CN109978403A - 一种产品装配过程的质量管控方法、装置及设备 - Google Patents

一种产品装配过程的质量管控方法、装置及设备 Download PDF

Info

Publication number
CN109978403A
CN109978403A CN201910271577.9A CN201910271577A CN109978403A CN 109978403 A CN109978403 A CN 109978403A CN 201910271577 A CN201910271577 A CN 201910271577A CN 109978403 A CN109978403 A CN 109978403A
Authority
CN
China
Prior art keywords
state
qualitative data
probability
quality
data
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
Application number
CN201910271577.9A
Other languages
English (en)
Other versions
CN109978403B (zh
Inventor
刘检华
熊辉
武颖
庄存波
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN201910271577.9A priority Critical patent/CN109978403B/zh
Publication of CN109978403A publication Critical patent/CN109978403A/zh
Application granted granted Critical
Publication of CN109978403B publication Critical patent/CN109978403B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/06—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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种产品装配过程的质量管控方法、装置及设备，所述产品装配过程的质量管控方法包括：构建数字孪生质量管控模型；通过所述数字孪生质量管控模型获取物理车间的质量数据；根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果。本发明的实施例，通过构建物理车间、虚拟车间和车间生产管理系统协同工作的数字孪生质量管控模型，实现了装配过程质量数据的采集、分析与反馈；根据质量数据当前的状态变化预测质量数据的未来变化趋势，便于提醒操作人员及时调整，能够将质量数据调控在合理范围内，并且适用于离散装配过程，为复杂产品质量管控提供了一种新的途径。

