云制造企业中产品质量预测模型研究
制造业分析：虚拟制造技术与模拟实验
制造业分析：虚拟制造技术与模拟实验近年来，制造业正经历着一场全面的数字化革命。
虚拟制造技术和模拟实验在这一领域扮演着重要的角色。
本文将探讨这两种技术的含义、应用和优势，并分析其对现代制造业的影响。
虚拟制造技术：呈现数字化时代的创新•虚拟制造技术是在计算机模型和仿真环境中进行制造过程的模拟和演练，以达到优化生产效率、降低成本和提高产品质量的目的。
•通过虚拟制造技术，制造商可以在现实生产之前预测和评估不同设计方案和生产策略的效果，同时降低试错成本和时间。
•进一步地，虚拟制造技术利用三维建模、物理引擎和传感器网络等工具，使得整个生产过程可以在虚拟环境中展示和优化，以提供更好的决策支持和生产性能分析。
模拟实验：从现实世界到数据世界的过渡•模拟实验是通过构建物理或数学模型来模拟实际生产过程，以便在虚拟环境中进行测试、优化和预测。
•在模拟实验中，制造商可以使用不同的数据集合、算法和参数来模拟不同的生产情景，并观察其对生产效率和质量的影响。
•模拟实验还可以提供对复杂生产系统中的风险和不确定性进行评估的能力，从而为制造商提供更好的决策依据和操作方針。
虚拟制造技术和模拟实验对制造业的影响1. 提高生产效率•虚拟制造技术和模拟实验可以帮助制造商预测生产过程中的瓶颈和瑕疵，并提供优化建议。
通过对生产车间和设备进行全面的模拟和优化，制造商可以有效地提高生产效率，减少资源浪费和时间成本。
•同时，虚拟制造技术和模拟实验还可以帮助制造商优化供应链管理，以确保原材料的供应和产品的物流运输在整个生产过程中的高效运作。
2. 降低成本和风险•通过在虚拟环境中进行模拟和实验，制造商可以减少实际生产中的试错成本和风险。
•虚拟制造技术和模拟实验还可以帮助制造商优化设备和工艺，以减少能源消耗和废物产生，从而降低生产成本和环境影响。
3. 提高产品质量•虚拟制造技术和模拟实验使制造商能够对产品进行全面的设计和测试，并提供自动化检测和质量控制。
•通过在虚拟环境中模拟不同的生产因素和场景，制造商可以更好地了解产品的性能和稳定性，以提供更高质量的产品。
云质QMS说质量 - 质量工具之矩阵图
1.什么是矩阵图20世纪末，有一部非常有名的科幻电影《The Matrix》。
《The Matrix》三部曲展现的是，人们所生活的世界是由一个巨大的计算机智能“矩阵”控制的虚拟世界，一切看似“真实”的信息由其创造并传播，人类为了Freedom与“矩阵”Fight。
在数学中，矩阵（Matrix）是一个按照长方阵列排列的复数或实数集合，最早来自于方程组的系数及常数所构成的方阵。
这一概念由19世纪英国数学家凯利首先提出。
矩阵是高等数学中的常见工具，也常见于统计分析等应用数学学科中。
在物理学中，矩阵在电路学、力学、光学和量子物理中都有应用。
当前非常热门的计算机领域，如机器学习、人工智能、神经网络都是基于矩阵形成的算法。
可以预见的是，通过计算机技术的应用，以质量知识库等为基础，质量管理也将向智能化进化。
矩阵在组织管理中有很多应用，比如风险评估矩阵、概率影响矩阵、道斯矩阵(SWOT分析)、职责分配矩阵RAM(RACI)、散点图矩阵、相关性矩阵、优先级矩阵、波士顿矩阵等，使用这些矩阵可以更有效和高效进行战略决策、质量管理、项目管理和持续改进等，矩阵图则是质量管理人员常用的QC新七种工具之一。
矩阵图，是从需要分析的事项中找出成对的因素组，分别排成行和列，找出行与列交叉点的关系或相关性的大小，从而探讨问题点的一种方法。
矩阵图可以展现2组或2组以上成对因素间的关系，同时能获得更多的相关性信息，其特点如下：(1)分析成对的影响因素，方便做多元性评估；(2)成对因素之间的相关性清晰明了，便于确定重点；(3)可根据多元性评估，将潜伏的各项因素找出来；(4)在系统图、关联图、亲和图等手法已分析至极限时，可以结合使用矩阵图。
例如时间管理四象限法，实际上就可以看作是按照“紧急”和“重要”2组成对因素（时间组：紧急/不紧急是一组，重要程度组：重要/不重要为另一组）组成的矩阵图，只不过是更加清晰地放在二维坐标轴的四个象限里而已。
在复杂的质量问题中，往往存在许多成对的质量因素。
