□ 焦志曼 □ 袁 佳 □ 余建波

上海大學(xué) 機(jī)電工程與自動化學(xué)院 上海 200072

質(zhì)量是企業(yè)技術(shù)水平、管理水平、人員素質(zhì)、勞動效率等各方面的綜合反映，在產(chǎn)品質(zhì)量形成過程中，工序質(zhì)量是形成產(chǎn)品質(zhì)量最基本的環(huán)節(jié)，每一道工序質(zhì)量的好壞，最終都將影響產(chǎn)品的質(zhì)量［1］。隨著生產(chǎn)技術(shù)發(fā)展及市場分工加劇，企業(yè)的生產(chǎn)模式由原來的少品種、大批量轉(zhuǎn)變?yōu)槎嗥贩N、小批量，影響產(chǎn)品質(zhì)量的因素大大增加，而沿用傳統(tǒng)的生產(chǎn)檢驗(yàn)、質(zhì)量統(tǒng)計(jì)報(bào)表等靜態(tài)質(zhì)量控制手段，不僅費(fèi)時費(fèi)力，而且難以取得理想效果。此外，現(xiàn)代企業(yè)都在逐步地由單一企業(yè)向集團(tuán)式企業(yè)發(fā)展，造成同一類型生產(chǎn)線在不同工廠同時存在，或同一類型工序分布在不同生產(chǎn)線上，甚至不同工廠中，若這些工序需要按照統(tǒng)一的質(zhì)量標(biāo)準(zhǔn)進(jìn)行管理，往往需要協(xié)調(diào)公司內(nèi)部多個部門，因此，傳統(tǒng)的工序質(zhì)量控制已經(jīng)滿足不了現(xiàn)代工廠的要求。

計(jì)算機(jī)輔助質(zhì)量信息系統(tǒng)突破空間、時間和信息處理能力等方面的限制，以經(jīng)濟(jì)的方式確保產(chǎn)品或服務(wù)的高質(zhì)量。出于時間和成本考慮，采用基于網(wǎng)絡(luò)的工序質(zhì)量控制系統(tǒng)，對分布式企業(yè)很有必要。研究人員就關(guān)于工序質(zhì)量控制進(jìn)行了大量的研究，余忠華［2］等提出應(yīng)用貝葉斯預(yù)測理論，解決小批量制造過程質(zhì)量控制所面臨的問題；Yu［3］針對半導(dǎo)體制造過程，提出將高斯混合模型用于非線性和多模態(tài)過程的質(zhì)量監(jiān)控，并采用基于貝葉斯預(yù)測方法，計(jì)算過程失效概率；劉道玉［4］等提出一種面向多工序制造過程的e-質(zhì)量控制模式；劉海英［5］在分析工序質(zhì)量控制方法的基礎(chǔ)上，提出應(yīng)用計(jì)算機(jī)技術(shù)進(jìn)行在線控制的構(gòu)想；孫后成［6］研究了信息技術(shù)在質(zhì)量控制及管理中的應(yīng)用；高曉兵［7］等研究了面向部門級的質(zhì)量信息管理系統(tǒng)；姜興宇［8］等針對網(wǎng)絡(luò)化制造環(huán)境，提出了智能工序質(zhì)量控制系統(tǒng)。對于多變量過程的監(jiān)控與診斷，Salehi［9］等構(gòu)建了多變量過程異常信號在線分析混合模型，對多變量過程均值異常進(jìn)行識別；Yu［10］研究了選擇性神經(jīng)網(wǎng)絡(luò)在多變量制造過程中失控源識別的應(yīng)用。

