CN110210531A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN110210531A
CN110210531A CN201910401979.6A CN201910401979A CN110210531A CN 110210531 A CN110210531 A CN 110210531A CN 201910401979 A CN201910401979 A CN 201910401979A CN 110210531 A CN110210531 A CN 110210531A
Authority
CN
China
Prior art keywords
machine
state
manufacturing system
fuzzy
flow network
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
CN201910401979.6A
Other languages
English (en)
Other versions
CN110210531B (zh
Inventor
何益海
陈兆祥
赵依潇
韩笑
周迪
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN201910401979.6A priority Critical patent/CN110210531B/zh
Publication of CN110210531A publication Critical patent/CN110210531A/zh
Application granted granted Critical
Publication of CN110210531B publication Critical patent/CN110210531B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Complex Calculations (AREA)
  • General Factory Administration (AREA)

Abstract

本发明提供一种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方法，具体步骤是：一、确认制造系统任务需求及相关关键机器；二、识别制造系统关键工艺并收集相关数据；三、确定各个机器的输出质量状态集合；四、建立模糊多态制造系统的扩展随机流网模型；五、分析扩展随机流网模型中的比例集合；六、估计各个机器的性能状态分布函数；七、确定扩展随机流网模型中各个机器的最小输入流量；八、评估各个机器的子任务需求隶属度函数与性能状态隶属度函数之间的关联系数；九、建立各个机器的模糊任务可靠性模型，进一步建立多态制造系统的模糊任务可靠性模型。该方法弥补了传统方法忽略制造系统运行质量。具有很好的实用价值。

