摘要：本文在分析先进制造技术(AMT)环境下实施统计过程质量控制技术的发展现状的同时，讨论了将统计过程质量控制(SPQC)技术应用于先进制造环境下所存在的问题。根据所提出的问题，研究了面向先进制造环境，基于等效工序能力的统计过程质量控制方法；开发了基于前馈型BP神经网络的加工过程异常模式自动识别软件。
关键词：先进制造技术，统计过程质量控制，模式识别，质量保证
一、引言 八十年代以来，顾客对产品的需求从单一型向多样型转变，国际市场的竞争日趋激烈。据国外的调查表明，企业之间的竞争焦点已从价格因素向柔性、质量、对市场变化的快速响应等非价格因素转移[1]。随着世界工业市场竞争的不断加剧，为了生存和发展，越来越多的企业认识到实施先进制造技术的重要性，并已经开始引进和实施AMT[2]。在AMT的研究和应用不断取得成功的同时，也有许多企业发现AMT带来的效益并不如所期望的那么大，甚至还有许多失败的例子摆在人们面前。影响先进制造技术成功应用的因素有很多，其中一个重要的因素是产品的质量。
传统的统计过程质量控制基于休哈特控制图，监测控制同一产品的同一质量特征的变化规律，使之满足精度并保持稳定，在刚性自动化大生产中得到了广泛的应用，并取得了巨大的经济效益[3]。但是，在小批量生产方式占主导地位的AMT生产环境下，传统的统计模型无法得到足够的数据来建立统计控制关系。因此，传统的SPQC却不能直接被应用在AMT生产环境下，SPQC需要一种新的指导思想。对此，国内外均做了一些研究[4-8]，提出一些解决方案，但均没能在根本上解决数据不足的问题。
此外，在先进制造系统中还存在对控制图的识别问题。传统的生产环境下控制图是否处于统计控制状态下，是由人对控制图进行统计状态的识别。在AMT生产环境下如果继续沿用这种方法，一方面影响信息反馈的及时性，另一方面工人一直监视控制图会提高工作强度，降低他们的工作效率。利用模式识别算法对控制图自动识别，就可以很好地解决这两方面的问题。有一些工序的失控状态很容易用普通算法识别，例如控制变量超出控制界限以及连续的上升和下降的趋势。然而对于小波动的持续上升或下降或者是循环变化趋势，则难以用普通方法进行判断。由于神经计算技术的发展，许多以前计算量很大并耗时较长的问题得到了解决，模式识别就是其中的一项。考虑到在AMT生产模式中计算机化是基本条件之一，而且生产环境中的计算机只是利用已经训练好的程序运行识别算法，不需要太大的计算量。因此，利用神经网络对控制图的异常模式进行识别是非常合适的。
基于以上讨论，本文提出了基于等效工序能力的统计过程控制方法，并给出了统计变量的计算方法。而且，以这种统计方法所得到的控制图的变化趋势为研究对象，采用人工神经网络理论设计了控制图异常状态的自动识别软件。
二、基于等效工序能力的统计过程质量控制方法
1. 等效工序能力控制的理论基础 现代统计过程质量控制的出发点是在事前控制加工过程，使其处于正常状态；而不是在事后通过检验的方法控制次品的扩散。进行的是“过程控制”而不是“产品控制”。总的来说，只要是无显著差异的5M1E[9]环境下生产出来的产品的质量特征值（不一定为同类产品）偏离期望值的正常波动服从 的分布。等效工
序能力控制图通过对 的标准化变换，使得等效工序能力控制图的控制界限不随质量特征的不同
而变化，使统计变量成为服从标准正态分布的无量纲量的随机变量，达到利用历史数据的目的。不同的统计变量的转换方法不同，但其基本理论可以由下式表达：
(1)
式(1)是对 的标准化，新得到的统计变量T为服从标准正态分布的无量纲量随机变量，控制界限
在给定第一类统计错判的容许概率的情况下固定不变。这样在等效工序能力下，不同产品的质量特征以及同一产品的不同质量特征就能够通过标准化变换利用同一种统计方法分析，实现不同但相关的统计特征之间的统计关系，达到充分利用一台机床的历史数据和部分相关数据的目的，实现在中小批量生产中对加工工序的统计过程质量控制。
