子课题一：多阶段智能制造系统波动传播机制研究与建模
在工业大数据环境下，多阶段制造系统的质量波动传播机制是一个关键的研究问题。传统的质量控制方法主要依赖于事后检验，而大数据环境提供了实时监测和预警的可能性。本子课题旨在深入研究多阶段制造特性下质量波动的传播机制，建立数据驱动的统计模型，为质量问题的追踪和诊断提供科学依据。
国家自然科学基金重点项目“工业大数据环境下面向智能制造系统的质量科学管控方法研究”科普网站（项目号：71932006）
在工业大数据环境下，多阶段制造系统的质量波动传播机制是一个关键的研究问题。传统的质量控制方法主要依赖于事后检验，而大数据环境提供了实时监测和预警的可能性。本子课题旨在深入研究多阶段制造特性下质量波动的传播机制，建立数据驱动的统计模型，为质量问题的追踪和诊断提供科学依据。
本子课题主要包含以下两个研究任务：
1. 单一制造单元多工序工况建模：研究单一制造单元内多工序的工况建模，考虑加工过程中存在的不确定性，结合其过程结构和传感数据，构建代理模型，为后续的质量波动传播研究提供基础。
2. 智能制造系统多阶段产品质量传递方法：研究多阶段制造系统中产品质量的传递机制，通过各工序数据融合建模方法来构建产品质量信息的传递机制，并预测产品质量波动性，以便在后续工序中提前采取措施，保证产品质量的稳定性。
在制造系统单一工序中数据不完备的场景下，如何通过小样本增广理论融合不同场景和概率分布下的数据集，构建一个完整的数据融合模型来准确表征单一工序的产品质量状态。
在制造系统实时监测过程中，当质量缺陷样本数量远少于正常样本时，如何实时构建轻量级的实时缺陷检测算法高效识别出产品质量缺陷，确保生产过程的质量稳定。
在多工序制造系统中，如何通过各工序数据融合建模方法来构建产品质量信息的传递机制，同时预测产品质量波动性以便在后续工序中提前采取措施，保证产品质量的稳定性。
在多工序制造系统中，质量、设备退化和工单调整之间的相互关系如何，通过建模来优化生产过程，提高生产效率和产品质量。
成功研发了一种基于深度最优特征传输的生产过程小样本异常检测方法，解决了因数据标注困难、数据分布异构性与稀疏性导致的小样本问题。该方法通过构建小样本异常诊断网络模型，实现了对工业小样本故障数据的高效分析和快速量化模型建立，显著提升了故障诊断的准确性。
提出了从有监督、半监督到无监督的像素级表面缺陷分割方法论，构建了融合多尺度缺陷特征的像素级实例分割框架，显著提高了缺陷检测的准确性和效率。
提出了一种基于知识注入的过程监测方法，用于太阳能电池制造过程的关键四个连续工序的质量预测，能够提前检测多工序制造系统中质量偏差传递异常的情况。
提出了一种生产调度和维护协同决策方法，基于工单调度和维护的交互关系，建立了优化集成模型，显著提升了系统的整体性能和质量。
声明： 本网站内容主要基于国家自然科学基金项目的相关材料生成，旨在向公众介绍工业大数据环境下质量科学的研究内容和重要意义。
@项目研究组
