本文介绍了基于遗传算法优化的径向基函数(RBF)神经网络自校正控制在制造过程实时控制中的应用。通过集成模型，结合制造过程、噪声信息和控制器，采用遗传算法优化RBF神经网络，实现更精确的控制效果。文中引用了多篇相关研究，探讨了SPC与EPC的集成及其在质量监控和调整中的作用，以及神经网络在过程控制和质量监测中的应用。
同MSPC一样，工程过程控制EPC也是质量控制的一种技术，它能对制造过程的各个阶段进行调整以补偿过程偏移，以保持过程质量稳定。图1展示了一个连续制造过程的EPC控制方法。
图1 含有制造过程、噪声信息、控制器的集成模型
MSPC控制方法主要利用各种质量控制图来对产品的生产加工过程进行监控。产品加工过程中，需要经过多道工序。针对每一个工序节点，建立基于波动状态的MSPC与EPC集成模型，其运行机制如图2所示。
图2 MSPC与EPC集成模型
1 基于Kalman滤波的质量监测 王佩、张定华等人考虑到在制造过程中原始的测量数据包含噪声信息，无法直接使用，因此提出了基于质量波动的制造过程质量监控与调整方法，并基于此建立了合适的SPC与EPC集成模型，利用采用SPC对过程的输出进行监控，采用EPC对过程的输入进行调整。在进行质量监控时，提出了KF—EWMA的质量监控方法，采用KF—EWMA的控制图对测量数据进行滤波处理。用Kalman滤波技术消除测量数据中的噪声，得到接近真实值的状态估计值，然后针对状态估计值采用EWMA方法建立适用于现在制造模式的控制图，并采用ARL评价控制图。在进行质量调整时，提出了基于波动状态的制造过程质量调整方法。用SPC与EPC集成模型中的SPC模块将传输异常的波动状态数据到EPC模块，然后由EPC模块对制造过程进行调整，补偿EPC可以消除的过程偏移[1]。 殷建军研究了基于 Kalman 滤波的过程调节方法,推导了Grubbs调节模型和扩展 Grubbs调节模型。引入能量原理和信噪比概念，给出评定过程质量的平滑梯度指标函数及平滑处理方法，基于此建立了过程调节与质量监控的集成策略。他还指出平滑梯度指标函数具有较高的过程质量评定能力，是未来质量控制的一个重要研究方向[2]。 2 SPC/EPC整合过程研究 王秀红研究了SPC/EPC整合过程规律，建立自相关过程的时间序列模型，依据控制图设计基本思想，构建SPC/EPC整合过程的残差控制图，运用时间序列模型的残差来控制过程质量，还系统分析了残差控制图对异常状态的检测能力,并与休哈特控制图进行比较。并在最后通过仿真实验说明要提高残差控制图的监测效率，应该调整PID控制器的控制参数，以提高残差控制图的灵敏性[3]。 杨慕升,张宇等人利用STA、SPC和EPC在制造过程质量控制中的特点,提出了一种STA、EPC与SPC集成的过程控制体系结构,对系统的信息接口技术。智能集成技术及协调控制技术进行了研究,并通过一个制造过程的具体实例对其集成技术及质量控制保证技术进行了分析。得出了利用EPC可以较高的精度控制制造过程单个过程参数的输出，但既不能控制参数的分布规律，也不能预测自身的控制状态，与STA和SPC集成可以解决这些问题，其次无论是系统原因还是随机因素对过程的干扰都可以更快使过程属于受控状态[4]。 褚崴,孙树栋等人构建了SPC与EPC集成模型，由SPC模块监测生产过程的输出,模块中采用了Shewhart-EWMA联合控制图。发现异常时，SPC模块将异常症状输入到模糊质量诊断模块，同时启动EPC模块对过程进行调整。他们构建了模糊质量诊断模块以实现异常原因的自动诊断，采用系列的调整方法逐步消除偏移的影响,同时采用了马尔可夫链蒙特卡罗(MCMC)方法来完成偏移的参数估计精度，利用田口二次损失函数得到了控制EPC模块停止运行的规则[5]。 崔敬巍等人基于制造系统中过程输出高度自相关的问题，进行了SPC/EPC集成研究，以达到减少质量波动的目的。他们将SPC与EPC进行对比和互补分析，指出SPC用过程监视来消除干扰,而EPC用过程调整加以补偿，且调整方案与监视方案互补。并分析过程调整方案和过程监视方法，讨论出SPC与EPC集成方法 [6] 。 3 采用一些智能计算方法，如神经网络等处理自相关过程