本文基于以上的研究成果，針對分布式制造過程中的工序質(zhì)量控制問題，在傳感器、網(wǎng)絡(luò)、數(shù)據(jù)庫等技術(shù)的支持下，結(jié)合質(zhì)量控制、統(tǒng)計(jì)學(xué)、神經(jīng)網(wǎng)絡(luò)、統(tǒng)計(jì)過程控制等理論，根據(jù)相關(guān)質(zhì)量管理體系的要求，開發(fā)了面向分布式制造的工序質(zhì)量控制系統(tǒng)，實(shí)現(xiàn)了對車間制造過程工序質(zhì)量的實(shí)時監(jiān)控與故障自動診斷，確保工序質(zhì)量保持在穩(wěn)定狀態(tài)，有效地提高企業(yè)的產(chǎn)品質(zhì)量，實(shí)現(xiàn)車間工序質(zhì)量控制的自動化和智能化。

1 系統(tǒng)設(shè)計(jì)

1.1 分布式企業(yè)工序質(zhì)量控制的特點(diǎn)

對于分布式企業(yè)，分布地點(diǎn)、管理模式均存在差異，但是企業(yè)內(nèi)各工序、各車間、各部門之間甚至各企業(yè)之間都有著緊密的信息聯(lián)系，上游企業(yè)的原料信息和下游企業(yè)的質(zhì)量信息反饋，對中間企業(yè)的發(fā)展有著重要意義［11］，這給分布式企業(yè)的工序質(zhì)量控制提出了如下的新要求。

（1）分布并行作業(yè)。在分布式企業(yè)，工序質(zhì)量信息分布在不同的部門、地區(qū)和國家，通過數(shù)據(jù)庫和計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)，可以實(shí)現(xiàn)企業(yè)內(nèi)部質(zhì)量信息的共享和遠(yuǎn)程交互訪問的能力。

（2）靈敏快速響應(yīng)。由于市場、產(chǎn)品和組織機(jī)構(gòu)的不斷變化，質(zhì)量控制系統(tǒng)應(yīng)該能夠?qū)Ω鞣N變化作出快速反應(yīng)，如結(jié)構(gòu)上可以快速重組，性能上動態(tài)易變，數(shù)據(jù)庫不斷更新。

（3）自動采集與診斷。隨著技術(shù)水平的提高，可以實(shí)現(xiàn)數(shù)據(jù)的自動采集、傳輸與存儲，同時，系統(tǒng)有能力自動監(jiān)視制造系統(tǒng)的運(yùn)行狀態(tài)，對失控過程能夠進(jìn)行智能診斷。

1.2 工序質(zhì)量智能控制系統(tǒng)架構(gòu)

根據(jù)分布式企業(yè)制造過程工序質(zhì)量控制的特點(diǎn)，結(jié)合企業(yè)生產(chǎn)制造過程的流程，提出了如圖1所示的工序質(zhì)量控制系統(tǒng)的功能模型，本系統(tǒng)具有以下子系統(tǒng)及模塊。

（1）基礎(chǔ)信息管理子系統(tǒng)。該系統(tǒng)分為工序信息管理、人員信息管理、質(zhì)量數(shù)據(jù)管理、標(biāo)準(zhǔn)及參數(shù)管理4個模塊，主要負(fù)責(zé)管理系統(tǒng)的基礎(chǔ)信息，進(jìn)行查看、添加、修改、刪除等操作，維護(hù)系統(tǒng)數(shù)據(jù)的完整。

（2）用戶管理子系統(tǒng)。它對系統(tǒng)用戶進(jìn)行權(quán)限設(shè)置，用戶只能擁有自己對應(yīng)的操作權(quán)限，這樣既保證了系統(tǒng)數(shù)據(jù)的安全，也能對企業(yè)信息進(jìn)行保密。

（3）統(tǒng)計(jì)過程控制子系統(tǒng)。該系統(tǒng)分為控制圖模塊和能力指數(shù)分析模塊，通過對過程數(shù)據(jù)的分析處理，獲得當(dāng)前過程狀態(tài)，保證生產(chǎn)過程處于在控狀態(tài)。

