CN109636021A - 一种任务可靠性导向的制造系统选择性维护决策方法 - Google Patents
一种任务可靠性导向的制造系统选择性维护决策方法 Download PDFInfo
- Publication number
- CN109636021A CN109636021A CN201811464514.7A CN201811464514A CN109636021A CN 109636021 A CN109636021 A CN 109636021A CN 201811464514 A CN201811464514 A CN 201811464514A CN 109636021 A CN109636021 A CN 109636021A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- machine
- manufacture system
- mission
- state
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 166
- 238000012423 maintenance Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000000694 effects Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 19
- 238000012797 qualification Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 17
- 238000013461 design Methods 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 239000002994 raw material Substances 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 230000002950 deficient Effects 0.000 claims description 2
- 230000003412 degenerative effect Effects 0.000 claims description 2
- 229910003460 diamond Inorganic materials 0.000 claims description 2
- 239000010432 diamond Substances 0.000 claims description 2
- 238000002834 transmittance Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims 1
- 230000007812 deficiency Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Manufacturing & Machinery (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (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)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种任务可靠性导向的制造系统选择性维护决策方法。具体步骤是：一、确定任务需求及影响任务可靠性的关键机器；二、基于系统工程理论，建立简化制造过程模型；三、确定机器生产产品的输出合格率；四、分析各个机器的性能状态概率向量；五、基于任务在简化制造过程模型中的逆向传递，确定各个机器的任务可靠性；六、建立维护资源与维护效果间的隶属度矩阵；七、确定维护资源的约束条件；八、建立多态制造系统的选择性维护决策模型；九、基于粒子群优化方法，搜索全局最优解，得到最优选择性维护策略；该方法从根本上弥补了传统评估方法中忽略任务需求的不足，提高了维护资源的利用率，具有很好的实用价值。
Description
技术领域
本发明提供了一种任务可靠性导向的制造系统选择性维护决策方法，属于设备维修优化领域。
背景技术
制造业是一个国家的经济命脉，如果没有强大的制造业支撑，国家经济将无法实现快速、稳定、健康的发展。随着现代制造系统朝着复杂化和智能化方向发展，其功能集成度越来越高、工作载荷复杂多变，保障其运行阶段维持在一个较高的可靠性水平的任务日益困难。需要制定合理的维护策略，以达到保障制造系统的正常运行并完成任务需求。
以可靠性为中心的维修作为一种主动性的维修方法被广泛应用。而在实际工程中，由于受到有限维护资源(维护成本、维护时间、维护次数等)的制约，研究有限维护资源下的维护决策问题，即选择性维护决策已成为研究热点。选择性维护所研究的基本问题是根据系统的组成结构、组成机器间的相关性及退化规律，如何合理的将有限的维护资源分配到制造系统的各个机器中，从而使整个制造系统维持在一个较高的可靠性水平上。基于多态系统可靠性理论和系统工程理论，生产任务指导制造系统输出符合任务需求的产品，因此制造系统、生产任务和产品之间存在着天然的内在联系。由于多变的生产任务需求，使得制造系统的可接受状态集合不再唯一，因此以任务可靠性指导的多态制造系统选择性维护能够更大限度地提高资源效益。多状态制造系统的任务可靠性定义：制造系统在规定的条件下和规定的时间内的性能状态能保证完成生产任务的能力，即多态制造系统的状态集合中满足任务需求的可接受状态子集。任务可靠性导向的多态制造系统选择性维护决策能够最大限度地提高了资源效益，同时提高了制造过程的稳定性和产品质量。并且对于发展我国制造业、制造加工能力以及提升产品竞争力具有深远的意义。因此，如何有效的制定选择性维护策略是近几年学术界和工业界共同关注的问题。