制造业智能化的市场需求预测
制造业智能化的市场需求预测在当今科技飞速发展的时代，制造业正经历着一场深刻的变革——智能化。
制造业智能化不仅提高了生产效率和产品质量，还降低了成本和资源消耗，为企业带来了巨大的竞争优势。
因此，准确预测制造业智能化的市场需求对于企业的战略规划、投资决策以及市场布局具有至关重要的意义。
制造业智能化的发展现状目前，制造业智能化在全球范围内已经取得了显著的进展。
许多发达国家和地区的制造业企业纷纷引入先进的智能制造技术，如工业机器人、自动化生产线、智能仓储系统等，以提高生产效率和灵活性。
在中国，政府也大力推动制造业智能化升级，出台了一系列政策支持企业进行智能化改造。
众多企业积极响应，加大了在智能制造领域的投入，推动了中国制造业智能化的快速发展。
制造业智能化的驱动因素制造业智能化的市场需求不断增长，主要受到以下几个因素的驱动。
首先，消费者对个性化、高品质产品的需求日益增加。
传统的大规模生产模式难以满足消费者多样化的需求，而智能化制造能够实现小批量、定制化生产，更好地适应市场变化。
其次，劳动力成本的上升促使企业寻求自动化解决方案。
随着人口老龄化和劳动力短缺问题的加剧，人工成本不断攀升，企业为了降低成本，提高生产效率，纷纷采用智能化设备替代人工操作。
再者，科技的不断进步为制造业智能化提供了技术支持。
云计算、大数据、物联网、人工智能等新兴技术的发展，使得制造业企业能够实现设备的互联互通、数据的实时采集和分析，从而优化生产流程，提高决策的科学性。
此外，全球市场竞争的加剧也迫使企业加快智能化转型步伐。
在全球化的背景下，企业面临着来自世界各地的竞争对手，只有通过智能化提高产品质量和生产效率，才能在激烈的市场竞争中立于不败之地。
制造业智能化的市场需求预测方法为了准确预测制造业智能化的市场需求，需要综合运用多种方法。
市场调研是获取市场需求信息的重要途径。
通过问卷调查、访谈等方式，了解企业对智能化技术的需求、应用情况以及未来的投资计划，可以为市场需求预测提供第一手资料。
模型预测控制现状与挑战
模型预测控制现状与挑战一、本文概述随着科技的不断进步，模型预测控制（Model Predictive Control, MPC）作为现代控制理论的重要分支，已在众多领域，如工业制造、能源管理、交通运输以及航空航天等，展现出其独特的优势和广泛的应用前景。
本文旨在全面概述模型预测控制的当前发展状态，深入剖析其面临的挑战，并探讨未来可能的研究方向。
我们将简要介绍模型预测控制的基本概念、原理及其发展历程。
随后，我们将重点分析模型预测控制在不同应用领域中的现状，包括其取得的成果、存在的问题以及改进的方向。
在此基础上，我们将深入探讨模型预测控制面临的主要挑战，如模型的准确性、计算的复杂性、系统的鲁棒性等。
我们将展望模型预测控制的未来发展趋势，为相关领域的研究者和实践者提供参考和启示。
二、模型预测控制的基本原理模型预测控制（Model Predictive Control, MPC）是一种基于模型的控制策略，其核心思想在于利用系统的动态模型来预测未来的系统行为，并基于这些预测结果优化控制决策。
MPC通过反复在线求解一个有限时间的最优控制问题来生成当前的控制动作，从而实现对系统状态的调节和跟踪目标轨迹的目的。
系统建模：需要建立一个描述系统动态行为的数学模型。
这个模型可以是线性的，也可以是非线性的，取决于系统的特性和控制精度要求。
模型可以是状态空间模型、传递函数模型或其他适合描述系统动态的形式。
滚动优化：在MPC中，控制决策是通过求解一个有限时间的最优控制问题来得到的。
这个问题通常包括一个性能指标函数，该函数考虑了系统状态与控制输入的代价，以及终端约束或终端代价。
这个优化问题在每个控制时刻重新求解，称为“滚动优化”或“在线优化”。
反馈校正：MPC强调控制过程中的反馈校正，即利用实际测量的系统状态来更新预测，并在每个控制周期重新求解优化问题。
这样做可以减小模型失配和未建模动态对控制性能的影响，提高系统的鲁棒性。
MPC的主要挑战在于如何设计一个有效的优化算法，使其能够在线快速求解，并且随着系统状态的变化实时调整控制策略。
制造业中新质生产力的应用案例分析
