CN109345060B - 一种基于多源感知的产品质量特性误差溯源分析方法 - Google Patents

Abstract

一种基于多源感知的产品质量特性误差溯源分析方法，包括：利用历史数据建立工序之间的因果关系；对所述历史数据进行筛选，从而将筛选后的历史数据组成样本空间；以所述样本空间作为分析标准，采用T²控制图方法对实时数据进行监控；根据所述因果关系，对出界的T²值进行正交分解，获得分解项；对所述分解项的T²统计值进行出界分析，进而定位问题工序。本发明利用了大量的，多元的历史数据完成对工序间关联关系的分析，减少了主观因素带来的影响；对出界的T²值根据由工序间关联关系的分析过程获得的工序间的关系有向图进行分解，从而确定问题工序，实现了对工序的精准把握，进而达到问题溯源的目的。

Description

一种基于多源感知的产品质量特性误差溯源分析方法

技术领域

本法明涉及工艺分析、模型静态和/或动态分析领域，特别涉及了一种基于多源感知的产品质量特性误差溯源分析方法，用于工序问题的溯源。

背景技术

统计过程控制(Statistical Process Control)概念源于20世纪20年代，以美国休哈特博士提出控制图为主要标志。自这一概念提出之后，在工业和服务业得到了广泛的应用。其借助数理统计知识，对生产过程的波动进行分析和监控，提出防范措施，使生产过程处在仅受随机因素影响的受控状态。控制图是统计过程控制中最重要的工具，按照使用目的的不同，可以分为分析用控制图和控制用控制图。分析用控制图主要用来分析过程是否处于统计控制状态。只有当过程达到预期稳定状态后，才能对生产过程进行监控(控制用控制图)。

随着现代传感器技术的发展，采集生产过程的相关数据的难度大大降低，获得生产过程中的多源数据对生产过程进行分析，成了现代统计过程控制的优势所在。大量历史和实时数据的获取使得我们可以更好分析加工过程并对加工过程进行实时监控。对于复杂的加工系统来说，引起最终产品失效的原因除了各潜在的失效因素外，因素间的耦合作用也不能忽略。

在多工序的加工制造过程中，失效的模式多种多样，与失效模式对应的误差源头存在难以准确定位的问题。从源头入手是杜绝故障和失效的有效方法。现有技术中在利用T²控制图对实际加工过程进行监控时，往往出现对各工序分别进行监控不发生失控，而对整个加工过程进行监控却发生失控的现象，这就使得误差源难以准确定位；且在实际情况中，加工工序间的因果关系网络大多是根据工艺规程文件、专家评定等方式建立的，人为主观因素所占比重很大，建立的网络关系往往不能科学有效地反映工序之间的关联关系。

发明内容

针对上述问题，本发明的目的是通过以下技术方案实现的一种基于多源感知的产品质量特性误差溯源分析方法，包括：利用历史数据建立工序之间的因果关系；对所述历史数据进行筛选，从而将筛选后的历史数据组成样本空间；以所述样本空间作为分析标准，采用T²控制图方法对实时数据进行监控；根据所述因果关系，对出界的T²值进行正交分解，获得分解项；对所述分解项的T²统计值进行出界分析，进而定位问题工序。

进一步的，所述历史数据包括：对应所述工序的指标因素。

更进一步的，所述指标因素为一种或多种，并且每一种指标因素为一个或多个，由多个相应的传感器采集获得。

更进一步的，根据所述指标因素建立工序之间的因果关系网的方法包括：计算每道工序中指标因素的平均值，获得工序的指标因素的协方差矩阵；根据所述协方差矩阵，获得工序之间的相关系数矩阵。

进一步的，所述采用T²控制图中的分析方法对所述历史数据进行筛选包括：计算多元单值T²统计值；计算T²控制图的控制上限和控制下限；将所述T²的统计值与所述控制上限和控制下限进行比较，对出界的T²的统计值所对应的历史数据进行剔除；将剔除后的历史数据重新计算其指标因素的平均值以及指标因素的协方差矩阵，并重复上述步骤，直到没有出界的T²的统计值产生为止。

更进一步的，所述计算多元单值T²的统计值包括：根据所述指标因素的平均值以及所述指标因素的协方差矩阵计算多元单值T²的统计值。

更进一步的，所述计算T²控制图的控制上限和控制下限包括：通过给定显著性水平值，计算T²控制图的控制上限；设T²控制图的控制下限为0。

进一步的，所述T²的统计值的出界情况包括：所述T²的统计值大于等于控制上限，或所述T²的统计值小于等于控制下限。

进一步的，所述采用T²控制图方法对实时数据进行监控包括：根据所述实时数据，计算其对应的T²统计值；与所述对应的T²统计值与所述控制上限和所述控制下限进行比较，从而对实时数据进行监控。

