多模式形状轮廓的统计质量控制

The rapid development of advanced manufacturing has brought new challenges and research opportunities to statistical quality control (SQC). When quality characteristics are described by geometric shape profiles instead of simply one or several variables, traditional SQC approaches cannot be applied. For instance, consider one type of plastics in powder form used as a 3D printing material. The quality of the plastic powders is determined by their shapes, since shapes have a great impact on the material flow ability in the selective laser sintering process. The shapes of the plastic powders could be one of the three modes: circular, oval, or irregular. Given multiple modes of shape profiles, such data are called multimode shape profiles. Each shape profile mode takes some proportion in a sample and has its own shape features. This project aims at developing novel SQC methods for multimode shape profiles. Specifically, this research project will focus on the following aspects: the statistical modeling of multimode shape profiles to appropriately describe the proportions and features of each shape profile mode; the online monitoring and diagnostic strategies; the more flexible and adaptive online monitoring scheme when the number of modes is unknown. This project is motivated by practical manufacturing problems of a 3D printing company and has a solid application background. We expect that the theoretical findings of this project will provide effective guidelines for industrial applications to ensure the quality of products and to maintain the stability of processes.

新兴制造业的迅猛发展给统计质量控制带来了新的机遇和挑战。当产品的质量特性不能简单的被若干个变量描述，而是由某种几何形状轮廓来刻画时，传统的统计质量控制方法不再适用。例如，3D打印原材料中的某种塑料颗粒在生产加工过程中，会出现圆形、椭圆和不规则形状，该颗粒的质量主要由形状决定，因为形状会影响颗粒在选择性激光烧结过程中的流动性能。这种含有多种形状轮廓的数据称为多模式形状轮廓数据，其中每种模式占一定比例，同时每种模式也有自身的形状特征。本项目针对多模式形状轮廓数据，研究新的统计质量控制方法。具体来说，包括以下几个方面：建立能够描述各模式比例以及相应形状特征的模型；开发在线监控与过程诊断的质量控制方法；考虑实际过程中模式数目的不确定性，开发更为灵活的自适应实时监控策略。本项目由企业制造过程中的实际问题所驱动，具有扎实的应用背景。研究成果可用于指导实际生产，以确保产品的质量以及过程的稳定。

本项目由3D打印中某种塑料颗粒的生产加工过程所驱动，研究了多模式形状轮廓数据、以及与该过程相关的复杂分类数据的质量控制问题。由于多模式形状轮廓数据本身的复杂性，建模中存在维度高、不同形状无法对齐等问题。项目组提出了基于傅里叶变换的特征提取方法，在降维的同时避免了形状的对齐。在该模型的基础上，项目组开发了基于高斯混合分布以及似然比检验的质量控制图，以实现对各模式比例、以及形状特征的实时监控。进一步考虑到实际中模式数目可能改变的情况，对似然函数引入适当的惩罚项，提出了能够同时监控模式数目变化、以及高斯混合分布中成分分布参数变化的方法，以及用于检测变异来源的诊断策略。此外，由于多模式形状轮廓数据中的每一种模式实质上代表一种类别，项目组在研究过程中发现，对复杂分类数据的质量控制展开研究是本项目的重要基础和补充。因此针对自相关分类数据和具有因果关系的分类数据，项目组分别提出了基于多元变量转换和基于贝叶斯网络的质量控制方法。本项目中开发的一系列质量控制方法，其有效性和稳健性，通过仿真实验以及实例应用得到了强有力的证实。.本项目研究的课题，为当前新兴制造业面临的困难提供了高效的解决方法，同时也是对统计质量控制理论的重要补充和完善。在项目资助下，目前项目组共发表9篇高水平SCI期刊，包括IISE Transactions，Computers & Industrial Engineering,，Journal of Quality Control，Quality and Reliability Engineering International等。

内容获取失败，请点击重试