Description

一种产品装配过程的质量管控方法、装置及设备
技术领域
本发明涉及产品质量管控领域，尤其涉及一种产品装配过程的质量管控方法、装置及设备。
背景技术
复杂产品装配是典型的离散型装配，具有单件小批生产、装配周期长、涉及的专业领域多、装配数据复杂、返工返修多等特点。在复杂产品装配过程中，通常会产生大量的质量数据，这些数据是评价装配质量的重要基础数据，可以用来衡量产品是否装配合格，并为后续装配质量的持续改进提供相关指导。
现有技术中，针对质量数据的管控通常只能追溯质量数据的历史状态，不能预测质量数据的未来状态，也无法提前定位质量问题并采取解决措施，或者并不适用于离散装配过程。因此，现有研究成果和方法虽然在一定程度上能够实现质量管控，但是其时效性较差，缺乏预测性且无法控制质量数据的浮动范围，不能很好的适用于复杂产品装配过程中的质量管控。
发明内容
为了解决上述技术问题，本发明提供了一种产品装配过程的质量管控方法、装置及设备，解决了现有技术中的质量管控方法不能预测数据的未来状态的问题。
依据本发明的一个方面，提供了一种产品装配过程的质量管控方法，包括：
构建数字孪生质量管控模型；
通过所述数字孪生质量管控模型获取物理车间的质量数据；
根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果。
可选地，所述数字孪生质量管控模型包括：物理车间、与所述物理车间虚拟映射的虚拟车间以及车间生产管理系统。
可选地，通过所述数字孪生质量管控模型获取物理车间的质量数据的步骤，包括：
选取所述物理车间的关键质量控制点；
获取所述车间生产管理系统采集的所述关键质量控制点的质量数据。
可选地，根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果的步骤，包括：
统计所述质量数据当前时刻的第一状态以及下一时刻的第二状态；
计算所述质量数据由所述第一状态转移为所述第二状态的转移概率；
根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率。
可选地，计算所述质量数据由所述第一状态转移为所述第二状态的转移概率，包括：
通过公式：计算得到所述转移概率；
其中，P为转移概率；Zij表示所述质量数据由i状态转移为j状态的概率；Pij表示由i状态转移为j状态的所述质量数据的数量；Pi表示第一状态为i状态的所述质量数据的总数量；i表示所述第一状态，i＝1，2，3；j表示所述第二状态，j＝1，2，3。
可选地，根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率，包括：通过公式：
计算得到所述稳态概率；
其中，X′为所述质量数据在下一时刻转移到所述第二状态的稳态概率，X为当前时刻的稳态概率；Zj′表示所述质量数据在下一时刻转移到j状态的稳态概率，Zj表示所述质量数据在当前时刻转移到j状态的稳态概率，j＝1，2，3，其中，Z1+Z2+Z3＝1；Z1′+Z2′+Z3′＝1。
可选地，Zij、Pij、Pi、Zj′以及Zj的下标i和j的取值中，1标识“变低”状态；2标识“持平”状态；3标识“变高”状态。
可选地，根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果的步骤之后，还包括：
根据所述计算结果向所述物理车间发送预警提示。
依据本发明的另一个方面，还提供了一种产品装配过程的质量管控装置，包括：
模型构建模块，用于构建数字孪生质量管控模型；
获取模块，用于通过所述数字孪生质量管控模型获取物理车间的质量数据；
计算模块，用于根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果。
可选地，所述数字孪生质量管控模型包括：物理车间、与所述物理车间虚拟映射的虚拟车间以及车间生产管理系统。
可选地，所述获取模块包括：
选取单元，用于选取所述物理车间的关键质量控制点；
获取单元，用于获取所述车间生产管理系统采集的所述关键质量控制点的质量数据。
可选地，所述计算模块包括：
统计单元，用于统计所述质量数据当前时刻的第一状态以及下一时刻的第二状态；
第一计算单元，用于计算所述质量数据由所述第一状态转移为所述第二状态的转移概率；
第二计算单元，用于根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率。
可选地，所述第一计算单元具体用于：
通过公式：计算得到所述转移概率；
其中，P为转移概率；Zij表示所述质量数据由i状态转移为j状态的概率；Pij表示由i状态转移为j状态的所述质量数据的数量；Pi表示第一状态为i状态的所述质量数据的总数量；i表示所述第一状态，i＝1，2，3；j表示所述第二状态，j＝1，2，3。
可选地，所述第二计算单元具体用于：
通过公式：
计算得到所述稳态概率；
其中，X′为所述质量数据在下一时刻转移到所述第二状态的稳态概率，X为当前时刻的稳态概率；Zj′表示所述质量数据在下一时刻转移到j状态的稳态概率，Zj表示所述质量数据在当前时刻转移到j状态的稳态概率，j＝1，2，3，其中，Z1+Z2+Z3＝1；Z1′+Z2′+Z3′＝1。
可选地，Zij、Pij、Pi、Zj′以及Zj的下标i和j的取值中，1标识“变低”状态；2标识“持平”状态；3标识“变高”状态。
可选地，所述产品装配过程的质量管控装置还包括：
预警模块，用于根据所述计算结果向所述物理车间发送预警提示。
依据本发明的再一个方面，提供了一种产品装配过程的质量管控设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的产品装配过程的质量管控方法的步骤。
本发明的实施例的有益效果是：
本发明的实施例，通过构建物理车间、虚拟车间和车间生产管理系统协同工作的数字孪生质量管控模型，实现了装配过程质量数据的采集、分析与反馈；根据质量数据当前的状态变化预测质量数据的未来变化趋势，便于提醒操作人员及时调整，能够将质量数据调控在合理范围内，并且适用于离散装配过程，为复杂产品质量管控提供了一种新的途径。
附图说明
图1表示本发明实施例的产品装配过程的质量管控方法的流程示意图；
图2表示本发明实施例产品装配过程的质量管控方法的具体流程示意图；