当前对制造系统选择性维护的研究大多忽略了制造系统生产任务的动态性，单一的制定机器匹配状态集合。与此同时，大部分研究认为维护资源与维护效果之间的一一对应的关系，忽略了由于维修工人的经验不同、维护工具的磨损程度不同等所导致的不确定性，以此为依据对维修活动进行指导，无法得到最优的维护策略，降低了维护资源的利用率。针对目前选择性维护方法不能有效的指导维护活动以到达保障制造系统完成预期任务的目标，降低维护资源的利用率的现象，本专利基于公理化设计理论域间映射理论，在任务需求一定的条件下，确定影响任务可靠性的关键机器，与此同时引入三角隶属度函数减少维护效果量化过程中的不确性，进一步地，利用粒子群优化算法，搜寻全局最优解，保证制造系统能够稳定的执行生产任务，弥补了传统选择性维护决策方法的不足。提高维护资源的利用率和增强了市场竞争力的需求愈发强烈，决定了开展任务可靠性导向的多态制造系统选择性维护方法研究的重要性。为此，本发明给出一种任务可靠性导向的制造系统选择性维护决策方法，用于对维护工作提供更加准确的指导，提高维护资源的利用率，保障制造系统完成预期任务的能力，即任务可靠性最大。
发明内容
(1)本发明的目的：
为了解决现有制造系统选择性维护决策方法无法适应多变的生产任务需求，本发明提供一种新的多态制造系统选择性维护决策方法——一种任务可靠性导向的制造系统选择性维护决策方法。基于公理化设计理论域间映射理论，在任务需求已知的条件下，确定影响任务可靠性的关键机器。基于系统工程和多态系统可靠性理论，通过综合分析生产任务、生产机器和产品之间的内在联系，建立多态制造系统的制造过程简化模型，进一步透明化制造系统的运行机理。在此基础上量化满足任务需求的概率函数。与此同时，为了减少由于维护工具、维护人员等的不同所带来的不确定性，引入三角隶属度函数建立维护资源与维护效果之间的量化模型。在建立选择性维护决策模型后，基于粒子群优化算法搜索全局最优解，以达到得到最优选择性维护策略的目的。
(2)技术方案：
本发明是一种任务可靠性导向的制造系统选择性维护决策方法，提出的基本假设如下：
假设1、制造系统的生产模式为流水线加工；
假设2、制造系统为串联式结构，且组成机器之间是相互独立的；
假设3、制造系统的维护操作只能在任务间隔期间发生；
假设4、机器的退化过程服从齐次马尔可夫过程，即机器当前时刻的状态只与紧邻的前一时刻状态相关，而与其它之前的状态无关；并且状态之间的转移强度已知，其中状态被定义为机器可以承受的最大工作负载；
假设5、机器i的输出具有三种质量状态：合格(spi1)，有缺陷的可修复(spi2)和不合格(spi3)状态；只有spi1可以发送到下一台机器；其中i为机器编号，1、2、3为质量状态编号；
假设6、spi2只能出现在可以重新加工的机器上，并且只能在当前机器上修复一次；也就是说，如果它在修复后仍然不合格，那么它将被视为spi3；
假设7、对于机器i，当维护时间和维护成本的维护效果不同时，采用较差的维护效果；
假设8、在制造系统中，产品在机器之间的传递过程中，都会经过严格的质检，且结果绝对可靠。
基于上述假设，本发明一种任务可靠性导向的制造系统选择性维护决策方法，其步骤如下：
步骤1、确定任务需求及影响任务可靠性的关键机器；
步骤2、基于系统工程理论，建立简化制造过程模型；
步骤3、确定机器生产产品的输出合格率；
步骤4、分析各个机器的性能状态概率向量；
步骤5、基于任务在简化制造过程模型中的逆向传递，确定各个机器的任务可靠性；
步骤6、建立维护资源与维护效果间的隶属度矩阵；
步骤7、确定维护资源的约束条件；
步骤8、建立多态制造系统的选择性维护决策模型；
步骤9、基于粒子群优化方法，搜索全局最优解，得到最优选择性维护策略。
其中，在步骤1中所述的“确定任务需求及影响任务可靠性的关键机器”，是指基于域间映射理论，从系统角度出发，在任务需求的基础上利用公理设计对设计阶段任务进行分解转化为功能特性需求，建立制造系统与产品可靠性之间的关联映射模型，进而分析影响制造系统任务可靠性的关键生产设备。(如图1所示)
其中，在步骤2中所述的“基于系统工程理论，建立简化制造过程模型”，是指基于系统工程理论，综合生产任务状态，产品质量状态和机器性能退化状态，对制造系统的制造过程进行简化，以便于后续的选择性维护模型的建模，(如图2所示)；
其“建立简化制造过程模型”的具体作法如下：利用矩形表示生产机器，双圆形表示机器所有可能的产品质量状态，圆形表示机器的输入或输出，菱形表示机器的生产子任务。在此基础上根据生产机器之间的串并联关系建立制造系统简化制造过程模型，实线表示物料流，虚线表示信息流。
其中，在步骤3中所述的“确定机器生产产品的输出合格率”，是指通过对机器的质检数据进行分析，基于BP(back propagation)神经网络，确定机器的生产产品合格率qsi1，其中i为机器编号；其具体作法如下：通过采集相关历史质检数据以及历史生产合格率，训练BP神经网络，进一步将实时监测质检数据输入到BP神经网络中，以得到机器的输出合格率。
