摘要：针对离散制造企业生产环境和工艺的复杂性容易引起产品标识由于磨损、污染等因素不可识读的问题，本文提出一种基于制造历史数据的产品标识失效预测与补救方法。首先，给出了基于直接标刻技术（DPM）的产品制造历史信息模型，其次，分析了标识失效的影响因素并将历史数据进行 Z-score 标准化，通过主成分分析方法优化提取的特征，最后，建立了神经网络标识失效预测模型，结合神经网络预测结果和标识转移与继承方法进行了失效标识的恢复补救。实例结果表明，该方法能够较好的预测产品标识失效并进行补救。

关键词：直接标刻技术；制造历史数据；预测与补救；主成分分析；神经网络

    0. 引言

如何实时准确地获取离散制造企业车间底层产品的信息， 并且实时地将这些信息反馈到调度层、计划层，是实现产品实时追踪和提高企业敏捷制造能力的关键[1,2] 。直接标刻技术(DirectPart Marking, DPM)将具有一定信息的编码直接标刻在零件、部件和产品上实现其全生命周期内的唯一永久标识，由于 DPM 技术标识符号和对象一体化、符号占用面积小、编码容量大、不增重、成本低、牢固耐磨，便于长期追踪，成为解决产品追踪的有效方法[3,4] 。利用这项技术可实现产品从研制、生产、运输以及在战场、高空、太空的精确追踪及保障，显著降低数据输入错误。美国 NASA DPM负责人 Schramm,Harry 称 DPM 技术是自挑战者号航天飞机失事后， 在产品构型与安全管理方面最重要的技术进步之一[5] 。然而由于制造业生产环境和工艺的复杂性容易引起产品标识的磨损、污染和腐蚀等，从而发生标识失效。一般来讲，如果标识失效情况的发生概率超过了 5%，DPM 技术基本上就很难实施。因此，分析产品标识失效的影响因素，产品标识失效的预测和补救技术显得尤为重要，避免标识失效引发的信息追踪断路。

围绕产品追踪中标识失效预测补救方面国内外的研究较为鲜见，文献[6,7]通过大量的实验研究获得了针对激光直接标刻的可行的工艺方法，并实现了面向产品的数据矩阵码的编解码算法，及其数据矩阵码在复杂金属背景图像上的监测、定位、畸变校正与识别。文献[8]针对二维条码容易出现污渍或破损的情况，从图像的预处理入手， 将数字图像形态学中的膨胀处理和腐蚀处理结合 PDF417码的结构特征设计了一种清除噪声、恢复破损图像的方法，去除条码中的划痕污染，使得条码图形基本复原。文献[9]提出了基于图像拼接技术的缺损二维条码恢复算法研究，通过建立曲面畸变模型逆向校正条码图像。同时，对于在同一视角下显示不完全的条码图像，利用配套的工装设备，提出采用图像拼接算法恢复原始条码图像的方法。

以上相关研究在一定范围内对标识进行了恢复补救，主要是围绕着产品失效标识图像本身进行补救，脱离了生产现场难以满足生产过程包括机械加工、热处理和表面处理、焊接、电装、部装、总装等环节的实时追踪， 由于磨损、 污染、 装配、 热表处理等复杂工艺依然会使得产品标识 DM （DataMatrix）码失效，而且相关文献尚未提出产品生产过程标识状态的预测，从而不能做出及时恢复和补救。针对以上问题，本文提出一种基于制造历史数据的产品标识失效预测与补救方法，分析挖掘制造历史过程大量数据与标识失效的关联， 从制造历史数据角度 解决标识失效预测与补救问题提供了一种新的思路。第一，通过分析了标识失效的影响因素，并将基于 DPM 制造历史数据进行主成分分析方法优化。第二，建立了神经网络标识失效预测模型，结合神经网络预测结果和标识转移与继承方法进行了失效标识的恢复补救，该方法能够较好的预测产品标识失效并进行补救，准确合理的标识失效恢复补救对产品实时追踪及质量技术状态追溯有重要意义。

