止推片加工过程质量监测与诊断技术的研究

钱晓耀 钱家维 汪 伟 孙长敬 徐新胜

1.中国计量学院，杭州，310018 2.西南自动化研究所长三角分所，嘉善，314100

0 引言

随着专家系统在农业、医疗、机械等领域的广泛应用，质量专家们更加注重构建SPC（统计过程控制）专家系统。国内外现有SPC专家系统的构建方法主要有三种：①基于规则推理和知识库来构建SPC专家系统；②利用神经网络与人工智能的集成来构建SPC专家系统（可有效地实现控制图模式识别）；③利用计算机仿真技术来构建SPC专家系统（可实现对质量成本的预测）［1－2］。

随着专家系统理论的不断发展，专家系统在测量领域也有了一些应用研究，如尺寸的合格性研究、零件的缺陷研究等。如今在线检测技术已得到广泛应用，根据在线测量数据而建立的专家系统也将得到发展。在产品加工过程质量监测与诊断系统中，结合SPC控制图的异常模式及其判断方法，构建质量诊断专家知识系统，并对其中涉及的控制图异常类型识别、专家系统知识表示和推理机等关键技术进行分析，给出相应的纠正措施以使过程受控是一个重要研究方向［3－4］。加工过程质量监测与诊断技术正是在这样一种背景下提出的。本文在运输车所用止推片加工过程中构建了质量监测和诊断系统，提出从工艺过程中人、机、料、环、法方面进行因果图分析以获取推理机知识，从而搭建SPC专家系统模块的方法，并采用止推片厚度、平面度在线检测和利用SPC专家系统诊断推理，寻求解决止推片加工过程中出现的质量问题。

1 检测系统设计

运输车所用止推片的厚度、平面度是影响整机装配精度的两个重要的几何量参数，在止推片产品加工中通常将其厚度、平面度作为关键点加以检测和控制。止推片自动检测分选装置由上位机和下位机构成，上位机主要实现对数据的采集、处理和分析，下位机主要控制机械运动以及和上位机之间的通信。检测系统的构成框图见图1。

图1 检测系统总体框图

在该系统中，止推片的厚度、平面度通过5个传感器测量后得到5路模拟信号，分别通过采集卡的5个模拟通道，经A／D转化后将数字信号传入上位机，上位机对数据进行处理分析并将结果反馈给PLC，由PLC执行分选动作，同时上位机将测量数据绘制成控制图，通过专家诊断实现对过程的监控和报警。

2 诊断系统设计

2.1 SPC专家系统结构

统计过程控制实施的目的是对止推片厚度、平面度进行测量并绘制控制图，在利用控制图对止推片加工过程进行监测的基础上，应用SPC专家系统实现对控制图异常模式的识别，并针对加工过程的异常现象进行诊断分析，以协助解决加工过程中出现的质量波动问题。图2所示为该SPC专家系统的结构［5］。

2.2 知识的获取

图2 SPC专家系统的结构

在构建SPC专家系统过程中，知识工程师从领域专家和有关技术文献中获取知识，并通过某种知识编辑器将其输入到知识库中。其中质量诊断系统中异常诊断知识的来源主要由止推片加工过程工艺信息、经验规则以及环境等构成。止推片加工过程的主要工艺流程如图3所示。

图3 工艺流程图

每个工艺都有其技术要求，如果在加工过程中不满足技术要求就会产生质量问题，在止推片加工过程中引起止推片厚度、平面度不合格的工艺主要有落料、粗车合金面、精磨钢背面和精切削合金面。因此，在分析工序质量问题时，主要分析这些工序是否达到技术要求。

止推片在加工过程中的质量问题不只由工序质量引起，在分析质量问题时应该从人、机、料、环、法等方面入手，采用因果图的方法去挖掘产生质量问题的各个因素。图4所示为止推片在精切削合金面后，发现平面度不合格，通过因果图来确定其主要因素的分析过程［6］。