其中，在步骤4中所述的“分析各个机器的性能状态概率向量”，是指在假设机器性能状态服从齐次马尔科夫过程且各个状态之间的转移强度已知的情况下，基于Kolmogorov(柯尔莫哥洛夫)微分方程组，即dp(t)/dt＝p(t)Xi，求得各个机器在任意时刻t的性能状态概率向量；其中p(t)为各个机器在任意时刻t的性能状态概率向量，Xi为机器i的转移强度矩阵。
其中，在步骤5中所述的“基于任务在简化制造过程模型中的逆向传递，确定各个机器的任务可靠性”，是指在任务需求的输出合格产品量T已知的情况下，通过对简化制造过程模型进行逆向分析，机器i的任务需求输入量与任务需求输出量之间的关系为
其中r为二进制变量，当机器具有返工过程是r＝1，反之r＝0；且其中I为制造系统原材料输入量；因此，机器i的任务可靠性为
其中Si,x表示机器i处于j状态。
其中，在步骤6中所述的“建立维护资源与维护效果间的隶属度矩阵”，是指考虑由于维护工人、工具等的不同所导致维护效果的不确定性，引入三角隶属度函数，建立各个机器的隶属度矩阵ri，其中i为机器编号；矩阵中的元素rijk表示在分配给机器i的维护资源已知的情况下，使得机器i由状态j恢复到状态k的隶属度。
其中，在步骤7中所述的“确定维护资源的约束条件”，是指确定在任务间隔期内维护资源的各种约束条件；包括制造商所规定的总体最大维护成本C0和维护时间T0，制造系统整体的监测成本Cm及监测时间Tm，各个机器的固定维护成本ci,fix及固定维护时间ti,fix，各个机器的更换成本ci,R和更换时间ti,R；其中i为机器编号；具体的约束条件为：1、2、
3、ci,fix≥0,0≤ci≤ci,R，4、ti,fix≥0,0≤ti≤ti,R；其中，ci和ti表示预计分配给机器i的维护成本和维护时间。
其中，在步骤8中所述的“建立多态制造系统的选择性维护决策模型”，是指基于各个机器的任务可靠性Ri与隶属度矩阵ri，同时在下一阶段任务执行时间tk已知的条件下，以最大化制造系统任务可靠性为目标建立选择性维护决策模型；其中目标函数为：Maximize
式中，pi,j(t)为机器i在时刻t处于状态j的概率，M为制造系统的机器总数，gi为机器i的状态总数，1(g)为判别函数，1(true)＝1，1(false)＝0。
其中，在步骤9中所述的“基于粒子群优化方法，搜索全局最优解，得到最优选择性维护策略”，是指利用粒子群优化方法，设置好程序中所需的参数变量，其中包括种群大小为50、进化次数为1000、最大速度为参数变量范围的10％到20％、学习因子为1.5，对选择性维护决策模型搜索全局最优解，减少计算时间，得到最优的选择性维护策略。
通过以上步骤，本发明提出了基于制造系统运行机理的任务可靠性导向的多态制造系统选择性维护决策方法，解决了传统方法忽略了任务需求的问题；帮助企业在有限的维护资源下，合理地制定选择性维护策略提供了科学依据，提高了维护资源的利用率，增强了企业的市场竞争力。
(3)本发明所述的一种任务可靠性导向的制造系统选择性维护决策方法，其使用方法如下：
步骤(1)确定任务需求及影响任务可靠性的关键机器；其具体作法如下：基于公理设计中域的结构及域间映射关系(图1所示)中的四个域：任务域、功能域、物理域、过程域之间内在机理关系，在任务需求明确的条件下，确定影响制造系统任务可靠性的关键机器；
步骤(2)基于系统工程理论，建立简化制造过程模型；其具体作法如下：根据机器的实际生产模式，综合生产任务状态，产品质量状态和机器性能退化状态，对制造系统的制造过程进行简化，建立制造系统简化制造过程模型，如图2所示的；,
步骤(3)确定机器生产产品的输出合格率qsi1；其具体作法如下：基于BP(backpropagation)神经网络，通过对产品的质检数据进行分析，确定机器的生产产品合格率qsi1，其中i为机器编号；
步骤(4)分析各个机器的性能状态概率向量；其具体作法如下：各个状态之间的转移强度已知的情况下，基于柯尔莫哥洛夫(Kolmogorov)微分方程组，即dp(t)/dt＝p(t)Xi，求得各个机器在任意时刻t的性能状态概率向量；其中p(t)为各个机器在任意时刻t的性能状态概率向量，Xi为机器i的转移强度矩阵；
步骤(5)基于任务在简化制造过程模型中的逆向传递，确定各个机器的任务可靠性；其具体作法如下：通过对制造系统简化模型的逆向分析以及量化关系，即确定各个机器的最小任务需求输入载荷其中为机器i的最小任务需求输出量，r为二进制变量，当机器具有返工过程是r＝1，反之r＝0；且其中I为制造系统原材料输入量；进一步，机器i的任务可靠性为其中Si,j表示机器i处于j状态；
步骤(6)建立维护资源与维护效果间的隶属度矩阵；其具体作法如下：考虑由于维护工人、工具等的不同所导致维护效果的不确定性，引入三角隶属度函数，评估维护资源和维护效果之间的隶属度，在这里的维护资源只考虑维护成本和维护时间；在此三角隶属度函数中所包含的参数均为已知；分别表示分配给机器i的维护成本(时间)能将其从x状态恢复到y状态的下限，中间值和上限；当维护成本和维护时间的隶属度不同时，选取较差的隶属度，进一步建立各个机器的隶属度矩阵ri，其中i为机器编号；