1. 基于 DPM 的制造历史信息模型

离散制造多信息源包括业务活动和生产对象所产生的大量关联复杂的产品信息，主要分为制造资源类和制造信息类，例如人员、设备、材料、过程、生产能力信息、生产计划信息、生产性能信息、 制造过程检验信息等。 基于 DPM 制造历史的信息模型， 分析产品生命周期各个阶段的信息特点，建立了标识识读影响因素、标识转移与继承等数据库表格，采用 DM 码作为唯一标识支持各个阶段产品信息的采集、传递及追踪追溯的实现。数据采集方式主要包括：键盘输入、文件导入上传、系统集成、扫描图像、声音视频等非结构化数据上传服务器。如图 1 所示（由于篇幅限制，只给出了模型的局部） ，基于元模型建立的制造历史信息模型覆盖产品制造、工艺、装配、交付等阶段的相关表格。

定义 1 制造资源元模型。制造资源元模型主要从制造角度出发对资源类型进行了元模型的定义，包括人员资源、设备资源、材料资源与辅助工装资源等生产制造过程中所需要和产生的制造资源和信息，它描述了生产过程中各种制造资源单元。制造资源元模型的数学模型采用四元组定义：ManuResource：= {ResDmID,ResAttribute, ResCapacity, ResRelation}式中，ResDmID 为资源的 DM码标识，关联所有与此节点所表示的资源信息，ResAttribute 为资源基本属性集，表达资源的基本信息，包括物理信息、过程信息、归属信息和历史信息等。ResCapacity 为资源能力集，定义资源能够达到的制造资源能力的资源对象属性和状态，例如质量、生产周期、成本等。ResRelation 为资源关系集合,定义资源之间的关联关系, 一组相同或不同类别资源实体按照一定目的和规范组成的集合，并通过其关联关系动态构建复合资源集的能力表达。 例如， 超差处理单/不合格品审理单 属性值{ID、制造过程检验类、质量、关联关系}，数控设备布局表 属性值{ID、设备资源类、生产周期、关联关系}。

定义 2 实体资源元模型。实体资源元模型主要从每个具体业务表格出发进行元模型定义，每个业务表格为一个实体资源元模型，描述实体类型资源的元模型，其定义如下：Entity ResourceMeta-Model=<Name, Description,ResourceType, URIPattern, DataSrouce, Attributes, Sub-Resources,Restriction>。上述这些属性构成了基本的实体资源元模型，其中前五个属性为实体资源元模型的必须属性，它们描述了基本的资源信息、资源访问方式、资源属性和资源数据来源。

定 义 3 主 数 据 资 源 (BaseResource) ： BaseResource =< UID, URI, DBCon, BRI> ； 1 2, ,.. BR . I .,nM M M  。UID(Unique Identifier) 作为零件对象的唯一标识 DM 码， 支持资源与对象的唯一对应， 选取 DM码与 URI(Unique Resource Identification)数据表中的主键关联，关联所有相关的产品生命周期信息与资源正确匹配。DBCon 负责分配、管理数据源连接信息，通过资源层可以找到信息的存储地址,获取实例数据。BRI 是数据表中的基本字段集合，用以描述产品生命周期信息的1 2, ,....,nM M M等字段属性集 BRI，并与对应的产品、零部件联系。进行大量异构表格的数据实体分析，分为主数据实体和事物数据实体，主数据实体是产品自身生产过程中基本的属性集合，例如材料 ID 属性值{名称、规格、炉号、技术条件}，零部件 Part ID属性值{名称、型号、工作令、图号} 工艺过程卡，<工艺过程 ID、计划员、调度、检验>等。

定义 4 事务数据资源 (TransactionResource)。 TransactionResource =< UID, URI, DBCon,TRI>； 1 2, ,.. TR . I .,nM M M  。事务数据资源中的变量{UID、URI、DBCon}与主数据资源中的变量含义相同。TRI 是数据表中的基本字段集合，用以描述产品生命周期信息的1 2, ,....,nM M M等字段属性集 TRI,并与对应的产品、零部件联系了起来。进行大量异构表格的数据实体分析，分为主数据实体和事物数据实体，事务数据实体是有产品生产过程中质量信息相关属性的 n 个事务项的集合。主要包括：热表处理过程，焊接、铆接、钣金等工艺质量数据表格。

