基于工艺网络模型与机器学习算法的产品质量控制方法技术

本发明专利技术是一种基于工艺网络模型与机器学习算法的产品质量控制方法，该方法是利用基于产品工艺复杂网络与机器学习算法的相融合的方式实现产品质量控制，即基于产品工艺机理建立质量传递复杂网络，基于质量传递网络和样本数据建立机器学习XGBoost模型并训练，并建立SHAP算法模型对XGboost训练结果进行分析。定量挖掘影响质量的关键工艺参数，准确计算工艺参数间的联动作用。使用这种方法的好处在于将产品工艺机理和大数据分析方法有效结合，有效解决普通统计分析方法无法解决的工业实际生产数据高维度、强非线性、样本分布不均的问题，克服了传统产品质量控制方法定性描述或者只针对单个独立因素进行产品质量控制的缺点，方法能综合、定量分析产品加工全流程中的复杂工艺因素对最终产品质量的影响，同时准确计算多个工艺因素间的联动影响性，形成基于工艺机理与数据双驱动的质量识别模型，处理数据量大、速度快，评价结果准确。评价结果准确。评价结果准确。

【技术实现步骤摘要】
基于工艺网络模型与机器学习算法的产品质量控制方法


[0001]本专利技术是一种基于工艺网络模型与机器学习算法的产品质量控制方法，该方法属于涉及对产品质量控制和加工工艺优化。

技术介绍

[0002]传统的质量管理基于质量检验、统计过程控制(SPC)、次品率等概念，往往依赖手工测量工具及数理统计分析，受经验影响大且分析的对象因素相对有限，无法针对产品全流程相关的各类参数进行综合分析，且不能发现参数间联动作用，不能适应复杂的产品生产工艺。很多产品制造工艺过程复杂，环境、材料、工艺等工艺机理参数与产品质量结果密切相关，同时工序间又有密切的联动作用影响，目前单靠传统的统计分析方法不能解决制造过程质量控制难点问题。
[0003]质量控制方法是保证产品质量并使产品质量不断提高的一种质量管理方法。它通过研究、分析产品质量数据的分布，揭示质量差异的规律，找出影响质量差异的原因，采取技术组织措施，消除或者控制产生次品或者不合格品的因素，使产品在生产的全过程中每一个环节都能正常的、理想的进行，最终使产品能够达到人们需要所具备的自然属性和特性，即产品的适用性、可靠性及经济性。
[0004]常用的质量控制方法包括分层图表法、调查表法、因果分析法、散布图法、直方图法、控制图法等。
[0005]1.分层法
[0006]分层法又名层别法，是将不同类型的数据按照同一性质或同一条件进行分类，从而找出其内在的统计规律的统计方法。常用分类方式有按操作人员分、按使用设备分、按工作时间分、按使用原材料分、按工艺方法分、按工作环境分等。这是分析影响产品质量原因及责任的一种基本方法，经常与统计调查表结合使用。
[0007]2.因果图
[0008]上图是对相片冲印效果不理想寻找其原因形成的因果图。原因被归为工人、机械、方法、材料、环境等六类，每一类下面又有不同的子原因。
[0009]3.散布图
[0010]散布图又称相关图，在质量控制中它是用来显示两种质量数据之间关系的一种图形。质量数据之间的关系多属相关关系。，一般有三种类型：一是质量特性和影响因素之间的关系；二是质量特性和质量特性之间的关系；三是影响因素和影响因素之间的关系。可以用Y和x分别表示质量特性值和影响因素，通过绘制散布图，计算相关系数等，分析研究两个变量之间是否存在相关关系，以及这种关系密切程度如何，进而对相关程度密切的两个变量，通过对其中一个变量的观察控制，去估计控制另一个变量的数值，以达到保证产品质量的目的。
[0011]4.直方图
[0012]直方图法，即频数分布直方图法，它是将收集到的质量数据进行分组整理，绘制成
频数分布直方图，用以描述质量分布状态的一种分析方法，所以又称质量分布图法。直方图是用横坐标标注质量特性值，纵坐标标注频数或频率值，各组的频数或频率的大小用直方柱的高度表示的图形。从直方图可以直观地看出产品质量特性的分布形态，便于判断过程是否出于控制状态，以决定是否采取相应对策措施。直方图从分布类型上来说，可以分为正常型和异常型。正常型是指整体形状左右对称的图形，此时过程处于稳定(统计控制状态)。如果是异常型，就要分析原因，加以处理。
[0013]7.控制图
[0014]控制图又称管理图。控制图是对生产过程中产品质量状况进行实时控制的统计工具，是质量控制中最重要的方法。控制图可以说是直方图的一种变形，其将直方图顺向转90。反转，再绘制中心线和上下控制限。中心线为样本某统计量的均值，上下控制限分别为均值基础上的正负三倍标准差。控制图较直方图最大的特点是引入了时间序列，通过观察样本点相关统计值是否在控制限内以判断过程是否受控，通过观察样本点排列是否随机从而及时发现异常。控制图较直方图在质量预防和过程控制能力方面大为改进。控制图的主要用途有：分析判断生产过程是否稳定；及时发现生产中异常情况，预防不合格品产生；检查生产设备和工艺装备的精度是否满足生产要求；对产品进行质量评定。
[0015]控制图的设计是建立在以下的假设理论基础上的，首先为正态性假设：假定质量特性值在生产过程中的波动服从正态分布；其次是遵从3σ准则：若质量特性值X服从正态分布N(μ，σ^2)，根据正态分布概率性质，X的实际取值范围在(μ一3σ，μ+3σ)之内。据此原理，若对X设计控制图，则中心线CL＝μ，上下控制界限分别为UCL＝μ一3σ，LCL＝μ+3σ；第三是小概率原理：小概率原理是指小概率的事件一般不会发生。当生产中不存在系统误差时，产品质量特性(总体)服从正态分布，样品值出现在均值加减3σ范围内的概率为0.9973。根据相关统计定理，如果生产处于受控状态，则认为样品值一定落在此3σ范围内，如果超出，则认为生产过程发生异常变化。
[0016]以上产品质量控制方法多基于统计分析方式，往往针对单个质量指标或工艺因素进行分析和控制，而对于多工序或工艺流程复杂的产品，无法从制造全流程的全局角度综合分析影响产品质量的原因，无法发掘工艺因素间的联动影响性，而这对于产品质量控制是十分重要且必要的。同时，统计分析方法的数据处理量一般较小，无法解决的真正产品工业大数据高维度、强非线性、样本分布不均的问题。