Description

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
技术领域
本发明提供了一种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，属于可靠性建模与分析技术领域。
背景技术
制造业是一个国家的经济命脉，现代化制造系统正在朝着大型化、自动化、柔性化、高效化和精密化的方向发展。然而与此同时，其发生故障的概率也显著增加。因此，保证制造系统的可靠性与运行过程的稳定性已成为制造业所面临的重要问题。在以往的多态制造系统的可靠性评估方法中，往往需要准确地获取可靠性评估所需的各类参数，但这在现实中却是无法精确获取地。
模糊理论被广泛的应用在多态制造系统的可靠性评估中。然而以往的研究中，往往是基于将制造系统划分为正常-故障的模糊二态理论进行评估。由于制造系统的多态特征普遍存在于实际生产中，因此模糊多态可靠性评估已成为研究热点。与模糊二元状态理论的概念相反，模糊多态理论可以使用多个阈值将区间(0,1)分成几个子区间。模糊多态系统理论广泛地应用于多态制造系统的模糊可用性，模糊概率，模糊参数和模糊可靠性的研究。然而，大多数现有研究基于二元状态系统的正常和失效来划分状态。制造系统是典型的面向任务的输入/输出型多状态系统。因此，制造系统的可靠性不能简单地通过机器的故障来衡量。从系统工程理论出发，制造系统的任务执行状态、机器性能退化状态以及输出产品质量状态存在天然的内在联系。由于机器性能的动态退化，制造系统满足任务需求的可接受状态集合也是动态的。任务可靠性的定义为：在机器性能状态及其概率函数和产品生产合格率不再是准确值的情况下，制造系统在规定的条件下和规定的时间区间内所展现出的性能状态能保证规定顺利完成生产任务的能力。对模糊多态制造系统的任务可靠性的评估方便我们从定性和定量两个方面制定科学、合理的制造系统维修策略。因此，如何有效的评估模糊多态制造系统的任务可靠性已成为制造领域和可靠性工程领域所面临的重大问题。
但是，当前对模糊多态制造系统的可靠性评估大多是从任务-机器或机器-产品之间的关系出发。基于此来估计制造系统的运行状态。这种方法忽略了生产任务、机器性能和产品质量之间的内在联系。由于对模糊多态制造系统的运行机理认识不足，现有的研究不能准确地评估制造系统的运行状态。同时，由于现代制造系统的复杂性很高，因此更难理解制造系统的运行机制。目前可靠性评估方法无法准确的描述模糊多态制造系统的运行状态。针对此现象，本专利开发了一种改进的多状态制造系统任务可靠性评估方法，其不确定参数表示为模糊值。基于模糊多态理论和制造系统的运行机制，定义了多状态制造系统任务可靠性的内涵。提出了随机流网模型，简化了制造系统的运行过程，全面分析了任务执行状态，机器退化状态和产品质量状态。进一步地，提出了一种基于模糊马尔可夫模型的制造系统任务可靠性评估方法，该模型用模糊值表示制造系统的性能状态和任务要求。本发明适用于制造系统的任务可靠性评估，其中数据需要通过模糊值进行近似，并为制造商提供更有用的信息以做出更好的决策。
发明内容
(1)本发明的目的：
为了解决现有模糊多态制造系统可靠性评估方法无法准确评估运行状态，本发明提供一种新的模糊多态制造系统可靠性评估方法——一种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。在给定任务需求的情况下，描述模糊多态制造系统在运行过程中的动态退化趋势。综合分析生产任务、机器性能及产品质量，充分考虑模糊多态制造系统的运行机理及固有模糊多态性，量化模糊多态制造系统的制造过程。与此同时，为了简化模糊多态制造系统的运行过程，本发明提出了模糊多态制造系统的扩展随机流网模型，从而进一步明晰运行机理。并基于扩展随机流网模型的反向分析，确定流入各个机器的最小输入流量，即子任务需求。在此基础上，基于模糊马尔科夫模型，给出了任务可靠性的评估方法。实现了对模糊多态制造系统任务可靠性评估的目的。
