CN1924734A

CN1924734A - 一种在线质量检测的控制方法

Info

Publication number: CN1924734A
Application number: CN 200610049974
Authority: CN
Inventors: 孙毅; 毛亚朗
Original assignee: Zhejiang University of Technology ZJUT
Current assignee: Zhejiang University of Technology ZJUT
Priority date: 2006-03-23
Filing date: 2006-03-23
Publication date: 2007-03-07

Abstract

一种在线质量检测的控制方法，涉及机械制造及计算机软件领域，该控制方法包括以下步骤：(1)建立案例库和规则库：在案例库中，记录每次在线质量控制过程的异常案例、异常原因和解决措施，并分解各个案例的特征属性；在规则库中，通过专家知识和关联规则挖掘建立针对各种案例的规则；(2)在产品在线质量检测过程中，发现存在异常案例；(3)进行异常诊断，进行案例推理获得解决方案。本发明能够有效进行海量质量检测数据分析、实现过程异常预警和智能诊断，合理的确定质量控制计划标准。

Description

一种在线质量检测的控制方法

(一)技术领域

本发明涉及机械制造及计算机软件领域，特别是涉及用于产品制造过程中的质量数据控制规则形成及控制操作。

(二)背景技术

通常，产品制造过程中的质量控制是通过使用机械式测量设备或电子式测量设备系统执行，从而筛选并实现产品生产过程中各道工序的质量要求。但是，产品质量是否符合要求主要是通过质检人员根据质量计划要求，对照相关质量标准确定某个(批)产品的特定工序是否达到质量要求。其质量控制过程中质检员是被动的，质量计划的设计人员是质量控制的主动者，该类质量控制模式中设计人员缺乏对生产过程的在线监控，在对特定产品的质量控制计划标准制定过程中常因缺乏对海量质量检测数据及其数据分析而出现过度或过欠的质量参数。

目前产品生产环节中的信号监控与质量保证，主要应用于有电信号反馈的生产环节，但对产品过程的模型检测和故障诊断图模型，主要通过线性及非线性电信号的判断来完成，其获取来源主要是对数字模式的处理，无法解决非电信号状况的质量控制及判断规则的形成等问题。

(三)发明内容

为了克服已有的在线质量检测方法的不能有效进行海量质量检测数据分析、质量控制计划标准不合理的不足，本发明提供一种能够有效进行海量质量检测数据分析、实现过程异常预警和智能诊断，合理的确定质量控制计划标准的在线质量检测的控制方法。

本发明解决其技术问题所采用的技术方案是：

一种在线质量检测的控制方法，所述的控制方法包括以下步骤：

(1)、建立案例库和规则库：在案例库中，记录每次在线质量控制过程的异常案例、异常原因和解决措施，并分解各个案例的特征属性；在规则库中，通过专家知识和关联规则挖掘建立针对各种案例的规则；

(2)、在产品在线质量检测过程中，发现存在异常案例；

(3)、进行异常诊断：

(3.1)将当前的异常案例分解成特征属性，并与案例库中的已有案例进行比较：

采用最近邻法计算两个案例之间相似度，其计算公式见式(1)：

NN (A, B) = (Σ_{i = 1}^{n} ω_{i} Sim (a_{i}, b_{i})) / Σ_{i = 1}^{n} ω_{i} . . . (1)

式中A，B代表两个不同的案例，ω_i代表案例第i个特征属性的权重，i＝1，2，…，n，n是案例中特征属性的个数，Sim(a_i，b_i)是案例第i个属性特征值的相似度，对于取值为数值的特征表示如下(2)：

Sim(a_i，b_i)＝1-|a_i-b_i|/R_i (2)