技术实现思路

[0017]本专利技术正是针对上述现有方法存在的不足而设计提供了一种基于工艺网络模型与机器学习算法的产品质量控制方法，该方法能够对长流程中的各种工艺因素进行挖掘，找出其对最终产品质量的影响，以及各种工艺因素间的联动关系，形成机理与数据双驱动的质量识别模型，快速智能地追溯产品质量问题，帮助制造企业优化加工工艺、提高产品质量。
[0018]为实施上述目的，本专利技术技术方案的内容如下：
[0019]本专利技术技术方案所述基于工艺网络模型与机器学习算法的产品质量控制方法包括以下步骤：
[0020]一、依照产品工规，梳理产品制造工艺，确定产品终检的质量检测项目参数、工艺
流程，工艺流程由工段组成，工段由工序组成，确定产品每工段加工中间检的质量检测项目参数、每工序“人、机、料、法、环”的工艺参数；
[0021]二、引入复杂网络理论，采用图论的方法建立产品工艺复杂网络模型，该模型分为4层，第一层为产品终检的质量检测项目参数，第二层为每工段加工中间检的质量检测项目参数，第三层为每工序，第四层为每工序“人、机、料、法、环”的工艺参数；
[0022]依照产品工规中明确的产品终检的质量检测项目参数、每工段加工中间检的质量检测项目参数、每工序、每工序“人、机、料、法、环”的工艺参数之间的相互联系，对各层节点进行连接，以潜在影响作用作为对各节点进行连接的依据，形成质量传递网络，进而对质量传递网络的特征进行分析，包括节点连接度，获取质量传递网络中各节点对质量传递网络性能影响的排序；
[0023]三、对实际生产的产品的全流程进行数据采集，生成样本数据，基于质量传递网络和样本数据建立机器学习XGBoost模型并训练；
[0024]四、利用Tree
‑
SHAP算法对XGBoost模型结果进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于工艺网络模型与机器学习算法的产品质量控制方法，其特征在于：该方法包括：一、依照产品工规，梳理产品制造工艺，确定产品终检的质量检测项目参数、工艺流程，工艺流程由工段组成，工段由工序组成，确定产品每工段加工中间检的质量检测项目参数、每工序“人、机、料、法、环”的工艺参数；二、引入复杂网络理论，采用图论的方法建立产品工艺复杂网络模型，该模型分为4层，第一层为产品终检的质量检测项目参数，第二层为每工段加工中间检的质量检测项目参数，第三层为每工序，第四层为每工序“人、机、料、法、环”的工艺参数；依照产品工规中明确的产品终检的质量检测项目参数、每工段加工中间检的质量检测项目参数、每工序、每工序“人、机、料、法、环”的工艺参数之间的相互联系，对各层节点进行连接，形成质量传递网络，进而对质量传递网络的特征进行分析，包括节点连接度，获取质量传递网络中各节点对质量传递网络性能影响的排序；三、对实际生产的产品的全流程进行数据采集，生成样本数据，基于质量传递网络和样本数据建立机器学习XGBoost模型并训练；四、利用Tree
‑
SHAP算法对XGBoost模型结果进行解释，包括计算每工序“人、机、料、法、环”的工艺参数对产品终检的质量检测项目参数、每工段加工中间检的质量检测项目参数的贡献度，以及每工序“人、机、料、法、环”的工艺参数各参数之间的交互指数，以此识别关键的工艺参数及参数间联动作用。2.根据权利要求1所述的基于工艺网络模型与机器学习算法的产品质量控制方法，其特征在于：所述产品工规的类别为机械加工、热处理、表面处理、复合材料成形、铸造。3.根据权利要求1所述的基于工艺网络模型与机器学习算法的产品质量控制方法，其特征在于：对质量传递网络的特征进行分析的内容还包括聚集系数、最短路径。4.根据权利要求1所述的基于工艺网络模型与机器学习算法的产品质量控制方法，其特征在于：所述XGBoost模型的算法流程为：(1)先从初始训练集训练出一个基学习器；(2)再根据基学习器的表现对样本权重进行调整，增加基学习器误分类样本的权重；(3)基于调整后的样本来训练下一个基学习器；(4)如此重复进行，直至基学习器数目达到事先指定的个数，将这些基学习器通过集合策略进行整合，得到最终的强学习器。5.根据权利要求4所述的基于工艺网络模型与机器学习算法的产品质量控制方法，其特征在于：所述XGBoost模型的伪代码为：输入：训练数据集(X,Y)，迭代次数M，损失函数L，基学习器BF0(X)＝0对m＝1
…
M：对(X,Y)中所有(x
i
,y<...

【专利技术属性】
技术研发人员：崔晶，张波，杨骥，孙黎，邵长星，
申请(专利权)人：中国航空规划设计研究总院有限公司，
类型：发明
国别省市：