CN109034483A - 一种基于质量功能配置的检测规划方法 - Google Patents
一种基于质量功能配置的检测规划方法 Download PDFInfo
- Publication number
- CN109034483A CN109034483A CN201810866891.7A CN201810866891A CN109034483A CN 109034483 A CN109034483 A CN 109034483A CN 201810866891 A CN201810866891 A CN 201810866891A CN 109034483 A CN109034483 A CN 109034483A
- Authority
- CN
- China
- Prior art keywords
- procedure
- detection project
- detection
- node
- quality
- 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.)
- Granted
Links
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- 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
- Y02P90/80—Management or planning
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供的一种基于质量功能配置的质量检测规划方法,包括计算产品生产过程中各个工序的重要度权重;归纳重要工序的检测项目;建立重要工序与检测项目之间的关系矩阵,计算重要工序和检测项目之间的相关系数;建立检测项目的自相关矩阵,计算两检测项目之间的相关系数;根据重要工序和检测项目之间的相关系数两检测项目之间的相关系数计算检测项目的重要度;重要度越大的检测项目给与更高的配置优先级;本发明解决了现有的企业现有检测规划主要依据工程师自身经验进行主观判断,存在主观性和片面性,缺少判断各工序重要程度的定量化描述方法以及系统化的检测规划措施。
Description
技术领域
本发明属于质量检测规划领域,具体涉及一种基于质量功能配置的质量检测规划方法。
背景技术
工业企业的生产经营活动是一个复杂的过程,由于受到人员、设备和物料等多种因素的影响,往往会引起产品质量的波动,甚至会产生不合格品。为了保证产品质量,需要对生产过程中的原材料、外购件、外协件、毛胚、半成品以及成品等各生产环节和生产过程进行质量检测。多品种、单件、中小批量、大批量等多种生产模式并存的复杂制造过程条件下,企业生产资源有限,无法针对生产线上的每一道工序全部进行重点检测,因此需要对车间生产工序进行区分,着重确保重要工序的质量。企业现有检测规划主要依据工程师自身经验进行主观判断,存在主观性和片面性,缺少判断各工序重要程度的定量化描述方法以及系统化的检测规划措施。
发明内容
本发明的目的在于提供一种基于质量功能配置的质量检测规划方法,解决了现有的企业现有检测规划主要依据工程师自身经验进行主观判断,存在主观性和片面性,缺少判断各工序重要程度的定量化描述方法以及系统化的检测规划措施。
为了达到上述目的,本发明采用的技术方案是:
本发明提供的一种基于质量功能配置的质量检测规划方法,包括以下步骤:
第一步,计算产品生产过程中各个工序的重要度权重,并根据各个工序的重要度权重识别出产品加工过程中的重要工序,将识别出的重要工序及该工序对应的权重作为检测规划质量屋的输入;
第二步,归纳第一步中所确定的重要工序对应的质量特征,并将其作为检测项目;
第三步,建立第一步中所确定的重要工序与第二步中所归纳的检测项目之间的关系矩阵,根据该关系矩阵计算重要工序和检测项目之间的相关系数;
第四步,建立第二步中所归纳的检测项目的自相关矩阵,根据该自相关矩阵计算两检测项目之间的相关系数;
第五步,根据第三步得到的重要工序和检测项目之间的相关系数、第四步得到的两检测项目之间的相关系数计算第二步中所归纳的检测项目的重要度;
第六步,根据第五步中所得的检测项目的重要度值对所对应的检测项目进行排序,重要度越大的检测项目给与更高的配置优先级。
优选地,第一步中,根据车间质量数据QD计算各个工序的重要度权重C(vi),具体方法是:
步骤1),车间质量数据QD通过下述集合形式表示:
QD={Time,Count}
式中:Time表示同批次零件生产过程中每件零件生产过程中每个工序的时间信息;Count 为同批次零件生产过程中所有不合格产品的记录信息;
其中,Time={ti|i=1,2,…,n}
