1、隨著生產(chǎn)制造模式逐步向多品種小批量、柔性化、敏捷化方向的轉(zhuǎn)變，如何保證產(chǎn)品“高質(zhì)量”、“零缺陷”的制造對(duì)企業(yè)提出了嚴(yán)峻考驗(yàn)，針對(duì)這一問(wèn)題，有效實(shí)施對(duì)制造過(guò)程的工序質(zhì)量實(shí)時(shí)控制與加工質(zhì)量預(yù)測(cè)顯得尤為關(guān)鍵。
　　當(dāng)前，社會(huì)和科技的進(jìn)步促進(jìn)了加工制造過(guò)程中生產(chǎn)設(shè)備的數(shù)字化、信息采集的自動(dòng)化以及基于制造執(zhí)行系統(tǒng)(Manufacturing Execution System，MES)的過(guò)程控制的信息化，從而可以獲得制造過(guò)程中所有與質(zhì)量有關(guān)的

2、靜態(tài)和動(dòng)態(tài)數(shù)據(jù)，并及時(shí)存儲(chǔ)在構(gòu)建的數(shù)據(jù)倉(cāng)庫(kù)中。這就為利用現(xiàn)代質(zhì)量控制技術(shù)對(duì)過(guò)程數(shù)據(jù)信息進(jìn)行有效的處理，實(shí)現(xiàn)質(zhì)量控制和預(yù)測(cè)的智能化提供了一個(gè)良好的數(shù)據(jù)信息平臺(tái)。為此，本文在此背景下，以生產(chǎn)制造過(guò)程各工序結(jié)點(diǎn)為研究對(duì)象，在分析了小批量柔性生產(chǎn)模式下工序質(zhì)量控制和預(yù)測(cè)的研究現(xiàn)狀和當(dāng)前存在問(wèn)題的基礎(chǔ)上，給出了基于MES的加工過(guò)程質(zhì)量控制集成系統(tǒng)平臺(tái)，對(duì)其中涉及的工序加工質(zhì)量穩(wěn)態(tài)控制、工序加工質(zhì)量預(yù)測(cè)等理論和技術(shù)進(jìn)行了深入的分析和研究，主要研究?jī)?nèi)

3、容包含如下若干方面:
　　(1)針對(duì)小批量柔性生產(chǎn)模式下工序質(zhì)量控制和工序加工質(zhì)量預(yù)測(cè)的國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行分析總結(jié)，并指出當(dāng)前研究存在的若干問(wèn)題，進(jìn)而給出了本課題研究的基本內(nèi)容和基本框架。
　　(2)針對(duì)當(dāng)前加工過(guò)程質(zhì)量控制的實(shí)際問(wèn)題，構(gòu)建了基于MES的加工過(guò)程質(zhì)量控制系統(tǒng)體系結(jié)構(gòu)及功能模型，討論分析了其實(shí)現(xiàn)的關(guān)鍵技術(shù)，擴(kuò)展了傳統(tǒng)的加工過(guò)程質(zhì)量控制模式。
　　(3)針對(duì)工序質(zhì)量控制問(wèn)題，基于小批量生產(chǎn)模式和工序質(zhì)量波動(dòng)

4、特點(diǎn)，給出了工序質(zhì)量控制實(shí)現(xiàn)框架。通過(guò)分析研究卡爾曼濾波(Kalman Filtering，KF)理論和指數(shù)加權(quán)移動(dòng)平均(Exponentially Weighted Moving Average，EWMA)理論建立了KF-EWMA工序質(zhì)量監(jiān)控模型，實(shí)現(xiàn)了對(duì)工序短期微小波動(dòng)高效精確的識(shí)別和監(jiān)控;其次，基于相似工序理論和基于統(tǒng)計(jì)特征的凝聚層次聚類(lèi)(Agglomerative Hierarchical Clystering，AHC)分析算法

5、對(duì)質(zhì)量數(shù)據(jù)樣本進(jìn)行定性、定量聚類(lèi)預(yù)處理得到具有相似制造過(guò)程的樣本集合，從而在符合一定要求的情況下運(yùn)用統(tǒng)計(jì)過(guò)程控制(Statistical Process Control，SPC)技術(shù)對(duì)工序長(zhǎng)期較大波動(dòng)的識(shí)別和監(jiān)控，實(shí)現(xiàn)用聯(lián)合模型對(duì)工序過(guò)程波動(dòng)的進(jìn)行實(shí)時(shí)監(jiān)控。
　　(4)針對(duì)事前工序加工質(zhì)量預(yù)測(cè)問(wèn)題，首先從工序流層面分析了影響加工誤差產(chǎn)生的因素，進(jìn)而建立了基于加工誤差傳遞網(wǎng)絡(luò)的質(zhì)量預(yù)測(cè)模型，在此基礎(chǔ)上，通過(guò)研究粒子群優(yōu)化(Parti

6、cle Swarm optimization，PSO)和支持向量回歸(SupportVector Regression，SVR)理論構(gòu)建了基于PSO參數(shù)優(yōu)化的SVR最優(yōu)預(yù)測(cè)回歸算法實(shí)現(xiàn)了對(duì)加工質(zhì)量預(yù)測(cè)模型的求解，同時(shí)為適應(yīng)加工過(guò)程的變化，采用滾動(dòng)式有限階段優(yōu)化策略實(shí)時(shí)更新SVR預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)加工質(zhì)量的在線(xiàn)人工智能預(yù)測(cè)，并給出了實(shí)現(xiàn)框架。
　　(5)基于以上理論和方法，采用VB.NET、MATLAB以及SQL Server2008