其中Ri表示案例第i个特征的取值范围，

得到当前案例与已有案例之间的相似度NN(A，B)；

(3.2)根据计算结果，判断当前案例是否与已有案例完全相似：

(3.2.1)、如果是，根据已有案例，从案例库中获得解决方案；

(3.2.2)、如果当前案例与已有案例不是完全相似，进行案例修正，并得到最佳解决方案，并将修正后的案例写入案例库中形成新的案例。

进一步，所述的控制方法还包括以下步骤：

(3.3)、将相似度NN(A，B)与预先确定的阈值进行比较：

(3.3.1)、如当前案例与案例库中的已有案例之间的最大相似度大于阈值，确定最相似的已有案例，获得解决方案；

(3.3.2)、如当前案例与已有案例之间的最大相似度小于阈值，进行基于规则的故障推理；

(3.4)、将当前案例与规则库进行比较，判断在规则库中是否有解决规则：

(3.4.1)、如果有，获得解决方案；

(3.4.2)、如果没有，有领域专家提供解决方案，并进行案例修正，并得到最佳解决方案，并将修正后的案例写入案例库中形成新的案例。

再进一步，所述的(3.2.2)中，案例修正采取人工修正或通过领域知识辅助案例的修改。

所述的(3.4.2)中，案例修正采取人工修正或通过领域知识辅助案例的修改。

本发明的有益效果主要表现在：1、有效进行海量质量检测数据分析；2、实现过程异常预警和智能诊断；3、合理的确定质量控制计划标准。

(四)附图说明

图1是在线质量检测的控制方法的异常诊断流程图。

图2是案例推理的流程图。

图3是规则推理的流程图。

(五)具体实施方式

下面结合附图对本发明作进一步描述。

实施例1

参照图1、图2、图3，一种在线质量检测的控制方法，所述的控制方法包括以下步骤：

(2)、在产品在线质量检测过程中，发现存在异常案例；

(3)、进行异常诊断：

NN (A, B) = (Σ_{i = 1}^{n} ω_{i} Sim (a_{i}, b_{i})) / Σ_{i = 1}^{n} ω_{i} . . . (1)

Sim(a_i，b_i)＝1-|a_i-b_i|/R_i (2)

其中Ri表示案例第i个特征的取值范围，

得到当前案例与已有案例之间的相似度NN(A，B)；

(3.2.1)、如果是，根据已有案例，从案例库中获得解决方案；

(3.2.2)、如果当前案例与已有案例不是完全相似，进行案例修正，并得到最佳解决方案，并将修正后的案例写入案例库中形成新的案例；

(3.3)、将相似度NN(A，B)与预先确定的阈值进行比较：

(3.4.1)、如果有，获得解决方案；

所述的(3.2.2)中，案例修正采取人工修正或通过领域知识辅助案例的修改。所述的(3.4.2)中，案例修正采取人工修正或通过领域知识辅助案例的修改。

对于故障案例可以规范化的用一个三元组来表示：

Case＝<D，A，C，M>

其中D＝{d₁，d₂，…，d_i}是一个非空有限集合，表示故障案例的描述性信息，包括故障信息，故障模式等；A＝{a₁，a₂，…，a_j}是一个非空有限集合表示故障的征兆属性集合，C＝{c₁，c₂，…，c_k}是一个表示故障原因的有限的非空集合，M＝{m₁，m₂，…，m_n}是一个表示故障解决措施的非空集合。案例可定义为如下结构对象：

Class Case{

CaseId； //案例编码

FaultModel； //故障模式

SymptomSet； //故障征兆集

Caution； //故障原因机集

Method； //故障处理措施集

Description //故障文本描述

}

(1)CauseId：是故障案例的标识符，如C324用于索引和识别故障案例；

(2)FaultModel：故障案例所属的故障模式，用于对案例进行分类；

(3)SymptomSet：故障案例所表现出的特征和对应的特征值，包括与故障发生相关的设置，参数，环境条件等信息。每个特征属性用一个二元组<属性名，属性值>表示。不同类型的故障案例包含不同的征兆属性。同类型的故障案例含有相同的征兆属性，只是属性的去职有所不同。

(4)Caution：导致故障发生的原因，是对故障征兆属性下的故障案例的原因分析，可以包括多个故障因素共同作用的结果。

(5)Method：对故障案例采取的解决措施，同样，也可以是不止一种措施。

(6)Description：用于对故障案例的进行详细的描述以及一些备注信息的添加，以便于故障的更好解决。

对象的案例表示方法，可以更加有助于案例库的扩展，以及与其它的数据库等系统更好的结合。

基于案例的推理(CBR)的检索策略(相似性算法)为：

最近邻法在计算两个案例之间相似度上得到了广泛的应用，其计算公式见式(1)：

NN (A, B) = (Σ_{i = 1}^{n} ω_{i} Sim (a_{i}, b_{i})) / Σ_{i = 1}^{n} ω_{i} . . . (1)