ti={T,TF}
式中:ti表示第i道工序的时间信息;n表示每件零件生产过程中所需的工序总量;T表示第i道工序的持续时间;TF表示第i道工序的总时差;
Count={ci|i=1,2…,n}
ci={c_num,c_cause,c_process}
式中:ci表示第i条产品不合格记录;c_num表示该条记录对应的不合格品的数量;c_cause表示该条记录对应的每个不合格品产生的质量原因;c_process表示该条记录对应的每个不合格品产生的责任工序;
步骤2),以步骤1)中所得的车间质量数据QD为基础,结合赋权图的形式构建零件的加工模型G,其中,零件的加工模型G的表达式:
G={(V,U),(R,RU),WU}
式中:(V,U)为零件生产过程中的节点集合,其中,V={vi},vi是将零件加工过程中的第i 道工序抽象为第i道工序节点;U={ui},ui是将第i个不合格品产生的质量原因抽象为第i个不合格品产生的质量原因节点;(R,RU)是根据(V,U)中节点相互关系形成的有序点对所组成的有向边集合,其中:
R={ri}={<vk,vl>,<vm,vn>,…}
R是指零件生产过程中所有工序节点中,相邻的两个工序节点间有向边的集合,ri表示两个相邻的工序节点之间的有向边;
RU是指零件生产过程中所有工序节点与其对应的质量原因节点之间的相互关系的集合,表示第i道工序节点与该道工序对应的不合格品产生的质量原因节点之间的所有有向边的集合;
为有向边上的权,表示质量原因节点uj对工序节点vi的影响程度,其值为uj所表示的产品不合格记录中由vi所表示的责任工序所引起的不合格产品的数量;
步骤3),根据建立的步骤2)中建立所得的零件加工模型G计算各个工序的不确定性程度Cdu和各个工序的影响程度Cde;
步骤4),根据步骤3)所得的各个工序的不确定性程度Cdu和各个工序的影响程度Cde计算各个工序的重要度权重C(vi)。
优选地,步骤3)中计算各个工序的不确定性程度Cdu的具体方法是:
式中:d为直接与工序节点vi相连接的质量原因节点数量,为第j个直接与工序节点vi相连接的质量原因节点到vi的有向边的权;
对不确定性程度指标进行归一化:
式中:n表示加工过程中所有工序节点数目。
优选地,步骤3)中计算各个工序的影响程度Cde的具体方法是:
式中:σi为工序vi持续时间的标准差;σmax为加工过程中所有工序持续时间的标准差的最大值;E(TFi)为工序vi的总时差的期望值;Posi为工序vi在加工模型G中的位置重要度;
其中,工序vi持续时间的标准差σi计算方式如下:
式中:tij为同一批次中第j个零件的第i道工序的持续时间;μ为同一批次中所有零件第i 道工序的持续时间的平均值;m为同一批次中所有零件的数目;
工序vi的总时差的期望值E(TFi)计算方式如下:
式中:TFij为同一批次中第j个零件的第i道工序的工序总时差;
位置重要度Posi计算方法如下:
式中:n表示加工过程中所有工序节点数目;σmax为加工过程中所有工序持续时间的标准差的最大值;σk、σj表示工序vk、vj持续时间的标准差;E(TFk)、E(TFj)表示工序vk、vj总时差的期望值。
优选地,重要度指标C(vi)按以下方式计算:
式中:α为不确定性程度指标Cdu的权重;β为影响程度指标Cde的权重,其中,α+β=1;
第一步中,重要工序的判断标准:选择全部工序节点中重要度指标排序在前20%的工序节点作为重要节点。
优选地,第三步中,重点工序与检测项目的关系矩阵的建立方法是:
首先,根据车间现有的检测设置精度将检测设备划分为三个等级,其中,
将精度等级最高的检测设备所检测的检测项目与重点工序之间的关联程度设定为强相关;
将精度等级中等的检测设备所检测的检测项目与重点工序之间的关联程度设定为中等相关;
将精度等级最低的检测设备所检测的检测项目与重点工序之间的关联程度设定为弱相关;
其次,给重点工序与检测项目之间的关联强度赋予对应的评价值:
关联强度为强相关,其对应的评价值为9;
关联强度为中等相关,其对应的评价值为3;
关联强度为弱相关,其对应的评价值为1。
优选地,第四步中,检测项目自相关矩阵的建立方法是:
在所有的检测项目中,采用相关和不相关两个等级评估检测项目之间的相关关系,具体地:
当两项检测项目在检测过程中有测量基准定位联系的,则设为相关;
当两检测项目在检测过程中没有测量基准定位联系的,则设为不相关;
其中,测量基准定位联系是指两检测项目中某一检测项目检测确定的质量特性为另一检测项目所检测质量特性的定位基准;
关联程度为相关,其对应评价值为0.3;关联程度为不相关,其对应评价值为0。
优选地,第五步中,第j个检测项目的重要度CDj按以下方式计算:
式中:wi为第i个重要工序的权重值;rij为第i个重要工序与第j个检测项目之间的相关系数;pjk为第j个检测项目对第k个检测项目的相关系数。
与现有技术相比,本发明的有益效果是:
本发明提供的一种基于质量功能配置的质量检测规划方法,通过生产过程中的质量数据计算生产过程中各个工序的重要度,识别出产品加工过程中的重要工序,将识别出的重要工序及该工序对应的权重作为检测规划质量屋的输入,并采用质量矩阵式分解的方法得到检测项目的重要度排序,最终针对重要度不同的检测项目给予不同的配置优先级。经过分析以上步骤总结本发明的有益效果如下,第一通过对质量数据的分析计算定量识别出产品生产过程中的重要工序及重要检测项目,避免之前依据工程师经验判断重要工序过程中主观因素的干扰,为今后工业大数据环境下以生产过程中的质量数据为驱动的质量检测规划提供了基本思路;第二可以有效针对重要工序的重要检测项目进行检测资源分配,有效降低质量检测成本和产品制造过程中产生的质量损失,提高企业的生产效率;第三根据本检测规划方法进行质量检测、得到检测数据进行分析可以促进企业持续质量改进、提高产品质量和企业效益。
附图说明
图1是现有的质量功能配置的四阶段示意图;
图2是本发明涉及的质量屋结构示意图;
图3是本发明建立的零件加工模型图。
具体实施方式
下面结合附图,对本发明进一步详细说明。
本发明设计中的质量功能配置(Quality Function Deployment,QFD)最初是为满足顾客需求、提高产品质量赢得市场竞争而形成的一种新的产品开发和质量保证技术。质量功能配置以顾客的质量需求作为输入,用于驱动产品的规划和设计,同时通过定量化计算的方法得到对顾客需求影响较大质量特性,以便于对产品进行质量控制。
由于美国供应商协会(ASI)模式的四阶段:零部件规划、零部件设计、工艺设计以及生产规划与企业通用的产品开发过程相对应,其得到了学者和企业广泛的应用。其四阶段分解具体过程如图1所示,四个阶段技术特性之间的转化通过质量屋来实现。质量屋提供了一种将顾客需求转换成产品和零部件特征并配置到制造过程的结构,是一种直观的矩阵框架表达形式,是质量功能配置方法的工具。
具体地,如图2所示,本发明提供的一种基于质量功能配置的质量检测规划方法,包括以下步骤:
第一步,由车间生产人员统计车间中同批次零件生产过程中不合格产品记录和该同批次零件生产过程中每件零件生产过程中每个工序的时间信息,得到该批次零件的质量数据。计算产品生产过程中各个工序的重要度权重,并根据各个工序的重要度权重识别出产品加工过程中的重要工序,将识别出的重要工序及该工序对应的权重作为检测规划质量屋的输入;
其中,根据质量数据QD计算各个工序的重要度权重C(vi),具体方法是:
步骤1)将与车间重要工序识别有关的质量数据描述为下述的集合形式:
QD={Time,Count}
式中:Time表示同批次零件生产过程中每件零件生产过程中每个工序的时间信息;Count 为车间同批次零件生产过程中所有不合格产品的记录信息。
上述元素的详细组成如下:
Time={ti|i=1,2,…,n}
ti={T,TF}
式中:ti表示第i道工序的时间信息;n表示每件零件生产过程中所需的工序总量;T表示第i道工序的持续时间;TF表示第i道工序的总时差;工序总时差是指上一道工序完成后至本道工序开始前属于本道工序的自由支配时间。
Count={ci|i=1,2…,n}
ci={c_num,c_cause,c_process}
式中:ci表示第i条不合格记录;c_num表示该记录对应的不合格品的数量;c_cause表示不合格品产生的原因;c_process表示不合格品所对应的责任工序。
通过对车间在制零件的工序时间信息和不合格品记录的描述分析,可定量地计算出在不合格品以及工序时间信息的作用下各个工序对加工过程影响的重要程度,便于进行重要工序的识别。
(2)基于(1)中的车间质量数据构建零件加工模型,以赋权图的形式来表示零件加工模型如图3所示,加工过程的工序节点为赋权图中1,2,…7等节点,质量原因节点为a,b,c等节点,工序节点与质量原因节点连线数值为权重值。定义车间零件加工模型G为:
G={(V,U),(R,RU),WU}
式中:(V,U)为车间中的节点集合,其中,V={vi},V是将零件加工过程中的所有工序节点的集合,vi是将零件加工过程中的第i道工序抽象为第i道工序节点;U={ui},ui是将第i个不合格品产生的质量原因抽象为第i个不合格品产生的质量原因节点,U是零件加工过程中的所有不合格品产生的质量原因节点的集合;(R,RU)是根据(V,U)中节点相互关系形成的有序点对所组成的有向边集合,其中:
R={ri}={<vk,vl>,<vm,vn>,…}
