论文部分内容阅读
新型智能时代的到来标志着制造业市场的竞争日益加剧,产品质量过硬成为企业具有竞争优势的体现,并保证企业在市场占据有利地位。而在生产过程环节进行产品质量预测和控制是保障产品质量的关键,是企业完善质量管理体系标准的基础。本文以机械零件为研究对象,对零件在生产过程中的产品质量预测与控制开展深入研究。首先,阐述本文的选题背景及研究意义,在国内外学者对质量预测与质量控制研究的基础上,确定本文的主要研究内容。其次,开展零件生产过程中的产品质量预测研究:分析零件在生产过程中的影响因素,建立产品质量预测指标体系;通过应用粗糙集(Rough Set,RS)、粒子群优化算法(Particle Swarm Optimization,PSO)和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立RPL(RS-PSO-LSSVM)方法,运用RS约简指标个数确定最小条件属性集,PSO优化LSSVM相关参数提高LSSVM算法的诊断效果和泛化能力,构建基于RPL方法的产品质量预测模型,并通过实例验证该方法的有效性。再次,开展零件生产过程中的产品质量控制研究:在基于RPL方法的产品质量预测研究的基础上,对产品质量控制展开进一步研究,应用统计过程控制(Statistical Process Control,SPC)方法进行工序质量控制,实现对零件生产过程中的产品质量控制。通过实例验证该方法的有效性,同时验证本文RPL方法在零件生产过程中进行产品质量预测的必要性。最后,将基于RPL方法的产品质量预测和SPC方法的工序质量控制应用于A公司,验证产品质量预测及控制在该公司应用的可行性及必要性,实现零件在生产过程中产品质量预测与控制。