一种全流程产品质量在线管控系统

摘要

本发明提供一种全流程产品质量在线管控系统，能够实现全流程中各工序的产品质量的在线动态优化，从而提高产品质量的稳定性。所述系统包括：包括：规范制定模块、各工序的过程控制系统及控制器；其中，所述过程控制系统包括：基于CPS的动态产品质量管控模块；所述规范制定模块：用于设定全流程的质量指标和工艺规范；所述动态产品质量管控模块，用于获取前工序的产品质量信息和前工序中的工艺参数设定值，并依据设定的全流程的质量指标和工艺规范，对获取的所述产品质量信息和工艺参数设定值进行动态质量管控与优化，并将优化后工艺参数发送给所述控制器；所述控制器，用于执行优化后的工艺参数。本发明适用于自动控制技术领域。

权利要求

1.一种全流程产品质量在线管控系统，其特征在于，包括：规范制定模块、各工序的过程控制系统及控制器；其中，所述过程控制系统包括：基于CPS的动态产品质量管控模块；

所述规范制定模块：用于设定全流程的质量指标和工艺规范；

所述动态产品质量管控模块，用于获取前工序的产品质量信息和前工序中的工艺参数设定值，并依据设定的全流程的质量指标和工艺规范，对获取的所述产品质量信息和工艺参数设定值进行动态质量管控与优化，并将优化后工艺参数发送给所述控制器；

所述控制器，用于执行优化后的工艺参数；

其中，所述动态产品质量管控模块包括：基于大数据分析的质量在线判定子模块、基于贡献率分析的质量异常诊断子模块及基于邻近点局部低维主流形的演化方向算法的工艺参数优化子模块。

2.根据权利要求1所述的全流程产品质量在线管控系统，其特征在于，所述规范制定模块：具体用于设定全流程的质量指标和工艺规范，并将设定的所述质量指标和工艺规范传输至各工序的过程控制系统中的所述基于CPS的动态产品质量管控模块。

3.根据权利要求1所述的全流程产品质量在线管控系统，其特征在于，所述质量在线判定子模块，用于判定前工序中的工艺参数设定值是否会导致本工序或后续工序的产品质量超出预设的产品质量可控范围，其中，所述产品质量可控范围由设定的全流程的质量指标和工艺规范以及历史产品质量信息及其对应的历史工艺参数确定；

若超出预设的产品质量可控范围，则输出质量改判或判废结果；

否则，判断获取的前工序中的工艺参数设定值到预设的超球体球心的距离是否小于超球体的半径R；

若不小于超球体的半径R时，则判定会导致产品质量偏离质量可控区出现质量偏差，其中，R表示控制限，所述质量可控区为所述超球体内的区域。

4.根据权利要求3所述的全流程产品质量在线管控系统，其特征在于，采用非线性方法确定所述超球体的半径R，所述超球体半径R表示为：其中，φ(xk)表示位于超球体超球面上的点；k(.)表示高斯核函数；o表示超球体球心；n表示预设的历史训练集中样本点的数目；αi、αj分别表示拉格朗日乘子；xk表示历史训练集中处于产品质量可控范围内的第k个样本点；xi,xj分别表示历史训练集中第i个样本点和第j个样本点。

5.根据权利要求3所述的全流程产品质量在线管控系统，其特征在于，所述获取的前工序中的工艺参数设定值到预设的超球体球心的距离D2(xnew)表示为：其中，xnew表示获取的前工序中的工艺参数设定值；k(.)表示高斯核函数；o表示超球体球心；φ(xnew)表示工艺参数设定值xnew通过非线性映射映射到高维特征空间中的一点；αi、αj分别表示拉格朗日乘子；n表示预设的历史训练集中样本点的数目；xi,xj分别表示历史训练集中第i个样本点和第j个样本点。

6.根据权利要求5所述的全流程产品质量在线管控系统，其特征在于，所述超球体球心o表示为：其中，n表示预设的历史训练集中样本点的数目；αi表示拉格朗日乘子； 表示位于超球体内的点，xi表示历史训练集中第i个样本点。