R是指零件生产过程中所有工序节点中,相邻的两个工序节点间有向边的集合,ri表示两个相邻的工序节点之间的有向边;
RU是指零件生产过程中所有工序节点与其对应的质量原因节点之间的相互关系的集合,表示第i道工序节点与该道工序对应的不合格品产生的质量原因节点之间的所有有向边的集合;
为有向边上的权,表示质量原因节点uj对工序节点vi的影响程度,其值为uj所表示的产品不合格记录中由vi所表示的责任工序所引起的不合格产品的数量;
(3)判断工序重要程度并计算其权重。判断工序重要程度主要包括两个部分:一是工序自身的不确定性程度;二是工序对整个加工过程的影响程度。
①工序不确定性程度计算:不确定性程度指标Cdu用于描述零件加工模型中的工序节点所导致的不合格产品数量信息,Cdu值为与某工序节点直接相连的所有质量原因节点到该工序节点的距离之和。加工模型G中工序节点vi的不确定性程度指标按以下方式计算:
式中:d为直接与工序节点vi相连接的质量原因节点数量,为第j个直接与工序节点vi相连接的质量原因节点到vi的有向边的权。
对不确定性程度指标进行归一化:
式中:n表示加工过程中所有工序节点数目。
②工序影响程度计算:影响程度指标Cde用于描述车间加工模型中的工序节点对整个加工过程的影响程度,反映了工序节点加工时间对整体加工过程造成的的影响。加工模型G中工序节点vi的影响程度指标按以下方式计算:
式中:σi为工序vi持续时间的标准差;σmax为加工过程中所有工序持续时间的标准差的最大值;E(TFi)为工序vi的总时差的期望值;Posi为工序vi在加工模型G中的位置重要度。
工序vi持续时间的标准差σi计算方式如下:
式中:tij为同一批次中第j个零件的第i道工序的持续时间;μ为同一批次中所有零件第i 道工序的持续时间的平均值;m为同一批次中所有零件的数目。
工序vi的总时差的期望值E(TFi)计算方式如下:
式中:TFij为同一批次中第j个零件的第i道工序的工序总时差;m为同一批次中所有零件的数目。
位置重要度Posi计算方法如下:
式中:n表示加工过程中所有工序节点数目;σmax为加工过程中所有工序持续时间的标准差的最大值;σk、σj表示工序vk、vj持续时间的标准差;E(TFk)、E(TFj)表示工序vk、vj总时差的期望值。
对影响程度指标进行归一化:
式中:n表示加工过程中所有工序节点数目。
③工序重要度计算。根据①和②中工序节点vi不确定性程度指标Cdu(vi)与影响程度指标 Cde(vi)计算加工过程中工序vi的重要度。重要度指标C(vi)按以下方式计算:
式中:α为不确定性程度指标Cdu的权重,反映了不确定性指标对重要度计算过程的贡献程度;β为影响程度指标Cde的权重,反映了影响程度对重要度计算过程的贡献程度,α+β=1。企业在管理过程中存在不同的重点,α、β取值根据实际情况由质量管理人员确定。
最后根据帕累托80/20原则,选择全部工序节点中重要度指标排序在前20%的工序节点作为重要节点,并将其作为检测规划质量屋的输入。
2)归纳为了保证关键工序加工质量而应进行的检测项目。检测项目的归纳是将1)中确定的重点工序加工完成后产生的一个或多个质量特性进行编号排列,质量特性是指长度、直径或同轴度等,检测项目即是针对所产生的质量特性进行测量检验。
3)建立重点工序与检测项目的关系矩阵。重点工序与检测项目之间的关系矩阵表明加工过程中重点工序产生的质量特性在检测项目的测量检验作用下的受控程度,关联矩阵指标评价值越高,表明通过检测项目的测量检验可以更为精确地判断重点工序产生的质量特性的符合程度。
本方法中将重点工序与检测项目之间的关联关系程度划分为强相关、中等相关和弱相关三个等级。为进一步进行定量计算,关联程度和评价分值之间的对应关系如表1所示。评价分值的选择由质量管理人员根据现有检测设备与检测方法等情况确定,具体地操作是:质量管理人员根据现有的检测设备精度将检测设备划分为三个等级,精度等级最高的检测设备所检测的检测项目与重点工序的关联程度为强相关,精度等级中等的检测设备所检测的检测项目与重点工序的关联程度为中等相关,精度等级最低的检测设备所检测的检测项目与重点工序的关联程度为弱相关。
表1检测项目与重点工序关联程度的数值对应关系
4)建立检测项目自相关矩阵。质量检测规划中的各个检测项目并不是相互独立,而是具有相关联系,检测项目之间的相关联系构成了检测项目的自相关矩阵。例如某个检测项目的定位基准由其之前一个检测项目确定是否符合标准,所以前一检测项目检测结果的精确程度会影响到后续检测项目。
本方法采用相关和不相关两个等级评估检测项目之间的相关关系。具体评估分值如表2 所示。确定评价分值的标准为:两检测项目在检测过程中有测量基准定位联系则为相关,两检测项目在检测过程中没有测量基准定位联系则为不相关。测量基准定位联系是指两检测项目中某一检测项目检测确定的质量特性为另一检测项目所检测质量特性的定位基准。