进一步的，所述根据工序之间的因果关系，对出界的T²统计值进行正交分解包括：根据所述工序之间的因果关系建立工序关系有向图；根据所述工序关系有向图，对出界的T²统计值进行正交分解。

本发明的优点在于：

i.本文提出的基于历史数据利用相关系数矩阵构建工序之间关联关系的方法，相比较传统的因果模型的构建方法来说，利用物联网技术采集的大量的、多源的在线感知数据进行因果模型的构建，在很大程度上减少了人为主观因素的影响，因此所建立的因果模型更具有信服力。

ii.传统的T²控制图存在对单道工序监控受控，全过程控制图失控的情况，导致误差源头难以定位。针对这种情况，本发明提出了基于因果模型对全过程控制图中出界的异常点进行正交分解来定位误差源头的方法，可以准确有效地找出问题工序和具有交互作用的问题工序，用于对工序的改进提供精确有效的指导。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

附图1示出了根据本发明实施方式的溯源分析方法框图。

附图2示出了根据本发明实施方式的溯源分析工作流程图。

附图3示出了根据本发明实施方式的工序间关联关系示意图。

附图4示出了根据本发明实施方式的一种薄壁件部分加工实施例的工序关联关系示意图。

附图5示出了根据本发明实施方式的实施例的g1工序T²控制图。

附图6示出了根据本发明实施方式的实施例的g2工序T²控制图。

附图7示出了根据本发明实施方式的实施例的g3工序T²控制图。

附图8示出了根据本发明实施方式的实施例的g4工序T²控制图。

附图9示出了根据本发明实施方式的实施例的g5工序T²控制图。

附图10示出了根据本发明实施方式的实施例的g6工序T²控制图。

附图11示出了根据本发明实施方式的实施例的实时监测T²控制图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施方式。虽然附图中显示了本公开的示例性实施方式，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

根据本发明的实施方式，提出一种基于多源感知信息的产品质量特性误差溯源方法。针对智能生产线多工序加工制造过程产品出现偏差但问题源头难以确定的问题，利用历史数据建立工序间的因果关系网络。针对实时多源感知数据，利用T²控制图对加工过程进行实时监控，对出界的异常T²统计值基于工序之间的因果关系进行正交分解，对分解项再作T²控制图，从而定位问题工序，进而进行有针对性的改进。

如图1所示，为根据本发明实施方式的溯源分析方法框图。其中，所述溯源分析方法包括：S1、利用历史数据建立工序之间的因果关系；S2、对所述历史数据进行筛选，从而将筛选后的历史数据组成样本空间；S3、以所述样本空间作为分析标准，采用T²控制图方法对实时数据进行监控；S4、根据所述因果关系，对出界的T²值进行正交分解，获得分解项；S5、对所述分解项的T²统计值进行出界分析，进而定位问题工序。

具体的，所述历史数据包括：对应所述工序的指标因素。其中，指标因素可以为一种或多种，并且每一种指标因素可以为一个或多个，由多个相应的传感器采集获得。所述建立工序之间的因果关系网的方法包括：计算每道工序中指标因素的平均值，进而获得工序的指标因素的协方差矩阵；根据所述协方差矩阵，进而获得工序之间的相关系数矩阵；其中，所述相关系数矩阵体现了工序之间的因果关系。

所述采用T²控制图中的分析方法对所述历史数据进行筛选包括：计算多元单值T²的统计值；计算T²控制图的控制上限和控制下限；将所述T²的统计值与所述控制上限和控制下限进行比较，从而对出界的T²的统计值所对应的历史数据进行剔除；将剔除后的历史数据重新计算其指标因素的平均值以及指标因素的协方差矩阵，并重复上述步骤，直到没有出界的T²的统计值产生为止。其中，所述计算多元单值T²的统计值包括：根据所述指标因素的平均值以及所述指标因素的协方差矩阵计算多元单值T²的统计值。所述计算T²控制图的控制上限和控制下限包括：通过给定显著性水平值，计算T²控制图的控制上限；以及设T²控制图的控制下限为0。所述T²的统计值的出界情况包括：所述T²的统计值大于等于控制上限，或所述T²的统计值小于等于控制下限。所述采用T²控制图方法对实时数据进行监控包括：根据所述实时数据，计算其对应的T²统计值；进而与所述对应的T²统计值与所述控制上限和所述控制下限进行比较，从而对实时数据进行监控。所述根据工序之间的因果关系，对出界的T²统计值进行正交分解包括：根据所述工序之间的因果关系建立工序关系有向图；进而根据所述工序关系有向图，对出界的T²统计值进行正交分解。下面将结合具体的工作流程对本发明作进一步的说明。