图4 精切削合金面因果图分析图

根据因果分析图，知识工程师通过实验研究以及经验知识来确定质量问题发生的主要因素和次要因素，并赋予相应的概率值，为推理做准备。

2.3 推理机的设计

常用的推理方式有正向推理、反向推理和正反向混合推理。对控制图异常模式识别采用的是正向推理机制。正向推理的基本思想是［7］：①用户事先提供一组初始数据，并将其放入动态数据库；②推理开始后，推理机根据动态数据库中的己有事实，到知识库中寻找当前匹配的知识，形成一个当前匹配的知识集，然后按照冲突消解策略，从该知识集中选择一条知识作为启用知识进行推理，并将推出的事实加入动态数据库，作为后面继续推理时可用的己知事实；③重复这一推理过程，直到目标出现或知识库中再无可用的知识为止。图5所示为正向推理的流程。

图5 正向推理流程图

3 质量监测与诊断系统的实现及其应用

质量监测与诊断系统需要对检测数据进行存储、分析、处理，为了能够实现对止推片加工过程的质量控制，系统将检测数据绘制成控制图以实现对过程的监控，同时，系统建立SPC专家系统模块，该模块能够识别控制图异常现象，并对异常现象作出纠正措施。质量监测与诊断系统的功能结构如图6所示。

3.1 SPC模块

图6 质量监测与诊断系统的功能结构图

在软件设计过程中，SPC模块主要实现对数据的采集、处理、存储，并且将采集的数据绘制成控制图，同时对控制图上的点的排列进行异常现象识别。通过在控制图［8］编辑框中增加四条折线来分别代表控制图的上限（UCL）、下限（LCL）、中线（CL）以及样本连线（Sample）。控制图中包括分析用控制图及控制用控制图，分析用控制图是用来分析过程是否稳定的，只有在过程处于稳定时才能应用控制用控制图对过程进行监控。

3.2 诊断专家系统模块

诊断专家系统模块的主要功能是进行手动知识获取以及系统的诊断推理，主要包括知识库的实现、知识管理以及诊断推理的实现。

3.2.1 知识库

系统在知识库的设计过程中包含了异常现象、异常原因、纠正措施以及诊断规则4张表。异常现象表用于存储控制图上的8类异常模式，并对异常现象进行编号。异常原因表记录存储加工工序中各工艺的故障信息以及对应的先验概率，故障信息是根据各工艺中的设备进行编号的。纠正措施表主要描述解决故障信息的方案，纠正措施的编号应与故障信息的编号一一对应。诊断规则表用于存储异常现象和异常原因之间的条件概率。4张表之间的相互关系如图7所示。

图7 知识库各表之间的关系

根据知识库各表之间的关系，在Access中设计的数据表如图8所示。

图8 Access中设计的数据表

3.2.2 知识库管理

在知识库管理模块中要对异常现象、异常原因、纠正措施、诊断规则等这些知识进行添加、修改和删除，通过选择知识表来确定知识类型，图9所示为知识库的管理界面，图中选择的为异常原因知识，在质量诊断系统知识库中全部显示该知识库的所有知识，对于添加、删除、修改知识等功能可以直接在DataGrid控件上完成，也可通过上面的按钮进行操作。

图9 知识库的管理界面

3.2.3 诊断推理

系统诊断推理的实现分两步走，首先是根据控制图异常模式知识库中的规则知识来判断是否产生异常，采用IF THEN的推理方法，根据异常现象的点的排列建立如下规则：

规则1：IF 1点落在UCL线或LCL线以外THEN异常报警1。

规则2：IF连续9点落在中心线上侧OR连续9点落在中心线下侧THEN异常报警2。

规则3：IF连续6点递增OR连续6点递减THEN异常报警3。

规则4：IF连续14点中相邻点交替上下THEN异常报警4。

将检测数据作为事实输入到数据库中，搜索知识库中的异常规则，确定一条规则的前提是否与输入的事实匹配，如果匹配，则结束推理，反之，继续另一条异常规则，确定其前提是否与事实相匹配，反复进行，直到推理成功［11］。