（4）測量系統(tǒng)分析子系統(tǒng)。它從重復(fù)性、再現(xiàn)性、偏倚、穩(wěn)定性和線性5個統(tǒng)計(jì)特性進(jìn)行測量系統(tǒng)分析，以明確測量系統(tǒng)誤差，確保測量數(shù)據(jù)的有效性。

（5）多變量過程監(jiān)控子系統(tǒng)。該系統(tǒng)主要通過多變量控制圖，對多變量過程狀態(tài)進(jìn)行實(shí)時監(jiān)控。

（6）多變量過程診斷子系統(tǒng)。對于出現(xiàn)失控的多變量過程，明確是哪一個變量變異導(dǎo)致過程失控，進(jìn)而對該變量采取改進(jìn)措施，消除異常，使過程恢復(fù)受控。

1.3 系統(tǒng)流程分析

根據(jù)調(diào)查和分析，確定該車間工序質(zhì)量控制系統(tǒng)，如圖2所示。

（1）數(shù)據(jù)采集。從車間工序現(xiàn)場采集數(shù)據(jù)并存儲在數(shù)據(jù)庫。

（2）測量系統(tǒng)分析。根據(jù)所采集的數(shù)據(jù)信息進(jìn)行測量系統(tǒng)分析，計(jì)算測量誤差，確定測量系統(tǒng)是否可靠。

（3）統(tǒng)計(jì)過程控制。對于單變量過程，根據(jù)控制圖判斷過程是否在控，如在控，計(jì)算過程能力指數(shù)，以此推斷工序能力是否合理；對于多變量過程，收集在控?cái)?shù)據(jù)建模，然后依據(jù)模型作多變量控制圖，判斷過程是否在控；對于失控過程，通過貢獻(xiàn)圖分析確定失控變量。

（4）對于失控過程，進(jìn)行異常模式識別，找出失控原因，進(jìn)行工序質(zhì)量調(diào)整，確保工序制造過程處在正常狀態(tài)。

▲圖1 系統(tǒng)結(jié)構(gòu)功能示意圖

▲圖2 車間工序質(zhì)量控制系統(tǒng)

2 面向網(wǎng)絡(luò)化制造工序質(zhì)量控制的關(guān)鍵技術(shù)

2．1 多品種小批量的工序質(zhì)量控制技術(shù)

隨著生產(chǎn)的發(fā)展和科技的進(jìn)步，企業(yè)和消費(fèi)者對產(chǎn)品的要求也越來越多樣化，傳統(tǒng)大批量生產(chǎn)方式已經(jīng)無法適應(yīng)現(xiàn)代市場的要求，將轉(zhuǎn)換為個性化的多品種、小批量生產(chǎn)。但是由于小批量生產(chǎn)的質(zhì)量特征數(shù)據(jù)量少，無法滿足經(jīng)典的SPC（StatisticalProcessControl）技術(shù)的統(tǒng)計(jì)量要求。在小批量生產(chǎn)環(huán)境下，直接利用控制圖監(jiān)控生產(chǎn)過程，會使第一類錯誤（虛發(fā)警報(bào)）增加，從而導(dǎo)致增加停機(jī)檢查和調(diào)整的次數(shù)，降低生產(chǎn)效率，給企業(yè)增加成本。將相似工序分類成組，可以解決這一問題。影響質(zhì)量變異的因素大體可以分為六類：人員、設(shè)備、材料、方法、測量和環(huán)境。根據(jù)這六大因素將不同的工序分類，通過數(shù)據(jù)變換，將相似工序的質(zhì)量特征值變換成具有相同分布的質(zhì)量數(shù)據(jù)，從而能夠利用同一張控制圖進(jìn)行控制，實(shí)現(xiàn)工序穩(wěn)定性的判斷以及工序能力的計(jì)算。