如图2所示，为根据本发明实施方式的溯分析工作流程图。本发明是一种基于多源感知的产品质量特性误差溯源方法。首先基于历史数据得到工序与工序之间的相关系数矩阵，建立工序之间的因果关系网络；然后基于MSPC(multiple statistical processcontrol)多元统计过程控制中的T²控制图对各工序和整个加工过程分别建立T²控制图进行实时监控；其次针对T²控制图中出界的异常T²统计量进行正交分解，对分解量再作T²控制图；最后根据分解量的T²控制图确定误差源工序，提出防控措施。其中，具体的工作流程如下：

(1)建立工序间的关联关系。

设实际生产中某个产品的生产工序数量为m，通过传感器采集到的指标因素(如加速度，噪声等)种类为p，则X_i＝(X_i1,X_i2,…,X_ip)表示第i道工序采集到的P类的指标因素数据，其中i＝1,2,…,m。其中，所述P类指标的集合为：

X＝(X₁,X₂,…,X_p)^T～N_p(μ，Σ) (1)

其中X服从p维正态分布，其中μ为每类指标因素的平均值，Σ为每类指标因素的协方差。

则第i道工序的均值可以如下表示：

其中，

工序i＝1,2,…,m；指标因素种类j＝1,2,…,p；每种指标因素的样本量k＝1,2,…,n。

则第i道工序的协方差可以如下表示：

由协方差矩阵进行进一步计算，可以获得工序之间的相关系数矩阵R。

其中，可选的，定义相关系数|ρ|≥0.6的两个工序之间具有强的关联关系，则依据相关系数矩阵可以建立工序间的关联关系模型。

(2)对历史数据进行筛选，获得稳定的指标因素的平均值以及协方差，用于实时监控。

T²控制图的第一阶段是分析用控制图阶段，主要是利用筛选后的历史数据作为样本，为第二阶段的实时监控提供稳定的均值和协方差。在T²控制图方法中，采用计算每个指标因素对应的T²统计值与其控制上限和控制下限进行对比的方法对指标因素进行监控，但是同样的，在T²控制图的分析阶段，也可以采用这种方法对历史数据进行筛选，其过程如下：

多元单值T²的统计值的计算公式为：

其中，

即为第i道工序的第k个指标因素的T²统计值，X_ik为第i道工序的第k个指标因素，

第i道工序的指标因素的平均值，

为第i道工序的指标因素的协方差。

接下来，根据所述指标因素的种类P以及数量n，通过给定显著性水平值α，计算T²控制图的控制上限为：

其中，β_α表示显著性水平值α服从的β分布，F_α表示显著性水平值α服从的F分布。

可选的，设控制图的控制下限LCL_i＝0，则通过判断每个所述指标因素对应的T²统计，进而，可选的，对T²的统计值大于等于控制上限，或所述T²的统计值小于等于控制下限的对应的历史数据进行剔除，之后按照上述步骤重新计算其指标因素的平均值以及指标因素的协方差矩阵，并重复上述步骤，直到没有出界的T²的统计值产生为止。并记录下此时的

和S_i的值。

T²控制和图的第二阶段是控制用阶段，利用第一阶段剩余的n′个稳定样本的均值

协方差S_i′，对实时的加工数据进行监控。此时T²统计量如下：

其中，X_f是实时待监控的数据矩阵。控制上限如下：

(3)作各工序的T²控制图，判断各个工序是否受控

在实时监控过程中，本发明中首先作各个工序的T²控制图，用以单独的验证各个工序自身过程中是否受控；若不受控(T²值出界)，则此道工艺为异常工序，针对此道工序进行问题分析，以求解决方案。若各个工序都受控(无T²值出界)，则作整体工艺过程的T²控制图，若无不受控情况发生，则表示加工过程正常。

(4)作整体的T²控制图，判断整体工艺过程中工序是否受控

若各个工序均受控，则接下来对整体加工过程中的受控情况进行分析，若整体工艺过程中出现工序不受控情况，则对异常节点(出界的T²值)进行分析，分析内容包括问题节点的独立项和条件项，其具体过程如下：

基于工序间因果关系图，将异常点进行正交分解。将

正交分解的表达式为：

其中，

称为独立项，

称为条件项，PA(g_j)为工序g_j的所有父节点的集合。其中，独立项的计算方式如下：

条件项的计算方式如下：

其中，d为条件因子的数量，当无条件项时，d＝0；j＝g1、g2……gm即工序1、工序2……工序m，其中m为工序个数。

由正交分解的计算公式可知，这种计算方式的计算量比较大，此时结合步第一部分得到的关联关系模型将出界的T²值进行分解，其过程如下：

如图3所示，为根据本发明实施方式的工序间关联关系示意图。其中，包括g1到g6等6道工序，根据其相关系数矩阵R，得到各个工序间的强弱关系程度，由此获得图3所示示意图。图3所述关系，g1、g2为g3的父节点，g4、g5有共同的父节点g3，g5为g6的父节点。则分解方式如下：