2 基于 PCA-BP 产品标识失效预测

2.1 标识失效影响因素

在产品追踪中的 DPM 技术应用， 分析制造历史数据中对标识失效的影响因素， 零件所标刻的表面大都以金属作为背景，在产品全生命周期过程中存在生产工艺环境、标刻工艺、运输流通、工况光照等，DM 码容易引起磨损、划痕、污染和腐蚀等发生失效，主要分为下列几方面问题：(1)金属材质背景 由于零件金属的材质各异，DM 码与金属材料背景对比度不同，并可能存在噪声污染大，背景颗粒粗糙等问题。(2)生产工艺环境 零件生产过程周期长且工艺复杂，生产过程中的热处理和表面处理等工艺，加工纹理干扰、表面粗糙度不同影响 DM 码的质量。(3)标刻工艺影响 标刻工艺特征参数选取的不同，标识的大小、标识的打印增长、标刻的深度往往会影响标识的正确识读。(4)运输流通污染 金属零件在长期恶劣环境下流通，表面会有腐蚀生锈、磨损划痕污染、及其油污污染等问题，影响 DM 码正确识读。(5)工况光照影响 不同的工况环境往往会发生光照条件不理想的情况，金属零件的 DM 码可能会发生光照不足、高光反光、光照不均等问题。本文对标识识度环境的特征进行分析，提炼了标识失效的影响因素。标识识度最直接的影响因素为标识对比度( PC )、黑白模块磨损度( MR )、光照强度( CS )、标识的打印增长（ PG ） 、标识大小( CM )、标刻深度( PT )、表面粗糙度( Ra )。记标识失效状态为1 2 3{ , , ,... }jS s s s s  其中 s 的属性值为 1 和 0,1 代表标识未失效，0 代表标识失效，综上所述，标识失效与其影响因素的关系可表示为：( , , , , , , ) S f PC MR CS PG CM PT Ra  。 （1）标识 ECC200 Data Matrix 条码的黑白模块磨损识读自动算法采用 RS(Reed-Solomon)码进行检错纠错，RS 码是差错控制领域中最重要，也是研究最多的码类之一[10][11] 。在对付随机错误和突发错误以及两者的组合错误时，该码都有较强的纠错能力。