(2)技术方案：
本发明是一种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，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，且为串联结构；
假设2、扩展随机流网模型中不同弧的容量在统计上是独立的；
假设3、扩展随机流网模型中每个节点都非常可靠，该假设表明只需要考虑弧；
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前一时刻状态相关，而与之前的状态无关；并且状态之间的转移强度已知；
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、所有模糊参数的隶属度函数均为三角隶属度函数；
假设7、扩展随机流网模型中的流量必须符合流量守恒定律；
假设8、每台带有返工流程的机器只对同一产品进行一次返工，只在该机器上进行再加工；
基于上述假设，本发明一种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，其步骤如下：
步骤1、确认制造系统任务需求及相关关键机器；
步骤2、识别制造系统关键工艺并收集相关数据；
步骤3、确定各个机器的输出质量状态集合；
步骤4、建立模糊多态制造系统的扩展随机流网模型；
步骤5、分析扩展随机流网模型中的比例集合；
步骤6、估计各个机器的性能状态分布函数；
步骤7、确定扩展随机流网模型中各个机器的最小输入流量；
步骤8、评估各个机器的子任务需求隶属度函数与性能状态隶属度函数之间的关联系数；
步骤9、建立机器的模糊任务可靠性模型，进一步建立多态制造系统的模糊任务可靠性模型。
其中，在步骤1中所述的“确认制造系统任务需求及相关关键机器”，是指从系统工程角度出发，基于任务需求(这里包括产品数量和质量需求)，建立制造系统与产品之间的关联模型，进而确定任务可靠性评估所需的关键机器。
其中，在步骤2中所述的“识别制造系统关键工艺并收集相关数据”，是指在确定相关关键机器后，基于专家和相关工人经验，识别影响制造系统任务可靠性的关键工艺，并在此基础上收集相关数据，其中包括运行质量数据和机器退化数据。
其中，在步骤3中所述的“确定各个机器的输出质量状态集合”，是指基于扩展随机流网模型的定义，确定各个机器可能的输出质量状态集合；其中质量状态符号为spij，式中i为机器编号，j为质量状态编号(j＝1,2,3)；例如，sp13为机器1生产后输出报废状态产品。
其中，在步骤4中所述的“建立模糊多态制造系统的扩展随机流网模型”，是指基于步骤1、2和3，在得到关键机器及其之间的结构关系，以及各个机器可能的输出质量状态后，将制造系统转化为扩展随机流网模型，以此来简化制造系统的运行过程，便于后续的任务可靠性评估；(如图1所示)
其“建立模糊多态制造系统的扩展随机流网模型”的具体作法如下：利用有向实线边表示生产机器，圆形表示机器之间的输入/输出节点，双圆形表示机器可能的产品质量状态，将各个机器根据相互之间结构关系连接起来建立扩展随机流网模型，连接所用的有向虚线边表示机器之间传递的物料流。
其中，在步骤5中所述的“分析扩展随机流网模型中的比例集合”，是指比例集合为其中和均为模糊数，且假设已知，pi,j为机器i加工后传递给机器j物料比例，其中i，j为机器编号。
其中，在步骤6中所述的“估计各个机器的性能状态分布函数”，是指在假设机器性能状态服从马尔科夫过程，且各个状态之间的转移强度需以模糊值来表示的情况下；基于Kolmogorov(柯尔莫哥洛夫)微分方程组，即求得各个机器的性能状态分布函数；其中，为机器i的状态集合，表示对于的机器i的转移强度矩阵，pα(t)表示在任意α水平截集下各个机器在时刻t的状态概率向量。