步骤(7)确定维护资源的约束条件；其具体作法如下：根据生产厂家信息，确定在任务间隔期内维护资源的各种约束条件；包括制造商所规定的总体最大维护成本C0和维护时间T0，制造系统整体的监测成本Cm及监测时间Tm，各个机器的固定维护成本ci,fix及固定维护时间ti,fix，各个机器的更换成本ci,R和更换时间ti,R；其中i为机器编号；具体的约束条件为：1、2、3、ci,fix≥0,0≤ci≤ci,R，4、ti,fix≥0,0≤ti≤ti,R；其中，ci和ti表示预计分配给机器i的维护成本和维护时间；
步骤(8)建立多态制造系统的选择性维护决策模型；其具体作法如下：基于各个机器的隶属度矩阵ri，在各个机器维护前的性能状态概率向量Pi已知的条件下，那么各个机器维修后的性能状态概率向量其中i为机器编号；同时在下一阶段任务执行时间tk已知的条件下，以最大化制造系统任务可靠性为目标建立选择性维护决策模型；其中目标函数为：
式中，pi,j(t)为机器i在时刻t处于状态j的概率，M为制造系统的机器总数，gi为机器i的状态总数，1(g)为判别函数，1(true)＝1，1(false)＝0；
步骤(9)基于粒子群优化方法，搜索全局最优解，得到最优选择性维护策略；其具体作法如下：利用Matlab，设置粒子群优化方法中的基本参数，得到对应选择性维护决策模型的最优维护策略。
(4)优点和功效：
本发明是一种任务可靠性导向的制造系统选择性维护决策方法，其优点是：
i.本发明从系统工程角度出发，提出了基于制造系统运行机理的任务可靠性导向的多态制造系统选择性维护策略决策方法。
ii.本发明对制造系统的运行过程进行简化，是制造系统的运行机理进一步明晰，并使用粒子群优化算法搜索全局最优解，提高计算效率，具有极高的科学性和实用性。
iii.本发明充分考虑由于维护工人，维护工具的部员所导致的不确定性，并引入隶属度函数减低不确定性，进一步提高维护资源的利用率。
附图说明
图1是公理设计中域的结构及域间映射关系。
图2是制造系统简化制造过程模型。
图2(a)是三机器串联多态制造系统。
图2(b)是三机器串联多态制造系统简化制造过程模型。
图3是本发明所述方法流程图。
图4是气缸盖制造系统的简化制造过程模型。
图中符号说明如下：
是指机器i的任务需求最小输入载荷
是指机器i的任务需求最小输出量
Spij是指机器i生产产品所可能的质量状态
ti是指具体针对机器i的任务需求
qsij是指机器i输出产品的质量状态为Spij的概率
具体实施方式
下面将结合附图和实例对本发明做进一步详细说明。
本发明是一种任务可靠性导向的制造系统选择性维护决策方法，见图3所示，其步骤如下
步骤1收集某型号六缸发动机气缸盖板的制造数据和相关质量数据。然后基于公理化设计域间映射理论，如图1，确定气缸盖板制造系统关键加工机器及其关键质量特性，如表1。
表1.关键质量特性及其加工机器
步骤2基于系统工程理论，建立简化制造过程模型。基于步骤1，参照通用制造系统制造过程简化模型，如图2，建立某型号六缸发动机气缸盖板制造系统的制造过程简化模型，如图4所示。其中只有机器2具有返工过程。
步骤3确定机器生产产品的输出合格率。通过对机器的质检数据进行分析，基于BP(back propagation)神经网络，各个机器的生产产品的输出合格率分别为qs11＝0.96，qs21＝0.94，qs31＝0.92，qs41＝0.97和qs51＝0.93。
步骤4分析各个机器的性能状态概率向量。以机器正常工作条件下所能承受的最大工作载荷来划分机器的性能状态，机器的状态集合为：S1＝{0,70,140,210,280,350}，S2＝{0,65,130,195,260,325,390}，S3＝{0,65,130,195,260,325,390}，S4＝{0,45,90,135,180,225,270}，S5＝{0,50,100,150,200,250,300}。且转移强度矩阵Xi已知，为：
随后基于Kolmogorov微分方程组，便可以求得各个机器的性能状态概率分布向量。
步骤5基于任务在简化制造过程模型中的逆向传递，确定各个机器的任务可靠性。对于气缸盖制造系统，任务要求T是每天150件，即输出O是150。每台机器的最小任务需求输入载荷分别为
每台机器的任务可靠性分别为：
步骤6建立维护资源与维护效果间的隶属度矩阵。维护前各个机器的状态概率向量为P1＝{0.2534,0.1413,0.2591,0.2070,0.0925,0.0467},P2＝{0.1216,0.1874,0.1761,0.1605,0.1974,0.1106,0.0464},P3＝{0.0824,0.2865,0.2029,0.1487,0.1955,0.0485,0.0355},P4＝{0.1179,0.1533,0.1729,0.1769,0.2476,0.0683,0.0631},以及P5＝{0.1216,0.1106,0.1605,0.1874,0.1761,0.1974,0.0464}。与此同时，每个机器的三角隶属度函数中的参数值为等间距的，间距值为对应的更换资源除以(状态数-1)。
步骤7确定维护资源的约束条件。每台机器的固定维护资源和更换维护资源如表2所示。总维护成本C0＝8600$，监控成本Cm＝300$，总维护时间T0＝4天，监控时间Tm＝0.3天，下一阶段的任务运行时间tk＝5周。显然，总维护资源不足以完成所有机器的维护。因此，应合理分配维护资源，以最大限度地提高下一阶段的任务可靠性。
表2.固定维护资源和更换维护资源
单位：$或天
步骤8建立多态制造系统的选择性维护决策模型，如下表示：
约束条件：
ci,fix≥0,0≤ci≤ci,R,
ti,fix≥0,0≤ti≤ti,R,