2.2 主成分分析法（PCA）

PCA 法是一种利用降维思想的多元统计分析方法，采用该方法能够抓住研究问题主要矛盾，使复杂的研究问题得到简化，提高分析问题的效率[12] 。对标识失效影响因素的历史制造数据进行主成分分析，基本思想是利用主成分分析对标识失效影响因素矩阵进行处理，实质是空间的坐标旋转并不改变样本数据结构，得到主成分是原变量的两两不相关的线性组合。标识失效影响因素历史数据量化值的统计分布可能差异较大,相等的量化值针对不同因素所表示的含义可能不同, 所以必须对量化值进行归一化,统一量化值的分布可以用 Z-score 模型实现: 其核心就是使归一化后的量化值整体的期望和方差统一，也是为进行主成分分析法的数据准备。（1）历史数据 Z-score 标准化Z-score 标准化是基于原始数据的均值和标准差进行数据的标准化。这种方法在原始数据呈正态分布的情况下，转化结果是较合理的。将标识失效影响因素历史数据的原始值ix使用 Z-score 标准化到ix。iix xx ； （2）1niixxn；（3）21( )1niix xn。（4）x与  分别为标识失效影响因素历史数据的样本均值和标准差。（2）主成分分析法（PCA）原理[13]设输入x为 n 维的零均值的随机向量， 1 2, ,...,nW t t t 为 n m维的变换矩阵(m<n),ty W x 为变换后的随机向量。则 y 称为随机向量 x 的 m 维主成分,如果  2argmaxiTi ivW E v x  。 （5）并且 n 维向量iv 满足约束条件01Ti jTi iv v j iv v   （6）1,2,..., i m  。iW 称为随机向量 x 的第 i 主方向。其中 E 表示求期望。传统上,变换矩阵 W 可以通过对输人随机向量 x 的协方差矩阵进行特征值分解来获得。设 TS E xx  为 x 的协方差矩阵,由于 S 是正定对称矩阵,所以存在 n 个不同的正特征值。不妨设为      众所周知第 i 主方向iw 就是i 所对应的单位特征向量。因此构成 W 的 m 个主方向满足i i iSw w   ， 1,2,..., i m  。 （7）在实际分析过程中,往往通过统计的办法来估计。给定一个数据集  ix , 1,2,..., j N  ,可得 x 的协方差矩阵 S 的估计为11NTi iiS x xN。 （8）对 S进行特征值分解和排序可以得到i 和 W 的估计值i和 Wi i i S w w     ， 1,2,..., i m  。 （9）（3）实现步骤步骤 1 根据统计历史数据进行 Z-score 标准化数据，选取样本 1 2, ,...,nW t t t 。步骤 2 计算n mW的协方差矩阵m mS。步骤 3 计算协方差矩阵m mS的特征值1 2...n      和特征向量n nW。步骤 4 累计贡献率=1 1N Mi ii i   ,其中 n m  。本文保留前 n 个主成分作为新指标进行分析,取累计贡献率为 85%。

2.3 PCA-BP 标识失效预测模型

BP 神经网络是一种多层次前向神经网络，它由输入层、隐含层和输出层 3 层组成，其核心是通过一边向后传递误差，一边修正误差的方法来不断调节网络参数，以实现或逼近所希望的输入、输出映射关系[14] 。 本文根据标识失效影响因素主成分分析累计贡献率 85%的主成分作为网络输入参数，以 Matlab 软件建立 BP 网络，利用制造历史数据进行统计得到的标识失效状态对网络进行训练，实现对标识失效的预测。图 2 为标识失效预测模型结构。BP 神经网络算法可以包含不同数量的隐含层，本文的 BP 神经网络采用 Kolmogorov 定理三层全互联、单隐层的网络结构。输入量为 PCA 优化提取的影响标识失效的特征：标识对比度( PC )、黑白模块磨损度( MR )、 光照强度( CS )、 标识的打印增长 （ PG ） 、 标识大小( CM )、 标刻深度( PT )、表面粗糙度( Ra )的主成分为计算参数，以标识失效状态作为目标向量。隐层节点数用经验公式m n l a    。 （10） 。式中： n 为输入层节点数， l 为输出节点数， a 为 1~10 之间的常数[15] ，根据 PCA 运算结果动态确定隐层节点数，标识失效影响因素主成分分析累计贡献率 85%的主成分个数，再进行大量试算实验确定选择不同的神经元数对模型具有最好的训练效果，如图 3 所示是标识失效预测的 BP 网络结构。x 2x 1 标 标 标 标标 标 标标 标标 标 标标 标 标 标 标 标x 3 标 标 标 n标 标 标 标. .. .. .. .. .. .图 2 标识失效预测的 BP 网络结构网络参数选取如下：训练算法采用最速下降法，选用 sigmoid 函数作为 BP 各层神经元的传递函数，误差函数为平方型误差函数。当网络权重个数小于 1 000 时，L-M（Levenberg-Marquardt）算法具有最快的收敛速度[16] ， 因此本文选用函数 trainlm 作为训练函数， 学习率对 BP 神经网络模型的性能有很大影响，本模型取训练误差为 0. 000 2，学习率为 0. 2，最大训练次数为 3 000 次。

