本發(fā)明涉及機械產(chǎn)品加工制造過程質(zhì)量診斷技術(shù)領(lǐng)域，具體涉及一種改進的基于決策樹的制造過程多元質(zhì)量診斷分類器。

背景技術(shù)：

現(xiàn)代制造過程是多變量高度相關(guān)的，對這類生產(chǎn)過程的過程監(jiān)控稱為多元質(zhì)量控制(mqc)或者多元統(tǒng)計過程控制(mspc)。尋找失控原因的過程被稱為mspc診斷或異常識別。主要有兩類方法：一是統(tǒng)計分解技術(shù)；二是基于機器學(xué)習(xí)的技術(shù)。主流分解技術(shù)包括了主成分分析(pca)，特征空間比較法，mty方法、步降方法、多向核主成分分析方法。然而，這些方法通常都包含了復(fù)雜統(tǒng)計過程，不利于應(yīng)用。隨著計算機技術(shù)的發(fā)展，機器學(xué)習(xí)成為這一領(lǐng)域的研究熱點。人工神經(jīng)網(wǎng)絡(luò)(ann)和決策樹(dt)算法已經(jīng)被應(yīng)用于mspc領(lǐng)域。由于產(chǎn)品質(zhì)量在現(xiàn)代工業(yè)中的重要地位,統(tǒng)計過程控制(spc)在機械、紡織、電子產(chǎn)品、汽車燈離散制造業(yè)中取得了很大成功,并逐漸向造紙、煉油、化工、食品等間歇工業(yè)和連續(xù)制造業(yè)滲透。在實際的制造過程中，被加工零部件或產(chǎn)品往往具有多個質(zhì)量特性，且這些質(zhì)量特性之間存在一定的相關(guān)性，如何確定該過程的過程能力指數(shù)以及對過程質(zhì)量進行診斷，是迫切需要解決的問題，該問題的研究不僅對多元制造過程能力分析研究具有重要的意義，而且對多元制造過程的質(zhì)量進行監(jiān)控和診斷均具有一定的理論意義和實用價值?；谏鲜鲂枨?，本發(fā)明提供了改進的基于決策樹的制造過程多元質(zhì)量診斷分類器。

技術(shù)實現(xiàn)要素：

針對多元控制圖在多元過程監(jiān)控和異常診斷中的不足，本發(fā)明提供了改進的基于決策樹的制造過程多元質(zhì)量診斷分類器。

為了解決上述問題，本發(fā)明是通過以下技術(shù)方案實現(xiàn)的：

步驟1：收集制造過程中質(zhì)量特性的原始數(shù)據(jù)，并對該數(shù)據(jù)進行必要的整理、簡化及計算。

步驟2：對關(guān)鍵工序的多元質(zhì)量特性進行過程分析；

步驟3：把觀測到的數(shù)據(jù)記錄到己經(jīng)畫好控制限的控制圖上，根據(jù)判穩(wěn)規(guī)則判斷過程是否出現(xiàn)異常現(xiàn)象；

步驟4：根據(jù)識別結(jié)果，應(yīng)用改進的決策樹方法查找出過程異常源所在；

步驟5：相關(guān)人員針對質(zhì)量問題提出并實施改善的措施，解決過程異常情況；

步驟6：在改善實施后，維續(xù)使用控制圖對過程質(zhì)量進行驗證確認(rèn)，觀測是否仍有異常，若有則返問至(3)，若無則繼續(xù)利用控制圖對制造過程進行監(jiān)控。