图3表示本发明实施例的质量数据的状态转移示意图；
图4表示本发明实施例的质量管控方法的具体实施过程示意图；
图5表示本发明实施例的产品装配过程的质量管控装置的结构框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提供了一种产品装配过程的质量管控方法，包括：
步骤11、构建数字孪生质量管控模型；
其中，所述数字孪生质量管控模型包括：物理车间、与所述物理车间虚拟映射的虚拟车间以及车间生产管理系统。物理车间，即传统的装配车间，由真实的厂房、机器设备、工具以及车间人员组成，是数字孪生技术的实体基础，也是数字孪生质量管控模型构建的首要前提；虚拟车间，是物理车间的虚拟映射，是高度还原物理车间的虚拟模型，利用数字孪生技术，依照物理车间的真实工位布局进行虚拟车间的二维和三维模型构建，是数字孪生技术的仿真对象，也是数字孪生质量管控模型构建的关键要素；车间生产管理系统，布置在物理车间的各个工位上，以此实现装配过程质量数据的采集与交互，用于帮助企业管理生产计划、产品质量、车间库存以及实现生产过程管控、提高企业生产制造能力，是数字孪生技术实现的媒介，也是数字孪生质量管控模型构建的重要桥梁。物理车间、虚拟车间以及车间生产管理系统三者通过车间质量孪生数据紧密相连。所述物理车间和车间生产管理系统通过车间质量的孪生数据驱动虚拟车间的动态映射，并且所述虚拟车间与所述物理车间实时映射、交互并迭代优化；所述虚拟车间与所述车间生产管理系统集成，并实时数据交互；所述车间生产管理系统根据所述物理车间数据迭代优化。
步骤12、通过所述数字孪生质量管控模型获取物理车间的质量数据；
依靠所述数字孪生质量管控模型中的车间生产管理系统，物理车间中的质量数据可以被实时采集并存储为车间质量孪生数据。其中，采集的所述质量数据为数值型数据，如力矩、重量、间隙等。
步骤13、根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果。
该实施例中，以采集的所述质量数据作为分析样本，根据所述质量数据当前状态相对于前一时刻的状态变化预测质量数据下一时刻的变化趋势，在该过程中，质量数据当前时刻的状态变化仅与上一时刻所处的状态有关，即所述质量数据的下一时刻的变化趋势仅与当前时刻的状态有关，且所述质量数据的下一时刻的变化趋势与当前时刻之前的状态均无关，因此，可以通过马尔可夫方法，根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，这是无后效性的随机过程，适用于离散装配过程。所述计算结果标识所述质量数据的下一时刻的状态变化的概率，将所述计算结果反馈到物理车间，根据概率数值即可明确得出车间的装配过程是否符合规范，便于提醒操作人员及时调整，从而使相关质量数据尽可能保持在合理区间之中。
该方案通过构建物理车间、虚拟车间和车间生产管理系统协同工作的数字孪生质量管控模型，实现了装配过程质量数据的采集、分析与反馈；根据质量数据当前的状态变化预测质量数据的未来变化趋势，便于提醒操作人员及时调整，能够将质量数据调控在合理范围内，并且适用于离散装配过程，为复杂产品质量管控提供了一种新的途径。
具体地，如图2所示，步骤12包括：步骤121、选取所述物理车间的关键质量控制点；
在复杂产品的装配过程中，装配单元和工序是一对多的关系，通过一道或几道工序的装配操作，装配单元会进行由简到繁的阶段转变，直至得到整个装配体。在工序的装配过程中，根据质量控制的需求会设置多个关键质量控制点，选取至少一个关键质量控制点作为质量数据的采集点。对于装配车间来说，不同类型的装配车间生产模式不同，对质量数据分析的需求不同，因此质量数据的采集模式也不完全相同，根据复杂产品单件小批生产、装配周期长等特点，需要依托预设的产品装配流程对选取的关键质量控制点的质量数据进行实时采集。其中，每个质量控制点配有对应的三维装配工艺向导以及质量采集模板，三维装配工艺向导是用虚拟的装配操作引导实际的装配操作；质量采集模板指示采集的质量数据的类型，可以为照片、视频、文字以及数据等，本发明实施例以数据为例进行说明。
步骤122、获取所述车间生产管理系统采集的所述关键质量控制点的质量数据。
其中，质量数据的采集可以通过各种软硬件方法实现。软件采集的方式包括软件集成接口以及数据库共享等方式，以通过其他系统实现对质量数据的间接采集，并传送到所述车间生产管理系统；硬件采集的方式主要依靠测量的仪器设备，以实现对装配过程质量数据的直接采集，并录入所述车间生产管理系统。在实际工作中，某些质量数据可能还需要手工采集，手工采集的方式主要依靠人工测量录入所述车间生产管理系统。需要说明的是，采集的质量数据为数值型质量数据，其采集频率视质量管控需求设定。如，在一个装配周期可以采集一次质量数据，特殊情况下，在一个装配周期也可以实现对质量数据的多次采集。通过上述质量数据采集流程以及方法，能够实现对复杂产品装配过程中质量数据的全面采集，从而为后续的装配质量数据分析提供足够的数据基础。
具体地，所述步骤13包括：步骤131、统计所述质量数据当前时刻的第一状态以及下一时刻的第二状态；
其中，所述第一状态是指当前时刻的质量数据相对于预设数值范围的变化状态，所述第一状态包括“变低”状态、“持平”状态以及“变高”状态中的一种；所述第二状态是指下一时刻相对于预设数值范围的变化状态，所述第二状态包括“变低”状态、“持平”状态以及“变高”状态中的一种。在每一个选取的所述关键质量控制点，均有其合理的预设数值范围，若采集的质量数据大于所述预设数值范围的最大值，认为质量数据的状态为变高；若采集的质量数据小于所述预设数值范围的最小值，认为质量数据的状态为变低；若采集的质量数据在所述预设数值范围内，认为质量数据的状态为持平。
将采集的质量数据作为样本，统计质量数据在不同时刻的状态，质量数据的采集量以及质量数据的参数根据需求设置，本发明实施例以41组力矩数据为例进行说明，同一关键质量控制点的同一数据采集点，力矩数据在不同时刻的变化状态如表1所示：
表1
采集序号 力矩数据状态 采集序号 力矩数据状态
1 变高 22 持平
2 变高 23 持平
3 持平 24 变高
4 持平 25 变低
5 变低 26 持平
6 持平 27 持平
7 持平 28 变低
8 持平 29 变高
9 变低 30 变高
10 持平 31 持平