其中，在步骤7中所述的“确定扩展随机流网模型中各个机器的最小输入流量”，是指在制造系统的扩展随机流网模型建立完成后，在任务需求T已知的情况通过对扩展随机流网模型的反向分析，评估各个机器的最小输入流量；首先制造系统的所需原材料为式中，N为制造系统的机器总数，i为机器编号，r为具有返工过程的机器的编号；机器i的输入流量与输出流量之间的量化关系为式中b为二进制变量，当机器i存在返工，b＝1，反之b＝0。
其中，在步骤8中所述的“评估各个机器的子任务需求隶属度函数与性能状态隶属度函数之间的关联系数”，是指在确定各个机器的子任务需求后，在α截集水平已知的情况下(0≤α≤1)，计算子任务需求隶属度函数与性能状态隶属度函数之间的关联系数其中i表示机器编号，j表示机器i的状态编号；具体存在三种情况，当时，当时，当时， 是两个隶属度函数在α截集水平下的相交部分面积，为机器i处于状态j下的隶属度函数在α截集水平下的面积；表示机器i的子任务需求的α截集水平隶属度函数上限，表示机器i处于状态j的α截集水平隶属度函数上限，表示机器i处于状态j的α截集水平隶属度函数下限。
其中，在步骤9中所述的“建立机器的模糊任务可靠性模型，进一步建立多态制造系统的模糊任务可靠性模型”，是指在上述步骤基础上，得到机器i的α截集水平下的任务可靠性函数式中为机器i在时刻t处于状态j的概率，Ni为机器i的状态总数；进一步，基于制造系统中各个机器的结构关系，求得制造系统的α截集水平下的任务可靠性函数式中N为制造系统中机器总数。
通过以上步骤，提出了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，解决了传统方法忽略了制造系统的模糊多态特性及运行机理分析不全面的问题；有助于帮助制造商确定不同风险下的生产策略和更换维护决策，提高了企业受益，增强了企业的市场竞争力。
(3)本发明所述的一种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，其使用方法如下：
步骤(1)确认制造系统任务需求及相关关键机器；其具体作法如下：在任务需求明确的条件下，基于公理化映射理论，确定，模糊多态制造系统任务可靠性评估的所需关键机器；
步骤(2)识别制造系统关键工艺并收集相关数据；其具体作法如下：基于制造系统的生产模式以及相关专家经验，选出影响任务可靠性评估显著的关键工艺，并收集相关质量以及退化数据；
步骤(3)确定各个机器的输出质量状态集合；其具体作法如下：基于扩展随机流网模型中对质量状态的定义，基于实际制作过程，确定是否具有返工过程，基于此得到各个机器的输出质量状态集合；
步骤(4)建立模糊多态制造系统的扩展随机流网模型；其具体作法如下：在相关机器以及机器间的物理关系已知的情况下，建立类似如图1所示的模糊多态制造系统的扩展随机流网模型；
步骤(5)分析扩展随机流网模型中的比例集合；其具体作法如下：比例集合中的机器间物料传递比例参数pi,j基于生产模式所得，和假设已知，且均为模糊数；式中i和j为机器编号；
步骤(6)估计各个机器的性能状态分布函数；其具体作法如下：在机器i的状态集合和状态转移强度矩阵已知的情况下，基于Kolmogorov(柯尔莫哥洛夫)微分方程组，即求得各个机器的性能状态分布函数；其中，pα(t)表示在任意α水平截集下各个机器在时刻t的状态概率向量；
步骤(7)确定扩展随机流网模型中各个机器的最小输入流量；其具体作法如下：基于扩展随机流网模型的反向分析及量化关系，确定制造系统及各机器的输入流量，首先制造系统的所需原材料为式中，N为制造系统的机器总数，i为机器编号，r为具有返工过程的机器的编号；机器i的输入流量与输出流量之间的量化关系为式中b为二进制变量，当机器i存在返工，b＝1，反之b＝0；
步骤(8)评估各个机器的子任务需求隶属度函数与性能状态隶属度函数之间的关联系数；其具体作法如下：在α截集水平已知的情况下(0≤α≤1)，分三种情况计算关联系数其中i表示机器编号，j表示状态编号；具体存在三种情况，
当时，
当时，
当时，
