CN107122907B - 一种机电产品符号化质量特性的分析与故障原因追溯方法 - Google Patents

一种机电产品符号化质量特性的分析与故障原因追溯方法 Download PDF

Info

Publication number
CN107122907B
CN107122907B CN201710295266.7A CN201710295266A CN107122907B CN 107122907 B CN107122907 B CN 107122907B CN 201710295266 A CN201710295266 A CN 201710295266A CN 107122907 B CN107122907 B CN 107122907B
Authority
CN
China
Prior art keywords
gene
quality characteristic
quality
fault
product
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201710295266.7A
Other languages
English (en)
Other versions
CN107122907A (zh
Inventor
李贺
黄洪钟
李彦锋
郑晓娟
彭兆春
米金华
黄鹏
郭骏宇
黄承赓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201710295266.7A priority Critical patent/CN107122907B/zh
Publication of CN107122907A publication Critical patent/CN107122907A/zh
Application granted granted Critical
Publication of CN107122907B publication Critical patent/CN107122907B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Development Economics (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Genetics & Genomics (AREA)
  • Primary Health Care (AREA)
  • Manufacturing & Machinery (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • General Factory Administration (AREA)

Abstract

本发明公开了一种机电产品符号化质量特性的分析与故障原因追溯方法，以机电产品的质量形成过程为切入点，着重考虑操作者、机器、材料、加工工艺、环境和测量(5M1E)因素对其质量特性的影响，建立基于产品质量特性影响因素的产品质量特性基因模型；按模型输入要求，收集不同产品故障分析人员对故障产品的评价数据，并依据重要性阈值进行质量特性影响程度的二进制转录，进而形成故障产品的质量特性基因的符号化表达；基于相似性原理，开展故障产品质量特性基因与基因库现存质量特性基因的相似性分析，为故障原因初查与故障源追溯提供必要的信息支撑；最后通过诊断分析，得出引起产品故障的原因。

