工序质量异常预测系统的设计与研发

薛彦

摘要：制造业生产过程的信息统计过程是工序质量分析与控制的重要手段，通过控制图的方法，运用了均值控制图、均值-标准差控制图、均值-极差控制图、残差控制图、累积和控制图以及自相关分析，设计并搭建了工序质量异常预测系统，实现了制造过程中工序质量的分析与控制。

关键词：控制图；工序质量；异常预测；系统

中图分类号：U466 文献标识码：A 文章编号：1007-9416（2018）09-0115-03

1 引言

目前的实际制造业生产过程中，很多质量特性数据只是用报表记录下来，没有挖掘这些数据的有效信息，特别是运用到工序质量异常预测领域。因此，设计和开发了工序质量异常预测系统，可以尽早的发现制造过程中的异常，及时检查和发现问题，从而来提高产品质量。

2 工序质量异常预测的方法

SPC（统计过程控制）在产品加工制造领域中特别是某些质量特性可以维持在稳定的情况非常的适用。一个产品在经过设计、制造检验后，才可以将合格的产品销售给顾客，而传统的抽样检查的方法来判断一批产品是否合格的方法，通过对不合格品的分析，得以发现产品在设计及制造中的问题，从而进行相对应的反馈或者改进。但是这个时候不合格品已经产生即已经造成了既定的损失。如果要降低或者避免这种损失，就必须在产品加工过程中对每个工序或者关键工序进行监测，对产品后续的质量特性的是否异常进行预测，在不合格品加工出之前发现问题从而达到尽早纠正并且不让不合格品流向下一个工序，可以很大程度上避免出现大量的不合格品。SPC控制图就是比较简单易行的控制系统，来监测每个工序的加工过程。

产品在加工的过程中，没有两个完全相同的产品或者零件即存在着差异，这种差异往往是通过某些或者某个质量特性的波动体现出来的，而这些质量特性的波动是存在波动源的，波动源有很多同时在多数情况下是随机的，以无法预测的方式来影响着质量特性。正常波动就是这些波动源是微小的且服从正态分布的也就是说在统计学上是可以预测的，这样的过程也就是受控状态。反之，存在强的波动源，使分布改变了，不符合原来的正态分布就属于异常波动，即不处于统计控制状态（失控状态）。本文中的质量异常预测即期望预测出这样的异常波动。

2.1 基于常规控制图的工序质量异常预测

常规控制图应用的基本前提是当工序生产过程处于受控状态时，那么采集到的质量特性的数据应该是相互独立的，并且属于均值为μT，方差为σT2的正态分布或者近似正态分布，通过3σ原理，绘制预测用控制图。在实际预测中，当图中的点超过了上控限或下控限时，或者落在上控限或下控限之间的排列不随机，就认为生产过程出现异常。

常规控制图对工序质量异常的预测是应用范围较广的，尤其是在大批量生产中。大多数的质量过程的输出的质量特性是具有可计量性的，所以在工序质量异常预测中可以较准确地判断质量异常情况，也更易于调查异常波动。在实际生产活动中，常规控制图进行工序质量预测可以满足顾客需求对虚发错误和漏报错误的概率进行定制，从而更好地运用到生产实践中。

2.2 基于累积和控制图的工序质量异常预测

常规的控制图在针对一些系统因素较小的波动，发现它的灵敏程度是较差的，即发现整个工序质量异常预测是迟钝和延迟的，并且这样的延迟可能会错失发现问题最好的时机。在整个预测模型建立初期，通过加大模拟的样本和缩小控制限的范围来降低漏报率，但是实践发现这样会使错报率急剧上升，导致整个预测效果的下降。

累积和控制图主要是针对产品的微小变量，很多时候当产品向同一个方向持续变化，产品的整个生产过程就出现了异常，即累积和到达一定的程度，就可以发出工序质量异常警报。通过设定参考值、目标值、偏离值来给出决策空间，从而绘制预测工序质量异常的累积和控制图。

2.3 基于时间序列分析改进控制图

在连续的生产过程中，采集到的质量特性的数据往往具有一定的自相关过程。抽样原因是自相关过程产生的主要原因。为解决由于自相关性导致的提早报警或者没有发出报警，通过分析其过程采集到的观测值数据，可以得到一个按时间次序排列的一系列观测值，在实际问题中所得到的数据一般是指时间序列的有限个观测样本。