表2影响因素自相关矩阵评估数值关系
5)计算检测项目的重要度。检测项目重要度是对能够针对重要工序进行有效检测的检测项目的排序。综合考虑重要工序与检测项目的关联关系、各个检测项目之间的相关关系,第j 个检测项目的重要度按以下方式计算:
式中:CDj为第j个检测项目的重要度;wi为第i个重要工序的权重值;rij为第i个重要工序与第j个检测项目之间的相关系数;pjk为第j个检测项目对第k个检测项目的相关系数。
根据重要度数值对检测项目进行排序,重要度越大的检测项目给与更高的配置优先级,最终根据检测项目安排检测工作,制定检测计划,具体内容包括:
(1)绘制检测流程图,确定检测活动的流程,检测站点的设置,选择检测的方法等。
(2)编制检验用产品质量缺陷分级标准和分级表,据此实施检测工作。
(3)编制检验指导书,为重要的检测活动提供具体指导。
(4)编制检测设备计划,包括仪器仪表、量具和装备等的安排计划。
(5)安排人员的配备、培训和资格认证等事项。
Claims (8)
1.一种基于质量功能配置的检测规划方法,其特征在于,包括以下步骤:
第一步,计算产品生产过程中各个工序的重要度权重,并根据各个工序的重要度权重识别出产品加工过程中的重要工序,将识别出的重要工序及该工序对应的权重作为检测规划质量屋的输入;
第二步,归纳第一步中所确定的重要工序对应的质量特征,并将其作为检测项目;
第三步,建立第一步中所确定的重要工序与第二步中所归纳的检测项目之间的关系矩阵,根据该关系矩阵计算重要工序和检测项目之间的相关系数;
第四步,建立第二步中所归纳的检测项目的自相关矩阵,根据该自相关矩阵计算两检测项目之间的相关系数;
第五步,根据第三步得到的重要工序和检测项目之间的相关系数、第四步得到的两检测项目之间的相关系数计算第二步中所归纳的检测项目的重要度;
第六步,根据第五步中所得的检测项目的重要度值对所对应的检测项目进行排序,重要度越大的检测项目给与更高的配置优先级。
2.根据权利要求1所述的一种基于质量功能配置的检测规划方法,其特征在于,第一步中,根据车间质量数据QD计算各个工序的重要度权重C(vi),具体方法是:
步骤1),车间质量数据QD通过下述集合形式表示:
QD={Time,Count}
式中:Time表示同批次零件生产过程中每件零件生产过程中每个工序的时间信息;Count为同批次零件生产过程中所有不合格产品的记录信息;
其中,Time={ti|i=1,2,…,n}
ti={T,TF}
式中:ti表示第i道工序的时间信息;n表示每件零件生产过程中所需的工序总量;T表示第i道工序的持续时间;TF表示第i道工序的总时差:
Count={ci|i=1,2…,n}
ci={c_num,c_cause,c_process}
式中:ci表示第i条产品不合格记录;c_num表示该条记录对应的不合格品的数量;c_cause表示该条记录对应的每个不合格品产生的质量原因;c_process表示该条记录对应的每个不合格品产生的责任工序;
步骤2),以步骤1)中所得的车间质量数据QD为基础,结合赋权图的形式构建零件的加工模型G,其中,零件的加工模型G的表达式:
G={(V,U),(R,RU),WU}
式中:(V,U)为零件生产过程中的节点集合,其中,V={vi},vi是将零件加工过程中的第i道工序抽象为第i道工序节点;U={ui},ui是将第i个不合格品产生的质量原因抽象为第i个不合格品产生的质量原因节点;(R,RU)是根据(V,U)中节点相互关系形成的有序点对所组成的有向边集合,其中:
R={ri}={<vk,vl>,<vm,vn>,…}
R是指零件生产过程中所有工序节点中,相邻的两个工序节点间有向边的集合,ri表示两个相邻的工序节点之间的有向边;
RU是指零件生产过程中所有工序节点与其对应的质量原因节点之间的相互关系的集合,表示第i道工序节点与该道工序对应的不合格品产生的质量原因节点之间的所有有向边的集合;
为有向边上的权,表示质量原因节点uj对工序节点vi的影响程度,其值为uj所表示的产品不合格记录中由vi所表示的责任工序所引起的不合格产品的数量;
步骤3),根据建立的步骤2)中建立所得的零件加工模型G计算各个工序的不确定性程度Cdu和各个工序的影响程度Cde;
步骤4),根据步骤3)所得的各个工序的不确定性程度Cdu和各个工序的影响程度Cde计算各个工序的重要度权重C(vi)。
3.根据权利要求2所述的一种基于质量功能配置的检测规划方法,其特征在于,步骤3)中计算各个工序的不确定性程度Cdu的具体方法是:
式中:d为直接与工序节点vi相连接的质量原因节点数量,为第j个直接与工序节点vi相连接的质量原因节点到vi的有向边的权;
对不确定性程度指标进行归一化:
式中:n表示加工过程中所有工序节点数目。
4.根据权利要求3所述的一种基于质量功能配置的检测规划方法,其特征在于,步骤3)中计算各个工序的影响程度Cde的具体方法是:
式中:σi为工序vi持续时间的标准差;σmax为加工过程中所有工序持续时间的标准差的最大值;E(TFi)为工序vi的总时差的期望值;Posi为工序vi在加工模型G中的位置重要度;
其中,工序vi持续时间的标准差σi计算方式如下:
式中:tij为同一批次中第j个零件的第i道工序的持续时间;μ为同一批次中所有零件第i道工序的持续时间的平均值;m为同一批次中所有零件的数目;
工序vi的总时差的期望值E(TFi)计算方式如下:
式中:TFij为同一批次中第j个零件的第i道工序的工序总时差;
位置重要度Posi计算方法如下:
式中:n表示加工过程中所有工序节点数目;σmax为加工过程中所有工序持续时间的标准差的最大值;σk、σj表示工序vk、vj持续时间的标准差;E(TFk)、E(TFj)表示工序vk、vj总时差的期望值。
5.根据权利要求4所述的一种基于质量功能配置的检测规划方法,其特征在于,重要度指标C(vi)按以下方式计算:
式中:α为不确定性程度指标Cdu的权重;β为影响程度指标Cde的权重,其中,α+β=1;
第一步中,重要工序的判断标准:选择全部工序节点中重要度指标排序在前20%的工序节点作为重要节点。
6.根据权利要求1所述的一种基于质量功能配置的检测规划方法,其特征在于,第三步中,重点工序与检测项目的关系矩阵的建立方法是:
首先,根据车间现有的检测设置精度将检测设备划分为三个等级,其中,
将精度等级最高的检测设备所检测的检测项目与重点工序之间的关联程度设定为强相关;
将精度等级中等的检测设备所检测的检测项目与重点工序之间的关联程度设定为中等相关;
将精度等级最低的检测设备所检测的检测项目与重点工序之间的关联程度设定为弱相关;
其次,给重点工序与检测项目之间的关联强度赋予对应的评价值:
关联强度为强相关,其对应的评价值为9;
关联强度为中等相关,其对应的评价值为3;
关联强度为弱相关,其对应的评价值为1。
7.根据权利要求1所述的一种基于质量功能配置的检测规划方法,其特征在于,第四步中,检测项目自相关矩阵的建立方法是:
在所有的检测项目中,采用相关和不相关两个等级评估检测项目之间的相关关系,具体地:
当两项检测项目在检测过程中有测量基准定位联系的,则设为相关;
当两检测项目在检测过程中没有测量基准定位联系的,则设为不相关;
其中,测量基准定位联系是指两检测项目中某一检测项目检测确定的质量特性为另一检测项目所检测质量特性的定位基准;
关联程度为相关,其对应评价值为0.3;关联程度为不相关,其对应评价值为0。
8.根据权利要求1所述的一种基于质量功能配置的检测规划方法,其特征在于,第五步中,第j个检测项目的重要度CDj按以下方式计算:
式中:wi为第i个重要工序的权重值;rij为第i个重要工序与第j个检测项目之间的相关系数;pjk为第j个检测项目对第k个检测项目的相关系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866891.7A CN109034483B (zh) | 2018-08-01 | 2018-08-01 | 一种基于质量功能配置的检测规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810866891.7A CN109034483B (zh) | 2018-08-01 | 2018-08-01 | 一种基于质量功能配置的检测规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109034483A true CN109034483A (zh) | 2018-12-18 |
CN109034483B CN109034483B (zh) | 2021-03-16 |
Family
ID=64647686
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810866891.7A Active CN109034483B (zh) | 2018-08-01 | 2018-08-01 | 一种基于质量功能配置的检测规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109034483B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262409A (zh) * | 2019-05-17 | 2019-09-20 | 山东中烟工业有限责任公司 | 一种面向智能制造的卷烟设备数据处理方法及系统 |