Description

一种机电产品符号化质量特性的分析与故障原因追溯方法
技术领域
本发明属于机电产品质量分析与故障原因追溯技术领域，具体涉及一种机电产品符号化质量特性的分析与故障原因追溯方法的设计。
背景技术
产品的质量，尤其是机电产品的质量形成于产品的加工制造过程中，即产品的质量特性随着产品的加工成型而被固化到产品中。机电产品的质量主要受到5M1E因素(操作者、机器设备、原材料、加工工艺、环境和测量)影响。其中操作者往往由于个人习惯、技能高低、年龄和工作经验等，对产品质量特性的形成具有较大影响。机器设备(如机床)作为产品加工过程的工作母机，是产品质量特性形成的最主要因素，其精度、稳定性等性能均关乎产品质量好坏，是满足产品合格性的关键保障。原材料作为产品的直接载体，其可加工特性、组成成分、机械性能等均直接影响着产品质量特性的形成，合理的原材料选用，是影响产品质量特性优劣的关键因素。加工工艺是产品制造重要环节，不同的加工工艺乃至不同的工艺顺序将对产品的性能产生重要影响；加工工艺的选择与工艺顺序的编排直接影响了产品的质量特性。测量是检测产品是否合格和设备稳定性、可靠性的直接手段，但是在数据采集中由于设备和人为因素的影响，使得所得到的结果往往也会出现误差。环境是产品形成过程中置于其中的所有外部及内部因素的总和，如温度、湿度、噪音、振动等，这些因素将直接影响产品质量特性的形成。随着高、精、尖及精细化加工要求的深入，对产品加工环境的要求尤甚，甚至某些产品对其使用环境也提出严苛的要求。
产品质量基因包含遗传特性和变异特性。产品质量的遗传和变异标定了产品质量信息的流转和转变。遗传特性是指产品生产制造过程中各个产品在原材料、加工工艺、加工机器设备、环境等的相似性。此等相似性一方面使得产品在功能、性能上存在一致性，另一方面使得产品质量特性之间存在一定的一致性，产品生产制造过程中工序之间同样存在质量特性的继承性。由于产品遗传特性的存在，使得产品的优良质量特性得以保留，产品的质量得以保障。变异特性描述了产品质量特征的差异。变异可由需求变动引起，变异一般为满足某种质量需求而触发，一般对产品质量特征有利。变异亦可由人为因素、自然因素或随机因素引起，变异有良莠之分。有害的变异使产品质量特征趋差，应加以防范。有害变异亦称为质量特性异常模式，应识别、寻因、控制。有利的变异在保留产品优良质量特性的同时，优化了产品质量特性，是产品创新、改进、优化和升级重要因素。
质量特性基因库是为了满足质量特性基因预测诊断和控制的要求，按照一定基因模型组织、存储和检索的互相关联的基因集合。质量特性基因库中的元素，应包括已存储的优良质量特性基因和缺陷质量特性基因。优良质量特性基因为产品质量保证和产品优化升级提供依据；缺陷质量特性基因为质量特性异常模式诊断提供参考。
发明内容
本发明的目的是为了解决现有的产品质量诊断控制技术人员要求高、流程复杂、分析效率低的问题，提出了一种机电产品符号化质量特性的分析与故障原因追溯方法。
本发明的技术方案为：一种机电产品符号化质量特性的分析与故障原因追溯方法，包括以下步骤：
S1、分析产品质量形成的影响因素，建立质量特性基因模型；
S2、根据质量特性基因模型，采用二进制数据对其进行编码；将质量信息转录，构建二进制基因模型，并将该二进制基因模型复制到质量特性基因库中；
S3、在二进制基因模型的基础上，进行质量特性基因相似性分析，找出待分析产品的质量特性基因与基因库中故障产品基因的相似性量化结果，为质量特性基因异常模式诊断提供必要的信息输入；
S4、基于相似性分析结果，开展质量特性故障基因的影响因素诊断分析工作，找出导致质量特性故障基因影响因素的量化结果，深究故障根源，为确定质量控制策略提供依据。
进一步地，步骤S1具体为：
建立质量特性基因影响因素链，包括质量特性基因属性层与质量特性基因属性展开层；质量特性基因属性层包括操作者、机器、原材料、加工工艺、环境和测量信息；质量特性基因属性展开层包括各细化的质量特性基因属性。
进一步地，步骤S2包括以下分步骤：
S21、基于分析人员对故障原因的分析，给出故障原因隶属于质量特性基因属性展开层中各因素的概率性评价数据；
S22、由历史故障数据的统计值或专家意见，给出质量特性基因属性层相对权值，并进行归一化处理；
S23、依据重要性阈值将分析人员的概率性评价数据符号化处理，大于阈值则表示重要，反之表示非重要；
S24、基于质量特性基因影响因素重要度符号化结果，依据质量特性基因双层结构，按照先质量特性基因属性层，后质量特性基因属性展开层的顺序，将符号化结果顺序编排，得出二进制基因序列，并将其复制到质量特性基因库中。