通过时间序列模型进行拟合，拟合出的残差序列模型被认为是相互独立且服从同分布的，可以结合常规控制图和累积和控制图，建立新的工序质量异常预测控制图。用简单的一阶自回归模型AR（1）：

Xn=φ0+φ1 Xn-1+εn

式中： εn～N（0，σε2）。建立过程残差en=Xn-=εn，累积和残差Sn=（en-μe），可以绘制残差控制图与残差累积和控制图。

3 工序质量异常预测系统

3.1 系统总体结构

系统设计的总结结构图如图1所示。

图1中，“分析数据”是在系统正式开始工序的统计过程控制之前的实时测量值（即该工序处于受控状态时的一系列测量值，为之后的统计过程设定参考）， “数据分析”过程用于获取该工序受控的特征值（如均值、极差、标准差上下控线等），可以用函数表达式“NORMINV（RAND（），10，0.06）”生成均值为10，标准差为0.06的24组数据，每组5个，用于模拟受控的加工工序测量值。

“统计数据”是在系统正式开始工序的统计过程控制之后的实时测量值。用函数表达式“NORMINV（RAND（），10，0.06）”生成30组数据，每组5个。其中前20组数据均值为10，标准差为0.06，用于模拟受控的加工工序测量值。后20组采用AR（1）模型 Xn=0.6Xn-1+εn，模拟生成加工工序不受控的测量值。

3.2 分析与提取特征值

在正式进入工序质量的“统计过程控制”之前，必须获取该工序在受控状态下的特征值，才能进行工序工作过程的统计控制。产生的一组正态分布的数据，用来模拟实际加工过程的受控状态，然后提取该状态的特征值，包括过程均值、标准差、标准差均值、极差、极差均值等，通过图形化展示出来，并通过参数形式传递给下一步的统计控制过程，特征参数提取流程图如图2所示。

3.3 工序质量异常预测

在接收上一步的工序测量特征值后，开始正式进入工序统计过程控制阶段。在前文生产一组正态分布的数据，用来模拟实际加工过程的受控状态，以及在后一部分添加一些扰动的数据，可以测试系统能否检测出工序的非受控状态。

“常规控制图”是基于常规控制图的工序质量异常预测界面，适合运用在大批量的生产过程的质量异常预测中，该方法的工序质量异常预测主要针对生产过程中产生的较大的异常波动，如图3所示。

“累积和控制图”是基于累积和控制图的工序质量预测界面，适合运用在小批量的生产过程的质量异常预测中，该方法的工序质量异常预测主要针对生产过程中产生的较小的异常波动，如图4所示。

“残差控制图”是基于残差的控制图的工序质量异常预测界面，适合用在大批量、按时间监测生产过程中的质量特性数据的工序质量异常预测中，该方法能消除时间序列的自相关性，针对较大的异常波动进行预测，如图5所示。

“残差累积和控制图”是基于残差的累积和控制图的工序质量异常预测界面，适合用在小批量、按时间监测生产过程中的质量特性数据的工序质量异常预测中，该方法能消除时间序列的自相关性，针对较小的异常波动进行预测，如图6所示。

4 结语

本文运用常规控制图、均值累积和控制图和基于时间序列分析改进控制图，基于独立正态分布和自相關平稳两种过程模拟数据，进行的工序质量异常预测，并分析不同的预测方法的适用情况及评价。同时设计和开发了工序质量预测系统，并且用数据进行了系统的功能验证。

参考文献

[1]孙小素.四种自相关模式控制图的比较研究[J].统计与决策，2018，34（9）：19-23.

[2]王海涛，陈友明，陈永康，秦建英.用残差CUSUM控制图检测自相关过程中的故障[J].振动.测试与诊断，2012，32（1）：73-77.

[3]魏兴龙，宋向东.基于二阶自相关过程残差控制图的改进[J].价值工程，2018，37（3）：192-195.

[4]成琴.关于CUSUM控制图的一些应用研究[D].四川师范大学，2017.