CN110850826A (zh) * | 2019-11-14 | 2020-02-28 | 昌河飞机工业(集团)有限责任公司 | 一种面向复杂零件工程更改环境的零件质量检测方法 |
CN112069558A (zh) * | 2020-09-16 | 2020-12-11 | 四川大学 | 基于rfkd的产品创新设计知识推送系统及构建方法 |
US11493901B2 (en) | 2020-09-24 | 2022-11-08 | International Business Machines Corporation | Detection of defect in edge device manufacturing by artificial intelligence |
CN116502542A (zh) * | 2023-06-20 | 2023-07-28 | 南京航空航天大学 | 一种基于深度学习的多工艺产品关键工序识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064028A (zh) * | 2006-11-03 | 2007-10-31 | 浙江工业大学 | 基于qfd、triz的产品创新设计系统 |
CN101533486A (zh) * | 2008-03-17 | 2009-09-16 | 亿维讯软件(北京)有限公司 | 一种实现质量机能综合展开的方法 |
EP2985709A1 (en) * | 2013-04-11 | 2016-02-17 | Nissan Motor Co., Ltd | Design assistance device and design assistance method |
US20160116892A1 (en) * | 2014-10-22 | 2016-04-28 | Industrial Technology Research Institute | Method and system of cause analysis and correction for manufacturing data |
-
2018
- 2018-08-01 CN CN201810866891.7A patent/CN109034483B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101064028A (zh) * | 2006-11-03 | 2007-10-31 | 浙江工业大学 | 基于qfd、triz的产品创新设计系统 |
CN101533486A (zh) * | 2008-03-17 | 2009-09-16 | 亿维讯软件(北京)有限公司 | 一种实现质量机能综合展开的方法 |
EP2985709A1 (en) * | 2013-04-11 | 2016-02-17 | Nissan Motor Co., Ltd | Design assistance device and design assistance method |
US20160116892A1 (en) * | 2014-10-22 | 2016-04-28 | Industrial Technology Research Institute | Method and system of cause analysis and correction for manufacturing data |
Non-Patent Citations (3)
Title |
---|
吴志新著: "《基于QFD质量工具集成的研究与应用》", 30 September 2015, 浙江大学出版社 * |
张公绪主编: "《现代质量管理学》", 31 August 1999, 中国财政经济出版社 * |
郜振华; 蔡梦云: "基于模糊QFD和模糊TOPSIS的工序质量改进研究", 《价值工程》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262409A (zh) * | 2019-05-17 | 2019-09-20 | 山东中烟工业有限责任公司 | 一种面向智能制造的卷烟设备数据处理方法及系统 |
CN110850826A (zh) * | 2019-11-14 | 2020-02-28 | 昌河飞机工业(集团)有限责任公司 | 一种面向复杂零件工程更改环境的零件质量检测方法 |