11 持平 32 持平
12 持平 33 变低
13 持平 34 持平
14 变高 35 持平
15 变高 36 变高
16 变高 37 持平
17 持平 38 持平
18 持平 39 变低
19 持平 40 持平
20 变低 41 持平
21 变低
由表1可以看出，在8个上一时刻力矩数值变低的数据中，有1个数据当前的力矩数值还是变低，有6个数据当前时刻的力矩数值持平，还有1个数据当前时刻的力矩数值变高。类似的，统计出这种状态发生改变的所有力矩数据的数量，力矩数据状态变化以及发生变化的数量如表2所示：
表2
由表2可以看出，当前时刻力矩数据为变低状态的力矩数量为8个，当前时刻力矩数据为持平状态的力矩数量为23个，当前时刻力矩数据为变高状态的力矩数量为9个。需要说明的是，表1和表2仅为示例性实施例，其中的数据数量以及质量数据的参数类型可以根据实际需求设置。
步骤132、计算所述质量数据由所述第一状态转移为所述第二状态的转移概率；
在该实施例中，假定在未来的时间内，质量数据的状态改变情况不因时间的不同而发生变化，以装配周期为状态转移所需的时间，根据质量数据的状态变化可以得到马尔可夫模型的状态转移矩阵。马尔可夫预测模型主要用于分析离散随机过程未来的变化趋势，也就是利用某一变量现在的状态和变化的趋势去预测其未来的状态。马尔可夫方法适用的前提是要预测的事物发生的整个过程符合马尔可夫过程，也就是无后效性的随机过程，即当过程在某时刻所处的状态为已知时，过程在下一时刻所处状态的概率只和过程在当前时刻所处的状态有关，和当前时刻之前的状态无关。针对同种型号的复杂产品来说，因为其生产批量较小，所以在其装配过程中虽然会产生大量的质量数据，但同类质量数据的数量较小，故历史数据量较小。相对其他数据预测方法而言，马尔可夫方法对历史数据的要求较低，更加注重当前数据状态以及数据的变化趋势，所以适用于对复杂产品装配过程中的质量数据进行预测，也是实现基于数字孪生技术的产品装配过程质量管控的关键途径。
在该实施例中，假设质量数据以一定的概率在持平、变低和变高这三种状态之间进行转移。其中1代表“变低”，2代表“持平”，3代表“变高”。若当前时刻质量数据状态是变低，那么下一时刻质量数据有Z11的概率变低，Z12的概率持平，Z13的概率变高；若当前时刻质量数据状态是持平，那么下一时刻质量数据有Z21的概率变低，Z22的概率持平，Z23的概率变高；若当前时刻质量数据状态是变高，那么下一时刻质量数据有Z31的概率变低，Z32的概率持平，Z33的概率变高；质量数据的状态转移示意图如图3所示。
具体地，计算所述质量数据由所述第一状态转移为所述第二状态的转移概率，包括：
通过公式：计算得到所述转移概率；
其中，P为转移概率；Zij表示所述质量数据由i状态转移为j状态的概率；Zij＝Pij/Pi；Pij表示由i状态转移为j状态的所述质量数据的数量；Pi表示第一状态为i状态的所述质量数据的总数量；i表示所述第一状态，i＝1，2，3；j表示所述第二状态，j＝1，2，3。其中，Zij、Pij、Pi、Zj′以及Zj的下标i和j的取值中，1标识“变低”状态；2标识“持平”状态；3标识“变高”状态。
步骤133、根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率。
该实施例中，用马尔可夫过程在稳态条件下的解作为未来力矩数据的预测状态，因此利用马尔可夫稳态概率求解即可得到所述质量数据的下一时刻的变化趋势。
具体地，根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率，包括：通过公式：
计算得到所述稳态概率；
其中，X′为所述质量数据在下一时刻转移到所述第二状态的稳态概率，X为当前时刻的稳态概率；Zj′表示所述质量数据在下一时刻转移到j状态的稳态概率，Zj表示所述质量数据在当前时刻转移到j状态的稳态概率，j＝1，2，3，其中，Z1+Z2+Z3＝1；Z1′+Z2′+Z3′＝1。Zij、Pij、Pi、Zj′以及Zj的下标i和j的取值中，1标识“变低”状态；2标识“持平”状态；3标识“变高”状态。该实施例中，通过求解上述公式可以得到所述质量数据在下一时刻变低、持平以及变高的概率。
可选地，根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果的步骤之后，还包括：
根据所述计算结果向所述物理车间发送预警提示。
在利用马尔可夫方法计算得到质量数据在下一时刻的变化概率后，根据变化概率可以判断出是否需要向物理车间发送预警提示；例如，在质量数据在下一时刻变低的概率大于其他情况，或者质量数据在下一时刻变高的概率大于其他情况时，认为质量数据在下一时刻出现异常的概率较大，则通过数字孪生监控平台、展示面板等形式将所述预警指示反馈到物理车间，便于操作人员及时调整；在质量数据在下一时刻持平的概率大于其他情况时，认为质量数据在下一时刻出现异常的概率较小，则不需要向物理车间反馈预警指示。
其中，向所述物理车间发送预警提示的方式可以根据需求设置，可以通过数字孪生监控平台、展示面板等能够实现信息反馈功能的任意系统实现质量数据的变化趋势向物理车间的实时反馈。本发明实施例以数字孪生监控平台为例，在数字孪生监控平台中，包括装配车间的真实布局，可以通过二维和三维的形式显示物理车间的真实情况，在向物理车间反馈预警指示时，可选地，以数字孪生监控平台的监控看板上的工位边框的颜色标识预警情况，例如，工位边框为绿色时表示该工位包含的质量数据状态的计算结果是持平，即质量数据正常；工位边框为绿色时表示该工位包含的质量数据状态的计算结果是持平，即质量数据正常；工位边框为灰色时表示该工位包含的质量数据状态的计算结果是变低，即质量数据异常。通过装配车间布局图中工位颜色的不同，数字孪生质量管控模型可以实现对质量信息的宏观监控。
本发明实施例的质量管控方法的具体实施过程如图4所示，装配开始后，操作人员在物理车间中进行装配操作，利用车间生产管理系统以及规定的质量数据采集流程进行数值型质量数据的采集与存储，所述车间生产管理系统将采集的质量数据发送至虚拟车间；在虚拟车间中，利用马尔可夫方法对车间生产管理系统发送的质量数据进行实时的分析计算，并将计算结果反馈到物理车间；判断所述计算结果的数值是否正常，若计算值正常，则物理车间的装配操作继续进行，若计算值出现异常，则会对物理车间进行质量预警，以提醒操作人员注意下一阶段的操作规范。在装配过程中会反复执行上述质量管控流程，直至完成整个复杂产品装配任务。
