对产品制造的关键工序进行质量控制是确保最终产品质量的重要措施。随着制造业的发展,工序质量控制常用的统计过程控制(SPC)方法难以与不断提高的制造复杂程度和自动化程度相适应。将人工智能领域的机器学习方法与SPC相结合,对SPC控制图进行模式识别以实现过程质量的智能控制,成为新的发展趋势。以BP神经网络、决策树、支持向量机、神经网络集成为代表的机器学习方法,都在制造过程质量智能控制领域得到研究。本文将概率神经网络集成引入到该领域,结合减速器装配关键工序质量控制的具体要求,开展了以下研究:1)研究了以概率神经网络集成为模式分类工具的控制图模式识别方法。首先通过MontCarlo仿真方法创建控制图模式数据集,确定模式特征;然后利用Bagging方法产生不同的训练样本集,并将概率神经网络(PNN)的spread参数在合理取值范围内随机取值进行扰动,得到差异的个体PNN;最后按多数投票算法将个体PNN输出进行集成,并通过改进的二进制粒子群(BPSO)算法,以模式分类精度最优为目标,进行个体组合寻优,得到用于控制图模式识别的选择性的PNN集成。2)研究并建立了基于PNN集成的制造过程质量控制模型。模型由滑动窗口采样、数据预处理、模式特征提取、模式分类几个环节构成。其中,针对模式分类中正常模式与混合模式易混淆的问题,提出PNN集成和决策树双层分类机制,前一层由PNN集成对模式进行粗分类,识别出异常模式;后一层以决策树细分,对混淆的正常模式和混合模式进行校正。通过仿真数据进行对比实验,验证了模型的有效性。3)基于建立的过程质量控制模型,针对减速器装配中对齿轮啮合侧隙控制的实际需求,按照软件工程的思路与流程,设计开发了关键工序质量控制原型系统。系统核心功能通过.NET与MATLAB互操作实现,支持在线数据采集和实时控制图模式识别,在实验室进行了初步应用验证。