CN112069558A (zh) * | 2020-09-16 | 2020-12-11 | 四川大学 | 基于rfkd的产品创新设计知识推送系统及构建方法 |
CN112069558B (zh) * | 2020-09-16 | 2022-12-02 | 四川大学 | 基于rfkd的产品创新设计知识推送系统及构建方法 |
US11493901B2 (en) | 2020-09-24 | 2022-11-08 | International Business Machines Corporation | Detection of defect in edge device manufacturing by artificial intelligence |
CN116502542A (zh) * | 2023-06-20 | 2023-07-28 | 南京航空航天大学 | 一种基于深度学习的多工艺产品关键工序识别方法 |
CN116502542B (zh) * | 2023-06-20 | 2023-09-12 | 南京航空航天大学 | 一种基于深度学习的多工艺产品关键工序识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109034483B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109034483A (zh) | 一种基于质量功能配置的检测规划方法 | |
JP6817426B2 (ja) | マシンラーニング基盤の半導体製造の収率予測システム及び方法 | |
CN111950918B (zh) | 一种基于电力交易数据的市场风险评估方法 | |
CN111104981A (zh) | 一种基于机器学习的水文预报精度评价方法及系统 | |
CN108121295A (zh) | 预测模型建立方法及其相关预测方法与计算机程序产品 | |
CN112699553B (zh) | 一种岩爆烈度等级智能预测系统方法 | |
CN109389145A (zh) | 基于计量大数据聚类模型的电能表生产厂商评价方法 | |
CN111949939B (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN110826855A (zh) | 智能配电房状态监测传感器入网性能的检验方法及系统 | |
CN105867341A (zh) | 一种烟草加工设备的在线设备健康状态自检方法及系统 | |
WO2022213600A1 (zh) | 基于lstm-cnn的核电站蒸发器涡流信号类型识别方法 | |
CN111678992A (zh) | 一种用于识别混凝土结构损伤类型的无损检测方法 | |
CN115080379A (zh) | 一种多维度评估软件测试有效性的方法 | |
CN111143768A (zh) | 一种基于arima-svm组合模型的空气质量预测算法 | |
CN111678991B (zh) | 一种用于混凝土结构无损检测损伤识别的方法 | |
CN116881530B (zh) | 一种基于深度学习的器件表面缺陷检测系统 | |
CN114595945B (zh) | 一种面向制造过程的航空产品mbom健康度评价方法 | |
CN106485049A (zh) | 一种基于蒙特卡洛交叉验证的nirs异常样本的检测方法 | |
Srinivasan | Unique fundamentals of software measurement and software metrics in software engineering | |
CN114800036A (zh) | 一种设备健康状态评估方法 | |
CN109101759A (zh) | 一种基于正逆响应面法的参数识别方法 | |
RU2470352C1 (ru) | Способ статистического регулирования технологического процесса (варианты) | |
CN112084598A (zh) | 一种离心泵叶轮可再制造性评估方法 | |
Fattoruso et al. | A new composite indicator for Manufacturing efficiency | |
CN111091153B (zh) | 一种纸页松厚度软测量方法 |
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 |