基于神经网络的整合SPC/APC系统过程调整与监测

论文摘要

整合的统计过程控制(Statistical Process Control简称SPC)与自动过程控制(Automatic Process Control简称APC)系统作为一种减少过程波动、稳定产品质量的控制方法,是目前工业过程控制领域研究的一个热点问题。SPC是探测和消除异常干扰的主要工具,通常采用控制图技术,监测过程输出。随着现代制造业自动化生产机器设备日益复杂及过程的多变性,使生产过程输出数据出现高度自相关性,破坏了传统SPC技术关于过程数据独立性的假设,使得监测过程中假警报的几率增加。APC基于反馈调整原理,可消除过程数据的自相关性,减少过程波动。整合使用SPC与APC可兼具过程监测与调整两方面的优点,避免二者单独使用的不足。但通常在整合构架下的SPC/APC系统中,APC在调整系统内部干扰所造成的过程输出偏差的同时,也会降低异常因素对系统所造成的影响,从而影响SPC控制图的监测能力,延迟系统异常因素发现的时间。因此,基于传统过程调整与监测技术的整合SPC/APC系统亟待从两个方面进行改进。一是设计推导更适合过程补偿的APC调整控制器;二是发展和完善更具监测效果的控制图。人工神经网络是由大量简单的处理单元相互连接而成的高度复杂的非线性动力学系统,具有学习能力、映射能力及联想记忆和泛化能力,被广泛应用于系统辨识、时间序列预测和模式识别等研究领域。本文将人工神经网络技术引入整合的SPC/APC系统,进行了过程调整与监测的理论和方法研究。(1)针对自相关过程,研究并给出了一种基于径向基(RBF)神经网络的过程干扰时间序列预测方法,改进了传统的MMSE控制器的控制性能。设计了BP神经网络控制器,可实现自相关过程的在线调整,克服了传统的MMSE控制器和PID控制器参数设置困难的缺陷,仿真实验结果表明,基于人工神经网络的APC控制策略数据处理快速,控制精度高。(2)为提升整合SPC/APC系统的过程监测能力,针对不同的过程模型和不同程度的异常干扰,设计了BP神经网络过程监测模型,将APC中的过程调整量和过程输出量作为神经网络的输入量,构建具有良好模式分类能力的SPC监测方案,综合考虑过程调整量和输出量中所包含的异常因素的信息,能够及时、准确地探测到存在于过程中的异常干扰。(3)分别以MSE和ARL作为过程调整与监测的评价性能指标,对基于人工神经网络的整合SPC/APC系统与传统整合SPC/APC系统进行了过程调整与监测的仿真实验对比研究,结果表明基于人工神经网络的过程调整与监测方法可以有效地提高整合SPC/APC系统的性能。

论文目录

• 摘要
• ABSTRACT
• 1. 绪论
• 1.1 研究背景及意义
• 1.2 研究现状
• 1.2.1 SPC 与APC 整合的可行性
• 1.2.2 整合SPC/APC 控制系统方案
• 1.2.3 整合SPC/APC 控制系统展望
• 1.3 研究目的
• 1.4 研究假设
• 1.5 研究内容
• 2. SPC 与APC 简介
• 2.1 造成过程波动的干扰
• 2.2 统计过程控制（SPC）
• 2.2.1 SPC 的理论基础
• 2.2.2 控制图技术简介
• 2.2.3 早期控制图的假设条件
• 2.2.4 过程自相关的描述
• 2.2.5 SPC 控制图评价指标ARL
• 2.3 工程过程控制（APC）
• 2.3.1 MMSE 控制器调整
• 2.3.2 PID 调整
• 2.4 SPC 与APC 整合的可能性分析
• 2.5 本章小结
• 3. BP 与RBF 神经网络简介
• 3.1 BP 神经网络
• 3.3 RBF 神经网络
• 3.4 本章小结
• 4. 基于人工神经网络的整合SPC/APC 系统的过程调整
• 4.1 基于RBF 神经网络预测的MMSE 控制器
• 4.2 神经网络控制
• 4.3 BP 神经网络控制器
• 4.4 本章小结
• 5. 基于人工神经网络的整合SPC/APC 系统的过程监测
• 5.1 监测对象的选择
• 5.2 过程监测人工神经网络模型
• 5.3 过程监测
• 5.4 过程监测性能分析
• 5.5 本章小结
• 6. 过程调整与监测仿真实验
• 6.1 仿真实验
• 6.2 仿真结果讨论
• 6.3 本章小结
• 7. 结论
• 参考文献
• 附录：部分程序清单
• 攻读学位期间所发表的论文
• 致谢