然后针对异常现象来进行推理，属于自底向上的诊断推理，其推理流程如图10所示。

图10 诊断推理流程

在此推理前要判断概率计算是否具备条件，首先需要用户输入异常现象，根据该现象来查询相应的原因和概率值，只有在所有的知识都完备后才可进行推理得到异常原因及其概率值，否则需要完善其知识直至概率可计算。其计算模型（举例）如下：

设P（R1｜T1）为精切削合金面工艺的异常是电磁吸盘有污物、吸力不正常引起的概率，其中T1表示精切削合金面工艺，R1表示电磁吸盘有污物、吸力不正常，则P（R1｜T1）的计算过程如下：

又因为P（R1｜T1）＋P（R1｜T1）＝1，可推出

所以得到

简化有

4 系统应用

实验时选择一批次加工过程中的止推片，经质量检测产生上述的点的超界异常，可能的异常工序为精切削合金面工序和精磨钢背面工艺。将数据输入到知识库中后，用户可以通过诊断界面得到相应的概率值，如图11所示（其中，R2表示砂轮有缺陷、刀具未磨好，R3表示合金面有汗渍，R4表示未清除毛刺，R5表示光线不好、员工操作失误）。选择异常现象，系统会自动推理可能产生异常的工序，通过知识搜索，将知识库中相应的异常原因和诊断规则显示出来，然后进行诊断推理，得出相应的概率值。通过对比，表明与生产中发现问题后分析得到的结论基本一致，软件系统的诊断推理结果能够达到预期的目的。

图11 诊断界面

5 结束语

本文在止推片自动检测分选装置的基础上，设计了质量监测与诊断系统，该系统能够对加工过程实现监控，对加工异常进行报警，及时防止加工过程的失控，减少生产过程中的废品，提高企业质量管理水平。该系统对过程中的异常，能够协助操作者找出失控原因并及时加以纠正。最后，在止推片自动检测分选装置上进行实验，对系统进行验证，以确定其推理的准确性。

［1]Stumpff M A.Statistical Process Control will Improve Your Quality and Profits［C］／／Ceramic Engineer and Science Proceedings.Indianapolis，USA，1991：437－448.

［2]Guh R S，Tannock J D.IntelliSPC：a Hybrid Intelligent Tool for On－line Economical Statistical Process Control［J］.Expert Systems with Applications，1999，17：195－212.

［3]于涛，王高山.先进制造环境中工序质量统计过程控制的地位与作用［J］.中国机械工程，2004，15（23）：2103－2110.

［4]Liau L C K，Yang T C K，Tsai M T.Expert System of a Crude Oil Distillation Unit for Process Optimization Using Neural Networks［J］.Expert Systems with Applications，2004，26（2）：247－255.

［5]武波，马玉祥.专家系统［M］.北京：北京理工大学出版社，2001.

［6]路春光，孟丽丽，王振中，等.统计过程控制SPC系统的设计与实现［J］.组合机床与自动化加工技术，2010，52（1）：108－112.

［7]崔萌.专家系统推理机核心设计［J］.中国高新技术企业，2008，15（22）：298－299.

［8]刘宝龙，王学俊，李宝营，等.基于SPC的产品质量监测系统的研究与开发［J］.大连轻工业学院学报，2005，24（4）：289－292.

［9]张根保.现代质量工程［M］.北京：机械工业出版社，2005.

［10]Zhang Wu，Yu Tian.Control Charts and Process Capability［C］／／IEEE International Conference on Management of Innovation and Technology Proceedings.Singapore，2000：904－909.

［11]曾铁军，宋晓珏，裴仁清，等.基于协同式专家系统的SPC诊断系统研制［J］.中国机械工程，2002，13（21）：1852－1855.