该方案通过构建物理车间、虚拟车间和车间生产管理系统协同工作的数字孪生质量管控模型，实现了装配过程质量数据的采集、分析与反馈；根据质量数据当前的状态变化预测质量数据的未来变化趋势，便于提醒操作人员及时调整，能够将质量数据调控在合理范围内，并且适用于离散装配过程，为复杂产品质量管控提供了一种新的途径。
如图5所示，本发明的实施例还提供了一种产品装配过程的质量管控装置，包括：
模型构建模块51，用于构建数字孪生质量管控模型；
其中，所述数字孪生质量管控模型包括：物理车间、与所述物理车间虚拟映射的虚拟车间以及车间生产管理系统。物理车间，即传统的装配车间，由真实的厂房、机器设备、工具以及车间人员组成，是数字孪生技术的实体基础，也是数字孪生质量管控模型构建的首要前提；虚拟车间，是物理车间的虚拟映射，是高度还原物理车间的虚拟模型，利用数字孪生技术，依照物理车间的真实工位布局进行虚拟车间的二维和三维模型构建，是数字孪生技术的仿真对象，也是数字孪生质量管控模型构建的关键要素；车间生产管理系统，布置在物理车间的各个工位上，以此实现装配过程质量数据的采集与交互，用于帮助企业管理生产计划、产品质量、车间库存以及实现生产过程管控、提高企业生产制造能力，是数字孪生技术实现的媒介，也是数字孪生质量管控模型构建的重要桥梁。物理车间、虚拟车间以及车间生产管理系统三者通过车间质量孪生数据紧密相连。
所述物理车间和车间生产管理系统通过车间质量的孪生数据驱动虚拟车间的动态映射，并且所述虚拟车间与所述物理车间实时映射、交互并迭代优化；所述虚拟车间与所述车间生产管理系统集成，并实时数据交互；所述车间生产管理系统根据所述物理车间数据迭代优化。
获取模块52，用于通过所述数字孪生质量管控模型获取物理车间的质量数据；
依靠所述数字孪生质量管控模型中的车间生产管理系统，物理车间中的质量数据可以被实时采集并存储为车间质量孪生数据。其中，采集的所述质量数据为数值型数据，如力矩、重量、间隙等。
计算模块53，用于根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果。
该实施例中，以采集的所述质量数据作为分析样本，根据所述质量数据当前状态相对于前一时刻的状态变化预测质量数据下一时刻的变化趋势，在该过程中，质量数据当前时刻的状态变化仅与上一时刻所处的状态有关，即所述质量数据的下一时刻的变化趋势仅与当前时刻的状态有关，且所述质量数据的下一时刻的变化趋势与当前时刻之前的状态均无关，因此，可以通过马尔可夫方法，根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，这是无后效性的随机过程，适用于离散装配过程。
所述计算结果标识所述质量数据的下一时刻的状态变化的概率，将所述计算结果反馈到物理车间，根据概率数值即可明确得出车间的装配过程是否符合规范，便于提醒操作人员及时调整，从而使相关质量数据尽可能保持在合理区间之中。
该方案通过构建物理车间、虚拟车间和车间生产管理系统协同工作的数字孪生质量管控模型，实现了装配过程质量数据的采集、分析与反馈；根据质量数据当前的状态变化预测质量数据的未来变化趋势，便于提醒操作人员及时调整，能够将质量数据调控在合理范围内，并且适用于离散装配过程，为复杂产品质量管控提供了一种新的途径。
具体地，所述获取模块52包括：
选取单元，用于选取所述物理车间的关键质量控制点；
在复杂产品的装配过程中，装配单元和工序是一对多的关系，通过一道或几道工序的装配操作，装配单元会进行由简到繁的阶段转变，直至得到整个装配体。在工序的装配过程中，根据质量控制的需求会设置多个关键质量控制点，选取至少一个关键质量控制点作为质量数据的采集点。对于装配车间来说，不同类型的装配车间生产模式不同，对质量数据分析的需求不同，因此质量数据的采集模式也不完全相同，根据复杂产品单件小批生产、装配周期长等特点，需要依托预设的产品装配流程对选取的关键质量控制点的质量数据进行实时采集。其中，每个质量控制点配有对应的三维装配工艺向导以及质量采集模板，三维装配工艺向导是用虚拟的装配操作引导实际的装配操作；质量采集模板指示采集的质量数据的类型，可以为照片、视频、文字以及数据等，本发明实施例以数据为例进行说明。
获取单元，用于获取所述车间生产管理系统采集的所述关键质量控制点的质量数据。
其中，质量数据的采集可以通过各种软硬件方法实现。软件采集的方式包括软件集成接口以及数据库共享等方式，以通过其他系统实现对质量数据的间接采集，并传送到所述车间生产管理系统；硬件采集的方式主要依靠测量的仪器设备，以实现对装配过程质量数据的直接采集，并录入所述车间生产管理系统。在实际工作中，某些质量数据可能还需要手工采集，手工采集的方式主要依靠人工测量录入所述车间生产管理系统。
需要说明的是，采集的所述质量数据为数值型质量数据，其采集频率视质量管控需求设定。例如，在一个装配周期中可以采集一次质量数据，特殊情况下，在一个装配周期中也可以实现对质量数据的多次采集。通过上述质量数据采集流程以及方法，能够实现对复杂产品装配过程中质量数据的全面采集，从而为后续的装配质量数据分析提供足够的数据基础。
具体地，所述计算模块53包括：
统计单元，用于统计所述质量数据当前时刻的第一状态以及下一时刻的第二状态；
其中，所述第一状态是指当前时刻的质量数据相对于预设数值范围的变化状态，所述第一状态包括“变低”状态、“持平”状态以及“变高”状态中的一种；所述第二状态是指下一时刻相对于预设数值范围的变化状态，所述第二状态包括“变低”状态、“持平”状态以及“变高”状态中的一种。在每一个选取的所述关键质量控制点，均有其合理的预设数值范围，若采集的质量数据大于所述预设数值范围的最大值，认为质量数据的状态为变高；若采集的质量数据小于所述预设数值范围的最小值，认为质量数据的状态为变低；若采集的质量数据在所述预设数值范围内，认为质量数据的状态为持平。
将采集的质量数据作为样本，统计质量数据在不同时刻的状态，质量数据的采集量以及质量数据的参数根据需求设置，本发明实施例以41组力矩数据为例进行说明，同一关键质量控制点的同一数据采集点，力矩数据在不同时刻的变化状态如上述表1所示。