本發(fā)明有益效果是：

1、過程能力系數(shù)條件更嚴(yán)謹(jǐn)，判定狀態(tài)結(jié)果更加準(zhǔn)確。

2、算法復(fù)雜度低，處理的時間短，得到了較好的結(jié)果準(zhǔn)確度。

3、為后續(xù)制造過程診斷技術(shù)奠定了較好的基礎(chǔ)。

4、考慮了質(zhì)量間的多元特性，算法適應(yīng)性更強，更符合實際的應(yīng)用。

5、參數(shù)因子處理的更加規(guī)范合理，得到的值更符合經(jīng)驗判定的結(jié)果。

6、考慮了誤判因子、又結(jié)合主成分分析方法，結(jié)果準(zhǔn)確度得到的進一步提升。

7、數(shù)據(jù)處理更完善，減低了誤判的概率。

8、解決了數(shù)據(jù)的偏置、單位不統(tǒng)一的問題。

9、可以實現(xiàn)異常診斷技術(shù)。

10、異常態(tài)的判定規(guī)則更加簡便明朗。

附圖說明

圖1制造過程控制與診斷技術(shù)的結(jié)構(gòu)流程圖

圖2本發(fā)明車間數(shù)據(jù)采集方案圖

圖3二維過程修正的規(guī)格區(qū)域與實際分布區(qū)域示例圖

圖4決策樹的多元過程監(jiān)控模型示意圖

具體實施方式

為了解決傳統(tǒng)車間質(zhì)量控制方面存在的問題，結(jié)合圖1-圖4對本發(fā)明進行了詳細(xì)說明，其具體實施步驟如下：

步驟1：收集制造過程中質(zhì)量特性的原始數(shù)據(jù)，并對該數(shù)據(jù)進行必要的整理、簡化及計算，其具體計算過程如下：

在生產(chǎn)過程中，當(dāng)工序不存在系統(tǒng)性誤差時，產(chǎn)品的質(zhì)量特性值x符合正態(tài)分布；由于多元質(zhì)量特性值得單位不統(tǒng)一，數(shù)值大小差距也較大，需對數(shù)據(jù)做進一步處理；

生產(chǎn)過程正常運行收集的數(shù)據(jù)矩陣為xn×m，n為樣本的個數(shù)，m為樣本質(zhì)量屬性個數(shù)。

上式xn×i為第n個樣本第i種質(zhì)量屬性值，μi為第i種質(zhì)量屬性均值，σi第i種質(zhì)量屬性標(biāo)準(zhǔn)差。

對預(yù)處理后的數(shù)據(jù)x′n×i，進行比重計算如下：

假設(shè)m維正態(tài)分布nm(μ，∑)，即xm～nm(μ，∑)，其中μ為總體均值向量，∑為協(xié)方差矩陣，由于∑m×m為對稱矩陣，因此存在對稱矩陣p,使得

其中λ1，λ2，…，λm為協(xié)方差矩陣的特征值，其滿足(λ1，λ2，…，λm)＞0，即m維多元質(zhì)量的權(quán)重分配可以表示為下式：

取前k個主元的累計貢獻率達(dá)到80％以上，即貢獻率為w：

則主元模型為

分別為k個主元質(zhì)量的屬性向量，e為誤差。

步驟2：對關(guān)鍵工序的多元質(zhì)量特性進行過程分析，其具體計算過程如下：

這里主要對步驟1中e的計算和估計；

x∈n(μ，σ²)，其中x是質(zhì)量特性值，μ是總體均值，σ²是總體方差。當(dāng)質(zhì)量特性值服從正態(tài)分布時，其均值也服從正態(tài)分布，其中，n為樣本容量。依照正態(tài)分布的特性，則