常用的標(biāo)準(zhǔn)化處理方法是，將所有的質(zhì)量特征數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)的正態(tài)分布,這種方法適用于均值、標(biāo)準(zhǔn)差已知的情況。在多品種、小批量生產(chǎn)中，零件質(zhì)量特征數(shù)據(jù)不足，均值、標(biāo)準(zhǔn)差未知，應(yīng)采用公差系數(shù)法，其變換準(zhǔn)則為：

式中：Xij為從工序族中抽取的第i個零件的第j個質(zhì)量特征值；Zij為Xij經(jīng)過變換后的數(shù)值；Mi為從工序族中抽取的第i個零件的目標(biāo)值；Ti為從工序族中抽取的第i個零件的公差帶；USLi、LSLi為工序族中抽取的第i個零件的偏差上限和下限。

通過轉(zhuǎn)換，可以使相似工序中表征不同質(zhì)量特征值的數(shù)據(jù)，轉(zhuǎn)化為具有正態(tài)分布的統(tǒng)計(jì)量。由式（1）的變換可知，這些數(shù)據(jù)通過變換得出的均值和標(biāo)準(zhǔn)差不帶有原來零件的工序質(zhì)量特征值大小，變換后的值只是相對值，表征了相似工序在質(zhì)量變異因素影響下所帶有的固有特性。

2．2 基于自組織混合模型的多變量智能控制技術(shù)

對于工序質(zhì)量控制，往往需要同時監(jiān)控產(chǎn)品的幾個質(zhì)量指標(biāo)，采用單變量控制圖進(jìn)行分析，易導(dǎo)致過高的誤報(bào)率，多變量過程控制方法可為這一問題提供解決方案。自組織混合模型是一種無監(jiān)督自主學(xué)習(xí)模型，可對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)描述建模，它能將高維空間轉(zhuǎn)化為一維或二維的空間表達(dá)，同時保持?jǐn)?shù)據(jù)原有的拓?fù)溥壿嬯P(guān)系，可對高度離散、非線性數(shù)據(jù)進(jìn)行降維、建模等處理，又具有混合模型的優(yōu)點(diǎn)，可以嵌入更大型概率模型，在數(shù)據(jù)可視化和模式識別方面有良好的效果，非常適合解決多變量過程，尤其是非線性或多模態(tài)多變量過程的控制問題。

設(shè)一個生產(chǎn)過程的高斯混合模型中，各項(xiàng)具有相等的混合權(quán)重，即：

式中：p（x|s）是均值為μ、方差為σ2的高斯分布函數(shù)。

設(shè)數(shù)據(jù)集 x=｛x1，x2，．．，xn｝， 其初始參數(shù)向量為 θ=｛σ2，μ1，．．，μk｝，通過 EM 算法，發(fā)現(xiàn) θ 的最大似然解：

引入n個隱含變量進(jìn)行學(xué)習(xí)，每個隱含變量表示k個混合分量中的哪一項(xiàng)生成了對應(yīng)的數(shù)據(jù)點(diǎn)。EM算法將負(fù)對數(shù)似然值最大化：

式中：H和DKL為香農(nóng)熵和相對熵；Q=qn是隱含變量的分布，qn為第n個數(shù)據(jù)點(diǎn)對應(yīng)混合項(xiàng)的分布，記qn=qn（s）。

目標(biāo)函數(shù)F可以寫作：

對于給定 q1，q2，．．，qn，根據(jù)訓(xùn)練數(shù)據(jù)，運(yùn)用 EM 算法進(jìn)行迭代，可獲得參數(shù)θ=｛σ ，μ1，．．，μk｝，使 F 取得最大值，由此能建立過程混合自組織模型?；谝呀⒌淖越M織混合模型，采用歐氏距離 （EuclideanDistance,ED）和負(fù)對數(shù)似然值（NegativeLogLikelihoodProbability,NLLP）兩項(xiàng)量化指標(biāo)來比較當(dāng)前輸入與正常狀態(tài)的偏離程度，作為判斷當(dāng)前輸入是否正常的標(biāo)準(zhǔn)。

