面向AMT的統計過程質量控制*

摘要：本文在分析先進制造技術(AMT)環境下實施統計過程質量控制技術的發展現狀的同時，討論了將統計過程質量控制(SPQC)技術應用于先進制造環境下所存在的問題。根據所提出的問題，研究了面向先進制造環境，基于等效工序能力的統計過程質量控制方法；開發了基于前饋型BP神經網絡的加工過程異常模式自動識別軟件。

一、引言 八十年代以來，顧客對產品的需求從單一型向多樣型轉變，國際市場的競爭日趨激烈。據國外的調查表明，企業之間的競爭焦點已從價格因素向柔性、質量、對市場變化的快速響應等非價格因素轉移[1]。隨著世界工業市場競爭的不斷加劇，為了生存和發展，越來越多的企業認識到實施先進制造技術的重要性，并已經開始引進和實施AMT[2]。在AMT的研究和應用不斷取得成功的同時，也有許多企業發現AMT帶來的效益并不如所期望的那么大，甚至還有許多失敗的例子擺在人們面前。影響先進制造技術成功應用的因素有很多，其中一個重要的因素是產品的質量。 傳統的統計過程質量控制基于休哈特控制圖，監測控制同一產品的同一質量特征的變化規律，使之滿足精度并保持穩定，在剛性自動化大生產中得到了廣泛的應用，并取得了巨大的經濟效益[3]。但是，在小批量生產方式占主導地位的AMT生產環境下，傳統的統計模型無法得到足夠的數據來建立統計控制關系。因此，傳統的SPQC卻不能直接被應用在AMT生產環境下，SPQC需要一種新的指導思想。對此，國內外均做了一些研究[4-8]，提出一些解決方案，但均沒能在根本上解決數據不足的問題。 此外，在先進制造系統中還存在對控制圖的識別問題。傳統的生產環境下控制圖是否處于統計控制狀態下，是由人對控制圖進行統計狀態的識別。在AMT生產環境下如果繼續沿用這種方法，一方面影響信息反饋的及時性，另一方面工人一直監視控制圖會提高工作強度，降低他們的工作效率。利用模式識別算法對控制圖自動識別，就可以很好地解決這兩方面的問題。有一些工序的失控狀態很容易用普通算法識別，例如控制變量超出控制界限以及連續的上升和下降的趨勢。然而對于小波動的持續上升或下降或者是循環變化趨勢，則難以用普通方法進行判斷。由于神經計算技術的發展，許多以前計算量很大并耗時較長的問題得到了解決，模式識別就是其中的一項。考慮到在AMT生產模式中計算機化是基本條件之一，而且生產環境中的計算機只是利用已經訓練好的程序運行識別算法，不需要太大的計算量。因此，利用神經網絡對控制圖的異常模式進行識別是非常合適的。 基于以上討論，本文提出了基于等效工序能力的統計過程控制方法，并給出了統計變量的計算方法。而且，以這種統計方法所得到的控制圖的變化趨勢為研究對象，采用人工神經網絡理論設計了控制圖異常狀態的自動識別軟件。 二、基于等效工序能力的統計過程質量控制方法 1. 等效工序能力控制的理論基礎 現代統計過程質量控制的出發點是在事前控制加工過程，使其處于正常狀態；而不是在事后通過檢驗的方法控制次品的擴散。進行的是“過程控制"而不是“產品控制"。總的來說，只要是無顯著差異的5M1E[9]環境下生產出來的產品的質量特征值（不一定為同類產品）偏離期望值的正常波動服從 的分布。等效工 序能力控制圖通過對 的標準化變換，使得等效工序能力控制圖的控制界限不隨質量特征的不同 而變化，使統計變量成為服從標準正態分布的無量綱量的隨機變量，達到利用歷史數據的目的。不同的統計變量的轉換方法不同，但其基本理論可以由下式表達： (1) 式(1)是對 的標準化，新得到的統計變量T

[1] [2] [3] 

【面向AMT的統計過程質量控制*】相關文章：

車間過程質量控制計劃04-30

基于扭矩控制的AMT換擋控制策略研究04-27

飛機制造中新型質量控制模式-關鍵特性統計過程控制05-03

面向質量的飛機制造過程BOM模型05-02

多特性工業過程質量診斷與控制04-27

ERP實施過程中的質量控制04-30

RTG主梁制造過程的質量控制04-28

水質樣品檢測過程質量控制04-28

機車產品的質量驗收過程控制探討04-30

基于兩種反饋控制的過程質量監控04-29