进一步地，步骤S3包括以下分步骤：
S31、基于特定产品故障分析人员评价数据的质量特性基因属性相似性比较分析，给出特定时刻观测基因与基因库中故障基因于指定属性上的相似性；
S32、基于多个产品故障分析人员评价数据的质量特性基因属性相似性比较分析，给出特定时刻观测基因与基因库中故障基因于指定属性上的相似性。
进一步地，步骤S4包括以下分步骤：
S41、对单一质量特性影响因素进行诊断分析；
S42、对质量特性影响因素属性进行诊断分析。
本发明的有益效果是：本发明针对当前机电产品质量特性分析与故障原因追溯技术对分析人员专业领域知识要求高、质量特性分析与故障原因追溯流程复杂、耗时费力等不足，从产品加工过程(即产品质量特性形成过程)入手，充分考虑操作者、机器、原材料、加工工艺、环境和测量(5M1E)因素对产品质量特性的影响。在得到分析人员对产品故障影响因素的概率化量化评价结果之后，依据工程实际设定符号化量化阈值，并基于此将产品质量特性影响因素符号化。进一步将以上结果映射到产品质量特性基因模型中，得到产品的质量特性基因；接着联合产品基因库中故障产品的质量特性基因，对待分析产品的质量特性基因开展相似性分析工作，依据相似性分析结果判断产品故障与否；若存在故障，进一步开展产品质量特性影响因素诊断分析工作，以确定产品质量出现变异的来源。本发明只需用到分析人员对产品故障影响因素的概率化量化评价，故而大大简化了产品质量特性分析与故障原因追溯的流程，省时省力。本发明的结果对产品质量特性分析与故障源头追溯有重要意义。同时，其结果对产品质量控制也将有一定的积极作用。
附图说明
图1为本发明提供的一种机电产品符号化质量特性的分析与故障原因追溯方法流程图。
图2为本发明实施例的机电产品符号化质量特性基因模型示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
本发明提供了一种机电产品符号化质量特性的分析与故障原因追溯方法，如图1所示，包括以下步骤：
S1、分析产品质量形成的影响因素，建立质量特性基因模型。
以质量特性基因模型为基础，充分考虑操作者、机器设备、原材料、加工工艺、环境及测量因素对产品制造过程(产品质量形成过程)的影响。在机电产品中，多见轴类零件的加工过程，而该类零件的质量正形成于其加工成型的过程中。本发明实施例中，以某轴的加工为研究对象，分析其质量特性的影响因素，进行质量特性基因建模。
建立质量特性基因影响因素链，包括质量特性基因属性层与质量特性基因属性展开层。本发明实施例中，建立的质量特性基因模型如图2所示。质量特性基因属性层包含操作者、机器、原材料、加工工艺、环境和测量(5M1E)信息。质量特性基因属性展开层即细化的质量特性基因属性层，详见表1。
表1
Figure BDA0001282906970000041
S2、根据步骤S1中建立的质量特性基因模型，采用二进制数据对其进行编码。将质量信息转录，构建二进制基因模型，并将该二进制基因模型复制到质量特性基因库中。
该步骤具体包括以下分步骤：
S21、基于分析人员对故障原因的分析，给出故障原因隶属于质量特性基因属性展开层中各因素的概率性评价数据。
本发明实施例中，要求故障分析评价人员给出的评价值介于0和1之间。大数值描述大可能性，1为必然因素，0为不可能因素。三名故障分析人员分别对某轴的故障进行分析，记录故障分析结果如表2所示。
S22、由历史故障数据的统计值或专家意见，给出质量特性基因属性层相对权值，并进行归一化处理。
归一化处理的公式为：
Figure BDA0001282906970000042
式中，Pi为质量特性基因属性的相对权值，对应于历史故障数据为ni，故障为第i属性的频率值；对于专家经验数据，ni为第i属性的专家评分值，多位专家评分取各评分的平均值。
本发明实施例中，收集到专家经验数据经归一化处理后结果如下：
Figure BDA0001282906970000043
S23、依据重要性阈值(一般取0.5)将分析人员的概率性评价数据符号化处理，大于阈值则表示重要(1表示)，反之表示非重要(0表示)。
本发明实施例中，具体为：
Figure BDA0001282906970000051
式中，
Figure BDA0001282906970000052
为待诊断基因于故障分析人员k评价下第i种属性中第j种元素的评分。
本发明实施例中，根据步骤S21中故障分析人员对故障轴故障原因的分析结果，根据重要性阈值对故障分析人员给出的质量影响因素评分进行二进制转录，得该故障轴质量影响因素评分按位二进制转录结果如表2所示。
表2
