[发明专利]改进的基于决策树的制造过程多元质量诊断分类器

说明书

技术领域

本发明涉及机械产品加工制造过程质量诊断技术领域，具体涉及一种改进的基于决策树的制造过程多元质量诊断分类器。

背景技术

现代制造过程是多变量高度相关的，对这类生产过程的过程监控称为多元质量控制(MQC)或者多元统计过程控制(MSPC)。寻找失控原因的过程被称为MSPC诊断或异常识别。主要有两类方法：一是统计分解技术；二是基于机器学习的技术。主流分解技术包括了主成分分析(PCA)，特征空间比较法，MTY方法、步降方法、多向核主成分分析方法。然而，这些方法通常都包含了复杂统计过程，不利于应用。随着计算机技术的发展，机器学习成为这一领域的研究热点。人工神经网络(ANN)和决策树(DT)算法已经被应用于MSPC领域。由于产品质量在现代工业中的重要地位,统计过程控制(SPC)在机械、纺织、电子产品、汽车灯离散制造业中取得了很大成功,并逐渐向造纸、炼油、化工、食品等间歇工业和连续制造业渗透。在实际的制造过程中，被加工零部件或产品往往具有多个质量特性，且这些质量特性之间存在一定的相关性，如何确定该过程的过程能力指数以及对过程质量进行诊断，是迫切需要解决的问题，该问题的研究不仅对多元制造过程能力分析研究具有重要的意义，而且对多元制造过程的质量进行监控和诊断均具有一定的理论意义和实用价值。基于上述需求，本发明提供了改进的基于决策树的制造过程多元质量诊断分类器。

发明内容

针对多元控制图在多元过程监控和异常诊断中的不足，本发明提供了改进的基于决策树的制造过程多元质量诊断分类器。

为了解决上述问题，本发明是通过以下技术方案实现的：

步骤1：收集制造过程中质量特性的原始数据，并对该数据进行必要的整理、简化及计算。

步骤2：对关键工序的多元质量特性进行过程分析；

步骤3：把观测到的数据记录到己经画好控制限的控制图上，根据判稳规则判断过程是否出现异常现象；

步骤4：根据识别结果，应用改进的决策树方法查找出过程异常源所在；

步骤5：相关人员针对质量问题提出并实施改善的措施，解决过程异常情况；

步骤6：在改善实施后，维续使用控制图对过程质量进行验证确认，观测是否仍有异常，若有则返问至(3)，若无则继续利用控制图对制造过程进行监控。

本发明有益效果是：

1、过程能力系数条件更严谨，判定状态结果更加准确。

2、算法复杂度低，处理的时间短，得到了较好的结果准确度。

3、为后续制造过程诊断技术奠定了较好的基础。

4、考虑了质量间的多元特性，算法适应性更强，更符合实际的应用。

5、参数因子处理的更加规范合理，得到的值更符合经验判定的结果。

6、考虑了误判因子、又结合主成分分析方法，结果准确度得到的进一步提升。

7、数据处理更完善，减低了误判的概率。

8、解决了数据的偏置、单位不统一的问题。

9、可以实现异常诊断技术。

10、异常态的判定规则更加简便明朗。

附图说明

图1制造过程控制与诊断技术的结构流程图

图2本发明车间数据采集方案图

图3二维过程修正的规格区域与实际分布区域示例图

图4决策树的多元过程监控模型示意图

具体实施方式

为了解决传统车间质量控制方面存在的问题，结合图1-图4对本发明进行了详细说明，其具体实施步骤如下：

步骤1：收集制造过程中质量特性的原始数据，并对该数据进行必要的整理、简化及计算，其具体计算过程如下：

在生产过程中，当工序不存在系统性误差时，产品的质量特性值X符合正态分布；由于多元质量特性值得单位不统一，数值大小差距也较大，需对数据做进一步处理；

生产过程正常运行收集的数据矩阵为X_n×m，n为样本的个数，m为样本质量属性个数。

上式X_n×i为第n个样本第i种质量属性值，μ_i为第i种质量属性均值，σ_i第i种质量属性标准差。

对预处理后的数据X′_n×i，进行比重计算如下：