王海宇提出了过程波动容易忽略数据的自相关性而被低估，导致难以判断统计稳态的问题，研究了自相关过程在SPC/EPC整合控制下的过程能力指数评价方法。他利用ARIMA(1,1)模型，分析了SPC/EPC整合控制下的统计稳态，并在此基础上得出了在MMSE和PI这两种EPC控制方法下的过程能力指数计算步骤。针对一个具体的实例，通过MTLAB编制迭代算法分别仿真了MMSE和PI控制器这两种EPC控制下的过程能力计算方法的实施过程，根据计算结果得到，采用PI控制后过程输出的过程能力效果更好，过程能力指数要高于使用MMSE控制后的过程输出[7]。
王秀红针对SPC(统计过程控制)和EPC(工程过程调整)整合过程中出现的“窗口”问题和“自相关”问题，在分析比较目前典型监测方法的基础上，提出监测自相关过程的神经网络-T2控制图。确定了通过监测闭循环中两阶输入和三阶输出随机组合的T2统计量解决“自相关问题”，利用神经网络监测的灵敏性解决“窗口”问题的SPC/EPC整合监测策略，并对组合的选取和神经网络的结构和参数设置进行了研究。对相同的样本分别采用Shewhar图和CUSUM图进行监测，以验证该方法的性能[8]。
张黎将原本应用于连续过程工业的工程过程控制( EPC)方法与统计过程控制(SPC)整合，以解决高度自相关的输出数据造成的控制图监控过程中的假警报问题。他应用Mintab 软件仿真数据,发现直接应用休哈特控制图监控自相关过程是无效的，于是结合EPC建立MMSE调整方程，构建SPC/EPC整合模型[9]。
王秀红研究了SPC与EPC整合过程中的自相关问题和“窗口”问题，构建了以过程输入、过程输出和两者协方差为输入参数，异常扰动发生与否为输出参数的神经网络。并对神经网络模型结构和参数设置进行分析。为验证该方法能否有效地解决窗口问题，对相同的样本，分别采用Shewhar 图、CUSUM 图和上述神经网络模型进行监测。通过实验还发现该方法能以较高的监测率对自相关过程中异常因素进行监测，但无法判别异常扰动的类型，有待进一步寻找能与上述神经网络模型联合使用，并能够快速判别异常扰动类型的监测方法[10]。
张晓蕾等人提出传统SPC/EPC集成的研究对更加复杂的非线性自相关关系难以进行有效描述的问题，提出了用门限自回归模型(TAR)这种非线性时间序列模型，来描述系统的动态自相关关系，并依此建立最小均方误差控制器，并进一步建立SPC/EPC集成控制体系。通过例子得出基于门限自回归模型的最小均方误差控制器针对以阶跃形式的过程失控可以消除大部分变异，且可以进一步发现并消除过程失控的原因，降低总体偏移。通过仿真表明集成控制方法针对不同大小的阶跃变异都可以进行有效的控制，可以针对已知的不同阶跃幅度或者未知的阶跃幅度选取适合的控制图以及控制器[11]。
俞磊等人提出实际过程大多具有自相关性，不满足传统SPC统计独立的要求。在SPC 与EPC 的整合框架下，分析了自相关过程的质量损失。根据模型的自相关系数(ACF)和偏相关系数(PACF)以及选择迭代算法识别模型参数。引入MMSE 控制器对自相关过程反馈调整后进行质量损失分析, 从分布中心与目标值的偏差以及过程方差两个方面着手进行改善，使得过程的质量损失更加接近实际情况，也有效地提高了过程能力[12]。
刘飞和史荣珍采用SPC与EPC整合,消除过程自相关,实现对自相关过程的监控。通过分析MMSE和PD两种EPC控制器，结合现代时间序列分析的核心思想，将时间序列ARMA 模型转化为状态空间模型，将状态空间分析法引入到EPC控制器的设计中，通过极点配置方法来分析EPC控制器的性能, 研究平均运行链长(ARL)与极点配置的关系。并通过仿真实验得出控制器极点的较优取值范围[13]。
4 集成SPC/EPC过程控制方法减少过程波动
张黎提出引起产品质量问题的根源是过程波动，于是提出以减少波动为核心建立质量改进的统计思维模型。在探讨SPC、EPC和田口方法三种质量改进方法的基础上，对三种质量改进方法进行了比较和评价，提出了一个整合SPC、EPC和田口方法的概念框架，以达到监测和改进过程质量的目的。用SPC和EPC，以及二者的整合来减少特殊原因波动，用田口方法减少正常原因引起的波动。通过田口方法正确的选择关键变量以达到监测和改进质量的目的。同时利用制图正确区分特殊原因和正常原因，以便采取不同改进措施[14]。
