云制造企业中产品质量预测模型的研究.docVIP

云制造企业中产品质量预测模型的研究 　　摘 要： 　　云制造是一种面向服务、高效低耗、基于知识的网络化智能新模式，能够为云制造企业全生命周期提供可随时获取、按需使用、安全可靠、优质廉价的服务。基于这些特点，在云制造企业中建立合理的质量预测模型，对产品的质量进行有效的预测，能够提高企业的市场竞争力，更好的服务用户，获取更多的利润。基于云制造企业的新特点，比较几种常用质量预测模型及算法，其中常用的优化算法有神经网络、基因算法、多Agent等等，最后描述出新形势下云制造企业中产品的质量预测模型框架。 　　关键词： 　　云制造；质量预测；全生命周期；云服务；神经网络；基因算法；多Agent系统 　　中图分类号： 　　F2 　　文献标识码：A 　　文章编号2013 　　在企业中，建立一种高效的企业质量预测模型，预测企业产品质量，是影响制造企业竞争力最具决定性的因素之一。如今，随着云计算，云制造越来越多的进入人们的视野，把制造移入云端的企业也越来越多。目前云制造的概念，就是利用互联网平台，按用户的具体需求组织网上的制造资源，为用户提供多种制造服务的一种网络化制造新模式。本文根据云制造的一些特点，通过比较企业中产品质量预测的常用方法，最后描述出云制造企业中产品的质量预测一般模型框架。 　　目前企业中产品的质量评估和预测方法有很多，然而由于产品质量预测问题的影响参数多且关系复杂，此外这些参数之间一般存在非线性、强耦合的关系，是产品质量预测所面临主要的难题之一。 　　文献[2]展示了采用前向神经网络，基于模糊PetrI网的智能结构来检测产品质量。文献[3]对BP神经网络的设计进行阐述，对隐层采用优化方法，以最小迭代次数为目标函数，解决了BP神经网络质量预测模型问题。文献[4]网络将样本的输出值与真值之间的灰色关联度作为目标函数，采用粒子群算法优化一般BP神经网络的权系数和阀值，构建了基于粒子群神经网络的质量预测模型，解决了一般BP算法迭代速度慢，且易出现局部最优解的问题。文献[5-7]成功的设计了一套基于Web框架实时的人机界面质量预测系统，其中用到了RFID技术、特征分离、人工智能、数据聚合、神经网络等技术。有效的建立了产品质量预测模型并阐述了其中需要用到的技术和具体算法。文献[8]有云制造企业的特点，提出了面向加工质量预测的虚拟加工检测单元的研制，定义了虚拟加工检测单元体系结构，分析了主要的影响因素，建立了虚拟加工检测单元的原型系统。 　　一个系统能够高效、准确的运行离不开系统的结构和其中所包含的算法，本文就云制造企业中产品的质量预测问题，建立相应的系统模型，并确定其中包含的算法。云制造企业全生命周期中，由于云制造网络的实时的特点能够更迅速、有效的获取产品质量预测所需的参数、数据。然后利用相应合适的算法，就能实现云品台下产品质量预测，使云制造企业在市场竞争中立于主动地位，有更高的效益和效率。 　　1 预测所需参数获取 　　按需、自组织、网络化分布这些云制造特点，能够将制造资源虚拟化和制造能力服务化。这种全生命周期的资源聚集使得从设计、制造到维护数据实时获取成为现实，同时也使云资源有更高的利用率和敏捷性，对于不同产品我们也能够从制造云中精确的提取出我们需要的预测其质量的参数、数据。由于不同产品的质量特性不同，数据的衡量标准也不一样，所以对不同的产品不能采取相同的质量特性衡量指标。 　　因此，对于不同的产品从系统参数的角度来分析，而不是从产品具体参数的角度来建立预测模型，这样就能提高建模以及预测效率。选取制造系统参数然后用合适的算法就能有效的预测产品质量，预测模型从产品缺陷预测能力和产品缺陷检测能力两个方面描述产品生产系统的能力，从制造云中提取相应的数据。通过这些数据就可以对质量进行相应的预测，并且能够为用户提供产品缺陷防护及缺陷检测实时的高效建议，同时也能提高产品的质量预测能力。 　　2 预测模型的建立 　　目前，在工程中应用比较广泛的是神经网络，Matlab中也有相应的工具箱。由于影响产品质量的因素较多，这些参数之间以及参数和产品质量间往往存在复杂非线性、强耦合关系，而神经网络能够建立复杂的输入输出关系，具有很强的非线性建模能力，因此近些年广泛用于各种工程领域。其中应用最为广泛的是BP神经网络模型，由非线性的传递函数神经元组成，采用误差反向传递的方法作为其静态前馈网络，但是网络具有收敛速度慢、局部存在极小值，因此将样本的输出值与真值之间的灰色关联度作为目标函数，采用粒子群算法优化一般BP神经网络，基于粒子群神经网络的质量预测模型解决了这些问题。 　　接下来就是建立整体的云制造企业中产品质量预测模型，模型所处的环境是云制造环境，其特点是全生命周期的数据获取的实时性，产