Figure BDA0001282906970000053
Figure BDA0001282906970000061
S24、基于质量特性基因影响因素重要度符号化结果，依据质量特性基因双层结构，按照先质量特性基因属性层，后质量特性基因属性展开层的顺序，将符号化结果顺序编排，得出二进制基因序列，并将其复制到质量特性基因库中。
本发明实施例中，根据步骤S23中故障轴质量影响因素评分按位二进制转录结果，按照先质量特性基因属性层，后质量特性基因属性展开层的顺序，将符号化结果顺序编排，得该故障轴的质量特性基因的符号化(二进制)表达结果如表3所示。
表3
Figure BDA0001282906970000062
检索的基因库中两故障轴的质量特性基因序列二进制转录结果如表4所示。
表4
Figure BDA0001282906970000063
S3、在二进制基因模型的基础上，进行质量特性基因相似性分析，找出待分析产品的质量特性基因与基因库中故障产品基因的相似性量化结果，为质量特性基因异常模式诊断提供必要的信息输入。
该步骤具体包括以下分步骤：
S31、基于特定产品故障分析人员评价数据的质量特性基因属性相似性比较分析，给出特定时刻观测基因与基因库中故障基因于指定属性上的相似性。
具体计算公式为：
Figure BDA0001282906970000071
式中，Sam(Aik,Bik)表示Aik与Bik的相似度，Aik表示第k个产品故障分析人员对待评价产品第i种属性的评价转录二进制基因类型，Bik表示第k个产品故障分析人员对基因库中故障产品基因第i种属性的评价转录二进制基因类型，Aijk为待诊断产品基因于故障分析人员k评价下第i种属性中第j种元素评价的转录二进制结果，Bijk为基因库中故障产品基因于故障分析人员k评价下第i种属性中第j种元素评价的转录二进制结果，TOR(Aijk,Bijk)为按位同或运算，
Figure BDA0001282906970000072
为对同或逻辑运算结果的按位和，L(Aik)为Aik字符串长度。
S32、基于多个产品故障分析人员评价数据的质量特性基因属性相似性比较分析，给出特定时刻观测基因与基因库中故障基因于指定属性上的相似性。
具体计算遵循：
Figure BDA0001282906970000073
式中，Sam(A,B)为A、B两基因的相似度量化结果，Pi表示第i种属性的相对权值。
本发明实施例中，故障轴的质量特性基因与基因库中故障产品基因的相似性量化结果如表5所示。
表5
Figure BDA0001282906970000074
由结果可知，故障轴的质量特性基因与基因库中故障轴XXX-01和XXX-02的质量特性基因均比较相似(Sam(A,B)≥0.5)，但比较而言，该故障轴与轴XXX-02基因相似度较强，故可按照XXX-02的故障原因推断本次分析故障轴的故障原因，为后续改进提供必要信息输入。
S4、基于相似性分析结果，开展质量特性故障基因的影响因素诊断分析工作，找出导致质量特性故障基因影响因素的量化结果，深究故障根源，为确定质量控制策略提供依据。
该步骤具体包括以下分步骤：
S41、对单一质量特性影响因素进行诊断分析。
对质量特性影响因素诊断分析遵循如下公式：
Figure BDA0001282906970000081
式中，Dij为第i种属性中第j种元素的诊断结果，
Figure BDA0001282906970000082
为质量分析人员k对待诊断基因第i种属性中第j种元素的评分，
Figure BDA0001282906970000083
为相似基因第i种属性中第j种元素评分，Pi为属性i的权值，&为逻辑与运算符。
本发明实施例中，对故障轴单一质量特性影响因素诊断分析结果如表6所示。
表6
Figure BDA0001282906970000084
S42、对质量特性影响因素属性进行诊断分析。
对质量特性影响因素属性诊断分析遵循如下原则：
Figure BDA0001282906970000085
式中，Di为第i种质量影响因素属性的诊断结果，ij为第i种属性中影响因素个数。
本发明实施例中，对故障轴质量特性影响因素属性诊断分析结果如表7所示。
表7
Figure BDA0001282906970000086
基于诊断结果，机器设备因素为造成此产品质量异常的主因，且刀具状况和机器设备加工精度为重要的影响因素。故应采取相应措施对产品质量进行控制，如更换刀具或检验机器设备加工精度等。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (3)