是两个隶属度函数在α截集水平下的相交部分面积，为机器i处于状态j下的隶属度函数在α截集水平下的面积；表示机器i的子任务需求的α截集水平隶属度函数上限，表示机器i处于状态j的α截集水平隶属度函数上限，表示机器i处于状态j的α截集水平隶属度函数下限；
步骤(9)建立机器的模糊任务可靠性模型，进一步建立多态制造系统的模糊任务可靠性模型；其具体作法如下：机器i的α截集水平下的模糊任务可靠性式中为机器i在时刻t处于状态j的概率，Ni为机器i的状态总数；进一步，求得制造系统的α截集水平下的任务可靠性函数式中N为制造系统中机器总数。
(4)优点和功效：
本发明是一种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，其优点是：
i.本发明在模糊多态系统理论的基础上，提出了考虑任务执行状态，机器退化状态和产品质量状态的模糊多状态制造系统的任务可靠性内涵；
ii.本发明建立扩展随机流网模型作为简化制造系统制造过程的工具，以准确地说明制造系统的运行机理；
iii.本发明在扩展随机流网和模糊马尔可夫模型的基础上，提出了一种充分考虑多状态制造系统动态退化特性的面向任务的模糊任务可靠性评估方法。
附图说明
图1(a)是3机器串联制造系统。
图1(b)是3机器串联制造系统扩展随机流网模型。
图2是本发明所述方法流程图。
图3是铁氧体移相单元制造系统的扩展随机流网模型。
图4(a)是机器1的任务可靠性模型。
图4(b)是机器2的任务可靠性模型。
图4(c)是机器3的任务可靠性模型。
图4(d)是机器4的任务可靠性模型。
图4(e)是机器5的任务可靠性模型。
图5是铁氧体移相单元制造系统的任务可靠性模型。
图中符号说明如下：
Mi是指制造系统中的机器i
是指扩展随机网模型中有向边i的输入节点
是指扩展随机网模型中有向边i的输出节点
pi,j表示机器i传递给机器j的物料比例
Spij是指机器i生产产品所可能的质量状态
是指机器i输出产品的质量状态为Spij的概率
是指制造系统的输入物料
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，见图2所示，其步骤如下
步骤1确定某型号铁氧体移相单元的制造系统任务需求及相关关键机器。然后基于任务需求(这里包括产品数量和质量需求)，确定任务可靠性评估所需的关键机器，如表1。
表1.关键质量特性及其加工机器
步骤2识别铁氧体移相单元制造系统关键工艺并收集相关数据。铁氧体移相单元的关键工艺共有4个，分别为铁氧体外圆直径、铁氧体长度、胶接直线度以及绕线宽度。基于表1收集相关数据。
步骤3确定各个机器的输出质量状态集合。基于步骤1，铁氧体移相单元制造系统由5个机器组成，其中只有s2具有返工过程，因此机器2的输出质量状态为sp11，sp12和sp13。其余机器的质量状态为spi1和spi3(i＝1,3,4,5)。
步骤4建立铁氧体移相单元模糊多态制造系统的扩展随机流网模型。基于步骤1-3所收集信息，其建立制造系统扩展随机流网模型，如图1所示，建立铁氧体移相单元制造系统的扩展随机流网模型，如图3所示。
步骤5分析扩展随机流网模型中的比例集合。对于铁氧体移相单元制造系统，机器间的流量传递比例pi，j＝1每台机器的和性能状态如表2所示。
表2.机器的性能数据
步骤6估计各个机器的性能状态分布函数。各个机器的状态集合如表2所示，其对应的转移强度矩阵为
基于Kolmogorov微分方程组，便可求得各个机器在截集水平α＝0下的性能状态分布函数。
步骤7确定扩展随机流网模型中各个机器的最小输入流量。以任务要求T＝150/每天为例，为完成制造任务要求，系统和各个机器的最小输入流量为
步骤8评估各个机器的子任务需求隶属度函数与性能状态隶属度函数之间的关联系数。以截集水平α＝0为例，各个机器的关联系数如表3示：
表3.各个机器的关联系数
步骤9建立机器的模糊任务可靠性模型，进一步建立铁氧体移相单元多态制造系统的模糊任务可靠性模型。因此，如图4所示，得到各个机器的任务可靠性模型。进一步地，如图5所示，建立铁氧体移相单元多态制造系统的任务可靠性模型。