7.根据权利要求3所述的全流程产品质量在线管控系统，其特征在于，所述质量异常诊断子模块，用于当判定前工序中的工艺参数设定值会导致产品质量偏离质量可控区出现质量偏差时，获取前工序中每个工艺参数对导致所述质量偏差的贡献值，获取较大贡献值对应的工艺参数作为导致产品质量偏离所述质量可控区的工艺参数；

其中，所述较大贡献值为超过预定阈值的贡献值。

8.根据权利要求7所述的全流程产品质量在线管控系统，其特征在于，所述工艺参数优化子模块，用于基于邻近点局部低维主流形的演化方向算法，对获取的导致产品质量偏离所述质量可控区的工艺参数进行分析，确定前工序中的工艺参数在本工序及后续工序中的调控方向及实际调节量。

9.根据权利要求1所述的全流程产品质量在线管控系统，其特征在于，所述系统还包括：产品质量采集模块和工艺参数采集模块；其中，所述产品质量采集模块，用于采集前工序的在线和离线的产品质量信息，并将采集到的所述产品质量信息传输至各工序的过程控制系统中的所述基于CPS的动态产品质量管控模块；

所述工艺参数采集模块，用于采集前工序中的工艺参数设定值，并将采集到的所述工艺参数设定值传输至各工序的过程控制系统中的所述基于CPS的动态产品质量管控模块。

说明书

一种全流程产品质量在线管控系统

技术领域

[0001] 本发明涉及自动控制技术领域，特别是指一种全流程产品质量在线管控系统。

背景技术

[0002] 对于钢铁、石化等流程型工业，产品在制造过程中涉及多个连续、耦合的工序，每个工序都要求将工艺参数的设定值和质量指标控制在确定的范围内，才能确保成品的最终质量。现有技术中，对于品种相对单一、批量大的产品可以采用集中式制造模式，即根据生产经验，通过事先设定的工艺参数对各个工序进行精确控制来保证成品的最终质量。

[0003] 然而，随着工业4.0时代的到来，客户对钢材品种质量要求越来越严格、个性化的需求越来越明显，规模化生产与定制式制造的冲突变得更加明显。现有技术中，钢铁企业采用的集中式制造模式和质量管控方法难以适应瞬间变化的市场需求和对产品质量的稳定性要求。

发明内容

[0004] 本发明要解决的技术问题是提供一种全流程产品质量在线管控系统，以解决现有技术所存在的无法满足产品质量的稳定性要求的问题。

[0005] 为解决上述技术问题，本发明实施例提供一种全流程产品质量在线管控系统，包括：规范制定模块、各工序的过程控制系统及控制器；其中，所述过程控制系统包括：基于CPS的动态产品质量管控模块；

[0006] 所述规范制定模块：用于设定全流程的质量指标和工艺规范；

[0007] 所述动态产品质量管控模块，用于获取前工序的产品质量信息和前工序中的工艺参数设定值，并依据设定的全流程的质量指标和工艺规范，对获取的所述产品质量信息和工艺参数设定值进行动态质量管控与优化，并将优化后工艺参数发送给所述控制器；

[0008] 所述控制器，用于执行优化后的工艺参数。

[0009] 进一步地，所述规范制定模块：具体用于设定全流程的质量指标和工艺规范，并将设定的所述质量指标和工艺规范传输至各工序的过程控制系统中的所述基于CPS的动态产品质量管控模块。

[0010] 进一步地，所述动态产品质量管控模块包括：基于大数据分析的质量在线判定子模块、基于贡献率分析的质量异常诊断子模块及基于邻近点局部低维主流形的演化方向算法的工艺参数优化子模块。

[0011] 进一步地，所述质量在线判定子模块，用于判定前工序中的工艺参数设定值是否会导致本工序或后续工序的产品质量超出预设的产品质量可控范围，其中，所述产品质量可控范围由设定的全流程的质量指标和工艺规范以及历史产品质量信息及其对应的历史工艺参数确定；