式中A，B代表两个不同的案例，ω_i代表案例第i个特征属性的权重。i＝1，2，…，n，n是案例中特征属性的个数。Sim(a_i，b_i)是案例第i个属性特征值的相似度，对于取值为数值的特征可将表示如下：

Sim(a_i，b_i)＝1-|a_i-b_i|/R_i (2)

其中Ri表示案例第i个特征的取值范围。同时，对于取值为非数值的特征，如“轻微”、“一般”、“严重”、“很严重”等，可先将它们定量化之后在用上式计算。

对于布尔类型的特征值，则只要判断是否存在对应的属性值，可用式(3)计算：

Sim (a_{i}, b_{i}) = \{\begin{matrix} 1 & a_{i} = b_{i} \\ 0 & a_{i} &NotEqual; b_{i} \end{matrix} . . . (3)

基于规则的质量故障推理(RBR)的判断方法：

质量规则的表示主要是通过简单、自然的产生式规则来表示。

if S then F with CF(F，S)

其中S是规则的条件，可以是质量故障的表现征兆逻辑集合，F为规则的结论，表示质量故障的结论集。CF(F，S)为规则的强度，用于说明该规则的置信度，可以通过条件概率和先验概率定义，在实际应用之中也可以由领域专家来设定。

质量故障规则库可以由以下的形式表示：

诊断规则：(<规则编码>，<条件>，<结论>，<规则强度>)。

其中规则编码是唯一的，作为数据库中规则表的主键，用于规则的表示和规则检索。条件集可以是简单的单个条件，也可以是多个条件的逻辑组合。结论也单个结论也是可以是几个并发结果集合。规则强度若是专家指定则以专家的为准，否则通过条件概率计算得到。

质量的量化属性可以通过静态离散化处理。

算法FP-growth将发现频繁项目集的过程分为以下两步：构造频繁模式树FP-tree；调用FP-growth挖掘出所有的频繁项目集。在FP-tree树中，每个节点由两个域组成：项目名称Item_name和节点计数count。另外，为了方便遍历，创建一个项目头，使得每个项目通过一个节点链指向它在树中的出现，它由两个域组成：项目名称item_name以及节点链头head，其中head指向FP-tree中与之名称相同的第一个节点。以下为具体的实现过程：

●构造频繁模式树

(1)扫描事务数据库D一次。收集频繁项的集合F以及相应的支持度。按照支持度降序排序，构成频繁项表。

(2)创建FP-tree的根节点，以“null”标记。对于D中的每个事务t，进行如下处理：选择t中的频繁项目，删除非频繁项，并按照L中的次序排列。设排列之后的频繁项表为[p|P]，其中p是第一个项目，P是剩余的项目表；如果[p|P]非空，则调用insert_tree([p|P]，T)。

insert_tree([p|P]，T)的执行过程如下：

如果T有子女N使得N.item_name＝p.item_name，则N的计数加1；否则创建一个新节点N，将其计数设置为1，链接到它的父节点T，并通过节点将其链接到具有相同item_name的节点。如果P非空，则递归调用insert_tree(P，T)。

●FP-tree的频繁项目集挖掘是通过调用FP-growth(FP-tree，null)实现的。实现过程如下：

Procedure FP-growth(Tree，α)

{

if Tree只有一条路径P

then对P中的节点的每一个组合(记为β)做(1)

(1)产生频繁集β∪α，其支持度为β中节点的最小支持度.

else对Tree的头表从表尾到表头的每一个表项(记为a)做(2)-(5)

(2)产生频繁集β＝a∪α，并且支持度为a的支持度

(3)建立β的条件模式库(conditional pattern base)和β的条件树(conditionalFP-tree)Treeβ

(4)if Treeβ！＝

(5)then调用FP-growth(Treeβ，β)

}

异常案例数据集市的关联规则挖掘的算法，采用FP-growth算法，并结合多层次的关联规则算法，来发现案例中潜在的各种规则，

如把所有影响电机质量的因素分为六个方面，即人员、机器、材料、方法、检测和环境，作为第1概念层次，根据需要，再对这六个方面进行逐层细分，建立整个质量因素的概念层次结构树。根据各个因素在概念结构树的位置建立编码，并把电机质量异常的因素分析历史事务数据进行数据根据编码进行转换。

