摘要 | 第1-6页 |
Abstract | 第6-14页 |
第一章 绪论 | 第14-21页 |
·课题背景及意义 | 第14页 |
·制造过程质量控制与诊断的发展历程 | 第14-16页 |
·制造过程质量智能控制与诊断中的一些问题 | 第16-18页 |
·课题主要工作 | 第18-21页 |
第二章 Shewhart 控制图的统计经济设计 | 第21-49页 |
·国内外研究现状 | 第21-22页 |
·控制图统计经济设计 | 第22-31页 |
·研究假设 | 第22页 |
·控制图成本损失模型 | 第22-26页 |
·控制图统计经济设计模型 | 第26-31页 |
·控制图单目标统计经济设计模式解 | 第31-37页 |
·单目标多约束优化问题的求解方法 | 第31-32页 |
·性能测试 | 第32-36页 |
·实验案例 | 第36-37页 |
·控制图多目标统计经济设计模式解 | 第37-47页 |
·多目标多约束优化问题的求解方法 | 第37-41页 |
·性能测试 | 第41-45页 |
·实验案例 | 第45-47页 |
·小结 | 第47-49页 |
第三章 基于混合智能学习模型的制造过程质量控制 | 第49-76页 |
·国内外研究现状 | 第49-53页 |
·混合智能学习模型 | 第53-56页 |
·模型架构 | 第53-55页 |
·数据集产生办法 | 第55-56页 |
·混合智能学习模型的 ModuleⅠ | 第56-58页 |
·基于 SOM 的量化误差控制图的基本原理 | 第57页 |
·量化误差控制图设计 | 第57-58页 |
·模型参数设置 | 第58页 |
·混合智能学习模型的 ModuleⅡ | 第58-63页 |
·基于离散粒子群优化算法的选择性神经网络集成 | 第58-61页 |
·BPN 设计 | 第61-62页 |
·模型参数设置 | 第62-63页 |
·混合智能学习模型的性能评估 | 第63-71页 |
·性能评估方法 | 第63-64页 |
·性能评估测试范例 | 第64-65页 |
·单一异常模式下性能评估 | 第65-67页 |
·混合异常模式下性能评估 | 第67页 |
·DPSOSEN-BPN 与 The Best BPN 和 Ensemble ALL BPN 的性能比较 | 第67-68页 |
·与其它现有过程监控模型的性能比较 | 第68-71页 |
·实验案例 | 第71-74页 |
·小结 | 第74-76页 |
第四章 制造过程均值与方差控制图异常模式并行识别 | 第76-92页 |
·国内外研究现状 | 第76-80页 |
·控制图异常模式 | 第80-81页 |
·基于选择性学习矢量量化网络集成的均值与方差异常模式并行识别 | 第81-86页 |
·研究架构 | 第81-82页 |
·学习矢量量化神经网络设计 | 第82-83页 |
·数据预处理 | 第83-84页 |
·统计特征值 | 第84-86页 |
·性能测试 | 第86-90页 |
·数据集开发 | 第86-87页 |
·模型参数设置 | 第87-88页 |
·性能测试步骤 | 第88-89页 |
·实验结果 | 第89-90页 |
·实验案例 | 第90-91页 |
·小结 | 第91-92页 |
第五章 质量特性相关的多工序制造过程质量诊断 | 第92-104页 |
·国内外研究现状 | 第92-94页 |
·多工序制造过程质量诊断方法 | 第94-96页 |
·能动质量控制图的基本原理 | 第94-95页 |
·多工序制造过程质量诊断步骤 | 第95-96页 |
·基于选择性广义回归神经网络集成的能动质量值的计算 | 第96-98页 |
·选择性广义回归神经网络集成 | 第96-97页 |
·GRNN 设计 | 第97页 |
·数据预处理 | 第97-98页 |
·能动质量值的计算 | 第98页 |
·性能测试 | 第98-100页 |
·基准测试问题 | 第98-99页 |
·测试结果 | 第99-100页 |
·实验案例 | 第100-103页 |
·小结 | 第103-104页 |
第六章 总结与展望 | 第104-107页 |
·总结 | 第104-105页 |
·展望 | 第105-107页 |
参考文献 | 第107-118页 |
致谢 | 第118-119页 |
附录 1 攻读博士学位期间参加科研项目情况 | 第119页 |
附录 2 攻读博士学位期间申请科研专利和软件著作权 | 第119页 |
附录 3 攻读博士学位期间参加学术活动 | 第119-120页 |
附录 4 攻读博士学位期间发表(录用)论文情况 | 第120页 |