3 产品标识失效的恢复补救

3.1 复杂工艺失效标识的转移补救

产品生产过程中的磨损、污染、热表处理等复杂工艺，采集标识影响因素进行主成分分析作为输入参数，记标识失效状态为1 2 3{ , , ,... }jS s s s s  其中 s 的属性值为 1 和 0,1 代表标识未失效，0 代表标识失效，根据 PCA-BP 标识失效预测结果，依然会使得 DM 码发生失效。因此，如何将零部件表面的 DM 码进行转移与恢复是应用 DPM 技术实现不间断追踪的关键。根据 PCA-BP 标识失效预测结果，热处理/表面处理等复杂工艺会造成 DM 码的破损，在工序开始加工之前，采用耐腐蚀、高温等适应恶劣环境的材料制造标牌或者包装，将零部件 DM 码转移到标牌或包装之上，结合西北工业大学现代集成制造实验室质量综合保障系统标识转移与集成模块采集转出原因、转出时间，转移材料，转出码等相关信息，以便恢复补救产品追溯相关信息，捆绑标牌或包装与零部件进行加工，工序完成以后，再将标牌或包装的 DM 码信息转回到零部件，实现失效标识的恢复及补救，具体的流程如图 4 所示。图 4 复杂工艺失效标识的转移与补救

3.2 装配过程的失效标识继承补救

通过 DPM 技术保障零件在装配过程中的配套关系的正确性，控制部装、总装之间的可追溯性及数据准确性，依据装配 BOM 对装配信息的校验，配对装配信息是否满足要求，确保装配的有效性和安全性。自底向上生成基于 DPM 的产品 BOM 比对装配 BOM（配套明细表） ，监控零组件的质量状态信息，避免装配过程中零部件的混装、错装等问题发生。然而，零件标识在流转生产过程存在磨损、污染等，在装配过程中根据 PCA-BP 标识失效预测结果，往往会发生失效，通过自底向上的产品 BOM树标识层级隶属关系，恢复补救预测失效或已失效的标识。结合西北工业大学现代集成制造实验室质量综合保障系统质量 BOM 构建和标识转移与集成模块，自底向上构建装配 BOM，首先系统生成组件 DM 码的相关信息，将属于该组件的相关零件的 DM码扫入到该组件的相应页面，在审查无误之后，点击确认生成组件的配套信息，建立了零组件之间的隶属关系。在完成层级组件的配套之后，将属于该产品的相关组件和零件 DM 码扫入产品的相关页面，审查无误后点击确认生成产品的配套信息，最终生成整个产品的 BOM 树。图 5 所示产品的 4 层树状结构表示了产品零部件之间的装配关系及相应的标识关联。

4 实例分析

某航空企业民品车间生产模式具有多品种、批量大、研制混线的特点，产品批次中数量庞大，要求对关重件实现单件不间断的追踪，由于生产环境和工艺过程复杂容易引起标识失效，需要结合DPM 技术进行失效预测及补救。本文对标识识度环境的特征进行分析，提炼了标识失效的影响因素为标识对比度、黑白模块磨损度、光照强度、标识的打印增长、标识大小、标刻深度、表面粗糙度，进行标识失效影响因素的主成分分析，其次进行基于 PCA-BP 标识失效预测并采用标识转移和继承补救。综上所述，基于历史数据的标识失效预测与补救方法分为两个阶段，具体过程如下：

4.1 标识失效影响因素

主成分分析借助 Matlab 数学计算软件，对标识失效的影响因素按以下步骤提取主成分：

步骤 1 标识失效影响因素历史数据量化值的统计分布可能差异较大，失效影响因素之间的数量级和纲量不同，因此，在 PCA 之前有必要使原始数据标准化，原始数据如表 1 所示，根据统计历史数据进行 Z-score 标准化数据如表 2 所示。

步骤 2 计算n mW的协方差矩阵m mS。7 71.0000 -0.7230 -0.1109 -0.1287 -0.0950 0.1766 -0.0717-0.7230 1.0000 -0.0618 -0.1105 -0.0290 0.0647 -0.0046-0.1109 -0.0618 1.0000 0.1237 0.0098 -0= S.1010 -0.0515-0.1287 -0.1105 0.1237 1.0000 0.3889 -0.9365 0.3041-0.0950 -0.0290 0.0098 0.3889 1.0000 -0.5172 0.15220.1766 0.0647 -0.1010 -0.9365 -0.5172 1.0000 -0.1997-0.0717 -0.0046 -0.0515 0.3041 0.1522 -0.1997 1.0000           。

