后得到：                            (2) 上式表明， 服从自由度为i－2的student-t分布，对于给定的显著性水平 ，由student-t分布找出满足下式的控制界限值 使得： 但由于 在给定 下，随着n的变化而变化，因此首先作自由度为i－2的student-t分布概率密度积分得 （p(t)为t分布概率密度函数），然后对积分值进行反标准正态变换得到单值控制图的统计变量 。                              (3) 此时统计变量 根据给定的第一类统计错判的容许概率 ，由标准正态分布找出满足下式的控制界限 ： 如果把某次检测的数据代入上式中，使 或一段时间内 值的排列出现异常趋势则意味着工 序已发生了变化，反之则工序处于统计控制状态。   (2) 移动极差控制变量的计算 因为： 且 则可知在生产过程没有显著变异的情况下 的特征分布规律服从于 的正态分布规律。 所以，由正态过程的基本性质可得 且由 特征分布的定义可以得到： 由 特征分布的概念可以得到：                              (4) 由于 在给定第一类统计错判的容许概率 的情况下，随着i的变化而变化，为此特做以下变换。自由 度为 的F分布的概率密度积分为 ，其值为0到1 之间，对 进行反标准正态变换得到移动极 差控制图的统计变量：                               (5) 用T2作为统计变量，新的控制图的中心线为0，如采用3 原则时，其上下控制界限就是+3和-3。至此，以T1和T2为统计控制变量，就可画出改进的单值－移动极差控制图了。控制图的中心线为0，上下控制界限根据给定的第一类统计错判的容许概率计算，不再随样本大小和物理特征的变化而变化。   三、异常模式自动识别 本研究将前馈型的反向传播神经网络算法用于AMT质量控制中的异常模式自动识别，采用离线训练与在线识别相结合的方法，建立了一个三层的神经网络。该网络的输入是经过预处理的二进制数，输出是一种特定的控制图表现趋势。网络由输入层、隐层和输出层组成。输入层有i个结点，每个结点代表控制图上按顺序排列的一个质量特征，数值为特征点在控制图上的位置。输出层有o个结点，结点输出值为1或0，代表了o种不同的控制图异常趋势。隐层结点数为h，本文采用实验分析的方法确定隐层结点数。整个网络的结点数为i+h+o。 人工神经网络的学习算法为有教师的δ学习律，其输入与输出关系满足非线性单调上升的函数：                               (6) 在实际研究中，训练数据是利用Visual C++中的随机数函数产生(0,1)上均匀分布的随机数Ri。利用所产生的随机数，并根据中心极限定理，由式(7)生成标准正态分布的样本。变换标准正态分布的总体生成80组不同作用趋势的数据，其中20组数据为普通的，60组为三种复杂趋势，分别是小波动的持续上升、小波动的持续下降和循环趋势。                              (7) 利用这80组数据，对所建立的神经网络进行训练取得了良好的效果。在对不同加工过程中所得到的20组实际数据的测试中，全部正确。对各种其它方法不易判断的复杂趋势具有良好的判断能力。   四、结论 本文在研究SPQC技术应用于先进制造环境下所存在的问题的基础上，提出了解决AMT生产环境下质量数据不足的问题的方法，给出了基于等效工序能力的统计过程控制图的控制变量的计算方法；分析表明这种质量控制方法能够有效地控制先进制造生产环境下生产过程的稳定，算法易于编程计算机化，是一种适用于AMT环境的统计过程质量控制技术。同时，利用以前馈型的反向传播神经网络算法为基础的模式识别技术，开发了加工过程异常模式的自动识别软件，应用表明具有良好的效果。   参考文献： [1] Levy, P. et al., “Organizational Strategy for CIM”, Computer-Integrated Manufacturing System, 1991,4. [2] 国家科委科技司情报司， 航空航天部航天科技情报研究所， “美国国家关键技术”， 1991.9. [3] M.Al-Salti and A.statham, “A Review of the Literature of the Use of SPC in Batch Production”, Quality and Reliability Engineering International. Vol.10, pp 49-61. [4] 王永信，单件、小批加工质量统计分析方法的研究，西安交通大学，1991. [5] George F.Koons, Jeffery J.Luner,SPC in Low-volume Manufacturing:A Case Study,J.of Quality Technology,vol.23,No.4,1991. [6] Stephen V.Crowder, “An SPC Model for Short Production Runs:Minimizing Expected Cost”, Technometrics 1992.2 Vol.34 pp64-73. [7] Patrica P.Ramsey, “Simple Tests of Normality in Small Samples”, Jounal of Quality Technology, 1990.10, Vol.22, pp 299-307. [8] Shih-Yen Lin, “Short-Run Statistical Process Control:Multicriteria Part Family Formation”, Quality and Reliability Engineering International, 1997, Vol.13, pp 9-24. [9] 郎志正，《质量控制方法与管理》，国防工业出版社，1989.5。   Stasitical Process Quality Control Based on AMT  Xu Chong,
   Abstract:In this paper, the development of Statistical Process Quality Control in AMT is analyzed and the existent problem of applicated SPQC in AMT is discussed. Then according to the problem, the SPQC for low volume production module is proposed. The error pattern automatic distinction technology is also presented by using BP model neural network. keyword: AMT, SPQC, Patterns Distinction, Quality Assurance

上一页  [1] [2]