制造业中新质生产力的应用案例分析在当今竞争激烈的市场环境下，制造业中的新质生产力成为了各企业追逐的重要目标。
通过合理的技术应用和创新，企业能够实现生产效率的提升和产品质量的提高，从而在市场上取得更大的竞争优势。
接下来将通过分析几个实际案例，探讨制造业中新质生产力的应用。
一、数字化生产传统的制造业往往采用手工操作或简单的机械设备生产产品，效率低下且易出错。
而数字化生产则利用现代化的技术，将生产过程数字化，提高了生产效率和产品质量。
例如，某家汽车制造公司通过引入智能机器人进行车身焊接，取代了传统的人工焊接，大大提高了焊接效率，同时还减少了焊接接缝的误差，保证了焊接质量。
二、物联网技术应用物联网技术是近年来制造业新质生产力的重要支撑之一。
通过将传感器和设备互联，实现设备之间和设备与系统之间的智能交互，帮助企业实现生产过程的监控和管理。
例如，某电子制造企业采用物联网技术，将生产线上的各个设备连接在一起，实时监控设备运行状态和生产进度，大大提高了生产效率和生产线的稳定性。
三、人工智能在制造业中的应用人工智能技术在制造业中的应用也日益广泛。
通过机器学习和数据分析，企业可以更好地预测需求、优化生产计划和提高产品质量。
例如，某服装生产企业采用人工智能技术，分析了大量的销售数据和顾客反馈信息，根据不同地区和季节的需求变化，调整产品设计和生产计划，提高了产品的市场竞争力。
四、3D打印技术的应用3D打印技术是一种快速制造技术，可以根据设计模型直接制造出产品，无需传统的模具制造过程，大大缩短了生产周期且降低了生产成本。
例如，某医疗器械制造企业采用3D打印技术，可以根据患者的个体化需求，快速打印出定制的医疗器械，提高了生产效率和产品质量。
五、云计算技术在制造业中的应用云计算技术为制造业提供了数据存储和处理的便利，帮助企业实现生产数据的实时监控和分析。
通过云计算技术，企业可以将生产数据存储在云端，不仅节约了存储空间和成本，还实现了多地点数据共享和远程监控。
制造业中的大数据分析与建模研究
制造业中的大数据分析与建模研究随着信息化的发展，数据已经成为了现代社会最重要的资产之一。
在制造业中，大数据也正在被广泛应用。
大数据分析与建模技术可以帮助制造企业实现生产自动化、质量管理、供应链优化等诸多目标，提高企业的竞争能力。
下面将详细探讨制造业大数据分析与建模研究的现状和发展趋势。
一、大数据在制造业中的应用大数据在制造业中的应用主要涉及以下几个方面：1. 生产自动化制造业生产过程中，涉及多种设备和工艺，需要对其进行监控、协调和调度。
大数据分析与建模技术可以帮助制造企业搭建智能化的生产管理系统，实现自动化生产和优化生产效率。
2. 质量管理高质量的产品是制造企业的核心竞争力之一。
大数据分析与建模技术可以帮助企业对生产过程中的质量数据进行分析和挖掘，及时发现质量问题，并进行修正和改进，提高产品的质量稳定性。
3. 供应链优化制造企业需要协调多个供应商的物料和零部件，进行生产组装和交付。
大数据分析与建模技术可以帮助企业分析供应链的数据，优化物流和采购过程，降低成本和风险。
4. 智能维护制造企业的设备和工艺需要进行定期保养和维修，以保证其生产效率和稳定性。
大数据分析与建模技术可以帮助企业对设备和工艺进行故障预测和维护计划制定，提高维护效率和降低成本。
以上应用仅是大数据在制造业中的冰山一角。
制造业是一个复杂而多元的领域，大数据可以在多个应用场景中发挥作用，为企业提供决策支持和业务优化。
二、大数据分析与建模技术大数据分析与建模技术是支持制造业大数据应用的关键技术之一。
主要包括以下几个方面：1. 数据采集和清洗制造企业涉及多个环节和多个系统，需要对其进行数据采集和清洗，以确保数据的质量和完整性。
大数据分析与建模技术需要借助数据采集和清洗技术，对数据进行预处理和预处理。
2. 数据挖掘和分析大数据分析与建模技术需要借助数据挖掘和分析技术，透彻分析制造企业生产过程中产生的数据，提取出有价值的信息。
数据挖掘和分析技术可以帮助企业识别模式、分类和聚类、预测异常和过程优化等。
基于大数据的智能制造质量监控技术
