废旧机电产品再制造过程中复杂性与不确定性对再制造最终产品的质量产生很大的影响，再制造过程的质量控制的目的是为了保证最终再制造产品的质量，但并不是所有的再制造产品都能制造合格，以及达到出厂要求。废旧毛坯再制造过程中需要控制的质量参数有很多，而影响这些参数的质量因素相对来说就更多，例如加工温度、人员操作不当、刀具出现磨损问题、夹具误差、加工热变形等。为了更好地对再制造过程质量异常进行识别，需要对再制造异常进行分析，以对再制造过程中可能出现的异常有更深层次的了解。
废旧机电产品零部件是通过传统的机械加工技术、表面技术、激光熔敷、修复与热处理等工艺，对其进行再制造加工，从而使零部件的尺寸及质量达到出厂要求。废旧零部件应经过检测与评价，而需要再制造加工的废旧机电产品零部件主要为主轴、导轨、孔、床身及箱体等。
随着工业的发展，制造环境越来越复杂，定制产品等多种新型企业的出现推动质量控制理论的发展。传统的多变量控制图MEWMA、MCUSUM等虽然能够有效地监控过程出现的质量异常，但不可避免都存在着各自的缺点与不足。传统控制图的应用条件固定，而且只能在监控出质量异常，却不能提供出异常的具体位置。为了适应新的制造环境，克服传统方法的不足，针对制造不同的环境及特定的问题，许多质量异常的识别的方法被提出。在制造过程质量异常识别研究过程中，神经网络由于其快速识别、计算快速、效率高等优点，从而受到大家的重视。KraussC等[20]通过分析深层神经网络、梯度提升树以及随机森林的方法，提出一种新的简单等权三种理论的方法，并以实例的方式验证了该方法的可行性；石书彪等[21]针对训练数据与被测数据质量的问题，提出基于小波去噪与神经网络相结合的方法，实现质量异常的识别效率，并以实例验证方法的识别效率，结果表明可行；余忠华等[22]将模糊化技术引入多ANN神经网络模型中，得到一种新的控制图异常模式识别方法；Ashraf等[23]提出基于方法论的网络还原方法实现电力系统稳定的监控，并通过实例方式实现这一过程；AlexanderP等[24]通过制造过程的模糊关系，分析其过程异常因果，依据分析的结果求解找出引发过程质量异常原因。
目前，制造环境越来越复杂，专家研究的方法也越来越集中于智能学习器（如ANN），即通过智能识别器快速监控制造过程中的异常，并进行质量异常识别。如Chen和Wang[25]提出了基于χ2控制图与BPN理论的模型，并通过该模型识别出哪组质量数据引发质量异常的；Guh[26]提出了一种集在线监控、异常识别及异常参数量化于一体的智能质量控制模型，这属于一种两层的智能混合学习模型，且通过第一层监控过程质量异常，再经过第二层实现质量异常识别；Niaki和Davoo-di[27]提出了一种基于BPN的模型，即通过实例的方式识别多阶段制造过程的多变量的质量异常。基于主元分析的方法同样应用在多变量过程的质量异常识别。如许凡、方彦军等[28]针对过程中特征向量维数高的问题，提出了基于总体平均经验模态分解、模糊熵及PCA相结合的故障诊断方法，并以滚动轴承的质量异常为例验证该方法的可行性；侯彦东、闫治宇等[29]针对小样本问题，提出了基于特征子空间估计的质量异常识别方法，并通过实例模拟对比其他方法，得出该方法在小样本条件下的优势。基于主元分析法的在多元变量的质量异常识别的应用比较多，但是该理论在易用性和使用条件上同样存在一些难点，还需要后期进一步研究。(www.xing528.com)
如何快速准确识别再制造过程质量异常，并通过异常识别方法及时发现质量异常原因，提出解决方案，使再制造过程恢复正常，这是企业目前需要解决的难点问题之一。因为保证废旧产品的质量不仅可以提高再制造过程的稳定性及减少成本，还可以提高再制造产品质量，从而提高再制造企业的效益。
综上所述，废旧机电产品零部件在再制造过程中，不同的废旧毛坯零件可能出现的质量问题各不相同，如何在监控出再制造过程质量出现异常时，快速准确地识别出质量异常，对于再制造过程的质量控制特别重要。对再制造过程质量异常的分析，为下一步再制造过程质量异常识别选择合适的方法做好准备。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