由表1可以看出，在8个上一时刻力矩数值变低的数据中，有1个数据当前的力矩数值还是变低，有6个数据当前时刻的力矩数值持平，还有1个数据当前时刻的力矩数值变高。类似的，统计出这种状态发生改变的所有力矩数据的数量，力矩数据状态变化以及发生变化的数量如上述表2所示。
由表2可以看出，当前时刻力矩数据为变低状态的力矩数量为8个，当前时刻力矩数据为持平状态的力矩数量为23个，当前时刻力矩数据为变高状态的力矩数量为9个。需要说明的是，表1和表2仅为示例性实施例，其中的数据数量以及质量数据的参数类型可以根据实际需求设置。
第一计算单元，用于计算所述质量数据由所述第一状态转移为所述第二状态的转移概率；
在该实施例中，假定在未来的时间内，质量数据的状态改变情况不因时间的不同而发生变化，以装配周期为状态转移所需的时间，根据质量数据的状态变化可以得到马尔可夫模型的状态转移矩阵。马尔可夫预测模型主要用于分析离散随机过程未来的变化趋势，也就是利用某一变量现在的状态和变化的趋势去预测其未来的状态。马尔可夫方法适用的前提是要预测的事物发生的整个过程符合马尔可夫过程，也就是无后效性的随机过程，即当过程在某时刻所处的状态为已知时，过程在下一时刻所处状态的概率只和过程在当前时刻所处的状态有关，和当前时刻之前的状态无关。针对同种型号的复杂产品来说，因为其生产批量较小，所以在其装配过程中虽然会产生大量的质量数据，但同类质量数据的数量较小，故历史数据量较小。相对其他数据预测方法而言，马尔可夫方法对历史数据的要求较低，更加注重当前数据状态以及数据的变化趋势，所以适用于对复杂产品装配过程中的质量数据进行预测，也是实现基于数字孪生技术的产品装配过程质量管控的关键途径。
在该实施例中，假设质量数据以一定的概率在持平、变低和变高这三种状态之间进行转移。其中1代表“变低”，2代表“持平”，3代表“变高”。若当前时刻质量数据状态是变低，那么下一时刻质量数据有Z11的概率变低，Z12的概率持平，Z13的概率变高；若当前时刻质量数据状态是持平，那么下一时刻质量数据有Z21的概率变低，Z22的概率持平，Z23的概率变高；若当前时刻质量数据状态是变高，那么下一时刻质量数据有Z31的概率变低，Z32的概率持平，Z33的概率变高；质量数据的状态转移示意图如3所示。
具体地，计算所述质量数据由所述第一状态转移为所述第二状态的转移概率，包括：
通过公式：计算得到所述转移概率；
其中，P为转移概率；Zij表示所述质量数据由i状态转移为j状态的概率；Zij＝Pij/Pi；Pij表示由i状态转移为j状态的所述质量数据的数量；Pi表示第一状态为i状态的所述质量数据的总数量；i表示所述第一状态，i＝1，2，3；j表示所述第二状态，j＝1，2，3。其中，Zij、Pij、Pi、Zj′以及Zj的下标i和j的取值中，1标识“变低”状态；2标识“持平”状态；3标识“变高”状态。
第二计算单元，用于根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率。
该实施例中，用马尔可夫过程在稳态条件下的解作为未来力矩数据的预测状态，因此利用马尔可夫稳态概率求解即可得到所述质量数据的下一时刻的变化趋势。
具体地，根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率，包括：通过公式：
计算得到所述稳态概率；
其中，X′为所述质量数据在下一时刻转移到所述第二状态的稳态概率，X为当前时刻的稳态概率；Zj′表示所述质量数据在下一时刻转移到j状态的稳态概率，Zj表示所述质量数据在当前时刻转移到j状态的稳态概率，j＝1，2，3，其中，Z1+Z2+Z3＝1；Z1′+Z2′+Z3′＝1。Zij、Pij、Pi、Zj′以及Zj的下标i和j的取值中，1标识“变低”状态；2标识“持平”状态；3标识“变高”状态。该实施例中，通过求解上述公式可以得到所述质量数据在下一时刻变低、持平以及变高的概率。
具体地，所述产品装配过程的质量管控装置还包括：
预警模块，用于根据所述计算结果向所述物理车间发送预警提示。
在利用马尔可夫方法计算得到质量数据在下一时刻的变化概率后，根据变化概率可以判断出是否需要向物理车间发送预警提示；例如，在质量数据在下一时刻变低的概率大于其他情况，或者质量数据在下一时刻变高的概率大于其他情况时，认为质量数据在下一时刻出现异常的概率较大，则通过数字孪生监控平台、展示面板等形式将所述预警指示反馈到物理车间，便于操作人员及时调整；在质量数据在下一时刻持平的概率大于其他情况时，认为质量数据在下一时刻出现异常的概率较小，则不需要向物理车间反馈预警指示。
其中，向所述物理车间发送预警提示的方式可以根据需求设置，可以通过数字孪生监控平台、展示面板等能够实现信息反馈功能的任意系统实现质量数据的变化趋势向物理车间的实时反馈。本发明实施例以数字孪生监控平台为例，在数字孪生监控平台中，包括装配车间的真实布局，可以通过二维和三维的形式显示物理车间的真实情况，在向物理车间反馈预警指示时，可选地，以数字孪生监控平台的监控看板上的工位边框的颜色标识预警情况，例如，工位边框为绿色时表示该工位包含的质量数据状态的计算结果是持平，即质量数据正常；工位边框为绿色时表示该工位包含的质量数据状态的计算结果是持平，即质量数据正常；工位边框为灰色时表示该工位包含的质量数据状态的计算结果是变低，即质量数据异常。通过装配车间布局图中工位颜色的不同，数字孪生质量管控模型可以实现对质量信息的宏观监控。
该方案通过构建物理车间、虚拟车间和车间生产管理系统协同工作的数字孪生质量管控模型，实现了装配过程质量数据的采集、分析与反馈；根据质量数据当前的状态变化预测质量数据的未来变化趋势，便于提醒操作人员及时调整，能够将质量数据调控在合理范围内，并且适用于离散装配过程，为复杂产品质量管控提供了一种新的途径。
需要说明的是，该装置是与上述个体推荐方法对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明实施例还提供了一种产品装配过程的质量管控设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现上述的产品装配过程的质量管控方法的步骤。
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。

