唐明清，郭 钢+，陈勤和，伍 庆

(1.重庆大学 汽车工程学院，重庆 400044；2.四川电力设计咨询有限责任公司，四川 成都 610041；3.重庆大学 机械工程学院，重庆 400044)

0 引言

随着国家“智能制造2025”的提出，汽车企业对零件质量控制的要求不断提高，冲压成型作为汽车制造四大工艺之一，许多工位仍严重依赖人工经验[1-2]，由此造成零件质量管控成本居高不下。基于此，商业智能和工业大数据等作为零件质量控制新工具，成为各国学者研究热点[3-6]。统计过程控制(Statistical Process Control, SPC)理论已被提出多年，但该方法主要适用于次品产生后的检测，难以对零件质量进行事前控制。随着先进制造对不合格品率6σ水平要求的提出，在生产过程中采用基于预测和关联分析的超前质量控制是必然趋势[7-8]。李健等[9]提出基于遗传算法的零件加工系统误差建模方法，尝试对车削类加工进行实时建模和动态补偿；赖欣武[10]通过BP神经网络组合预测的方法，考虑了几何、材料和工艺方面因素对板料冲压回弹质量进行预测研究；鉴于支持向量机(Support Vecter Machine, SVM)较好地解决了人工神经网络(Atificial Neutral Network, ANN)高维数和小样本预测存在的先天问题[11-12]，董华等[8]在此基础上利用模糊最小二乘支持向量机(Least Square SVM, LS-SVM)实现了小批量生产智能预测。以上方法都取得了一定成果，但基于智能算法的“黑箱”预测模型难以实现数据间的关联分析，无法建立“工艺—质量”映射关系模型[13-15]，因此，难以确定工艺关键影响因子[16-17]。

多元线性回归是进行两组变量关联量化分析的经典方法[18]，适用于挖掘工艺参数和零件质量数据间的内在规律。……