其中，

…

取第I类犯错概率为α，则

和

的判定界限为：

判定方法为：若

则表明g₁(工序1)是引起误差的主要原因；若

则表明g_i是引起误差的主要原因；若

和

均同时大于控制限，则表明g₁和g_i均是引起误差的原因。

具体实施例

以xx薄壁筒的部分加工过程为例，由于薄壁筒的加工过程是一个复杂的多工序过程，本案例截取了薄壁筒加工过程连续六道工序，即粗车端面，粗车外圆，粗车内圆，粗铣方孔，粗铣圆孔和粗铣长圆孔，这里分别用g₁,g₂,…,g₆表示，并利用外接传感器实时采集三个方向的加速度信号和声压信号。取犯第I类错误的概率α＝0.05。利用历史数据，得到六个工序间的相关系数ρ的绝对值矩阵如下表所示：

表1 工序之间相关系数表

按照|ρ|≥0.6的约束，构建这六个工序间的因果关系如图4所示。

如图4所示，为根据本发明实施方式的一种薄壁件部分加工实施例的工序关联关系示意图。其中，强关联关系通过加黑突出显示，由此可以看出g3的父节点为g1和g2，g4的父节点为g2和g3，g5的父节点为g3和g4，g6的父节点为g4和g5。利用T²控制图分别对g1—g6进行监控，结果如图4—图10所示，此时由图的结果可以看出，6个工序的T²控制图都处于受控状态。接下来，对这六个工序的整个加工过程进行监控，T²控制图如图11所示，计算出的控制上限UCL＝9.482797，控制下限LCL＝0。计算发现T²统计量在第2932个点处出界。对此处的T²统计量进行分解。根据图4因果关系模型，该出界点的分解方式如下所示：

计算的第2932个样本的失控原因如下表2所示：

表2 误差诊断信息表

表2中“√”表示该分解项是误差源，“×”表示该分解项不是误差源。

根据表2误差诊断信息表，对第1个失控样本即第2932个样本进行诊断，可以看出引起第2932个样本失控的根源工序是工序1和工序2。结合实际的生产过程，工序1与工序2易发生崩刀等问题导致产品的质量发生异常波动，这与本发明提出的方法分析出来的结果大致相同。

需指出的是，具体实施方式中内容以及实施例中内容均为本发明的一种可选方案，其中如相关系数、误差概率α等均为根据实际经验得出，不限于上述数值，且本发明可以用于多类错误的分析，并不只限于一类。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (6)

1.一种基于多源感知的产品质量特性误差溯源分析方法，其特征在于，包括：

利用历史数据建立工序之间的因果关系，所述历史数据包括对应所述工序的指标因素，所述指标因素为一种或多种，并且每一种指标因素为一个或多个，由多个相应的传感器采集获得，计算每道工序中指标因素的平均值，获得工序的指标因素的协方差矩阵，根据所述协方差矩阵，获得工序之间的相关系数矩阵；

对所述历史数据进行筛选，从而将筛选后的历史数据组成样本空间；

以所述样本空间作为分析标准，采用T^2控制图方法对实时数据进行监控；

根据所述工序之间的因果关系建立工序关系有向图，根据所述工序关系有向图，对出界的T^2统计值进行正交分解，获得分解项；

对所述分解项的T^2统计值进行出界分析，进而定位问题工序。

2.根据权利要求1所述的溯源分析方法，其特征在于，所述采用T^2控制图中的分析方法对所述历史数据进行筛选包括：

计算多元单值T^2统计值；

计算T^2控制图的控制上限和控制下限；

将所述T^2的统计值与所述控制上限和控制下限进行比较，对出界的T^2的统计值所对应的历史数据进行剔除；

将剔除后的历史数据重新计算其指标因素的平均值以及指标因素的协方差矩阵，并重复上述步骤，直到没有出界的T^2的统计值产生为止。

3.根据权利要求2所述的溯源分析方法，其特征在于，所述计算多元单值T^2的统计值包括：

根据所述指标因素的平均值以及所述指标因素的协方差矩阵计算多元单值T^2的统计值。

4.根据权利要求2所述的溯源分析方法，其特征在于，所述计算T^2控制图的控制上限和控制下限包括：

通过给定显著性水平值，计算T^2控制图的控制上限；

设T^2控制图的控制下限为0。

5.根据权利要求2所述的溯源分析方法，其特征在于，所述T^2的统计值的出界情况包括：

所述T^2的统计值大于等于控制上限，或所述T^2的统计值小于等于控制下限。

6.根据权利要求1所述的溯源分析方法，其特征在于，所述采用T^2控制图方法对实时数据进行监控包括：

根据所述实时数据，计算其对应的T^2统计值；

将所述对应的T^2统计值与控制上限和控制下限进行比较，从而对实时数据进行监控。

Images