步骤 3 计算协方差矩阵m mS的特征值1 2...n     和特征向量n nW。求矩阵m mS的特征值和相应的特征向量及贡献率，由表 3 可知，第一主成分的特征值为 46.144 8，其方差占总方差的34.7%，对标识失效发生起主要作用，前 4 个主成分的方差占总方差的 86.67%，根据主成分的选则标准，原来的 7 项指标可由这 4 个主成分代替。

步骤 4 计算累计贡献率超过 85%的主成分构成的变换矩阵m nS为:7 4-0.1785 0.6845 0.0722 0.02240.0036 -0.7163 0.0900 0.05750.1011 -0.0165 -0.8626 -0.4064= 0.5904 0.1052 -0.0444 -0.01670.4198 0.0473 0.0935 0.S3937-0.6044 -0.0687 0.0622 -0.16400.2602 0.0112 0.4776 -0.8055           。每一样本输入都可以投影到由7 4S构成的特征空间中，得到这样的一个降维子空间，任何一个样本都可以向其投影并获得一组坐标系数，该坐标系数作为 BP 神经网络的输入层。

4.2 基于 PCA-BP 标识失效预测及补救

（1）基于 PCA-BP 标识失效预测根据标识失效状态将输出参数分为 2 类： ［1， 0］ 表示标识未失效， ［0， 1］ 表示标识失效。 将 PCA计算后的样本的前 15 组数据作为训练样本，最后 5 组数据作为检验样本。用 Matlab 软件创建 BP 神经网络，以 4 个主成分作为输入向量，根据隐层节点数用经验公式m n l a   ，隐层节点数为 7，以标识失效状态作为目标向量。因此本文选用函数 trainlm 作为训练函数，本模型取训练误差为 0. 000 2，学习率为 0. 2，最大训练次数为 3 000 次。 经过训练， 在第 2 632 步达到误差要求， 训练完成后， 训练误差为 0.000 182 36。最后 5 组数据作为检验样本检验训练好的网络，产品标识预测结果如表 4 所示，图 6 为网络训练的误差曲线。经过验证，标识预测的准确率在 95%以上，可以较好地对产品标识状态进行预测。（2）预测失效标识补救产品生产过程中的磨损、污染、热表处理等复杂工艺，采集标识影响因素进行主成分分析作为输入参数，根据 PCA-BP 标识失效预测结果，依然会使得 DM 码发生失效。图 7 所示为采用标牌与包装带进行辅助追踪的两个实例，复杂工艺铝合金零件在酸洗、碱洗、阳极化等过程中对零件标识的恢复补救，图 8 所示复杂工艺环境的产品标识继承补救模块，恢复补救产品标识信息。结合西北工业大学现代集成制造实验室质量综合保障系统质量 BOM 构建和标识转移与集成模块，在装配过程中根据 PCA-BP 标识失效预测结果，往往会发生失效，通过 自底向上 的产品 BOM树标识层级隶属关系，图 9 所示装配过程零部件标识继承补救模块，恢复补救预测失效或已失效的标识。

5 结束语

针对离散制造企业生产环境和工艺的复杂性容易引起产品标识由于磨损、污染等因素不可识读的问题， 本文提出一种基于制造历史数据的产品标识失效预测与补救方法。 通过建立基于 DPM 的制造历史信息模型，分析了标识失效的影响因素并将制造历史数据进行主成分分析方法优化，建立了神经网络标识失效预测模型，结合神经网络预测结果和标识转移与继承方法进行了失效标识的恢复补救。实例结果表明，标识预测恢复补救正确率达到 95%以上，应用于产品流通环境和复杂工艺如批次追踪、物料追踪、热表处理、组件装配、齐套控制等产品生命周期过程，该方法能够较好的预测和恢复补救产品失效的标识，为复杂产品全生命周期的追踪追溯与质量保障提供了有效的支撑。