[0012] 若超出预设的产品质量可控范围，则输出质量改判或判废结果；

[0013] 否则，判断获取的前工序中的工艺参数设定值到预设的超球体球心的距离是否小于超球体的半径R；

[0014] 若不小于超球体的半径R时，则判定会导致产品质量偏离质量可控区出现质量偏差，其中，R表示控制限，所述质量可控区为所述超球体内的区域。

[0015] 进一步地，采用非线性方法确定所述超球体的半径R，所述超球体半径R表示为：

[0016]

[0017] 其中，φ(xk)表示位于超球体超球面上的点；k(.)表示高斯核函数；o表示超球体球心；n表示预设的历史训练集中样本点的数目；αi、αj分别表示拉格朗日乘子；xk表示历史训练集中处于产品质量可控范围内的第k个样本点；xi,xj分别表示历史训练集中第i个样本点和第j个样本点。

[0018] 进一步地，所述获取的前工序中的工艺参数设定值到预设的超球体球心的距离D2(xnew)表示为：

[0019]

[0020] 其中，xnew表示获取的前工序中的工艺参数设定值；k(.)表示高斯核函数；o表示超球体球心；φ(xnew)表示工艺参数设定值xnew通过非线性映射映射到高维特征空间中的一点；αi、αj分别表示拉格朗日乘子；n表示预设的历史训练集中样本点的数目；xi,xj分别表示历史训练集中第i个样本点和第j个样本点。

[0021] 进一步地，所述超球体球心o表示为：

[0022]

[0023] 其中，n表示预设的历史训练集中样本点的数目；αi表示拉格朗日乘子； 表示位于超球体内的点，xi表示历史训练集中第i个样本点。

[0024] 进一步地，所述质量异常诊断子模块，用于当判定前工序中的工艺参数设定值会导致产品质量偏离质量可控区出现质量偏差时，获取前工序中每个工艺参数对导致所述质量偏差的贡献值，获取较大贡献值对应的工艺参数作为导致产品质量偏离所述质量可控区的工艺参数；

[0025] 其中，所述较大贡献值为超过预定阈值的贡献值。

[0026] 进一步地，所述工艺参数优化子模块，用于基于邻近点局部低维主流形的演化方向算法，对获取的导致产品质量偏离所述质量可控区的工艺参数进行分析，确定前工序中的工艺参数在本工序及后续工序中的调控方向及实际调节量。

[0027] 进一步地，产品质量采集模块，用于采集前工序的在线和离线的产品质量信息，并将采集到的所述产品质量信息传输至各工序的过程控制系统中的所述基于CPS的动态产品质量管控模块；

[0028] 工艺参数采集模块，用于采集前工序中的工艺参数设定值，并将采集到的所述工艺参数设定值传输至各工序的过程控制系统中的所述基于CPS的动态产品质量管控模块。

[0029] 本发明的上述技术方案的有益效果如下：

[0030] 上述方案中，通过规范制定模块设定全流程的质量指标和工艺规范；通过动态产品质量管控模块获取前工序的产品质量信息和前工序中的工艺参数设定值，并依据设定的全流程的质量指标和工艺规范，对获取的所述产品质量信息和工艺参数设定值进行动态质量管控与优化，并将优化后工艺参数发送给所述控制器；最后，通过控制器执行优化后的工艺参数。这样，将基于CPS的动态产品质量管控模块嵌入到各工序的过程控制系统中，通过所述动态产品质量管控模块对前工序中的工艺参数和产品质量进行动态的监控，一旦出现潜在的产品质量问题时，能够及时地提供优化后的工艺参数，以便在本工序和后续工序中执行优化后的工艺参数，从而保证产品质量的稳定性。

附图说明

[0031] 图1为本发明实施例提供的全流程产品质量在线管控系统的结构示意图；

[0032] 图2为本发明实施例提供的基于CPS的全流程产品质量在线管控系统的业务逻辑图；

[0033] 图3为本发明实施例提供的基于CPS的动态产品质量管控模块的业务流程示意图；

[0034] 图4为本发明实施例提供的邻近点所构成的局部流形示意图。

具体实施方式

[0035] 为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

[0036] 本发明针对现有的无法满足产品质量的稳定性要求的问题，提供一种全流程产品质量在线管控系统。

[0037] 实施例一

[0038] 如图1所示，本发明实施例提供的全流程产品质量在线管控系统，包括：规范制定模块11、各工序的过程控制系统12(Process Control System，PCS)及控制器13；其中，所述过程控制系统12包括：基于信息物理系统(Cyber Physical Systems，CPS)的动态产品质量管控模块121；