步骤9基于粒子群优化算法，搜索全局最优解，得到最优选择性维护策略。粒子群算法的参数被设置为包括群体大小(50)，进化数(1000)，最大速度(可变范围的10％至20％)和学习因子(1.5)。表3中提供了气缸盖制造系统的最终维护策略和任务可靠性。
表3.最佳选择性维护策略
单位：$或天
Claims (10)
1.一种任务可靠性导向的制造系统选择性维护决策方法，假设如下：
假设1、制造系统的生产模式为流水线加工；
假设2、制造系统为串联式结构，且组成机器之间是相互独立的；
假设3、制造系统的维护操作只能在任务间隔期间发生；
假设4、机器的退化过程服从齐次马尔可夫过程，即机器当前时刻的状态只与紧邻的前一时刻状态相关，而与其它之前的状态无关；并且状态之间的转移强度已知，其中状态被定义为机器能承受的最大工作负载；
假设5、机器i的输出具有三种质量状态：合格(spi1)，有缺陷的可修复(spi2)和不合格(spi3)状态；只有spi1能发送到下一台机器；其中i为机器编号，1、2、3为质量状态编号；
假设6、spi2只能出现在能重新加工的机器上，并且只能在当前机器上修复一次；也就是说，如果它在修复后仍然不合格，那么它将被视为spi3；
假设7、对于机器i，当维护时间和维护成本的维护效果不同时，采用较差的维护效果；
假设8、在制造系统中，产品在机器之间的传递过程中，都会经过严格的质检，且结果绝对可靠；
基于上述假设，本发明一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：其步骤如下：
步骤1、确定任务需求及影响任务可靠性的关键机器；
步骤2、基于系统工程理论，建立简化制造过程模型；
步骤3、确定机器生产产品的输出合格率；
步骤4、分析复数个机器的性能状态概率向量；
步骤5、基于任务在简化制造过程模型中的逆向传递，确定复数个机器的任务可靠性；
步骤6、建立维护资源与维护效果间的隶属度矩阵；
步骤7、确定维护资源的约束条件；
步骤8、建立多态制造系统的选择性维护决策模型；
步骤9、基于粒子群优化方法，搜索全局最优解，得到最优选择性维护策略；
通过以上步骤，本发明提出了基于制造系统运行机理的任务可靠性导向的多态制造系统选择性维护决策方法，解决了传统方法忽略了任务需求的问题；帮助企业在有限的维护资源下，合理地制定选择性维护策略提供了科学依据，提高了维护资源的利用率，增强了企业的市场竞争力。
2.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤1中所述的“确定任务需求及影响任务可靠性的关键机器”，是指基于域间映射理论，从系统角度出发，在任务需求的基础上利用公理设计对设计阶段任务进行分解转化为功能特性需求，建立制造系统与产品可靠性之间的关联映射模型，进而分析影响制造系统任务可靠性的关键生产设备。
3.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤2中所述的“基于系统工程理论，建立简化制造过程模型”，是指基于系统工程理论，综合生产任务状态，产品质量状态和机器性能退化状态，对制造系统的制造过程进行简化，以便于后续的选择性维护模型的建模；
其“建立简化制造过程模型”的具体作法如下：利用矩形表示生产机器，双圆形表示机器所有可能的产品质量状态，圆形表示机器的输入及输出，菱形表示机器的生产子任务；在此基础上根据生产机器之间的串并联关系建立制造系统简化制造过程模型。
4.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤3中所述的“确定机器生产产品的输出合格率”，是指通过对机器的质检数据进行分析，基于BP神经网络，确定机器的生产产品合格率qsi1，其中i为机器编号；其具体作法如下：通过采集相关历史质检数据以及历史生产合格率，训练BP神经网络，进一步将实时监测质检数据输入到BP神经网络中，以得到机器的输出合格率。
5.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤4中所述的“分析复数个机器的性能状态概率向量”，是指在假设机器性能状态服从齐次马尔科夫过程且复数个状态之间的转移强度已知的情况下，基于柯尔莫哥洛夫微分方程组，即dp(t)/dt＝p(t)Xi，求得复数个机器在任意时刻t的性能状态概率向量；其中p(t)为复数个机器在任意时刻t的性能状态概率向量，Xi为机器i的转移强度矩阵。
6.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤5中所述的“基于任务在简化制造过程模型中的逆向传递，确定复数个机器的任务可靠性”，是指在任务需求的输出合格产品量T已知的情况下，通过对简化制造过程模型进行逆向分析，机器i的任务需求输入量与任务需求输出量之间的关系为
其中r为二进制变量，当机器具有返工过程是r＝1，反之r＝0；且其中I为制造系统原材料输入量；因此，机器i的任务可靠性为
其中Si,x表示机器i处于j状态。
7.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤6中所述的“建立维护资源与维护效果间的隶属度矩阵”，是指考虑由于维护工人和工具的不同所导致维护效果的不确定性，引入三角隶属度函数，建立复数个机器的隶属度矩阵ri，其中i为机器编号；矩阵中的元素rijk表示在分配给机器i的维护资源已知的情况下，使得机器i由状态j恢复到状态k的隶属度。