参考文献：[1]. Nicholas Reed, Jim Scanlan, Gary Wills, Steven T. Halliday. Knowledge use in an advanced manufacturingenvironment [J]. Design Studies, 2011, 32(3):292-312.[2]. Milagros Rolón, Ernesto Martínez. Agent-based modeling and simulation of an autonomic manufacturing executionsystem [J]. Computers in Industry, 2012, 63(1):53-78.[3]. US Air Force Unique Identification Overview[R].AF SNT/UID Program,2004.[4]. Qiu R G.Virtual production line based WIP control for semiconductor manufacturing systems[J].International Journal ofProduction Economics,2005:165-178.[5]. Schramm Harry F. UID....Now that's gonna leave a mark.USA Department of NASA Defense for Unique Identificationand e-Business Forum, 2008.[6]. WANG Su'an, HE Weiping, ZHANG Wei, et al. Application research on the direct laser marking&2D barcodetechnology on tool marking and identification[J]. China Mechanical Engineering, 2007，18(6)：676-680(in Chinese).[王苏安,何卫平,张 维，等. 激光标刻和二维条码技术在刀具标识中的应用研究[J]. 中国机械工程,2007,18(6):676-678. ] [7]. WANG Su'an, HE Weiping, ZHANG Wei, et al. Direct tool marking & identification method[J]. Computer IntegratedManufacturing Systems, 2007，13(6)：1169-1174(in Chinese). [王苏安,何卫平,张 维，等.刀具直接标刻与识别技术研究[J].计算机集成制造系统,2007,13(6): 1169-1171. ][8]. YAN Jun，SHEN Jianhua.Research on PDF417 code error correction mechanism based on expansion-corrosionalgorithm[J]. Computer Technology and Development,2013,23(6):136-138,165(in Chinese). [严 军,沈建华.基于膨胀—腐蚀算法的 PDF417 码纠错机制的研究[J].计算机技术与发展,2013,23(6):136-138,165. ][9]. WANG Jiajing, ZHANG Shusheng, HE Weiping, et al. Information recovery of defect 2-D barcode based on imagemosaic[J]. Computer & Digital Engineering, 2013,07:1085-1088,1201(in Chinese). [王佳婧,张树生,何卫平,王伟. 基于图像拼接技术的缺损二维条码恢复算法研究[J]. 计算机与数字工程,2013,07:1085-1088,1201. ][10]. [江藤良纯，金子敏信,编.纠错码及其应用[M]. 张秀琴,译.北京：科学出版社，2004.][11]. Chen T C, Wei C H, Wei S W. Step-by-step decoding algorithm for Reed-Solomon codes[C]//Proceedings ofCommunications, IEE. IET, 2000, 147(1): 8-12.[12]. HE Xiaoqun． Multivariate statistical analysis ［M］ ． Beijing: China Renmin University Press， 2012: 135(in Chinese)． [何晓群.多元统计分析[M]. 北京: 中国人民大学出版社，2012:135.][13]. Wang Song，Xia Shaowei.A robust principal component analysis(PCA) algorithm[J]. Journal of Systems Science andInformation,1998,18(1):10-14， 76(in Chinese).[王 松,夏绍玮. 一种鲁棒主成分分析(PCA)算法[J]. 系统工程理论与实践,1998,18（1）:10-14，76. ][14]. HAN Liqun． Artificial neural network tutorial[M]． Beijing: Beijing University of Posts and Telecommunications Press，2006: 58-75(in Chinese).[韩力群．人工神经网络教程[M]. 北京: 北京邮电大学出版社，2006:58-75.][15]. 韩立群. 人工神经网络教程[M]. 北京：北京邮电大学出版社，[16]. HU J P, LI Y,CH J. Surface roughness prediction of high speed milling based on back propagation artificial neuralnet-work[J]．Advanced Materials Research, 2010, 201/202/203:696-699．