ML_T2L1算法简述如下：

for(l:=1;L[l，1]≠and I＜max_level;l++)do

begin

if l=1 then

begin

L[l，1]:=get_large_1_itemsets(T[1],l);

T[2]:=get_filtered_t_table(T[1],L[1,1]);

end

else L[l,1]:=get_large_1_Itemsets(T[2],l);

for(k:=2;L[l，k-1]≠;k++)do

begin

C_k:=get_candidate_set(L[l,k-1]);

For each transaction t ∈T[2]do

begin

C_k:=get_subsets(C_k,t);

For each candidate c ∈C_t do c.support++;

End;

L[l，k]:={c∈C_k|c.support≥minsup[l}

End;

LL[l]:=∪_kL[l,k];

End;

其中，在第一层，L[l，1]的频繁集，从第1层的属性项集表T[1]中获得进行关联规则挖掘获得的，即get_large_1_itemsets(T[1]，l)；其他层次的L{l，1]频繁集的获取主要是根据经过过滤的属性项集表T[2]中进行关联规则挖掘。属性项集过滤表T[2]获得过程get_filtered_t_table(T[1]，L[1，1])，是根据父类项集的支持度不小于其子类项集的支持度的属性，对父类项集支持度没有满足的情况下，不考虑其子类项集，即把其子类从表中过滤掉。候选属性项集C_k的获得程序get_candidate_set(L[l，k-1])，可以直接运用apriori的算法得到。

在线质量检测的控制方法的过程是：

(1)新异常案例的输入；

说明：故障案例可以规范化的用一个三元组来表示：

Case＝<D，A，C，M>

Class Case{

CaseId； //案例编码

FaultModel； //故障模式

SymptomSet； //故障征兆集

Caution； //故障原因机集

Method； //故障处理措施集

Description //故障文本描述

}

CauseId：是故障案例的标识符，如C324用于索引和识别故障案例；

FaultModel：故障案例所属的故障模式，用于对案例进行分类；

SymptomSet：故障案例所表现出的特征和对应的特征值，包括与故障发生相关的设置，参数，环境条件等信息。每个特征属性用一个二元组<属性名，属性值>表示。不同类型的故障案例包含不同的征兆属性。同类型的故障案例含有相同的征兆属性，只是属性的去职有所不同。

Caution：导致故障发生的原因，是对故障征兆属性下的故障案例的原因分析，可以包括多个故障因素共同作用的结果。

Method：对故障案例采取的解决措施，同样，也可以是不止一种措施。

Description：用于对故障案例的进行详细的描述以及一些备注信息的添加，以便于故障的更好解决。

(2)异常案例与案例库中的案例进行相似性比较：

说明：CBR的检索策略(相似性算法)

NN (A, B) = (Σ_{i = 1}^{n} ω_{i} Sim (a_{i}, b_{i})) / Σ_{i = 1}^{n} ω_{i} . . . (1)

Sim(a_i，b_i)＝1-|a_i-b_i|/R_i (2)

(3)若相似性比较后获得高匹配的案例(高于设定的阈值)，直接执行第6步。

(4)若没有获得高相似性的案例，就直接进行规则推理。

(5)评价案例推理和规则推理，确定最优的解决方案

(6)输出推理结果，包括相似案例(集)、异常原因和解决措施，对于规则推理，还需要对推理结果进行解释。

(7)如果需要对案例进行修正，可通过规则推理的领域知识辅助案例的修改。

(8)规则库规则的扩充，一方面通过领域专家的知识，另一方面通过关联规则挖掘获得。

实施例2

参照图1、图2、图3，利用实施例1的在线质量检测的控制方法检测电机质量异常案例。

故障经过：2004年10月22日，电机成品检测车间，检测某一型号为Y802-2电机的空载电流Io正常，空载损耗Po正常，但是短路电流Id偏小，短路功耗Pd偏大的症状。

故障原因：通过分析和检测发现，是转子电阻偏大引起的，检查该电机转子，发现是该转子铸铝存在缺陷。

采取措施：(1)更换该电机转子；(2)加强转子铸造质量检验力度。

首先对上述案例的故障经过进行分析，可以提取以下的信息：

电机型号：Y802-2

空载电流Io：正常

空载损耗Po：正常

短路电流Id：偏小

短路功耗Pd：偏大

故障部位：电机转子

其中一些征兆属性值需要进行一些处理，把有些描述性的词用数值或逻辑值来表示。比如：电流和电压的取值为偏小、正常、偏大，可以用-1，0，1分别表示。这样完成属性值的处理之后，就可以把此案例用对象表示如下：