8.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤7中所述的“确定维护资源的约束条件”，是指确定在任务间隔期内维护资源的复数种约束条件；包括制造商所规定的总体最大维护成本C0和维护时间T0，制造系统整体的监测成本Cm及监测时间Tm，复数个机器的固定维护成本ci,fix及固定维护时间ti,fix，复数个机器的更换成本ci,R和更换时间ti,R；其中i为机器编号；具体的约束条件为：1、2、3、ci,fix≥0,0≤ci≤ci,R，4、ti,fix≥0,0≤ti≤ti,R；
其中，ci和ti表示预计分配给机器i的维护成本和维护时间。
9.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤8中所述的“建立多态制造系统的选择性维护决策模型”，是指基于复数个机器的任务可靠性Ri与隶属度矩阵ri，同时在下一阶段任务执行时间tk已知的条件下，以最大化制造系统任务可靠性为目标建立选择性维护决策模型；其中目标函数为：
式中，pi,j(t)为机器i在时刻t处于状态j的概率，M为制造系统的机器总数，gi为机器i的状态总数，1(g)为判别函数，1(true)＝1，1(false)＝0。
10.根据权利要求1所述的一种任务可靠性导向的制造系统选择性维护决策方法，其特征在于：
在步骤9中所述的“基于粒子群优化方法，搜索全局最优解，得到最优选择性维护策略”，是指利用粒子群优化方法，设置好程序中所需的参数变量，其中包括种群大小为50、进化次数为1000、最大速度为参数变量范围的10％到20％、学习因子为1.5，对选择性维护决策模型搜索全局最优解，减少计算时间，得到最优的选择性维护策略。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811464514.7A CN109636021B (zh) | 2018-12-03 | 2018-12-03 | 一种任务可靠性导向的制造系统选择性维护决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811464514.7A CN109636021B (zh) | 2018-12-03 | 2018-12-03 | 一种任务可靠性导向的制造系统选择性维护决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109636021A true CN109636021A (zh) | 2019-04-16 |
| CN109636021B CN109636021B (zh) | 2022-07-15 |
Family
ID=66070494
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811464514.7A Active CN109636021B (zh) | 2018-12-03 | 2018-12-03 | 一种任务可靠性导向的制造系统选择性维护决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109636021B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210531A (zh) * | 2019-05-15 | 2019-09-06 | 北京航空航天大学 | 基于扩展随机流网的模糊多态制造系统任务可靠性评估方法 |
| CN113139676A (zh) * | 2021-03-24 | 2021-07-20 | 温州大学 | 一种基于资源约束的复杂系统选择性维修决策方法及装置 |
| CN115017811A (zh) * | 2022-06-10 | 2022-09-06 | 北京大学 | 用于不确定性多阶段生产系统的调度和维护联合决策方法 |
| CN117236923A (zh) * | 2023-09-08 | 2023-12-15 | 北京理工大学 | 一种多态系统的双运行策略下的运维策略优化方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040181441A1 (en) * | 2001-04-11 | 2004-09-16 | Fung Robert M. | Model-based and data-driven analytic support for strategy development |
| CN103714397A (zh) * | 2013-12-26 | 2014-04-09 | 清华大学 | 多阶段任务多状态系统的最优选择性维修优化方法及装置 |
| CN106447051A (zh) * | 2016-08-30 | 2017-02-22 | 电子科技大学 | 一种面向多任务阶段的系统选择性维修决策方法 |
| CN108665164A (zh) * | 2018-05-10 | 2018-10-16 | 北京航空航天大学 | 基于运行质量数据的多态制造系统任务可靠性评估方法 |
-
2018