p(μ-3σ＜x＜μ+3σ)＝99.73％

即，無論μ和σ取何值，x落在之間的概率是99.73％，也就是說，落在這個分布范圍之外的概率只有0.27％。

對于過程修正的規(guī)格區(qū)域是一個橢球體，其體積計算公式為：

ui、li分別為控制圖上第i元質(zhì)量因子的上下限。

多元過程在(1-α)置信度下實際分布區(qū)域的橢球體為：

|∑|為多元質(zhì)量因子的協(xié)方差行列式。

設(shè)其修正系數(shù)為k；

ε＝[(m1-μ1)²+(m2-μ2)²+…+(mt-μt)²]^1/2

mi、μi分別為規(guī)格圖、和實際過程的均值位置，ε為t維均值差值。

另一影響因子為(uj、lj)為規(guī)格上下限的交點。

即

綜上所述，表征過程能力函數(shù)如下：

為了完善上式的結(jié)果，這里整合下面的方法，具體過程如下：

錯判誤差的概率分為兩類，一是受控狀態(tài)判為失控狀態(tài)，概率即為p1，二是失控狀態(tài)判為受控狀態(tài)，概率即為p2。

樣本x，當(dāng)處于受控狀態(tài)時。設(shè)其分布為正態(tài)分布x∈n(μ，σ²)；過程處于失控狀態(tài)時，其分布發(fā)生了變化，變化后的分布函數(shù)為f(x)。

記控制圖的上、下控制限分別為u、l；

p1＝2(1-φ(λ))

p2＝f(u)-f(l)

總誤差概率為p1+p2

上式φ(λ)為標(biāo)準(zhǔn)正態(tài)分布的分布函數(shù)在點λ處的值，λ為控制圖中實際參數(shù)，這個具體情況可以具體確定。

一元修正系數(shù)k′：

β1、β2分別為中心距離差值|λ-μ|、誤判概率的權(quán)重分配值，這里β1+β2＝1，(β1，β2)＞0。

表征過程能力函數(shù)cp：

cp＝min(cpu，cpl)

多元表征過程能力函數(shù)mc′p：

表征e

e＝|mcp-mc′p|

根據(jù)x′主模型即可提取制造過程質(zhì)量異常的主特征。

步驟3：把觀測到的數(shù)據(jù)記錄到己經(jīng)畫好控制限的控制圖上，根據(jù)判穩(wěn)規(guī)則判斷過程是否出現(xiàn)異?，F(xiàn)象，其具體計算過程如下：

如果過程處于非統(tǒng)計過程受控狀態(tài)時用樣本點建立的控制圖控制后續(xù)的生產(chǎn)過程，不僅起不到良好的控制效果，反而會給企業(yè)帶來錯誤的預(yù)報，給企業(yè)造成損失。

判穩(wěn)規(guī)則：

ε′、ε1、ε2分別為預(yù)先設(shè)定好的參數(shù)。

只有同時滿足上三式才能判定當(dāng)前狀態(tài)是否處于受控狀態(tài)，有一規(guī)則不滿足則判定為異常態(tài)。

步驟4：根據(jù)識別結(jié)果，應(yīng)用改進的決策樹方法查找出過程異常源所在，其具體計算過程如下：

根據(jù)訓(xùn)練數(shù)據(jù)集確定屬性的影響程度，每個質(zhì)量屬性都對應(yīng)若干個分量；

這里質(zhì)量屬性的確定見下式：

上式s′i為質(zhì)量屬性重要度函數(shù)，j∈(1，2，…，l)為質(zhì)量屬性的分量因子，總共有l(wèi)個分量，ni為質(zhì)量屬性i的樣本數(shù)，nij′為質(zhì)量屬性i對應(yīng)分量為j的樣本數(shù)，p(j/z)為j分量屬于受控態(tài)的概率，p(j/y)為j分量屬于異常態(tài)的概率。

si′從小到大確定質(zhì)量屬性的重要度，s′i越大，對應(yīng)的質(zhì)量屬性越不重要，根據(jù)步驟3判定異常態(tài)，再通過上式比較各個分量值，確定異常分量，即異常源。

步驟5：相關(guān)人員針對質(zhì)量問題提出并實施改善的措施，解決過程異常情況；

步驟6：在改善實施后，維續(xù)使用控制圖對過程質(zhì)量進行驗證確認(rèn)，觀測是否仍有異常，若有則返問至(3)，若無則繼續(xù)利用控制圖對制造過程進行監(jiān)控。