基于统计学习理论的多工序制造过程产品质量智能控制与诊断

本研究以多工序制造过程为研究对象，系统地将统计学习理论与方法引入到复杂多工序制造过程的质量控制。在揭示多工序制造下质量特性波动流的动态行为与性能演变规律基础上，提出基于全局与局部信息融合的过程特征提取与选择算法，解决数据特征提取问题；在特征层上提出核逻辑回归建模方法，解决多工序过程中输入变量与输出特性变量之间复杂关联性分析问题；建立基于高斯混合模型的对数似然值监控模型和可视化图，实现制造过程状态实时智能监控；为正确识别工序失控源，挖掘失控的内在因果关系，确保整个制造过程的稳健运行，进行基于时间隐藏马尔科夫模型和知识抽取相融合的工序失控诊断体系的研究。通过本研究，扩展和完善了质量控制的理论体系，可以为设计高可靠性、高效率的制造系统，实现复杂多工序智能质量控制提供新的理论依据和技术基础，为多工序制造产品的质量控制提供有效的理论和技术支持。

1．提出了制造过程状态量化与可视化的概念和基于自组织映射神经网络的最小量化误差质量控制图。SOM以数据驱动和无监督学习的方式实现对复杂过程数据空间分布规律的建模，解决了传统控制图无法进行过程状态量化和可视化，及基于有监督学习的监控模型可应用性不强的问题。实验结果也证明MQE质量控制图有潜力成为现代质量控制系统的一个有效的监控工具。基于无监督学习的监控模型的研究也为其它无监督学习器在过程质量监控的应用研究奠定了基础。.2．提出了一套基于自适应高斯混合模型的时变过程智能监控模型，利用对数似然值来量化制造过程状态。通过基于遗忘因子的递归更新、高斯混合项的分裂与合并等的GMM模型参数在线更新策略，建立复杂时变过程的在线动态自适应监控模型，解决了常规控制图等监控模型无法应用于时变过程监控的问题，进一步验证了无监督智能学习模型在复杂制造过程监控的特殊能力。.3．提出了运用神经网络集成模型来有效地解决多变量制造过程的失控源识别问题。同时提出了一套基于离散微粒群的选择性神经网络集成算法来提高模式识别器的工程可应用性和识别性能。通过有效地集成MQE控制图和DPSOEN模型，建立了一套基于混合智能学习的过程质量控制模型，提出了其在典型多变量制造过程的在线异常监控和异常源识别的应用方法论。及时正确的异常警告和异常源定位将加速发现导致过程异常的可归因因素，进行快速和正确的过程调整。.发表SCI/EI学术论文9篇，再审论文4篇。培养博士2名，硕士生1名。