工序質量異常預測系統的設計與研發

薛彥

摘要：制造業生產過程的信息統計過程是工序質量分析與控制的重要手段，通過控制圖的方法，運用了均值控制圖、均值-標準差控制圖、均值-極差控制圖、殘差控制圖、累積和控制圖以及自相關分析，設計并搭建了工序質量異常預測系統，實現了制造過程中工序質量的分析與控制。

關鍵詞：控制圖；工序質量；異常預測；系統

中圖分類號：U466 文獻標識碼：A 文章編號：1007-9416（2018）09-0115-03

1 引言

目前的實際制造業生產過程中，很多質量特性數據只是用報表記錄下來，沒有挖掘這些數據的有效信息，特別是運用到工序質量異常預測領域。因此，設計和開發了工序質量異常預測系統，可以盡早的發現制造過程中的異常，及時檢查和發現問題，從而來提高產品質量。

2 工序質量異常預測的方法

SPC（統計過程控制）在產品加工制造領域中特別是某些質量特性可以維持在穩定的情況非常的適用。一個產品在經過設計、制造檢驗后，才可以將合格的產品銷售給顧客，而傳統的抽樣檢查的方法來判斷一批產品是否合格的方法，通過對不合格品的分析，得以發現產品在設計及制造中的問題，從而進行相對應的反饋或者改進。但是這個時候不合格品已經產生即已經造成了既定的損失。如果要降低或者避免這種損失，就必須在產品加工過程中對每個工序或者關鍵工序進行監測，對產品后續的質量特性的是否異常進行預測，在不合格品加工出之前發現問題從而達到盡早糾正并且不讓不合格品流向下一個工序，可以很大程度上避免出現大量的不合格品。SPC控制圖就是比較簡單易行的控制系統，來監測每個工序的加工過程。

產品在加工的過程中，沒有兩個完全相同的產品或者零件即存在著差異，這種差異往往是通過某些或者某個質量特性的波動體現出來的，而這些質量特性的波動是存在波動源的，波動源有很多同時在多數情況下是隨機的，以無法預測的方式來影響著質量特性。正常波動就是這些波動源是微小的且服從正態分布的也就是說在統計學上是可以預測的，這樣的過程也就是受控狀態。反之，存在強的波動源，使分布改變了，不符合原來的正態分布就屬于異常波動，即不處于統計控制狀態（失控狀態）。本文中的質量異常預測即期望預測出這樣的異常波動。

2.1 基于常規控制圖的工序質量異常預測

常規控制圖應用的基本前提是當工序生產過程處于受控狀態時，那么采集到的質量特性的數據應該是相互獨立的，并且屬于均值為μT，方差為σT2的正態分布或者近似正態分布，通過3σ原理，繪制預測用控制圖。在實際預測中，當圖中的點超過了上控限或下控限時，或者落在上控限或下控限之間的排列不隨機，就認為生產過程出現異常。

常規控制圖對工序質量異常的預測是應用范圍較廣的，尤其是在大批量生產中。大多數的質量過程的輸出的質量特性是具有可計量性的，所以在工序質量異常預測中可以較準確地判斷質量異常情況，也更易于調查異常波動。在實際生產活動中，常規控制圖進行工序質量預測可以滿足顧客需求對虛發錯誤和漏報錯誤的概率進行定制，從而更好地運用到生產實踐中。

2.2 基于累積和控制圖的工序質量異常預測

常規的控制圖在針對一些系統因素較小的波動，發現它的靈敏程度是較差的，即發現整個工序質量異常預測是遲鈍和延遲的，并且這樣的延遲可能會錯失發現問題最好的時機。在整個預測模型建立初期，通過加大模擬的樣本和縮小控制限的范圍來降低漏報率，但是實踐發現這樣會使錯報率急劇上升，導致整個預測效果的下降。

累積和控制圖主要是針對產品的微小變量，很多時候當產品向同一個方向持續變化，產品的整個生產過程就出現了異常，即累積和到達一定的程度，就可以發出工序質量異常警報。通過設定參考值、目標值、偏離值來給出決策空間，從而繪制預測工序質量異常的累積和控制圖。