Class Case{

CaseId＝“C0027”

FaultModel＝“转子故障”

SymptomSet＝(<I_o，0>，<P_o，0>，<I_d，-1>，<P_d，1>)

Caution＝“转子电阻偏大，转子铸铝存在缺陷”

Method＝“(1)更换该电机转子；(2)加强转子铸造质量检验力度”

Description＝“2004年10月22日，电机成品检测车间，检测某一型号为Y802-2电机的空载电流I_o正常，空载损耗P_o正常，但是短路电流I_d减小，短路功耗P_d增大的症状”

}。

实施例3：

参照图1、图2、图3，利用实例1的在线质量检测的控制方法检测电机质量异常案例。

故障经过：在电机主轴的加工车间，机床型号C6132，转速1200r/min。某型号电机主轴D203，材料为A3，轴径(φ20±0.005)。检测发现该主轴计量控制图的点经常表现出异常，异常现象为：点落在控制界限以外，而且中心线与规格中心之间有较大的偏移。

原因分析：首先调整工装，保证中心线与规格中心的重合。调整后测试，发现还是存在较多的界外点的现象，最后分析出是机床本省主轴的精度达不到加工的要求，由此可见，根据机床的性能，需要调整该主轴轴径公差的质量计划要求。

采取措施：调整该轴径的公差，根据测试，调整为φ20±0.008；

对上述的异常案例的分析可以提取一下信息：

电机主轴型号：D203

主轴的材料Matreial：A3

机床型号M_Type：C6132

机床加工转速RS：1200r/min

违反计量控制图规则RuleId：点落在控制界限之外

中心线偏移Offset：是

故障部位：机床主轴

对其中的一些征兆属性值处理之后，对象化的案例表示如下：

Class Case

{

CaseId＝”D0032”

FaultModel＝”机床主轴”

SymptomSet＝(<Matreial，A3>，<M_Type，C6132>，<RS，200>，<RuleId，001>，<Offset，1>)

Caution＝”机床主轴精度精度不高”

Method＝”降低电机主轴公差的质量计划要求，调整为φ20±0.008”

Description＝”在电机主轴的加工车间，机床型号C6132，转速1200r/min。某型号电机主轴D203，材料为A3，轴径(φ20±0.005)。检测发现该主轴计量控制图的点经常表现出异常，异常现象为：点落在控制界限以外，而且中心线与规格中心之间有较大的偏移。”

}。

Claims

1、一种在线质量检测的控制方法，所述的控制方法包括以下步骤：

(2)、在产品在线质量检测过程中，发现存在异常案例；

(3)、进行异常诊断：

NN (A, B) = (Σ_{i = 1}^{n} ω_{i} Sim (a_{i}, b_{i})) / Σ_{i = 1}^{n} ω_{i} - - - (1)

式中A，B代表两个不同的案例，ωi代表案例第i个特征属性的权重，i＝1，2，…，n，n是案例中特征属性的个数，Sim(a_i，b_i)是案例第i个属性特征值的相似度，对于取值为数值的特征表示如下(2)：

Sim(a_i，b_i)＝1-|a_i-b_i|/R_i (2) 其中Ri表示案例第i个特征的取值范围，

得到当前案例与已有案例之间的相似度NN(A，B)；

(3.2.1)、如果是，根据已有案例，从案例库中获得解决方案；

2、如权利要求1所述的一种在线质量检测的控制方法，其特征在于：所述的控制方法还包括以下步骤：

(3.3)、将相似度NN(A，B)与预先确定的阈值进行比较：

(3.4.1)、如果有，获得解决方案；

3、如权利要求1所述的一种在线质量检测的控制方法，其特征在于：所述的(3.2.2)中，案例修正采取人工修正或通过领域知识辅助案例的修改。

4、如权利要求2所述的一种在线质量检测的控制方法，其特征在于：所述的(3.4.2)中，案例修正采取人工修正或通过领域知识辅助案例的修改。