為了驗(yàn)證該方法的監(jiān)控效果，設(shè)計(jì)了一組實(shí)驗(yàn)，仿真了一個三變量非線性制造過程：

式中：e1、e2、e3是相互獨(dú)立的干擾變量， 服從 N（0,0．1）分布；a是［0,2］之間的隨機(jī)數(shù)。

根據(jù)上式生成200組仿真數(shù)據(jù)作訓(xùn)練樣本，另生成300組仿真數(shù)據(jù)作測試樣本，從第101組起，給測試樣本變量加上 d（t）=g（t-100）的趨勢型異常，t為時間，g為異常坡度值。采用平均運(yùn)行步長 （AverageRun Length,ARL）作為評價(jià)指標(biāo)，ARL代表了對某一確定的質(zhì)量特性水平，是控制圖上從開始監(jiān)控直到發(fā)出報(bào)警為止的平均樣本數(shù)。當(dāng)用在失控過程時，相當(dāng)于發(fā)生第二類錯誤（漏發(fā)警報(bào)）的概率，ARL越小，控制圖性能越好。 取異常坡度值分別為 0．02σ、0．04σ、0．06σ、0．08σ、0．10σ， 分別進(jìn)行 1000 次仿真實(shí)驗(yàn)求平均值，結(jié)果見表1。

從表1可知，當(dāng)測試數(shù)據(jù)開始出現(xiàn)趨勢型異常時，ED圖和NLLP圖能夠快速發(fā)現(xiàn)異常，且異常坡度值越大，失控過程平均運(yùn)行步長越短，即發(fā)現(xiàn)異常速度越快。以上實(shí)驗(yàn)可以說明，ED和NLLP作為過程狀態(tài)量化指標(biāo)，應(yīng)用于多變量過程監(jiān)控，具有良好的監(jiān)控效果，即基于自組織混合模型的多變量過程控制技術(shù)，是復(fù)雜多變量過程控制的有效方法。

3 系統(tǒng)設(shè)計(jì)與應(yīng)用

本文采用瀏覽器/服務(wù)器五層架構(gòu)，選用 C#+ASP．NET作為開發(fā)語言，以SQL SERVER為后臺數(shù)據(jù)庫開發(fā)軟件，開發(fā)了工序質(zhì)量智能控制系統(tǒng)。系統(tǒng)總體結(jié)構(gòu)如圖3所示。

以某生產(chǎn)線車削工序?yàn)檠芯繉ο?，對其加工過程質(zhì)量進(jìn)行實(shí)時監(jiān)控與跟蹤，并對工序質(zhì)量問題進(jìn)行在線診斷，其過程如圖4～圖6所示。

表1 ED圖和NLLP圖的非線性制造過程異常監(jiān)控的ARL

▲圖3 工序質(zhì)量智能控制系統(tǒng)總體結(jié)構(gòu)

▲圖4 工序質(zhì)量數(shù)據(jù)管理

▲圖5 工序過程實(shí)時監(jiān)控

▲圖6 工序過程失控源診斷

根據(jù)該道工序的性能及要求，確定關(guān)鍵質(zhì)量特性，將測量儀器所測數(shù)據(jù)，通過數(shù)據(jù)采集模塊的數(shù)據(jù)接口寫入數(shù)據(jù)庫，便于進(jìn)行質(zhì)量分析。通過數(shù)據(jù)管理界面，可以對數(shù)據(jù)進(jìn)行在線查看；通過控制圖，可以對工序過程進(jìn)行實(shí)時監(jiān)控，從圖5中可以看出，從第21點(diǎn)開始，過程狀態(tài)指標(biāo)越過控制限，過程失控；由于過程存在多個變量，首先必須確定是哪一個或者哪幾個變量引起過程失控。根據(jù)失控?cái)?shù)據(jù)，進(jìn)行失控源診斷分析，由圖6可以看出，質(zhì)量特性X1對過程失控貢獻(xiàn)最大，因此，可以認(rèn)為其發(fā)生了變異，之后可以對該變量進(jìn)行進(jìn)一步分析，找出失控原因，采取措施進(jìn)行調(diào)整，使制造過程恢復(fù)正常。