基于大数据的智能制造质量监控技术智能制造是以大数据技术为支撑的新型制造模式，它利用先进的信息技术和数据分析方法，实现了制造过程的数字化、网络化和智能化。
其中，质量监控是确保产品质量的重要环节。
基于大数据的智能制造质量监控技术以其高效、精确和自动化的特点，为企业提供了一种更好的质量管理解决方案。
一、大数据在智能制造中的作用在智能制造中，大数据是实现监测、分析和决策的基础。
它可以从多个数据源中采集和整合数据，为质量监控提供全面的信息支持。
大数据的应用可以实时追踪和监测生产过程中的各种参数和指标，从而及时发现质量异常，并采取相应的措施。
二、基于大数据的质量监控技术1. 数据采集与存储基于大数据的质量监控技术需要从多个数据源采集数据，并将其存储在可靠的数据库中。
数据采集可以通过传感器、监控设备等手段实现，实时地获取生产过程中的各种数据。
数据存储可以采用分布式数据库或云平台来存储，保证数据的安全性和可靠性。
2. 数据预处理与清洗从采集到的原始数据中提取有用的特征是进行质量监控的关键步骤。
数据预处理和清洗技术可以对原始数据进行噪声去除、异常值处理、缺失值填补等操作，提高数据的质量和准确性。
3. 数据分析与建模在质量监控过程中，数据分析与建模是实现故障检测和预测的核心步骤。
数据分析技术可以通过统计方法、机器学习和人工智能等手段，对原始数据进行分析，提取特征，建立质量监控模型。
这些模型可以帮助企业实时监测生产过程中的质量指标，并预测潜在的故障。
4. 异常检测与预警基于大数据的质量监控技术可以实时监测生产过程中的异常情况，并及时发出预警信号。
当监测到质量指标达到预定的阈值时，系统会自动触发警报，通知相关人员采取措施。
这样可以大大减少人工巡检的工作量，提高生产效率和产品质量。
5. 故障诊断与优化当发生质量异常时，基于大数据的质量监控技术可以帮助企业进行故障诊断和优化。
通过对异常数据的进一步分析，可以找到故障的原因，并采取相应的纠正措施。
智能制造中的数据驱动质量控制与监测
智能制造中的数据驱动质量控制与监测随着信息技术和人工智能的快速发展，智能制造已经成为推动制造业转型升级的重要手段。
而在智能制造的实践中，数据驱动的质量控制与监测显得尤为重要。
利用大数据分析、机器学习和物联网等技术，智能制造企业可以实时获取生产过程的大量数据，并通过数据分析和挖掘，实现质量控制的精准化和即时化。
本文将探讨智能制造中的数据驱动质量控制与监测的背景、方法和应用。
背景在传统制造过程中，质量控制和监测通常是通过人工来完成的，而且通常只能在离线环境中进行，无法实现对生产过程的实时监控和调整。
而在智能制造中，利用先进的传感器技术和物联网，企业可以将生产过程中产生的各种数据实时传送到云平台，并进行实时分析和挖掘。
通过对这些数据的分析，可以准确捕捉到潜在的质量问题，并及时采取相应的措施进行调整，从而实现质量控制的精准化和及时化。
方法数据驱动的质量控制与监测主要依靠大数据分析和机器学习等技术。
首先，智能制造企业需建立起数据采集系统，将生产过程中产生的各种数据实时传输到云平台或本地服务器。
这些数据可以包括传感器数据、设备状态数据、产品质量数据等。
然后，利用大数据分析算法对这些数据进行处理和挖掘。
通过对历史数据的分析，可以建立起质量控制模型，预测生产过程中可能出现的质量问题。
同时，通过对实时数据的分析，可以捕捉到生产过程中的异常情况，并及时进行调整和优化。
最后，通过机器学习算法，将这些分析结果与实际生产过程进行对比，进一步优化质量控制模型，提高预测准确性和操作效率。
应用数据驱动的质量控制与监测在智能制造中有广泛的应用。
首先，它可以应用于产品质量的监测和提升。
通过实时监测产品质量数据，企业可以追踪产品的生产工艺和质量变化，并及时调整生产参数，保证产品质量的稳定性和一致性。
此外，还可以通过分析产品质量数据，改进产品设计和制造过程，提高产品的质量水平和竞争力。
其次，数据驱动的质量控制与监测还可以应用于生产过程的优化和改进。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
云制造企业中产品质量预测模型研究
作者：熊国泰
来源：《现代商贸工业》2013年第10期
摘要：