[0039] 所述规范制定模块11：用于设定全流程的质量指标和工艺规范；

[0040] 所述动态产品质量管控模块121，用于获取前工序的产品质量信息和前工序中的工艺参数设定值，并依据设定的全流程的质量指标和工艺规范，对获取的所述产品质量信息和工艺参数设定值进行动态质量管控与优化，并将优化后工艺参数发送给所述控制器13；

[0041] 所述控制器13，用于执行优化后的工艺参数。

[0042] 本发明实施例所述的全流程产品质量在线管控系统，通过规范制定模块设定全流程的质量指标和工艺规范；通过动态产品质量管控模块获取前工序的产品质量信息和前工序中的工艺参数设定值，并依据设定的全流程的质量指标和工艺规范，对获取的所述产品质量信息和工艺参数设定值进行动态质量管控与优化，并将优化后工艺参数发送给所述控制器；最后，通过控制器执行优化后的工艺参数。这样，将基于CPS的动态产品质量管控模块嵌入到各工序的过程控制系统中，通过所述动态产品质量管控模块对前工序中的工艺参数和产品质量进行动态的监控，一旦出现潜在的产品质量问题时，能够及时地提供优化后的工艺参数，以便在本工序和后续工序中执行优化后的工艺参数，从而保证产品质量的稳定性。

[0043] 本发明实施例中，所述前工序指本工序前的所有工序。

[0044] 本发明实施例中，例如，在钢铁制造业中，所述全流程产品质量在线管控系统可以包括：全流程的质量指标和工艺规范的规范制定模块11、嵌入CPS的动态产品质量管控模块121的各工序的过程控制系统12及执行优化后工艺参数的控制器13；其中，所述规范制定模块11可以包括：ERP及MES系统，所述ERP及MES系统用于制定全流程的质量指标和工艺规范；
所述控制器13为PLC控制器。

[0045] 在前述全流程产品质量在线管控系统的具体实施方式中，进一步地，所述系统还包括：

[0046] 产品质量采集模块，用于采集前工序的在线和离线的产品质量信息，并将采集到的所述产品质量信息传输至各工序的过程控制系统12中的所述基于CPS的动态产品质量管控模块121；

[0047] 工艺参数采集模块，用于采集前工序中的工艺参数设定值，并将采集到的所述工艺参数设定值传输至各工序的过程控制系统12中的所述基于CPS的动态产品质量管控模块121。

[0048] 本发明实施例中，可以通过实时通信网络将采集到的所述产品质量信息及所述工艺参数设定值传输到嵌入在各工序的过程控制系统12中的基于CPS的动态产品质量管控模块121，由各工序的所述动态产品质量管控模块121对各工序的工艺参数和产品质量信息进行动态管控与优化，并将优化后控制参数发送给PLC控制器。这样，基于CPS的动态产品质量管控模块121能够增强各工序工艺参数和产品质量信息的动态监控、诊断与优化能力。

[0049] 本发明实施例中，采集产品质量信息是为了工艺参数的在线优化，一旦前工序的工艺参数出现偏差或者部分产品质量偏离设定的质量指标，需在本工序及后续工序中进行工艺参数的动态调整，以纠正前工序造成的质量偏差。

[0050] 如图2所示，本发明实施例中，所述产品质量信息可以包括但不限于：成分数据、铸坯质量、尺寸精度、材料性能等质量信息，所述各工序的工艺参数可以包括但不限于：炼钢工序中的工艺参数、连铸工序中的工艺参数、轧钢工序中的工艺参数及热处理工序中的工艺参数等。

[0051] 在前述全流程产品质量在线管控系统的具体实施方式中，进一步地，所述规范制定模块11：具体用于设定全流程的质量指标和工艺规范，并将设定的所述质量指标和工艺规范传输至各工序的过程控制系统12中的所述基于CPS的动态产品质量管控模块121。