Claims (17)

1.一种产品装配过程的质量管控方法，其特征在于，包括：
构建数字孪生质量管控模型；
通过所述数字孪生质量管控模型获取物理车间的质量数据；
根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果。
2.根据权利要求1所述的产品装配过程的质量管控方法，其特征在于，所述数字孪生质量管控模型包括：物理车间、与所述物理车间虚拟映射的虚拟车间以及车间生产管理系统。
3.根据权利要求2所述的产品装配过程的质量管控方法，其特征在于，通过所述数字孪生质量管控模型获取物理车间的质量数据的步骤，包括：
选取所述物理车间的关键质量控制点；
获取所述车间生产管理系统采集的所述关键质量控制点的质量数据。
4.根据权利要求1所述的产品装配过程的质量管控方法，其特征在于，根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果的步骤，包括：
统计所述质量数据当前时刻的第一状态以及下一时刻的第二状态；
计算所述质量数据由所述第一状态转移为所述第二状态的转移概率；
根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率。
5.根据权利要求4所述的产品装配过程的质量管控方法，其特征在于，计算所述质量数据由所述第一状态转移为所述第二状态的转移概率，包括：
通过公式：计算得到所述转移概率；
其中，P为转移概率；Zij表示所述质量数据由i状态转移为j状态的概率；Pij表示由i状态转移为j状态的所述质量数据的数量；Pi表示第一状态为i状态的所述质量数据的总数量；i表示所述第一状态，i＝1，2，3；j表示所述第二状态，j＝1，2，3。
6.根据权利要求5所述的产品装配过程的质量管控方法，其特征在于，根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率，包括：通过公式：
计算得到所述稳态概率；
其中，X′为所述质量数据在下一时刻转移到所述第二状态的稳态概率，X为当前时刻的稳态概率；Zj′表示所述质量数据在下一时刻转移到j状态的稳态概率，Zj表示所述质量数据在当前时刻转移到j状态的稳态概率，j＝1，2，3,其中，Z1+Z2+Z3＝1；Z1′+Z2′+Z3′＝1。
7.根据权利要求6所述的产品装配过程的质量管控方法，其特征在于，Zij、Pij、Pi、Zj′以及Zj的下标i和j的取值中，1标识“变低”状态；2标识“持平”状态；3标识“变高”状态。
8.根据权利要求1所述的产品装配过程的质量管控方法，其特征在于，根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果的步骤之后，还包括：
根据所述计算结果向所述物理车间发送预警提示。
9.一种产品装配过程的质量管控装置，其特征在于，包括：
模型构建模块，用于构建数字孪生质量管控模型；
获取模块，用于通过所述数字孪生质量管控模型获取物理车间的质量数据；
计算模块，用于根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，并获得计算结果。
10.根据权利要求9所述的产品装配过程的质量管控装置，其特征在于，所述数字孪生质量管控模型包括：物理车间、与所述物理车间虚拟映射的虚拟车间以及车间生产管理系统。
11.根据权利要求10所述的产品装配过程的质量管控装置，其特征在于，所述获取模块包括：
选取单元，用于选取所述物理车间的关键质量控制点；
获取单元，用于获取所述车间生产管理系统采集的所述关键质量控制点的质量数据。
12.根据权利要求9所述的产品装配过程的质量管控装置，其特征在于，所述计算模块包括：
统计单元，用于统计所述质量数据当前时刻的第一状态以及下一时刻的第二状态；
第一计算单元，用于计算所述质量数据由所述第一状态转移为所述第二状态的转移概率；
第二计算单元，用于根据所述转移概率计算所述质量数据在下一时刻转移到所述第二状态的稳态概率。
13.根据权利要求12所述的产品装配过程的质量管控装置，其特征在于，所述第一计算单元具体用于：
通过公式：计算得到所述转移概率；
其中，P为转移概率；Zij表示所述质量数据由i状态转移为j状态的概率；Pij表示由i状态转移为j状态的所述质量数据的数量；Pi表示第一状态为i状态的所述质量数据的总数量；i表示所述第一状态，i＝1，2，3；j表示所述第二状态，j＝1，2，3。
14.根据权利要求13所述的产品装配过程的质量管控装置，其特征在于，所述第二计算单元具体用于：
通过公式：
计算得到所述稳态概率；
其中，X′为所述质量数据在下一时刻转移到所述第二状态的稳态概率，X为当前时刻的稳态概率；Zj′表示所述质量数据在下一时刻转移到j状态的稳态概率，Zj表示所述质量数据在当前时刻转移到j状态的稳态概率，j＝1，2，3，其中，Z1+Z2+Z3＝1；Z1′+Z2′+Z3′＝1。
15.根据权利要求14所述的产品装配过程的质量管控装置，其特征在于，Zij、Pij、Pi、Zj′以及Zj的下标i和j的取值中，1标识“变低”状态；2标识“持平”状态；3标识“变高”状态。
16.根据权利要求9所述的产品装配过程的质量管控装置，其特征在于，所述产品装配过程的质量管控装置还包括：
预警模块，用于根据所述计算结果向所述物理车间发送预警提示。
17.一种产品装配过程的质量管控设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1～8中任一项所述的产品装配过程的质量管控方法的步骤。
CN201910271577.9A 2019-04-04 2019-04-04 一种产品装配过程的质量管控方法、装置及设备 Active CN109978403B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910271577.9A CN109978403B (zh) 2019-04-04 2019-04-04 一种产品装配过程的质量管控方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910271577.9A CN109978403B (zh) 2019-04-04 2019-04-04 一种产品装配过程的质量管控方法、装置及设备