云制造是一种面向服务、高效低耗、基于知识的网络化智能新模式，能够为云制造企业全生命周期提供可随时获取、按需使用、安全可靠、优质廉价的服务。
基于这些特点，在云制造企业中建立合理的质量预测模型，对产品的质量进行有效的预测，能够提高企业的市场竞争力，更好的服务用户，获取更多的利润。
基于云制造企业的新特点，比较几种常用质量预测模型及算法，其中常用的优化算法有神经网络、基因算法、多Agent等等，最后描述出新形势下云制造企业中产品的质量预测模型框架。
关键词：
云制造；质量预测；全生命周期；云服务；神经网络；基因算法；多Agent系统
中图分类号：
F2
文献标识码：A
文章编号：16723198（2013）10002701
在企业中，建立一种高效的企业质量预测模型，预测企业产品质量，是影响制造企业竞争力最具决定性的因素之一。
如今，随着云计算，云制造越来越多的进入人们的视野，把制造移入云端的企业也越来越多。
目前云制造的概念，就是利用互联网平台，按用户的具体需求组织网上的制造资源，为用户提供多种制造服务的一种网络化制造新模式。
本文根据云制造的一些特点，通过比较企业中产品质量预测的常用方法，最后描述出云制造企业中产品的质量预测一般模型框架。
目前企业中产品的质量评估和预测方法有很多，然而由于产品质量预测问题的影响参数多且关系复杂，此外这些参数之间一般存在非线性、强耦合的关系，是产品质量预测所面临主要的难题之一。
文献[2]展示了采用前向神经网络，基于模糊PetrI网的智能结构来检测产品质量。
文献[3]对BP神经网络的设计进行阐述，对隐层采用优化方法，以最小迭代次数为目标函数，解决了BP神经网络质量预测模型问题。
文献[4]网络将样本的输出值与真值之间的灰色关联度作为目标函数，采用粒子群算法优化一般BP神经网络的权系数和阀值，构建了基于粒子群神经网络
的质量预测模型，解决了一般BP算法迭代速度慢，且易出现局部最优解的问题。
文献[5-7]成功的设计了一套基于Web框架实时的人机界面质量预测系统，其中用到了RFID技术、特征分离、人工智能、数据聚合、神经网络等技术。
有效的建立了产品质量预测模型并阐述了其中需要用到的技术和具体算法。
文献[8]有云制造企业的特点，提出了面向加工质量预测的虚拟加工检测单元的研制，定义了虚拟加工检测单元体系结构，分析了主要的影响因素，建立了虚拟加工检测单元的原型系统。
一个系统能够高效、准确的运行离不开系统的结构和其中所包含的算法，本文就云制造企业中产品的质量预测问题，建立相应的系统模型，并确定其中包含的算法。
云制造企业全生命周期中，由于云制造网络的实时的特点能够更迅速、有效的获取产品质量预测所需的参数、数据。
然后利用相应合适的算法，就能实现云品台下产品质量预测，使云制造企业在市场竞争中立于主动地位，有更高的效益和效率。
1 预测所需参数获取
按需、自组织、网络化分布这些云制造特点，能够将制造资源虚拟化和制造能力服务化。
这种全生命周期的资源聚集使得从设计、制造到维护数据实时获取成为现实，同时也使云资源有更高的利用率和敏捷性，对于不同产品我们也能够从制造云中精确的提取出我们需要的预测其质量的参数、数据。
由于不同产品的质量特性不同，数据的衡量标准也不一样，所以对不同的产品不能采取相同的质量特性衡量指标。
因此，对于不同的产品从系统参数的角度来分析，而不是从产品具体参数的角度来建立预测模型，这样就能提高建模以及预测效率。
选取制造系统参数然后用合适的算法就能有效的预测产品质量，预测模型从产品缺陷预测能力和产品缺陷检测能力两个方面描述产品生产系统的能力，从制造云中提取相应的数据。
通过这些数据就可以对质量进行相应的预测，并且能够为用户提供产品缺陷防护及缺陷检测实时的高效建议，同时也能提高产品的质量预测能力。
2 预测模型的建立
目前，在工程中应用比较广泛的是神经网络，Matlab中也有相应的工具箱。
由于影响产品质量的因素较多，这些参数之间以及参数和产品质量间往往存在复杂非线性、强耦合关系，而神经网络能够建立复杂的输入输出关系，具有很强的非线性建模能力，因此近些年广泛用于各种工程领域。
