d(t)

其中，x(t)为机身孔系在t时刻的加工数据的观测值；u为孔系的基本尺寸，r(t)服从标准正态分布，表示加工过程中不可避免的随机因素，σ为过程标准差，d(t)为t时刻的异常干扰， d(t)的不同代表控制图模式的不同。

正常模式：d(t)＝0；此时的观测值应在设计基本尺寸周围随机变化。

上升趋势模式：d(t)＝γ×t；其中γ为倾斜度。γ＞0，取值范围为[0.1σ,0.24σ]，此时的观测值呈现不断的上升变化。

下降趋势模式：d(t)＝γ×t；其中γ为倾斜度。γ＜0，取值范围为[-0.24σ,-0.1σ]，此时的观测值呈现不断的下降变化。

向上阶跃模式：d(t)＝α×λ；其中α为阶跃幅度，取值范围为[σ,2.4σ]，阶跃发生前后λ＝0 和1。α＞0，此时的观测值由正常波动突然跳跃至标准值上方分布。

向下阶跃模式：d(t)＝α×λ；其中α为阶跃幅度，取值范围为[-2.4σ,σ]，阶跃发生前后λ＝0 和1。α＜0，此时的观测值由正常波动突然跳跃至标准值下方分布。

周期模式：d(t)＝A×sin(2πt/T)；其中A为周期变化的波动幅度，取值范围为[σ,2.4σ]；T 为发生周期异常变化的周期，取值范围为[3,17]。

步骤4.2、使用模糊C均值聚类法处理仿真的关键质量数据，将处理后得到的隶属度数据特征作为输入、模式类型作为输出训练支持向量机，获得训练好的支持向量机。其中原仿真关键质量数据通过模糊C均值聚类法处理后的隶属度数据特征示意图如图3所示。

图3左侧中(a)(b)(c)(d)(e)(f)分别表示正常模式、上升模式、下降模式、向上阶跃、向下阶跃、周期模式的原仿真关键质量数据。

图3右侧中(A)(B)(C)(D)(E)(F)分别表示正常模式、上升模式、下降模式、向上阶跃、向下阶跃、周期模式的模糊C均值聚类法处理后得到的隶属度数据特征。

步骤4.3、将处理后的实时关键质量数据处理后得到的隶属度数据特征作为输入，使用支持向量机进行识别，获得控制模式类型。若为正常模式返回至步骤2继续加工，否则进行步骤5。

步骤5根据支持向量机输出的模式识别结果。若判断为正常模式，则返回步骤2继续加工并再次获取关键质量数据；若判断为异常模式，则根据异常情况诊断库得到异常模式下对应的异常原因，而后对加工参数和生产设备进行及时调整后返回步骤2，继续加工并再次获取关键质量数据。具体内容与步骤如下：

步骤5.1、根据异常模式类型，查阅异常情况诊断库查明原因。

其中，周期模式标准化数据X呈现周期性变化，产生该异常的原因一般为刀具局部崩裂或者主轴轴承磨损，配合间隙过大。

上升趋势模式标准化数据X呈现不断的上升变化，产生该异常的原因一般为刀具轻微磨损、进给参数过小或者主轴旋转速度过慢。

下降趋势模式标准化数据X呈现不断的下降变化，产生该异常的原因一般为毛坯误差、进给参数过大或者主轴旋转速度过快。

向上阶跃模式标准化数据X由正常波动突然跳跃至标准值上方分布。产生该异常的原因一般为刀具中度或严重磨损或者冷却液喷头堵塞。

向下阶跃模式标准化数据X由正常波动突然跳跃至标准值下方分布。产生该异常的原因一般为刀具装夹不正或者工件装夹偏斜。

步骤5.2、根据原因，工人作出及时调整，保证船用柴油机机身孔系加工质量。详细内容见下表二所示：

表二：

最后说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种船用柴油机机身孔系镗削加工过程质量控制方法，其特征在于，包括如下步骤：