崔敬巍 , 谢里阳等人采用由一阶动态过程和稳态干扰ARMA(1，1) 组成的系统模拟制造过程,针对当输入发生阶跃变化时过程出现的暂态阶段，设计了集成统计过程控制(SPC)与工业过程控制(EPC) 的过程控制方法。应用ARMA 控制图对制造过程进行监视,同时PI控制器对过程进行调整。通过比较SPC、EPC和集成SPC与EPC方法三种控制方法，得出集成SPC与EPC方法不但可以降低过程波动,获得可接受的输出偏离,而且还减少调整次数[15]。
5 基于BP神经网络的补偿方法
康朝海等人针对流体质量流量测量中密度随温度及压力等参数的变化而变化，为了弥补最小二乘法在非线性补偿方面的缺陷，在
BP
算法的基础上，采用
BP
神经网络补偿方法对液氨的密度进行了补偿。基于
BP
神经网络的补偿算法是采用梯度下降方法，使得网络实际输出与期望输出的误差达到最小，系统通过误差信号的反向传播来不断地调整权值和阈值，以达到设定的补偿精度要求
[16]
。
庄育锋等人研究了一种基于微量药品称重系统的非线性问题，为了对单点式称重传感器的输出信号进行非线性校正，提出了基于BP神经网络的非线性补偿方案。基于L-M算法建立了BP 神经网络模型，实现了电阻应变式称重传感器的输入与输出非线性补偿校正，并与bfgs拟牛顿算法、Scaled共轭梯度算法所建立的BP神经网络模型对比[17]。
6 基于RBF神经网络的过程控制
[1] 王佩,张定华,陈冰,王明微,李山.基于SPC与EPC集成的制造过程质量监控与调整[J].中国机械工程,2011,22(18):2203-2208.
[2]殷建军.基于 Kalman 滤波的过程调节与质量监控方法[J].浙江大学学报(工学版),2008(08):1419-1422.
[3]王秀红.监测SPC/EPC整合过程的残差控制图研究[J].统计与决策,2013(13):174-177.
[4]杨慕升，张宇.基于STA/SPC/EPC的集成方法质量控制技术研究[J].版),2011(07):11-14.
[5]褚崴，孙树栋，于晓义.SPC与 EPC的集成及相关关键技术研究[J].计算机应用,2007(01):228-230.
[6]崔敬巍，谢里，阳刘刚.集成统计过程监视与工程过程控制[J].企业天地,2007(01):152-153.
[7]王海宇.SPC/EPC整合控制下的过程能力指数研究[J].中原工学院学报,2016,27(02):47-51.
[8]王秀红.SSPC/EPC整合下自相关过程监测方法研究[J].制造业自动化,2013(02):37-41.
[9]张黎.SPC与EPC整合应用研究[J].郑州大学学报(理学版),2005(03):109-113.
[10]王秀红.基于神经网络的SPC/EPC整合过程监测方法研究[J].工业工程,2012(08):12-16.
[11]张晓蕾，何桢，聂斌.针对阶跃形式失控的基于门限自回归模型的SPC-EPC集成研究[J].工程设计学报,2012.08(04):255-262.
[12]俞磊，孙学静，刘飞.基于反馈调整的自相关过程质量损失分析[J].控制工程,2008.05(03):273-274,278.
[13]刘飞,史荣珍.统计过程监测中低阶 EPC控制器分析与设计[J].控制工程,2010.01(01):24-27.
[14]张黎.SPC、EPC与田口方法的比较及整合[J].制造业自动化,2005.08(08):28-32.
[15]崔敬巍,谢里阳,刘晓霞.一种集成SPC与EPC的过程控制方法[J].东北大学学报 (自然科学版),2007(09):1317-1320.
[16]康朝海，姚皆可，任伟建，霍凤财.基于BP神经网络的流体流量补偿方法[J].化工自动化及仪表,2012(08):993-997.
[17]庄育锋，胡晓瑾，翟宇.基于 BP 神经网络的微量药品动态称重系统非线性补偿[J].仪器仪表学报,2014.08(08):1914-1920.
[18]禹建丽，张宗伟.基于 RBF神经网络预测的MMS控制[J].东南大学学报 (自然科学版 ),2009.09(1):1-4.
[19]胡晓青，程启明，白园飞，吴凯.基于RBF神经网络整定PID控制的UPQC并联侧研究[J].华东电力,2013.03(03):0630-0635.
449
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