1.一种机电产品符号化质量特性的分析与故障原因追溯方法，其特征在于，包括以下步骤：
S1、分析产品质量形成的影响因素，建立质量特性基因模型；所述步骤S1具体为：
建立质量特性基因影响因素链，包括质量特性基因属性层与质量特性基因属性展开层；所述质量特性基因属性层包括操作者、机器、原材料、加工工艺、环境和测量信息；所述质量特性基因属性展开层包括各细化的质量特性基因属性；
S2、根据质量特性基因模型，采用二进制数据对其进行编码；将质量信息转录，构建二进制基因模型，并将该二进制基因模型复制到质量特性基因库中；包括以下分步骤：
S21、基于分析人员对故障原因的分析，给出故障原因隶属于质量特性基因属性展开层中各因素的概率性评价数据；
S22、由历史故障数据的统计值或专家意见，给出质量特性基因属性层相对权值，并进行归一化处理；
S23、依据重要性阈值将分析人员的概率性评价数据符号化处理，大于阈值则表示重要，反之表示非重要；
S24、基于质量特性基因影响因素重要度符号化结果，依据质量特性基因双层结构，按照先质量特性基因属性层，后质量特性基因属性展开层的顺序，将符号化结果顺序编排，得出二进制基因序列，并将其复制到质量特性基因库中；
S3、在二进制基因模型的基础上，进行质量特性基因相似性分析，找出待分析产品的质量特性基因与基因库中故障产品基因的相似性量化结果，为质量特性基因异常模式诊断提供必要的信息输入；
S4、基于相似性分析结果，开展质量特性故障基因的影响因素诊断分析工作，找出导致质量特性故障基因影响因素的量化结果，深究故障根源，为确定质量控制策略提供依据。
2.根据权利要求1所述的机电产品符号化质量特性的分析与故障原因追溯方法，其特征在于，所述步骤S3包括以下分步骤：
S31、基于特定产品故障分析人员评价数据的质量特性基因属性相似性比较分析，给出特定时刻观测基因与基因库中故障基因于指定属性上的相似性；
S32、基于多个产品故障分析人员评价数据的质量特性基因属性相似性比较分析，给出特定时刻观测基因与基因库中故障基因于指定属性上的相似性。
3.根据权利要求2所述的机电产品符号化质量特性的分析与故障原因追溯方法，其特征在于，所述步骤S4包括以下分步骤：
S41、对单一质量特性影响因素进行诊断分析；
S42、对质量特性影响因素属性进行诊断分析。
CN201710295266.7A 2017-04-28 2017-04-28 一种机电产品符号化质量特性的分析与故障原因追溯方法 Expired - Fee Related CN107122907B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710295266.7A CN107122907B (zh) 2017-04-28 2017-04-28 一种机电产品符号化质量特性的分析与故障原因追溯方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710295266.7A CN107122907B (zh) 2017-04-28 2017-04-28 一种机电产品符号化质量特性的分析与故障原因追溯方法