Publications (2)

Publication Number Publication Date
CN109978403A true CN109978403A (zh) 2019-07-05
CN109978403B CN109978403B (zh) 2021-04-20

Family

ID=67082942

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910271577.9A Active CN109978403B (zh) 2019-04-04 2019-04-04 一种产品装配过程的质量管控方法、装置及设备

Country Status (1)

Country Link
CN (1) CN109978403B (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110673556A (zh) * 2019-09-23 2020-01-10 珠海格力电器股份有限公司 一种用于胀管过程的质量管控方法及系统
CN110704974A (zh) * 2019-09-30 2020-01-17 江苏科技大学 基于数字孪生驱动的工艺模型的建模与使用方法
CN110705080A (zh) * 2019-09-25 2020-01-17 北京航空航天大学 一种数字孪生模型精准组装方法及装置
CN110738426A (zh) * 2019-10-18 2020-01-31 北京理工大学 一种太空碎片防护的数字孪生控制方法及防护系统
CN110989404A (zh) * 2019-12-30 2020-04-10 上海大学 一种汽车后桥装配生产线仿真方法
CN111783318A (zh) * 2019-10-15 2020-10-16 上海大学 一种基于三维模型的装配质量数据分析和可视化方法
CN112016737A (zh) * 2020-08-05 2020-12-01 东北大学秦皇岛分校 一种基于数字孪生的复杂产品装配车间管控方法
CN112070279A (zh) * 2020-08-19 2020-12-11 浙江工业大学 一种基于数字孪生技术的产品加工控制方法
CN112068519A (zh) * 2020-09-10 2020-12-11 北京理工大学 一种产品装配过程的质量管控方法和装置
CN112462722A (zh) * 2020-12-07 2021-03-09 北京达美盛软件股份有限公司 一种用于控制及显示的实时数字孪生工厂系统
CN112634433A (zh) * 2020-12-07 2021-04-09 北京达美盛软件股份有限公司 一种数字工厂的实时控制及可视化系统
CN112799369A (zh) * 2021-01-15 2021-05-14 北京理工大学 一种产品装配过程管控方法和装置
CN112926764A (zh) * 2021-01-21 2021-06-08 北京理工大学 一种产品质量性能预测方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180011389A1 (en) * 2016-07-11 2018-01-11 Petrica-Sandel Baciu Modular Instant and Digital Back for Film TLR Cameras
CN108255141A (zh) * 2018-01-17 2018-07-06 北京理工大学 一种装配调度信息生成方法及系统
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
CN109270899A (zh) * 2018-09-03 2019-01-25 江苏科技大学 一种基于数字孪生的船用柴油机关重件制造过程管控方法
CN109375595A (zh) * 2018-10-25 2019-02-22 北京理工大学 一种车间可视化监控方法、装置及设备
CN109445305A (zh) * 2018-10-26 2019-03-08 中国电子科技集团公司第三十八研究所 一种基于数字孪生的装配精度仿真分析方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180011389A1 (en) * 2016-07-11 2018-01-11 Petrica-Sandel Baciu Modular Instant and Digital Back for Film TLR Cameras
US10074038B2 (en) * 2016-11-23 2018-09-11 General Electric Company Deep learning medical systems and methods for image reconstruction and quality evaluation
CN108255141A (zh) * 2018-01-17 2018-07-06 北京理工大学 一种装配调度信息生成方法及系统
CN109270899A (zh) * 2018-09-03 2019-01-25 江苏科技大学 一种基于数字孪生的船用柴油机关重件制造过程管控方法
CN109375595A (zh) * 2018-10-25 2019-02-22 北京理工大学 一种车间可视化监控方法、装置及设备
CN109445305A (zh) * 2018-10-26 2019-03-08 中国电子科技集团公司第三十八研究所 一种基于数字孪生的装配精度仿真分析方法与系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZHEN XU: "Interactions between the quality control ubiquitin ligase CHIP and ubiquitin conjugating enzymes", 《BMC STRUCTURAL BIOLOGY》 *
张新生: "基于数字孪生的车间管控系统的设计与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *
张玉良: "面向航天器在轨装配的数字孪生技术", 《导航与控制》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110673556A (zh) * 2019-09-23 2020-01-10 珠海格力电器股份有限公司 一种用于胀管过程的质量管控方法及系统
CN110705080A (zh) * 2019-09-25 2020-01-17 北京航空航天大学 一种数字孪生模型精准组装方法及装置
CN110705080B (zh) * 2019-09-25 2020-10-02 北京航空航天大学 一种数字孪生模型精准组装方法及装置
CN110704974A (zh) * 2019-09-30 2020-01-17 江苏科技大学 基于数字孪生驱动的工艺模型的建模与使用方法
CN110704974B (zh) * 2019-09-30 2023-08-01 江苏科技大学 基于数字孪生驱动的工艺模型的建模与使用方法
CN111783318A (zh) * 2019-10-15 2020-10-16 上海大学 一种基于三维模型的装配质量数据分析和可视化方法
CN111783318B (zh) * 2019-10-15 2023-03-24 上海大学 一种基于三维模型的装配质量数据分析和可视化方法
CN110738426A (zh) * 2019-10-18 2020-01-31 北京理工大学 一种太空碎片防护的数字孪生控制方法及防护系统
CN110989404A (zh) * 2019-12-30 2020-04-10 上海大学 一种汽车后桥装配生产线仿真方法
CN112016737B (zh) * 2020-08-05 2022-03-22 东北大学秦皇岛分校 一种基于数字孪生的复杂产品装配车间管控方法
CN112016737A (zh) * 2020-08-05 2020-12-01 东北大学秦皇岛分校 一种基于数字孪生的复杂产品装配车间管控方法
CN112070279A (zh) * 2020-08-19 2020-12-11 浙江工业大学 一种基于数字孪生技术的产品加工控制方法
CN112068519A (zh) * 2020-09-10 2020-12-11 北京理工大学 一种产品装配过程的质量管控方法和装置
CN112634433A (zh) * 2020-12-07 2021-04-09 北京达美盛软件股份有限公司 一种数字工厂的实时控制及可视化系统
CN112462722A (zh) * 2020-12-07 2021-03-09 北京达美盛软件股份有限公司 一种用于控制及显示的实时数字孪生工厂系统
CN112799369A (zh) * 2021-01-15 2021-05-14 北京理工大学 一种产品装配过程管控方法和装置
CN112926764A (zh) * 2021-01-21 2021-06-08 北京理工大学 一种产品质量性能预测方法和装置
CN112926764B (zh) * 2021-01-21 2023-05-30 北京理工大学 一种产品质量性能预测方法和装置

Also Published As

Publication number Publication date
CN109978403B (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN109978403A (zh) 一种产品装配过程的质量管控方法、装置及设备
US7272531B2 (en) Aggregation of asset use indices within a process plant
JP2000176799A (ja) 生産製造計画システム
Kacar et al. An experimental comparison of production planning using clearing functions and iterative linear programming-simulation algorithms
Santos et al. Use of simulation in the industry 4.0 context: Creation of a Digital Twin to optimise decision making on non-automated process
Cheng et al. A digital twin-driven approach for on-line controlling quality of marine diesel engine critical parts
EP2228701A1 (en) Bottleneck device extracting method and bottleneck device extracting assistance device
JP2011034564A (ja) プロセス制御管理システム、コンピュータ可読記憶媒体、及びサイドバーアプリケーション
CN106327072A (zh) 一种项目节点控制的预算成本管理系统
Yang et al. The optimization of total laboratory automation by simulation of a pull-strategy
TW201437914A (zh) 具真實及虛擬資料之可視性的使用者介面
JPH10301975A (ja) 製品の設計パラメータ最適値決定方法、システム及びその方法プログラムを記載した記録媒体
Li et al. An integrated release and dispatch policy for semiconductor wafer fabrication
CN102171678A (zh) 计算和标绘统计数据
Chien et al. Constructing the OGE for promoting tool group productivity in semiconductor manufacturing
US10627808B2 (en) Managing manufacturing capacity plan performance
WO2024098668A1 (zh) 基于5g的核电设备异常诊断方法、装置和计算机设备
Ares et al. Optimisation of a production line using simulation and lean techniques
CN106651056B (zh) 一种基于设备工况组合的能源预测系统
JP2006178920A (ja) 生産配分シミュレーション方法及び装置並びに生産方法
Smith et al. Using visual data mining to enhance the simple tools in statistical process control: A case study
RU127976U1 (ru) Устройство автоматизированного формирования трудоемкости изготовления изделия при опытно-конструкторских работах
CN103472728B (zh) 机器学习的农药焚烧炉有害物排放达标控制系统及方法
US20230335225A1 (en) Method and system for virtual inspection and simulation of rare earth production process
Tang et al. Predicting bottlenecks in manufacturing shops through capacity and demand observations from multiple perspectives

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