传统控制图作为统计过程控制(statistical process control,SPC)的核心工具,对影响制造过程的系统性因素识别效率较低。文章针对传统控制图对系统性因素识别不充分的问题,提出基于随机森林的控制图模式识别模型,利用网格搜索法进行参数...传统控制图作为统计过程控制(statistical process control,SPC)的核心工具,对影响制造过程的系统性因素识别效率较低。文章针对传统控制图对系统性因素识别不充分的问题,提出基于随机森林的控制图模式识别模型,利用网格搜索法进行参数优化,建立基于随机森林算法流程和控制图模式识别模型以识别影响过程失控的系统性因素;以汽车离合器为例,将基于随机森林的模式识别算法应用到离合器制造过程中,并与支持向量机(support vector machine,SVM)、逻辑回归(logistic regression,LR)等机器学习算法相比较,结果验证了随机森林模型对控制图模式识别的可行性和有效性。展开更多
文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC...文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC算法对质量特征数据进行聚类分析,将聚类结果作为模型输入训练得到各类超球体中心和决策边界;以此建立基于内核距离的DPC控制图,实现对生产过程质量波动的实时监控;最后将该控制图应用到再制造曲轴生产过程监控中。结果表明,该文提出的DPC控制图可以有效监测再制造曲轴生产过程质量异常波动,验证了该检测方法的可行性和有效性。展开更多
文摘文章针对生产过程中质量数据分布类型未知引起的传统质量控制图异常检测精度低的问题,提出结合支持向量数据描述(support vector data description,SVDD)和密度峰值聚类(density peaks clustering,DPC)的制造过程异常检测方法。采用DPC算法对质量特征数据进行聚类分析,将聚类结果作为模型输入训练得到各类超球体中心和决策边界;以此建立基于内核距离的DPC控制图,实现对生产过程质量波动的实时监控;最后将该控制图应用到再制造曲轴生产过程监控中。结果表明,该文提出的DPC控制图可以有效监测再制造曲轴生产过程质量异常波动,验证了该检测方法的可行性和有效性。