Publications (2)

Publication Number Publication Date
CN107122907A CN107122907A (zh) 2017-09-01
CN107122907B true CN107122907B (zh) 2021-01-05

Family

ID=59725045

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710295266.7A Expired - Fee Related CN107122907B (zh) 2017-04-28 2017-04-28 一种机电产品符号化质量特性的分析与故障原因追溯方法

Country Status (1)

Country Link
CN (1) CN107122907B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597392A (zh) * 2017-09-30 2019-04-09 西门子公司 有助于故障诊断的方法、装置和设备以及机器可读介质
CN107944491B (zh) * 2017-11-24 2021-01-05 电子科技大学 质量特性符号化映射控制图构建方法
CN109146279B (zh) * 2018-08-14 2021-12-07 同济大学 基于工艺规则与大数据的全流程产品质量溯源分析方法
CN112946240B (zh) * 2021-02-01 2022-08-02 北京科技大学 滑坡地质灾害基因判识与预测系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1907966A1 (en) * 2005-06-30 2008-04-09 Applera Corporation Automated quality control method and system for genetic analysis
CN105678078A (zh) * 2016-01-06 2016-06-15 电子科技大学 一种复杂机电系统符号化质量特性灰色预测方法
CN106250935A (zh) * 2016-08-15 2016-12-21 广东石油化工学院 遗传编程和加权证据理论融合的旋转机械故障诊断方法
CN106372660A (zh) * 2016-08-30 2017-02-01 西安电子科技大学 一种基于大数据分析的航天产品装配质量问题分类方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101871940B1 (ko) * 2014-05-12 2018-06-27 한화에어로스페이스 주식회사 설비 이상 예측 모델의 구축방법 및 시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1907966A1 (en) * 2005-06-30 2008-04-09 Applera Corporation Automated quality control method and system for genetic analysis
CN105678078A (zh) * 2016-01-06 2016-06-15 电子科技大学 一种复杂机电系统符号化质量特性灰色预测方法
CN106250935A (zh) * 2016-08-15 2016-12-21 广东石油化工学院 遗传编程和加权证据理论融合的旋转机械故障诊断方法
CN106372660A (zh) * 2016-08-30 2017-02-01 西安电子科技大学 一种基于大数据分析的航天产品装配质量问题分类方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
《A Quality diagnosis mehod for the large equipments based on quality gene similarity》;Libo Sun;《International Journal of Advanced Manufacting》;20131230;第2173-2182页 *
《基于产品质量基因的质量控制理论研究与应用》;孙利波;《中国机械工程》;20131230;第2885-2890页 *

Also Published As

Publication number Publication date
CN107122907A (zh) 2017-09-01

Similar Documents

Publication Publication Date Title
CN112034789B (zh) 一种数控机床关键部件及整机的健康评估方法，系统及评估终端机
WO2023071217A1 (zh) 基于深度迁移学习的多工况流程工业故障检测诊断方法
CN107122907B (zh) 一种机电产品符号化质量特性的分析与故障原因追溯方法
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
CN112528519A (zh) 发动机质量预警服务的方法、系统、可读介质和电子设备
JP2022520247A (ja) センサ計測データ統合
CN112508053A (zh) 基于集成学习框架的智能诊断方法、装置、设备及介质
CN111289256B (zh) 一种数据驱动的船舶柴油机故障检测方法
CN111340250A (zh) 设备检修装置、方法及计算机可读存储介质
JP2019098515A (ja) 刃具状態検査システム及び方法
CN112396250B (zh) 一种柴油机故障预测方法、装置、设备及存储介质
CN110443304A (zh) 一种基于机器学习模型的企业风险评估方法
JP7202078B2 (ja) 保全作業支援システム
CN110757510A (zh) 一种机器人剩余寿命预测方法及系统
CN112633611A (zh) 基于大数据分析的海底电缆状态检修策略优化方法及系统
CN114462820A (zh) 一种轴承状态监测与健康管理系统性能测试及优化方法和系统
CN117131364B (zh) 一种滚动轴承的工艺检测集成方法及系统
CN117094599A (zh) 基于机器学习的生产质量管理方法、装置和计算机设备
Schmidt et al. Context preparation for predictive analytics–a case from manufacturing industry
Xiao et al. Support evidence statistics for operation reliability assessment using running state information and its application to rolling bearing
CN110716533A (zh) 影响数控装备可靠性的关键子系统识别方法及系统
CN115659271A (zh) 传感器异常检测方法、模型训练方法、系统、设备及介质
Lorenti et al. Cuad-mo: Continuos unsupervised anomaly detection on machining operations
CN111931323A (zh) 存储器、加氢裂化设备故障预测方法、装置和设备
CN115115213A (zh) 一种钢铁产品质量特性的追溯分析方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210105

CF01 Termination of patent right due to non-payment of annual fee