[0052] 在前述全流程产品质量在线管控系统的具体实施方式中，进一步地，所述动态产品质量管控模块121包括：基于大数据分析的质量在线判定子模块、基于贡献率分析的质量异常诊断子模块及基于邻近点局部低维主流形的演化方向算法的工艺参数优化子模块。

[0053] 在前述全流程产品质量在线管控系统的具体实施方式中，进一步地，所述质量在线判定子模块，用于判定前工序中的工艺参数设定值是否会导致本工序或后续工序的产品质量超出预设的产品质量可控范围，其中，所述产品质量可控范围由设定的全流程的质量指标和工艺规范以及历史产品质量信息及其对应的历史工艺参数确定；

[0054] 若超出预设的产品质量可控范围，则输出质量改判或判废结果；

[0055] 否则，判断获取的前工序中的工艺参数设定值到预设的超球体球心的距离是否小于超球体的半径R；

[0056] 若不小于超球体的半径R时，则判定会导致产品质量偏离质量可控区出现质量偏差，其中，R表示控制限，所述质量可控区为所述超球体内的区域。

[0057] 本发明实施例中，所述质量在线判定子模块首先根据设定的全流程的质量指标和工艺规范，对前工序中的工艺参数设定值作简单判定，若前工序中的工艺参数设定值会导致本工序或后续工序的产品质量超出预设的产品质量可控范围，应给出质量改判或判废结果，避免本工序或后续工序继续制造所造成的能源、成本、时间上的浪费。如果前工序的工艺参数设定值不会导致本工序或后续工序的产品质量超出预设的产品质量可控范围，所述质量在线判定子模块应对所述工艺参数设定值做进一步分析，确保本工序和后续工序的产品最终质量在可控范围内；

[0058] 本发明实施例中，可以依据设定的全流程的质量指标和工艺规范，并通过对大量的历史产品质量信息及其对应的历史工艺参数进行大数据分析来确定各工艺参数在什么范围内产品质量是可控的。本发明实施例中，所述质量在线判定子模块对所述工艺参数设定值做进一步分析的步骤包括：

[0059] 获取预设的历史训练集{xi}，xi∈Rd，i＝1,2…n，其中，xi表示历史训练集中的第i个样本点，每个xi可以包含各种工艺参数，例如，连退加热温度，连退均热温度，连退快冷出口温度，连退时效出口温度，连退缓冷出口温度，C含量，Mn含量，P含量，S含量，热轧加热炉温度，精轧入口温度，精轧出口温度，卷取温度等多种工艺参数；n表示历史训练集中样本点的数目，通过非线性映射 将历史训练集中的样本点映射到高维特征空间中，以期望在高维Fs中寻求一个超球体，用尽可能小的超球体F(R,o,ξi)来包含尽可能多的样本点，因此，这个问题可以描述为：

[0060]

[0061]

[0062] 其中，Rd表示映射前的d维空间；Fs表示映射后的s维空间； 表示位于超球体内的点；ξi≥0,i＝1,2…,n；R为超球体的半径，o为超球体的球心；该方法允许有少量样本点在超球体的外部，为此引入松弛变量ξi对第i个样本点的错分进行惩罚，参数υ是对超球体大小和所有样本的错分率的约束条件；引入拉格朗日乘子α(αi、αj)，将式(1)转化为对偶问题：

[0063]

[0064]

[0065] 其中，k(xi,xj)通常选为高斯核函数，当然也可以是其他函数，在此不做限定；xi,xj分别表示历史训练集中第i个样本点和第j个样本点；其中，k(xi,xj)可以表示为：

[0066]

[0067] 对式(2)进行求解，可以得到拉格朗日乘子αi的值，主要有如下几种形式：αi＝0，表示样本点位于超球体内；αi＝1/nυ，意味着样本点位于超球体外；0<αi<1/nv，则代表样本点在超球面上。通常，将αi≠0对应的样本点统称为支持向量，即位于超球体外和超球体面上的点都是支持向量。

[0068] 超球体有两个关键参数：球心o和半径R，如式(4)

