| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第10-20页 |
| 1.1 研究背景及其意义 | 第10-13页 |
| 1.1.1 研究背景 | 第10-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-18页 |
| 1.2.1 质量诊断的研究现状 | 第13-14页 |
| 1.2.2 多品种、小批量环境下的质量控制与诊断研究现状 | 第14-15页 |
| 1.2.3 质量诊断技术的研究现状 | 第15-17页 |
| 1.2.4 PSO用于支持向量机参数优化的研究现状 | 第17-18页 |
| 1.3 研究内容及技术路线 | 第18-19页 |
| 1.3.1 研究内容 | 第18-19页 |
| 1.3.2 技术路线 | 第19页 |
| 1.4 小结 | 第19-20页 |
| 第2章 质量诊断理论基础 | 第20-35页 |
| 2.1 质量诊断的基本理论 | 第20-24页 |
| 2.1.1 质量诊断 | 第20页 |
| 2.1.2 质量诊断的两项基础 | 第20-24页 |
| 2.2 小波分析技术 | 第24-26页 |
| 2.3 模式识别方法 | 第26-28页 |
| 2.3.1 神经网络 | 第26-27页 |
| 2.3.2 支持向量机 | 第27-28页 |
| 2.4 支持向量机基础理论 | 第28-31页 |
| 2.5 PSO算法 | 第31-34页 |
| 2.6 小结 | 第34-35页 |
| 第3章 质量控制图异常模式识别与参数估计 | 第35-55页 |
| 3.1 质量诊断模型框架的建立 | 第35-36页 |
| 3.2 样本数据的构建与预处理 | 第36-39页 |
| 3.2.1 样本数据的构建原则 | 第36-37页 |
| 3.2.2 样本数据的构建 | 第37-38页 |
| 3.2.3 样本数据归一化预处理 | 第38-39页 |
| 3.3 小波分析 | 第39-41页 |
| 3.4 基于PSO的SVM的参数优化 | 第41-43页 |
| 3.5 基于PSO-SVM的质量控制图模式识别 | 第43-50页 |
| 3.5.1 第一层SVM分类训练 | 第43-45页 |
| 3.5.2 第二层SVM分类训练 | 第45-46页 |
| 3.5.3 第三层SVM分类训练 | 第46-50页 |
| 3.5.4 模式识别结果分析 | 第50页 |
| 3.6 基于PSO-SVM的质量控制图模式参数估计 | 第50-53页 |
| 3.6.1 参数估计样本数据的生成 | 第51-52页 |
| 3.6.2 参数估计仿真实验与仿真结果 | 第52-53页 |
| 3.7 小结 | 第53-55页 |
| 第4章 质量异常原因诊断 | 第55-65页 |
| 4.1 质量波动的原因 | 第55-56页 |
| 4.2 质量异因诊断方法 | 第56-60页 |
| 4.2.1 专家系统方法 | 第58-59页 |
| 4.2.2 模糊推理方法 | 第59页 |
| 4.2.3 模式识别方法 | 第59-60页 |
| 4.2.4 质量异因诊断方法比较 | 第60页 |
| 4.3 建立基于PSO-SVM的质量异因诊断模型 | 第60-64页 |
| 4.3.1 基于PSO-SVM的质量波动异因诊断模型 | 第60-61页 |
| 4.3.2 质量异常现象和异常原因编码 | 第61-62页 |
| 4.3.3 基于PSO-SVM的质量异因诊断 | 第62-64页 |
| 4.4 小结 | 第64-65页 |
| 第5章 实例研究与结果分析 | 第65-90页 |
| 5.1 SJ公司质量诊断问题分析 | 第65-73页 |
| 5.1.1 SJ公司简介 | 第65-66页 |
| 5.1.2 SJ公司质量诊断控制的现状 | 第66-73页 |
| 5.2 质量控制图模式识别和参数估计 | 第73-78页 |
| 5.3 质量异常原因诊断 | 第78-84页 |
| 5.4 质量诊断后的改善方案 | 第84-87页 |
| 5.5 改善方案的审核评价 | 第87-89页 |
| 5.6 小结 | 第89-90页 |
| 第6章 结论与展望 | 第90-92页 |
| 6.1 结论 | 第90-91页 |
| 6.2 进一步的研究展望 | 第91-92页 |
| 参考文献 | 第92-96页 |
| 致谢 | 第96-97页 |
| 攻读学位期间参加的科研项目和成果 | 第97页 |
