基于Simulink仿真质量控制图不确定异常模式识别.docVIP

基于Simulink仿真质量控制图不确定异常模式识别摘要:当控制图上出现点子临界、点子数接近判异规则规定的数目或多种异常模式并发时，控制图呈现不确定异常状态，常规的方法无法正确完成异常识别。针对趋势模式与周期模式并发的情况，提出了应用小波分解原始信号，选用相应系数重构不同频率的异常信号，并对重构信号进行拟合，以拟合度作为异常模式的特征数，作为模式发生度隶属函数的输入，获取控制图不确定异常模式的发生度，最后在Matlab/Simulink环境下，建立了上述方案的仿真模型，并以具体的应用实例验证了方案的可行性。  关键词:质量控制图; 不确定异常; 模式识别; Simulink仿真 中图分类号: TP278;TP391.9 文献标志码:A 引言控制图作为统计质量控制(Statistical Quality Control, SQC) 的主要工具之一，被广泛应用于过程稳定状态及过程能力的监控。它以制造过程的一个或几个质量相关特性的度量值为操作对象，通过控制限及统计检验将正常波动与异常波动区分开来。控制图由不同采样时点的质量特性数据绘制而成，发生异常时，一般的过程信号通常由多种频率成分组成，体现为控制图的多种异常模式，每种异常模式都可反映丰富的过程异常因素，大都具有明显的物理意义［1］。这些模式在具体的应用场合中常常影射出不同的过程失控原因。制造系统中存在大量模糊不确定性问题。学者Carvalho等［2］指出：生产制造系统的相关参数、变量及约束规则都有其固有的模糊不确定性。许多文献研究了应用模糊逻辑处理过程控制与优化、制造单元与设备控制、生产调度、设备维护以及需求预测等领域的不确定问题处理［3-6］。从质量控制的角度看，这些不确定因素使质量控制图的异常模式呈现许多不确定状态，比如点子处于控制线上或边界时；异常点数非常接近异常规则规定的点数时；多种质量异常混合且并发时等。对于不确定质量异常模式的识别直接决定异常诊断结果的正确与否。如果对这些不确定性加以量化，以表明某种异常模式发生的程度，对于诊断决策会有很大帮助。近年来，国内外学者对质量控制图的异常模式识别与诊断技术展开了积极的研究，采用的方法大致可分为基于统计的方法［7］、基于人工神经网络(Artificial Neural Network，ANN)的方法［8-10］、基于支持向量机(Support Vector Machine，SVM)［11-12］的模式识别方法，已有文献基于统计的诊断方法常用于多元过程质量监控与诊断，需要大量的过程测量数据，对于质量指标难以清晰度量或无法用数值表示的不确定质量控制场合显然难以适用。基于SVM的模式识别诊断法对具有良好类间分离特性的异常模式的分类比较有效，但是质量控制图有多种模式，又包含许多关于生产过程的不确定信息，使SVM分类器难以完全详尽地描述某一过程的特定模式，同时控制图中常常夹杂着大量的干扰信号，造成模式间的差异变得比较模糊，影响基于SVM的识别系统的判别精度。ANN诊断法的不足在于它的知识分布于系统内部，没有明确的物理意义；不能清楚地解释推理过程，也不能直接利用规则；由于求解是以示例为基础的相似近似解，求解不可能完全正确；由于过程的复杂不确定性，收集大量的训练样本数据集以完全覆盖过程异常—异因集合几乎不可行，而且对于未加学习的异常模式，它无法识别诊断。本文针对两种质量控制图异常模式并发的不确定状态，提出了不确定异常模式发生度的度量方法，在Matlab/Simulink环境下，建立了以控制图数据为输入的不确定异常模式识别模型，并以实例验证了该方法的有效性。 1质量控制图不确定异常模式生产过程处于受控状态的标准一般为：控制图上的点不超过控制界限且点的排列分布没有缺陷。所谓缺陷，即控制图异常模式，主要有“链”、“偏离”、“倾向”、“周期”、“接近”、“分层”、“突变”“混合分布”等多种情况［13］，每一种模式都有各自的特征。最常用的方法是利用满足一定统计规律的判别条件来进行判断，如连续7点不断上升或下降时应判断为“倾向”异常模式，不同应用场合有不同的判别规则。多种异常同时发生时，控制图模式与单一异常发生时的模式存在较大差别，难以对发生的异常作出明确判断，即控制图存在不确定异常模式。 1