[0069]

[0070]

[0071] 其中，φ(xi)表示超球体内的任意一点，xk表示历史训练集中处于产品质量可控范围内的第k个样本点，φ(xk)表示位于超球面上的点。

[0072] 通常，在监控过程中，将超球体的半径R2作为控制限进行实时监控，当样本点位于超球体内时不会导致产品质量出现质量偏差，也就是说，超球体内的区域为质量可控区。

[0073] 当测试新的待测样本点xnew时，可以计算新的待测样本点xnew到超球体球心的距离：

[0074]

[0075] 其中，φ(xnew)表示工艺参数设定值xnew通过非线性映射映射到高维特征空间中的一点。

[0076] 如图3所示，如果D2(xnew)

[0077] 本发明实施例中，xnew可以包含各种工艺参数，例如，连退加热温度，连退均热温度，连退快冷出口温度，连退时效出口温度，连退缓冷出口温度，C含量，Mn含量，P含量，S含量，热轧加热炉温度，精轧入口温度，精轧出口温度，卷取温度等多种工艺参数。

[0078] 本发明实施例中，所述超球体支持向量的边界确定方法能处理高维、强耦合、非线性情况下单一类的复杂边界问题。该方法通过非线性高斯核映射将超球体的边界问题转化为球心到边界的半径R。如果待测样本点到球心的距离大于或等于半径R，则判断为产品质量可能出现质量偏差。

[0079] 本发明实施例中，在实际工业应用中，可以根据客户对产品质量的要求，对R值作适度的调整。对质量要求更为严格的产品，可以通过减少R值来提高产品质量的可靠性；对产品质量要求较为宽松的钢种，可以适度增加R值，以降低生产成本。

[0080] 本发明实施例中，所述质量在线判定子模块主要采用大数据分析技术，同样也可以将机理模块或解析模块嵌入到所述动态产品质量管控模块121中，实现产品质量的动态优化。在基于大数据分析的所述质量在线判定子模块中，历史训练集的建立起着决定性的作用，历史样本点的完善是一个不断验证、不断优化的过程，如图3所示。

[0081] 在前述全流程产品质量在线管控系统的具体实施方式中，进一步地，所述质量异常诊断子模块，用于当判定前工序中的工艺参数设定值会导致产品质量偏离质量可控区出现质量偏差时，获取前工序中每个工艺参数对导致所述质量偏差的贡献值，获取较大贡献值对应的工艺参数作为导致产品质量偏离所述质量可控区的工艺参数；

[0082] 其中，所述较大贡献值为超过预定阈值的贡献值。

[0083] 本发明实施例中，如图3所示，当发现前工序中的工艺参数设定值可能造成质量偏差时，可以通过所述质量异常诊断子模块及时、准确地分析出哪些工序、哪些工艺参数是造成质量偏差的原因，找出造成质量偏差的原因有利于本工序及后续工序及时调整工艺参数，纠正质量偏差，从而，提高产品质量的稳定性。具体的，可以从设定的前工序中的工艺参数中寻找引起产品质量偏离质量可控区的主要工艺参数，即计算前工序中每个工艺参数对式(5)中D2的贡献值，贡献值大的工艺参数是导致产品质量偏离质量可控区的主要原因。从式(5)可以看出，式中第三部分为：

[0084]

[0085] 由历史训练集中的样本决定，一旦训练样本确定后，该项是一常数。影响式(5)主要是第二部分

[0086]

[0087] 由式(6)可知，若||xnew-xi||2越大，则式(6)的值就越小，而D2(xnew)就越大。由此可知，式(5)中待测样本点xnew到球心的距离改变量主要取决于

[0088]

[0089] 其中， 表示xnew-xi，式(7)可以进一步分解为

[0090]

[0091] 其中，p表示xnew中变量的数目，每个变量可以表示一个工艺参数；

[0092] 待测样本点xnew的第j变量对质量偏离的贡献量，可以定义为：

[0093]