步骤1、对船用柴油机机身孔系镗削加工工序相似性分析并组成相似工序；

步骤2、机身加工并获取相似工序的关键质量数据，将关键质量数据进行预处理，具体内容和步骤包括：

步骤2.1、获取一组关键质量数据作为原始数据x，x＝(x₁,x₂,x₃,…,x_n)，计算原始数据x的标准化数据X，如下：

其中，X—标准化数据，M_i—第i类孔的公差中心，T_i—第i类孔的公差值；

步骤2.2利用Minitab软件对标准化数据X进行正态检验以保证数据有一定的随机性且符合统计标准，再进行均值、方差的一致性检验；

步骤3、使用模糊C均值聚类法对预处理后的关键质量数据进行降维处理，得到关键质量数据的隶属度值数据特征，同时根据关键质量数据绘制控制图并检验；

步骤4、将隶属度值数据特征输入至训练好的支持向量机中进行质量控制图模式识别；所述控制图模式包括正常模式和异常模式、其中异常模式包括周期模式、上升趋势模式、下降趋势模式、向上阶跃模式和向下阶跃模式；

步骤5、支持向量机输出的模式识别结果，当判断为正常模式，则返回步骤2继续加工并再次获取关键质量数据；当判断为异常模式，则根据异常情况诊断库得到异常模式下对应的异常原因，而后对加工参数和生产设备进行及时调整后返回步骤2，继续加工并再次获取关键质量数据。

2.如权利要求1所述的船用柴油机机身孔系镗削加工过程质量控制方法，其特征在于，步骤1所述的对船用柴油机机身孔系镗削加工工序相似性分析并组成相似工序，具体内容和步骤包括：

步骤1.1、分析影响船用柴油机机身孔系镗削加工工序相似性的六类因素，所述六类因素包括人员因素、设备因素、材料因素、加工方法因素、环境因素、测量因素；

步骤1.2、通过历史统计数据对六类因素的直觉模糊集U_i<μ_i,υ_i,π_i>进行赋值，U_i为第i类因素的直觉模糊集，μ_i为第i类因素的直觉模糊集中的隶属度，υ_i为第i类因素的直觉模糊集中的非隶属度，π_i为第i类因素的直觉模糊集中的直觉指数；

步骤1.3、构建六类因素的判定矩阵，计算出判定矩阵的一个特征向量Ω；将特征向量Ω进行归一化处理，同时将处理后的特征向量的行向量ω_i设置为六类因素的权重；ω_i为第i类因素的权重；

步骤1.4、根据六类因素的直觉模糊集U_i和六类因素的权重ω_i计算孔系间的相似度量W，根据W的大小组成船用柴油机机身孔系的相似工序

3.如权利要求1所述的船用柴油机机身孔系镗削加工过程质量控制方法，其特征在于，步骤3所述的使用模糊C均值聚类法对处理后的关键质量数据进行降维处理，得到关键质量数据的隶属度值数据特征，同时根据关键质量数据绘制质量控制图并检验，具体内容和步骤包括：

步骤3.1、建立模糊C均值聚类法的最小化目标函数J_m：

其中，x_i为处理后的关键质量数据，c_j为控制图模式的聚类中心，u_ij ^m为关键质量数据的隶属度值数据特征；

步骤3.2、将处理后的关键质量数据x_i对6种控制图模式的聚类中心求最小化目标函数，获取关键质量数据的隶属度值数据特征uij，uij＝(ui1，ui2，ui3，ui4，ui5，ui6)；

步骤3.3根据控制图参数计算公式，将处理后的关键质量数据xi绘制成控制图并检验；

均值控制图计算公式如下：

移动极差控制图计算公式如下：

查看控制图控制限计算的系数表得：d₂＝1.128，d₃＝0，d₄＝3.267；

步骤3.4、根据检验标准检验控制图是否有异常点，控制图异常属于小概率事件基本上不发生，若有异常点，则需检修加工设备，否则进入步骤4。

4.如权利要求1所述的船用柴油机机身孔系镗削加工过程质量控制方法，其特征在于，步骤4所述的将隶属度值数据特征输入至训练好的的支持向量机中进行质量控制图模式识别；所述控制图模式包括正常模式和异常模式、其中异常模式包括周期模式、上升趋势模式、下降趋势模式、向上阶跃模式和向下阶跃模式，具体内容和步骤包括：

