传统的统计过程质量控制基于休哈特控制图，监测控制同一产品的同一质量特征的变化规律，使之满足精度并保持稳定，在刚性自动化大生产中得到了广泛的应用，并取得了巨大的经济效益^[3]。但是，在小批量生产方式占主导地位的AMT生产环境下，传统的统计模型无法得到足够的数据来建立统计控制关系。因此，传统的SPQC却不能直接被应用在AMT生产环境下，SPQC需要一种新的指导思想。对此，国内外均做了一些研究^[4-8]，提出一些解决方案，但均没能在根本上解决数据不足的问题。

此外，在先进制造系统中还存在对控制图的识别问题。传统的生产环境下控制图是否处于统计控制状态下，是由人对控制图进行统计状态的识别。在AMT生产环境下如果继续沿用这种方法，一方面影响信息反馈的及时性，另一方面工人一直监视控制图会提高工作强度，降低他们的工作效率。利用模式识别算法对控制图自动识别，就可以很好地解决这两方面的问题。有一些工序的失控状态很容易用普通算法识别，例如控制变量超出控制界限以及连续的上升和下降的趋势。然而对于小波动的持续上升或下降或者是循环变化趋势，则难以用普通方法进行判断。由于神经计算技术的发展，许多以前计算量很大并耗时较长的问题得到了解决，模式识别就是其中的一项。考虑到在AMT生产模式中计算机化是基本条件之一，而且生产环境中的计算机只是利用已经训练好的程序运行识别算法，不需要太大的计算量。因此，利用神经网络对控制图的异常模式进行识别是非常合适的。

基于以上讨论，本文提出了基于等效工序能力的统计过程控制方法，并给出了统计变量的计算方法。而且，以这种统计方法所得到的控制图的变化趋势为研究对象，采用人工神经网络理论设计了控制图异常状态的自动识别软件。

二、基于等效工序能力的统计过程质量控制方法

1. 等效工序能力控制的理论基础

现代统计过程质量控制的出发点是在事前控制加工过程，使其处于正常状态；而不是在事后通过检验的方法控制次品的扩散。进行的是“过程控制”而不是“产品控制”。总的来说，只要是无显著差异的5M1E^[9]环境下生产出来的产品的质量特征值（不一定为同类产品）偏离期望值的正常波动服从

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10]  ... 下一页  >>