在当今全球竞争市场中,产品质量是企业成功的关键因素之一。产品的最终质量是建立在过程质量控制的基础上渐进完成的。统计过程控制(Statistical Process Control,SPC)在产品过程质量控制中发挥了重要的作用。作为最重要的统计过程控制技术,控制图,已被广泛用于监控制造过程是否处于控制当中。尽管各类控制图在质量控制过程中发挥了重要的作用,但是控制图仍然属于滞后控制,只能检测过程异常波动,不能指出异常是什么,以及在哪里发生的异常。而过程异常的检测与诊断常常通过手工质量检验,手工质量检验往往需要经过严格训练的人来做,手工质量检验也是一项耗时且乏味的任务。这些问题给单纯依靠统计过程控制方法的制造过程质量控制和依靠人工的制造工程异常诊断带来了极大的挑战。针对以上问题,学者们已将机器学习、人工智能等方法用于实现制造过程质量智能监控与诊断,并已成为该领域研究的热点。目前相关学者的研究主要是在均衡数据集样本条件下进行,而实际过程中异常模式样本是难以收集的,从而导致正常模式样本数量远大于异常模式样本数量,使得数据集是非均衡的。因此,如何在异常样本相对较少的非均衡数据集样本条件之下,达到更好的质量诊断效果,是制造过程质量诊断中急需解决的一个问题,也是本论文的研究重点。本论文通过改进传统SVM算法,对不同类的样本设置不同的权值来提高分类模型对少数类的异常模式的正确识别率,从而实现过程质量的智能诊断。本论文主要研究单变量过程、多变量过程或多元过程在非均衡样本数据集条件下的质量智能诊断。(1)单变量过程。主要是对表示过程正常、过程异常的控制图模式进行总结,同时介绍了控制图模式分类识别与过程质量诊断的关系。针对正常控制图模式与异常控制图模式样本存在高度不平衡,即数据集是非均衡的更贴切的实际情况,提出了基于智能算法与加权支持向量机(Weighted Support Vector Machines,WSVM)来构建分类模型,并对正常控制图模式和各种异常控制图模式进行识别,从而实现过程质量智能诊断。基于智能算法的WSVM质量诊断模型对控制图模式进行识别的具体流程是:首先,获取正常控制图模式和异常控制图模式的样本数据集。获取样本数据最好的方式是直接从制造过程中获取大量的样本数据,但由于种种原因,该方式目前难以实现。本论文采用从实际制造过程中获取受控的数据,并得到受控过程的样本均值、标准差等参数,再利用蒙特卡洛仿真方法生成控制图模式样本集。其次,对获取的样本数据进行预处理与特征提取。预处理的目的是使模型对不同过程或变化了的过程都有效,同时能够独立于具体过程的分布参数。而特征提取的目的是强化不同模式间的差异性,从而提高模型的识别性能。接着,WSVM选择高斯径向基核函数作为其核函数具有以下优势:能够对非线性且高维度的数据进行分类;能够减少操作上的复杂性;只需调整惩罚因子C和核函数参数g;且能够达到较高的分类识别率。但此时需要对惩罚因子C和核函数参数g进行合理的取值。本论文将预处理与特征提取后的样本数据输入到WSVM模型中,分别以遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)对WSVM的C,g参数进行优化。通过训练样本得到最优适应函数后,再利用得到的参数进行测试集的模式识别。再次,通过测试集的实验结果对比分析,并以识别准确度作为选取依据,本论文选择基于PSO的WSVM对控制图模式进行模式识别。最后,利用原始样本数据集和验证集进行性能测试。从性能测试结果来看,基于融合特征的控制图模式分类识别相对于原始样本数据特征而言,能够获得较高的正确识别率。(2)多变量过程。在质量诊断领域,当一个过程有相应的异常分类或异常模式时,我们就可以把质量诊断问题转化为一个分类问题。本论文针对多变量控制图能够发现过程异常但未能给出过程异常是由哪一个变量或哪些变量导致的;以及质量特性变量之间存在相关性;采集的各类样本数据是非均衡的多变量过程均值向量诊断问题,提出以PSO和WSVM构建诊断模型,对Hotelling T~2控制图发出的异常信号进行诊断,以确定导致过程异常的变量或变量组合,从而使过程恢复到受控状态。