Claims (10)

1.一种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，提出假设如下：
假设1、制造系统的生产模式为流水线加工，且为串联结构；
假设2、扩展随机流网模型中不同弧的容量在统计上是独立的；
假设3、扩展随机流网模型中每个节点都非常可靠，该假设表明只需要考虑弧；
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前一时刻状态相关，而与之前的状态无关；并且状态之间的转移强度已知；
假设5、机器i的输出具有三种质量状态：合格即spi1，有缺陷的能修复即spi2和不合格即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、所有模糊参数的隶属度函数均为三角隶属度函数；
假设7、扩展随机流网模型中的流量必须符合流量守恒定律；
假设8、每台带有返工流程的机器只对同一产品进行一次返工，只在该机器上进行再加工；
基于上述假设，本发明一种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，其步骤如下：
步骤1、确认制造系统任务需求及相关关键机器；
步骤2、识别制造系统关键工艺并收集相关数据；
步骤3、确定各个机器的输出质量状态集合；
步骤4、建立模糊多态制造系统的扩展随机流网模型；
步骤5、分析扩展随机流网模型中的比例集合；
步骤6、估计各个机器的性能状态分布函数；
步骤7、确定扩展随机流网模型中各个机器的最小输入流量；
步骤8、评估各个机器的子任务需求隶属度函数与性能状态隶属度函数之间的关联系数；
步骤9、建立机器的模糊任务可靠性模型，进一步建立多态制造系统的模糊任务可靠性模型。
2.根据权利要求1所述的一种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，其特征在于：
在步骤1中所述的“确认制造系统任务需求及相关关键机器”，是指从系统工程角度出发，基于任务需求，这里包括产品数量和质量需求，建立制造系统与产品之间的关联模型，进而确定任务可靠性评估所需的关键机器。
3.根据权利要求1所述的一种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，其特征在于：
在步骤2中所述的“识别制造系统关键工艺并收集相关数据”，是指在确定相关关键机器后，基于专家和相关工人经验，识别影响制造系统任务可靠性的关键工艺，并在此基础上收集相关数据，其中包括运行质量数据和机器退化数据。
4.根据权利要求1所述的一种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，其特征在于：
在步骤3中所述的“确定各个机器的输出质量状态集合”，是指基于扩展随机流网模型的定义，确定各个机器可能的输出质量状态集合；其中质量状态符号为spij，式中i为机器编号，j为质量状态编号,j＝1,2,3；sp13为机器1生产后输出报废状态产品。
5.根据权利要求1所述的一种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，其特征在于：
在步骤4中所述的“建立模糊多态制造系统的扩展随机流网模型”，是指基于步骤1、2和3，在得到关键机器及其之间的结构关系，以及各个机器可能的输出质量状态后，将制造系统转化为扩展随机流网模型，以此来简化制造系统的运行过程，便于后续的任务可靠性评估；
其“建立模糊多态制造系统的扩展随机流网模型”的具体作法如下：利用有向实线边表示生产机器，圆形表示机器之间的输入/输出节点，双圆形表示机器可能的产品质量状态，将各个机器根据相互之间结构关系连接起来建立扩展随机流网模型，连接所用的有向虚线边表示机器之间传递的物料流。
6.根据权利要求1所述的一种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，其特征在于：
在步骤5中所述的“分析扩展随机流网模型中的比例集合”，是指比例集合为其中和均为模糊数，且假设已知，pi,j为机器i加工后传递给机器j物料比例，其中i，j为机器编号。
7.根据权利要求1所述的一种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，其特征在于：
在步骤6中所述的“估计各个机器的性能状态分布函数”，是指在假设机器性能状态服从马尔科夫过程，且各个状态之间的转移强度需以模糊值来表示的情况下；基于Kolmogorov微分方程组，即求得各个机器的性能状态分布函数；其中，为机器i的状态集合，表示对于的机器i的转移强度矩阵，pα(t)表示在任意α水平截集下各个机器在时刻t的状态概率向量。
8.根据权利要求1所述的一种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，其特征在于：
在步骤7中所述的“确定扩展随机流网模型中各个机器的最小输入流量”，是指在制造系统的扩展随机流网模型建立完成后，在任务需求T已知的情况通过对扩展随机流网模型的反向分析，评估各个机器的最小输入流量；首先制造系统的所需原材料为式中，N为制造系统的机器总数，i为机器编号，r为具有返工过程的机器的编号；机器i的输入流量与输出流量之间的量化关系为式中b为二进制变量，当机器i存在返工，b＝1，反之b＝0。
9.根据权利要求1所述的一种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，其特征在于：
在步骤8中所述的“评估各个机器的子任务需求隶属度函数与性能状态隶属度函数之间的关联系数”，是指在确定各个机器的子任务需求后，在α截集水平已知的情况下，即0≤α≤1，计算子任务需求隶属度函数与性能状态隶属度函数之间的关联系数其中i表示机器编号，j表示机器i的状态编号；具体存在三种情况，当时，当时，
当时， 是两个隶属度函数在α截集水平下的相交部分面积，为机器i处于状态j下的隶属度函数在α截集水平下的面积；表示机器i的子任务需求的α截集水平隶属度函数上限，表示机器i处于状态j的α截集水平隶属度函数上限，表示机器i处于状态j的α截集水平隶属度函数下限。
10.根据权利要求1所述的一种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，其特征在于：
在步骤9中所述的“建立机器的模糊任务可靠性模型，进一步建立多态制造系统的模糊任务可靠性模型”，是指在上述步骤基础上，得到机器i的α截集水平下的任务可靠性函数式中为机器i在时刻t处于状态j的概率，Ni为机器i的状态总数；进一步，基于制造系统中各个机器的结构关系，求得制造系统的α截集水平下的任务可靠性函数式中N为制造系统中机器总数。
CN201910401979.6A 2019-05-15 2019-05-15 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 Active CN110210531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910401979.6A CN110210531B (zh) 2019-05-15 2019-05-15 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910401979.6A CN110210531B (zh) 2019-05-15 2019-05-15 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

