基于全生命周期的电能表质量控制图模式识别研究.docxVIP

基于全生命周期的电能表质量控制图模式识别研究 卜树坡、陈丽、赵展 （苏州工业职业技术学院电子与通信工程系，苏州 215104） 摘要：根据控制图的6种模式类型，提出在全生命周期过程中采用BP神经网络技术对P控制图进行模式识别。首先采用蒙特卡洛法对BP神经网络进行建模，然后对实际生产数据生成的P控制图进行模式识别，最后对造成不良品率上升阶跃和上升趋势两种模式的原因进行了分析，并以电能表液晶黑屏故障为例说明了控制图模式识别的反馈作用。 关键词：全生命周期管理；电能表；控制图；模式识别 Research on Production Management Evaluation of Electric Energy Meters for Life Cycle Bu Shupo, Chen Li, Zhao Zhan (Department of Electronic and Communication Engineering， Suzhou Institute of Industrial Technology， Suzhou 215104， China.) Abstract：According to the six mode types of the control chart, it is proposed to use BP neural network technology to pattern the P control chart during the whole life cycle. Firstly, the BP neural network is modeled by Monte Carlo method, then the P control chart generated by the actual production data is model-recognized. Finally, the causes of the rising and rising trend of the defective product rate are analyzed. Taking the blackout fault of the electric energy meter as an example, the feedback effect of the control pattern pattern recognition is illustrated. Key words：product lifecycle management,Electric energy meter,control chart,pattern recognition 0　引言 智能电能表质量涉及计量的准确度，是智能化电网稳定运行的基础[1]，历来引起国家电网的重点关注。随着全生命周期理论的发展，质量控制在电能表全生命周期过程中全面展开，其中主要涉及生产过程、出厂检测、现场运行、返厂维修等关键环节[2]。 控制图作为质量统计过程控制(statistical process control，SPC)工具，对产品质量特性和制造过程质量参数进行控制，广泛应用于过程稳定状态及过程能力的监控[3]。控制图模式识别是判断控制图质量特性数据正常与否的依据，识别结果可以揭示加工过程中的潜在质量问题。 文献[4]借助控制图对电子式电能表检定装置的测量系统稳定性进行分析。文献[5]采用控制图对电能表检定装置进行期间核查，实现了对装置的监控。 近年来，伴随着人工智能技术的发展，以智能算法为技术手段的控制图模式识别日趋流行[6]。文献[7]将人工智能中的遗传算法应用于非线性模式识别，并对模型参数进行优化。文献[8]提出一种采用D-S证据理论进行3类特征信息融合PD模式识别技术，可对不足进行互补，具有更高的辨识率。 上述文献中，控制图数据源均来自检定过程或生产过程等单独的时间段，未能综合考虑在验证、验收、运维甚至退役等时间段的质量数据，也未能将模式识别的结果对生产过程进行指导。相对于电力部门来说，电能表作为计量设备在挂表运行阶段的质量控制远远不够，还要掌握电能表在生产、检验、测试以及运维阶段的全过程质量数据，以提升全生命周期内的质量控制，这样的质量管理模式才具有真正的意义。所以有必要在全生命周期过程中对电能表质量数据控制图进行模式识别。 本文采用人工智能算法中的BP神经网络实现不良品率P控制图的模式识别。首先在全生命周期过程中某时间段，对电能表质量控制图进行模式识别以判定异常类型，然后根据控制图上升阶跃和上升趋势定位贯穿全生命周期过程中起决定作用的异常质量波动，并对异常过程进行预警，最后确定故障过程发生的原因，为质量改进和预防提供提供指导和建议[9]。 全生命周期不良品率