- 2018-12-03 CN CN201811464514.7A patent/CN109636021B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040181441A1 (en) * | 2001-04-11 | 2004-09-16 | Fung Robert M. | Model-based and data-driven analytic support for strategy development |
| CN103714397A (zh) * | 2013-12-26 | 2014-04-09 | 清华大学 | 多阶段任务多状态系统的最优选择性维修优化方法及装置 |
| CN106447051A (zh) * | 2016-08-30 | 2017-02-22 | 电子科技大学 | 一种面向多任务阶段的系统选择性维修决策方法 |
| CN108665164A (zh) * | 2018-05-10 | 2018-10-16 | 北京航空航天大学 | 基于运行质量数据的多态制造系统任务可靠性评估方法 |
Non-Patent Citations (8)
| Title |
|---|
| CHANGCHAO GU ET AL: "Comprehensive Cost Oriented Predictive Maintenance Based on Mission Reliability for a Manufacturing System", 《2017 ANNUAL RELIABILITY AND MAINTAINABILITY SYMPOSIUM (RAMS)》, 30 March 2017 (2017-03-30) * |
| CHANGCHAO GU ET AL: "Product quality oriented predictive maintenance strategy for manufacturing systems", 《2017 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-HARBIN)》, 23 October 2017 (2017-10-23) * |
| XIAO HAN ET AL: "Mission Reliability Optimization Method Based on Integrated Production Scheduling", 《2018 12TH INTERNATIONAL CONFERENCE ON RELIABILITY, MAINTAINABILITY, AND SAFETY (ICRMS)》, 19 October 2018 (2018-10-19) * |
| YIHAI HE ET AL: "Integrated predictive maintenance strategy for manufacturing systems by combining quality control and mission reliability analysis", 《RESEARCHGATE》, 31 July 2017 (2017-07-31) * |
| YIHAI HE ET AL: "Mission reliability modeling for multi-station manufacturing system based on Quality State Task Network", 《RESEARCHGATE》, 31 August 2017 (2017-08-31) * |
| YIHAI HE ET AL: "Reliability-oriented quality control approach for production process based on RQR chain", 《RESEARCHGATE》, 30 September 2016 (2016-09-30) * |
| ZHAOXIANG CHEN ET AL: "Mission reliability evaluation based on operational quality data for multistate manufacturing systems", 《RESEARCHGATE》, 31 August 2018 (2018-08-31) * |
| 姜涛: "基于状态观测数据的复杂系统可靠性评估与选择性维护决策方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, 15 February 2018 (2018-02-15) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210531A (zh) * | 2019-05-15 | 2019-09-06 | 北京航空航天大学 | 基于扩展随机流网的模糊多态制造系统任务可靠性评估方法 |
| CN113139676A (zh) * | 2021-03-24 | 2021-07-20 | 温州大学 | 一种基于资源约束的复杂系统选择性维修决策方法及装置 |
| CN115017811A (zh) * | 2022-06-10 | 2022-09-06 | 北京大学 | 用于不确定性多阶段生产系统的调度和维护联合决策方法 |
| CN115017811B (zh) * | 2022-06-10 | 2024-07-19 | 北京大学 | 用于不确定性多阶段生产系统的调度和维护联合决策方法 |