Publications (2)

Publication Number Publication Date
CN110210531A true CN110210531A (zh) 2019-09-06
CN110210531B CN110210531B (zh) 2021-11-02

Family

ID=67787258

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910401979.6A Active CN110210531B (zh) 2019-05-15 2019-05-15 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

Country Status (1)

Country Link
CN (1) CN110210531B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633524A (zh) * 2019-09-12 2019-12-31 中国人民解放军军事科学院国防科技创新研究院 非独立概率条件下复杂多态卫星系统的可靠性分析方法
CN112561340A (zh) * 2020-12-18 2021-03-26 北京航空航天大学 基于阶段任务网络的智能制造系统功能健康状态评估方法
CN112818564A (zh) * 2021-02-26 2021-05-18 北京航空航天大学 基于耦合运行因素的多工序制造系统功能健康状态建模方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102541736A (zh) * 2011-11-30 2012-07-04 北京航空航天大学 一种软件可靠性执行过程加速测试方法
CN102682212A (zh) * 2011-04-28 2012-09-19 河北工业大学 机电类产品的一种可靠性度量方法
US20160260306A1 (en) * 2013-10-19 2016-09-08 Iq Wireless Gmbh Entwicklungsgesellschaft Für Systeme Und Technologien Der Telekommunikation Method and device for automated early detection of forest fires by means of optical detection of smoke clouds
CN106059838A (zh) * 2016-07-29 2016-10-26 广东工业大学 一种继电保护可靠性计算方法及装置
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
CN109636021A (zh) * 2018-12-03 2019-04-16 北京航空航天大学 一种任务可靠性导向的制造系统选择性维护决策方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102682212A (zh) * 2011-04-28 2012-09-19 河北工业大学 机电类产品的一种可靠性度量方法
CN102541736A (zh) * 2011-11-30 2012-07-04 北京航空航天大学 一种软件可靠性执行过程加速测试方法
US20160260306A1 (en) * 2013-10-19 2016-09-08 Iq Wireless Gmbh Entwicklungsgesellschaft Für Systeme Und Technologien Der Telekommunikation Method and device for automated early detection of forest fires by means of optical detection of smoke clouds
CN106059838A (zh) * 2016-07-29 2016-10-26 广东工业大学 一种继电保护可靠性计算方法及装置
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
CN109636021A (zh) * 2018-12-03 2019-04-16 北京航空航天大学 一种任务可靠性导向的制造系统选择性维护决策方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
XIAO H.等: "An Evaluation Method of Manufacturing System Health State Based on Mission Reliability", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-CHONGQING)》 *
ZHAOXIANG C.等: "A Novel Health Assessment Approach for Multi-State Manufacturing Systems Based on Operational Quality Data", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE (PHM-CHONGQING)》 *
包伟伟: "制造系统可靠性分析框架与评价模型研究", 《中国优秀博士学位论文全文数据库经济与管理科学辑》 *
宋保维 等: "《鱼雷系统可靠性理论与方法》", 31 January 2015, 西安：西北工业大学出版社 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633524A (zh) * 2019-09-12 2019-12-31 中国人民解放军军事科学院国防科技创新研究院 非独立概率条件下复杂多态卫星系统的可靠性分析方法
CN112561340A (zh) * 2020-12-18 2021-03-26 北京航空航天大学 基于阶段任务网络的智能制造系统功能健康状态评估方法
CN112818564A (zh) * 2021-02-26 2021-05-18 北京航空航天大学 基于耦合运行因素的多工序制造系统功能健康状态建模方法

Also Published As

Publication number Publication date
CN110210531B (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN110210531B (zh) 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
CN107665172B (zh) 一种基于复杂加权软件网络的软件缺陷预测方法
Backus et al. Factory cycle-time prediction with a data-mining approach
CN107220263B (zh) 数据迁移的优化方法、评估方法及处理方法及装置
CN109711659A (zh) 一种工业生产的良率提升管理系统和方法
US20220215246A1 (en) Method for constructing and training decentralized migration diagram neural network model for production process
CN109636021B (zh) 一种任务可靠性导向的制造系统选择性维护决策方法
CN115996249B (zh) 一种基于分级的数据传输方法及装置
CN109615115B (zh) 一种面向任务可靠性的集成生产任务调度方法
CN112001125A (zh) 一种工业机器人失效率预计方法
CN112905436B (zh) 一种面向复杂软件的质量评估预测方法
CN113723637B (zh) 一种面向船舶维修体系的经济性修理级别分析方法及系统
CN112084580B (zh) 基于回归分析和满意度函数法的agv系统优化配置方法
Rifai et al. Multi-operator hybrid genetic algorithm-simulated annealing for reentrant permutation flow-shop scheduling
CN108647135B (zh) 一种基于微操作的Hadoop参数自动调优方法
CN115293565A (zh) 一种基于人工智能和物联网的用水管理方法
CN115879501A (zh) 多视角主动学习的制造服务数据价值评估动态优化方法
Eberspächer et al. Automated provision and exchange of energy information throughout the production process
CN114169254B (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
CN117170870B (zh) 一种面向新能源消纳的数据中心算力的迁移方法及装置
CN117826712B (zh) 一种工业互联网的设备运行智慧调度系统
CN111696003B (zh) 海量数据驱动下台区线损率异常时段智能辨识及预警方法
CN108021498A (zh) 一种基于软件可靠性增长模型的测试工作量分配方法
WO2022059183A1 (ja) 情報処理装置、情報処理方法及び情報処理プログラム
CN112561340A (zh) 基于阶段任务网络的智能制造系统功能健康状态评估方法

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