4 結(jié)束語

本文以網(wǎng)絡(luò)化車間制造的工序質(zhì)量控制為研究對象，結(jié)合其工序質(zhì)量控制的特點(diǎn)，提出了一種面向分布式制造的工序質(zhì)量控制模式，對其功能模塊和體系結(jié)構(gòu)進(jìn)行了分析，對多品種、小批量的工序質(zhì)量控制技術(shù)和多變量智能控制技術(shù)等關(guān)鍵使能技術(shù)進(jìn)行了介紹，完成了基于網(wǎng)絡(luò)的工序質(zhì)量控制系統(tǒng)的應(yīng)用開發(fā)。該系統(tǒng)能夠滿足跨機(jī)構(gòu)、跨地區(qū)的企業(yè)質(zhì)量信息共享和遠(yuǎn)程交互的需求，可方便支持異地遠(yuǎn)程質(zhì)量控制與質(zhì)量評價(jià)，還可通過企業(yè)內(nèi)部實(shí)現(xiàn)信息共享，在提升產(chǎn)品質(zhì)量和生產(chǎn)效率的同時，降低企業(yè)質(zhì)量管理和質(zhì)量控制成本，這對于提升企業(yè)產(chǎn)品競爭力有著重要意義。

［1］ 王宛山,鞏亞東,郁培麗．網(wǎng)絡(luò)化制造［M］．沈陽:東北大學(xué)出版社,2003．

［2］ 余忠華,吳晗同．面向小批量制造過程的質(zhì)量控制方法研究［J］．機(jī)械工程學(xué)報(bào),2001,37（8）:60-63．

［3］ Yu Jianbo．Semiconductor Manufacturing Process Monitoring Using Gaussian Mixture Model and Bayesian Method with Local and Nonlocal Information ［J］．Semiconductor Manufacturing,IEEE Transactions on,2012,25（3）:480-493．

［4］ 劉道玉,江平宇．面向多工序制造過程的e-質(zhì)量控制體系結(jié)構(gòu)研究［J］．計(jì)算機(jī)集成制造系統(tǒng),2007,13（4）:782-790．

［5］ 劉海英．基于計(jì)算機(jī)技術(shù)的工序質(zhì)量控制系統(tǒng)研究［J］．中國機(jī)械工程,2003,14（13）:1118-1121．

［6］ 孫后成．信息技術(shù)在質(zhì)量控制及管理中的應(yīng)用［J］．機(jī)械制造,2004,42（12）:55-56．

［7］ 高曉兵,陶華,趙勇．面向部門級的質(zhì)量信息管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) ［J］．現(xiàn)代制造工程,2005（11）:22-24．

［8］ 姜興宇,王世杰,趙凱,等．面向網(wǎng)絡(luò)化制造的智能工序質(zhì)量控制系統(tǒng)［J］．機(jī)械工程學(xué)報(bào),2010,46（4）:186-193．

［9］ Salehi M,Bahreininejad A,Nakhai I．On-line Analysis of Out-of-control Signals in Multivariate Manufacturing Processes Using a Hybrid Learning-based Model［J］．Neuro Computing,2011,74（12）:2083-2094．

［10］ Yu Jianbo,Xi Lifeng,Zhou Xiaojun．Identifying Source（s） of Out-of-control Signals in Multivariate Manufacturing Processes Using Selective Neural Network Ensemble ［J］．Engineering Applications of Artificial Intelligence,2009,22（1）:141-152．

［11］ Chin K S,Duan G,Tang X．A Computerintegrated Framework for Global Quality Chain Management ［J］．The International Journal of Advanced Manufacturing Technology,2006，27（2）:547-560．