步骤4.1、对柴油机机身关键质量数据进行仿真；使用模糊C均值聚类法处理仿真的关键质量数据，将处理后的关键质量数据作为输入训练支持向量机；

关键质量数据生成公式如下：

x(t)＝u+r(t)×σ+d(t)

其中，x(t)为机身孔系在t时刻的加工数据的观测值；u为孔系的基本尺寸，r(t)服从标准正态分布，表示加工过程中不可避免的随机因素，σ为过程标准差，d(t)为t时刻的异常干扰，d(t)的不同代表控制图模式的不同；

正常模式：d(t)＝0；此时的观测值应在设计基本尺寸周围随机变化；

上升趋势模式：d(t)＝γ×t；其中γ为倾斜度；γ＞0，取值范围为[0.1σ,0.24σ]，此时的观测值呈现不断的上升变化；

下降趋势模式：d(t)＝γ×t；其中γ为倾斜度；γ＜0，取值范围为[-0.24σ,-0.1σ]，此时的观测值呈现不断的下降变化；

向上阶跃模式：d(t)＝α×λ；其中α为阶跃幅度，取值范围为[σ,2.4σ]，阶跃发生前后λ＝0和1；α＞0，此时的观测值由正常波动突然跳跃至标准值上方分布；

向下阶跃模式：d(t)＝α×λ；其中α为阶跃幅度，取值范围为[-2.4σ,σ]，阶跃发生前后λ＝0和1；α＜0，此时的观测值由正常波动突然跳跃至标准值下方分布；

周期模式：d(t)＝A×sin(2πt/T)；其中A为周期变化的波动幅度，取值范围为[σ,2.4σ]；T为发生周期异常变化的周期，取值范围为[3,17]；

步骤4.2、使用模糊C均值聚类法处理仿真的关键质量数据，将处理后得到的隶属度数据特征作为输入、模式类型作为输出训练支持向量机，获得训练好的支持向量机；其中原仿真关键质量数据通过模糊C均值聚类法处理后的隶属度数据特征示意图如图3所示；

步骤4.3、将处理后的实时关键质量数据处理后得到的隶属度数据特征作为输入，使用支持向量机进行识别，获得控制模式类型；若为正常模式返回至步骤2继续加工，否则进行步骤5。

5.如权利要求1所述的船用柴油机机身孔系镗削加工过程质量控制方法，其特征在于，步骤5所述的根据支持向量机输出的模式识别结果；当判断为正常模式，则返回步骤2继续加工，并再次获取关键质量数据；当判断为异常模式，则根据异常情况诊断库得到异常模式下对应的异常原因，而后对加工参数和生产设备进行及时调整后返回步骤2，继续加工并再次获取关键质量数据，具体内容和步骤包括：

步骤5.1根据异常模式类型，查阅异常情况诊断库查明原因；

其中，周期模式标准化数据X呈现周期性变化，产生该异常的原因一般为刀具局部崩裂或者主轴轴承磨损，配合间隙过大；

上升趋势模式标准化数据X呈现不断的上升变化，产生该异常的原因一般为刀具轻微磨损、进给参数过小或者主轴旋转速度过慢；

下降趋势模式标准化数据X呈现不断的下降变化，产生该异常的原因一般为毛坯误差、进给参数过大或者主轴旋转速度过快；

向上阶跃模式标准化数据X由正常波动突然跳跃至标准值上方分布；产生该异常的原因一般为刀具中度或严重磨损或者冷却液喷头堵塞；

向下阶跃模式标准化数据X由正常波动突然跳跃至标准值下方分布；产生该异常的原因一般为刀具装夹不正或者工件装夹偏斜；

步骤5.2根据原因，工人作出及时调整，保证船用柴油机机身孔系加工质量；

周期模式时，更换刀具或者调整主轴轴承间隙；上升趋势时，加大程序中的刀具补偿或者加大进给参数、调快主轴旋转速度；下降趋势时，重新加工毛坯或者减小进给参数、调慢主轴旋转速度；向上阶跃模式，进行磨刀或者更换刀具、疏通冷却液喷头；向下阶跃模式，调正刀具装夹和工件装夹。

Images