其中应用最为广泛的是BP神经网络模型，由非线性的传递函数神经元组成，采用误差反向传递的方法作为其静态前馈网络，但是网络具有收敛速度慢、局部存在极小值，因此将样本的输出值与真值之间的灰色关联度作为目标函数，采用粒子群算法优化一般BP神经网络，基于粒子群神经网络的质量预测模型解决了这些问题。
接下来就是建立整体的云制造企业中产品质量预测模型，模型所处的环境是云制造环境，其特点是全生命周期的数据获取的实时性，产品质量预测模型中质量预测的算法是核心。
而目前应用最广泛，效率高的就是神经网络的预测方法。
首先，我们从制造云中获取质量预测所需
参数，从产品缺陷预测能力和产品缺陷检测能力两个方面，运用相应的神经网络算法对所获取参数进行分析、处理，然后与制造云中的实际产品质量信息进行比对，训练所选取的神经网络算法，通过多次训练，使神经网络达到一定的质量预测能力标准，然后就可以对其他相应的产品进行产品质量预测。
3 结束语
本文基于新形势下企业中云制造的趋势，以云制造全生命周期为视角，分析了不同算法优缺点，根据企业云制造的特点建立云制造企业中产品质量预测的一般性模型。
当今世界，企业中质量预测是满足客户需求，保障企业高效竞争的需要，将质量问题提早发现，对企业生产高质量产品，给顾客提供更好的服务有重要的现实意义。
本文建立的基础模型为云制造企业提供有效的质量预测方法，能够为我国企业更好的发展起到积极作用。
参考文献
[1]李伯虎，张霖，柴旭东.云制造概论[J].中兴通讯技术，2010，16（4）：58.
[2]Hanna，M. Modeling product quality in a machining center using fuzzy petri nets with neural networks[C]//in robotics and automation，1999. proceedings. 1999 IEEE nternational conference on，1999.
[3]李奎贤等.BP神经网络法在产品质量预测中的应用[J].东北大学学报（自然科学版），2001，22（6）：682684.
[4]徐兰，方志耕，刘思峰.基于粒子群BP神经网络的质量预测模型[J].工业工程，2012，15（4）： 1720，27.
[5]ChungLin，H.，et al. Design and implementation of an intelligent quality prediction system[C]//in Communication software and Networks （ICCSN），2011 IEEE 3rd International Conference on，2011.
[6]ChungChi，H. and H. ChungLin. Development of Cloud Computing Based Scheduling System Using Optimized Layout Method for Manufacturing Quality[C]//in Computer，Consumer and Control （IS3C），2012 International Symposium on，2012.
[7]Chung-Lin，H.，et al. Development of intelligent quality prediction for manufacturing system[C]//in Communication Software and Networks （ICCSN），2011 IEEE 3rd International Conference on，2011.
[8]姚英学，李荣彬.面向加工质量预测的虚拟加工检测单元的研制[J].中国机械工程，2000，（9）.
[9]孟祥旭等.云制造模式与支撑技术[J].山东大学学报（工学版），2011，（1）.
[10]Nada，O.A.，H.A. ElMaraghy and W.H. ElMaraghy，Quality prediction in manufacturing system design[J].Journal of Manufacturing Systems，2006，25（3）：153171.。