[0094] 为了消除变量量纲对贡献值的影响，需对上式做标准化处理；由于只有少数几个支持向量的样本点对应的 因此只需计算这些支持向量的样本点 其中， 表示预设的历史训练集中支持向量的第i样本点中的第j变量，无量纲的待测参数xnew的第j变量对偏离的贡献量表示为：

[0095]

[0096] 其中，Sj表示预设的历史训练集中第j变量的方差，l为预设的历史训练集中支持向量的数目；从p个 值中选择最大的几个变量，表明这些变量是造成质量偏离的主要工艺参数。

[0097] 本发明实施例中，选择的变量对应的贡献值需超过预定阈值。

[0098] 在前述全流程产品质量在线管控系统的具体实施方式中，进一步地，所述工艺参数优化子模块，用于基于邻近点局部低维主流形的演化方向算法，对获取的导致产品质量偏离所述质量可控区的工艺参数进行分析，确定前工序中的工艺参数在本工序及后续工序中的调控方向及实际调节量。

[0099] 本发明实施例中，在找出哪些变量(工艺参数)引起质量偏差后，需要对这些工艺参数进行在线优化，此外还需动态调整本工序及后续工序的工艺参数，使生产过程及时回归到受控状态。但是，由于产品质量与工艺参数间存在多重强耦合和非线性因素，简单地调整引起质量偏差的那些工艺参数会造成产品质量的不确定性，因此需要研究多变量、强耦合、非线性情况下工艺参数优化算法。具体的：

[0100] 设xi＝(x1,x2…xm)为前工序已设定的工艺参数x变量的子集，也是造成产品质量质量偏离质量可控区的主要工艺参数，其中，m

[0101] 由区域内邻近点样本{y1,y2,…yk,}组成矩阵B，并计算协方差矩阵C:

[0102] C＝BTB   (11)

[0103] 对协方差矩阵C进行特征值分解，分别求得特征值λ1，λ2，…λp以及对应的特征向量U1，U2，…Up。协方差矩阵C的若干个最大特征值(大于预定值的特征值)所对应的特征向量组成的U表示由邻近点组成的样本集在局部区域的主成分。由于邻近矩阵{y1,y2,…yk,}是以xi中已设定的前面工序中的m个变量作为邻近点搜索依据，且这些邻近点均处于质量可控区内，因此可推断出：由该局部区域的邻近点所构成的主成分代表了局部区域内流形(manifold)的指向，即需调整的工艺参数的主要方向。

[0104] 由于特征向量相互正交，主成分构成了局部区域的切空间，局部切空间表示在主流形中嵌入低维的子空间。将xi到矩阵B的质心定义为向量V，向量V在切空间上的投影为局部切向量，表示为：

[0105] T＝VU   (12)

[0106] 则向量T表示局部低维主流形的演化方向。由于向量T只在局部区域进行线性化处理，因此演化矩阵T仍然可以描述非线性流形的局部区域的演化主方向。

[0107] 在实际工业生产中，除了需掌握工艺参数调控方向外，还应确定各工艺参数的实际调节量，

[0108] 工艺参数x的调节量可以表示为：

[0109] Δx＝TUT   (13)

[0110] 其中，Δx表示当x导致产品质量偏离质量可控区时，本工序及后序工艺参数的调节量。

[0111] 本发明实施例中，基于贡献率的异常点诊断算法和基于邻近点局部低维主流形的演化方向算法，可以对生产过程实现在线的监控、诊断与优化，并根据生产过程中各工序的产品质量偏离情况，及时调整本工序及后续工序的工艺参数，提高产品质量的稳定性，避免出现批量的质量判废。

[0112] 综上，将基于CPS的动态产品质量管控模块121嵌入到各工序的过程控制系统12中，使系统由集中式控制向分散式增强型控制的基本模式转变，以满足产品定制式制造和提高产品质量稳定性的要求；具体的，通过所述动态产品质量管控模块121对前工序中的工艺参数和产品质量信息进行动态的监控，一旦出现潜在的产品质量问题时，能够及时地诊断出引起质量问题的原因、并为质量精准控制提供优化后的工艺参数，以便在本工序和后续工序中执行优化后的工艺参数，保证产品质量的稳定性。

[0113] 以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。