2.3 基于時間序列分析改進控制圖

在連續的生產過程中，采集到的質量特性的數據往往具有一定的自相關過程。抽樣原因是自相關過程產生的主要原因。為解決由于自相關性導致的提早報警或者沒有發出報警，通過分析其過程采集到的觀測值數據，可以得到一個按時間次序排列的一系列觀測值，在實際問題中所得到的數據一般是指時間序列的有限個觀測樣本。

通過時間序列模型進行擬合，擬合出的殘差序列模型被認為是相互獨立且服從同分布的，可以結合常規控制圖和累積和控制圖，建立新的工序質量異常預測控制圖。用簡單的一階自回歸模型AR（1）：

Xn=φ0+φ1 Xn-1+εn

式中： εn～N（0，σε2）。建立過程殘差en=Xn-=εn，累積和殘差Sn=（en-μe），可以繪制殘差控制圖與殘差累積和控制圖。

3 工序質量異常預測系統

3.1 系統總體結構

系統設計的總結結構圖如圖1所示。

圖1中，“分析數據”是在系統正式開始工序的統計過程控制之前的實時測量值（即該工序處于受控狀態時的一系列測量值，為之后的統計過程設定參考）， “數據分析”過程用于獲取該工序受控的特征值（如均值、極差、標準差上下控線等），可以用函數表達式“NORMINV（RAND（），10，0.06）”生成均值為10，標準差為0.06的24組數據，每組5個，用于模擬受控的加工工序測量值。

“統計數據”是在系統正式開始工序的統計過程控制之后的實時測量值。用函數表達式“NORMINV（RAND（），10，0.06）”生成30組數據，每組5個。其中前20組數據均值為10，標準差為0.06，用于模擬受控的加工工序測量值。后20組采用AR（1）模型 Xn=0.6Xn-1+εn，模擬生成加工工序不受控的測量值。

3.2 分析與提取特征值

在正式進入工序質量的“統計過程控制”之前，必須獲取該工序在受控狀態下的特征值，才能進行工序工作過程的統計控制。產生的一組正態分布的數據，用來模擬實際加工過程的受控狀態，然后提取該狀態的特征值，包括過程均值、標準差、標準差均值、極差、極差均值等，通過圖形化展示出來，并通過參數形式傳遞給下一步的統計控制過程，特征參數提取流程圖如圖2所示。

3.3 工序質量異常預測

在接收上一步的工序測量特征值后，開始正式進入工序統計過程控制階段。在前文生產一組正態分布的數據，用來模擬實際加工過程的受控狀態，以及在后一部分添加一些擾動的數據，可以測試系統能否檢測出工序的非受控狀態。

“常規控制圖”是基于常規控制圖的工序質量異常預測界面，適合運用在大批量的生產過程的質量異常預測中，該方法的工序質量異常預測主要針對生產過程中產生的較大的異常波動，如圖3所示。

“累積和控制圖”是基于累積和控制圖的工序質量預測界面，適合運用在小批量的生產過程的質量異常預測中，該方法的工序質量異常預測主要針對生產過程中產生的較小的異常波動，如圖4所示。

“殘差控制圖”是基于殘差的控制圖的工序質量異常預測界面，適合用在大批量、按時間監測生產過程中的質量特性數據的工序質量異常預測中，該方法能消除時間序列的自相關性，針對較大的異常波動進行預測，如圖5所示。

“殘差累積和控制圖”是基于殘差的累積和控制圖的工序質量異常預測界面，適合用在小批量、按時間監測生產過程中的質量特性數據的工序質量異常預測中，該方法能消除時間序列的自相關性，針對較小的異常波動進行預測，如圖6所示。

4 結語

本文運用常規控制圖、均值累積和控制圖和基于時間序列分析改進控制圖，基于獨立正態分布和自相關平穩兩種過程模擬數據，進行的工序質量異常預測，并分析不同的預測方法的適用情況及評價。同時設計和開發了工序質量預測系統，并且用數據進行了系統的功能驗證。

參考文獻

[1]孫小素.四種自相關模式控制圖的比較研究[J].統計與決策，2018，34（9）：19-23.

[2]王海濤，陳友明，陳永康，秦建英.用殘差CUSUM控制圖檢測自相關過程中的故障[J].振動.測試與診斷，2012，32（1）：73-77.

[3]魏興龍，宋向東.基于二階自相關過程殘差控制圖的改進[J].價值工程，2018，37（3）：192-195.

[4]成琴.關于CUSUM控制圖的一些應用研究[D].四川師范大學，2017.