[发明专利]一种基于关键工序质量控制的研究方法

权利要求书

1.一种基于关键工序质量控制的研究方法，其特征在于，包括以下步骤:

a.确定关键工序的选取；

b.确定质量参数后采集数据并进行预处理后用SPC技术绘制均值-极差控制图；

c.确定控制图异常模式编码表；

d.建立基于控制图异常模式的网络模型；

e.利用训练好的改进PSO-BP算法训练对采集到的工序质量数据进行预测输出；

f.得到输出数据后与步骤c中确定控制图异常模式编码表对比，得到异常的模式种类后分析控制图的异常现象，与诊断结果相符；

g.停机检查问题工序并进行调整。

2.如权利要求1所述的一种基于关键工序质量控制的研究方法，其特征在于：所述步骤c中，根据BP神经网络的期望值输出确定控制图异常编码表，即每一种异常模式对应不同的目标输出。

3.如权利要求1所述的一种基于关键工序质量控制的研究方法，其特征在于：所述步骤e中，改进的PSO-BP算法步骤如下：

e1.本发明针对传统粒子群算法的权重系数进行改进，改进公式如下:

其中表示惯性权重，也是粒子群算法中关键的可以调节参数，对惯性权重进行非线性公式计算，算法初始时即时间很小时，线性变化；随着的增大，非线性递减，利用该方法来计算，既保证了全局搜索能力，也保证了局部的搜索能力;

e2.对步骤e1进行改进，改进公式如下： ，其中表示当前变异概率；表示当前迭代次数；表示最大的迭代次数；表示最小变异概率；表示最大变异概率;

e3.将e1,e2的步骤结合起来，首先根据待解决问题确定神经网络的拓扑结构的输入和输出参数, 再用BP神经网络阈值和权值序列映射为粒子群的个体长度，通过迭代更新粒子的速度和位置，达到对参数优化的目的；

最后，粒子群算法将找到的最优个体赋值给神经网络, 使神经网络获得最优的权值和阈值作为训练的初始值，网络经过训练后, 预测输出。

4.如权利要求1所述的一种基于关键工序质量控制的研究方法，其特征在于：所述步骤f中，通过公式标准化后作为输入，求得网络输出后与编码表比对，识别异常模式后通过控制图判断诊断结果。