| CN117236923A (zh) * | 2023-09-08 | 2023-12-15 | 北京理工大学 | 一种多态系统的双运行策略下的运维策略优化方法 |
| CN117236923B (zh) * | 2023-09-08 | 2024-07-30 | 北京理工大学 | 一种多态系统的双运行策略下的运维策略优化方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109636021B (zh) | 2022-07-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109636021A (zh) | 一种任务可靠性导向的制造系统选择性维护决策方法 | |
| CN105701596A (zh) | 一种基于大数据技术的配网抢修精益化方法以及管理系统 | |
| AU2020101405A4 (en) | An Efficient Distributed Method for Real-Time Traffic Flow Prediction | |
| CN103632306A (zh) | 一种基于聚类分析的配电网供电区域划分方法 | |
| CN105574675A (zh) | 基于规则库的建筑工程规划监督方法和系统 | |
| CN106845696B (zh) | 一种智能优化水资源配置方法 | |
| CN109615115A (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
| SHI et al. | Artificial Intelligence, Employment Structure and High-Quality Development | |
| Chen et al. | Research and application of cluster analysis algorithm | |
| CN108133427A (zh) | 一种山东农业政策分析和决策支持系统 | |
| CN111291102A (zh) | 一种政务数据挖掘的高性能规模统计计算方法 | |
| Sporysz et al. | The Use of Cluster Analysis in Assessing the Sustainability of Organic Farms. Part I. Methodical Considerations | |
| CN110084411A (zh) | 用于预测回归的学习模型以及实现方法 | |
| Wang et al. | Optimization of task allocation and knowledge workers scheduling based-on particle swarm optimization | |
| Xu | Design system construction of intelligent enterprise management system based on big data technology | |
| CN115203887B (zh) | 一种基于业务流引擎的资源环境承载能力时态模型 | |
| Liu | Research on the construction method of mechanical manufacturing system based on artificial intelligence technology | |
| CN115879747B (zh) | 一种数字化防汛抗旱调度方法和系统 | |
| CN112036741B (zh) | 一种页岩气钻井工程智能调度方法及系统 | |
| Song et al. | The Construction of Agricultural Big Data Ecosystem Based on “Internet+” | |
| He et al. | Research on “Internet Plus” Economic Model and Evaluation System | |
| Sheng et al. | Domain Mapping of Product Service System Oriented on CNC Machine Tools | |
| Ke et al. | School of Grammar and Economics, Wuhan University of Science and Technology, Wuhan, China yke_2008@ 163. com | |
| Peng et al. | Smart manufacturing capability maturity model: Connotation, feature and trend | |
| Li et al. | The digitalization of Chinese fisheries and its configuration path to empower fishery sustainable development |
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 |