CN110414727B - 一种基于数据挖掘的生产进度预测方法及系统 - Google Patents
一种基于数据挖掘的生产进度预测方法及系统 Download PDFInfo
- Publication number
- CN110414727B CN110414727B CN201910641162.6A CN201910641162A CN110414727B CN 110414727 B CN110414727 B CN 110414727B CN 201910641162 A CN201910641162 A CN 201910641162A CN 110414727 B CN110414727 B CN 110414727B
- Authority
- CN
- China
- Prior art keywords
- time
- working
- processing
- processed
- partid
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 226
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 70
- 238000007418 data mining Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 158
- 238000003754 machining Methods 0.000 claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 36
- 238000001514 detection method Methods 0.000 claims description 55
- 238000003066 decision tree Methods 0.000 claims description 25
- 238000003801 milling Methods 0.000 claims description 23
- 239000000463 material Substances 0.000 claims description 22
- 238000010438 heat treatment Methods 0.000 claims description 18
- 230000003746 surface roughness Effects 0.000 claims description 15
- 238000005498 polishing Methods 0.000 claims description 13
- 238000004806 packaging method and process Methods 0.000 claims description 10
- 238000010079 rubber tapping Methods 0.000 claims description 10
- 238000005520 cutting process Methods 0.000 claims description 8
- 238000000227 grinding Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011272 standard treatment Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 34
- 238000007514 turning Methods 0.000 description 11
- 238000012417 linear regression Methods 0.000 description 9
- 238000005553 drilling Methods 0.000 description 8
- 238000009434 installation Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 229910000838 Al alloy Inorganic materials 0.000 description 2
- 229910001148 Al-Li alloy Inorganic materials 0.000 description 2
- 229910000861 Mg alloy Inorganic materials 0.000 description 2
- 229910001069 Ti alloy Inorganic materials 0.000 description 2
- JFBZPFYRPYOZCQ-UHFFFAOYSA-N [Li].[Al] Chemical compound [Li].[Al] JFBZPFYRPYOZCQ-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005314 correlation function Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 239000001989 lithium alloy Substances 0.000 description 2
- 238000012858 packaging process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q50/00—Systems or methods specially adapted for 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
Abstract
一种基于数据挖掘的生产进度预测方法及系统,属于自动化技术领域。本发明包括如下步骤:建立数据库,存储零件加工的历史数据和车间资源数据;基于历史数据和预测算法,计算零件加工工时和工时影响参数之间的函数关系;基于当前在加工零件工序和工步,接收零件生产计划和零件工艺规程,得到当前在加工零件的工时影响参数和待加工工序;计算所有当前在加工零件的待加工工序的工时;计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间,实现零件生产进度的预测。本发明在获得机加车间所有工序工时计算函数的基础上,提出了不同加工状态下零件生产进度计算方法,为准确预测零件生产进度提供了依据。
Description
技术领域
本发明涉及一种基于数据挖掘的生产进度预测方法及系统,属于自动化技术领域。
背景技术
工时计算和生产进度预测是制造企业制定总体生产计划、确定产品生产节点和成本控制等事项的重要参考。以火箭和卫星等为代表的航天产品具有典型多品种、小批量和混线生产的特点,零件种类多,加工路线长,生产过程复杂多变,经常因设计优化和任务调控等导致生产计划调整和任务再排产。而当前以经验为主的生产计划制定及排产方式,一方面对生产过程诸如加工工时和资源使用等要素缺乏科学分析,另一方面对生产进度情况也无法科学预测和准确把握,导致难以制定科学合理的生产计划或根据生产任务调整的再生产计划,由此也无法准确控制生产节点和产品交货期。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种基于数据挖掘的生产进度预测方法及系统,解决具有多品种和小批量特点的卫星产品结构件机加车间生产进度科学预测的问题。
本发明的技术解决方案是:一种基于数据挖掘的生产进度预测方法,包括如下步骤:
建立数据库,存储零件加工的历史数据和车间资源数据;
从数据库中读取历史数据,并基于历史数据和预测算法,计算零件加工工时和工时影响参数之间的函数关系;
实时监测得到当前在加工零件工序和工步,从数据库中读取车间资源数据,接收零件生产计划和零件工艺规程,得到当前在加工零件的工时影响参数和待加工工序;
由所述函数关系和当前在加工零件的工时影响参数计算所有当前在加工零件的待加工工序的工时;
根据零件生产计划和所有当前在加工零件的待加工工序的工时,计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间,实现零件生产进度的预测。
进一步地,所述计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间的方法为:当零件PartIdij处于“在加工”状态时,本工序i的结束加工时间为其中,j为零件PartIdij当前在加工队列中所处的顺序,t0为当前时刻,为本工序i的开始加工时间,为本工序i的工时。
进一步地,所述计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间的方法为:当前工序为i,零件PartIdij处于待加工状态,零件PartIdik处于在加工状态时,PartIdij开始加工时间和结束加工时间分别为
其中,j、k和q为不同零件当前在加工队列中所处的顺序编号,j≥k+1,且j和k均为正整数,t0为当前时刻,为本工序i的开始加工时间,为零件PartIdij的工序i的工时,TpartIdiq为零件PartIdiq在工序i的工序工时。
其中,为零件PartIdij在工序i的结束时间,为工序i中的待加工零件y,j+1≤y≤n;为工序i+1到工序h-1的待加工零件y,x为工序编码,i+1≤x≤h-1,nx为工序x中的待加工零件数量,为工序h中的待加工零件y,yx为工序x中待加工零件的顺序编码;yh为工序h中待加工零件的顺序编码,1≤yh≤k,k为零件PartIdij在工序h中待加工零件的顺序编码。
进一步地,所述预测算法包括回归算法和决策树算法。
进一步地,所述工时影响参数包括加工刀具类型、加工面积、加工的公差要求、表面粗糙度、走刀速度、主轴转速、孔径和加工孔深、加工螺纹参数、公称直径、检测点数、检测距离、材料、毛刺边长、螺纹深度、打磨面积、热处理工艺类型、零件质量、工装质量、零件轮廓体积、定位点数、运输距离以及数铣加工走刀路线。
一种实现所述的生产进度预测方法的系统,包括
第一模块,建立数据库,存储零件加工的历史数据和车间资源数据;
第二模块,从数据库中读取历史数据,并基于历史数据和预测算法,计算零件加工工时和工时影响参数之间的函数关系;
第三模块,实时监测得到当前在加工零件工序和工步,从数据库中读取车间资源数据,接收零件生产计划和零件工艺规程,得到当前在加工零件的工时影响参数和待加工工序;
第四模块,由所述函数关系和当前在加工零件的工时影响参数计算所有当前在加工零件的待加工工序的工时;
第五模块,根据零件生产计划和所有当前在加工零件的待加工工序的工时,计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间,实现零件生产进度的预测。
进一步地,所述计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间,具体方法为:
当前工序为i,零件PartIdij处于待加工状态,零件PartIdik处于在加工状态时,PartIdij开始加工时间和结束加工时间分别为 其中,j、k和q为不同零件当前在加工队列中所处的顺序编号,j≥k+1,且j和k均为正整数,t0为当前时刻,为本工序i的开始加工时间,为零件PartIdij的工序i的工时,TpartIdiq为零件PartIdiq在工序i的工序工时;
当零件PartIdij处于工序i时,后续工序h的开始加工时间和结束加工时间分别为 其中,为零件PartIdij在工序i的结束时间,为工序i中的待加工零件y,j+1≤y≤n;为工序i+1到工序h-1的待加工零件y,x为工序编码,i+1≤x≤h-1,nx为工序x中的待加工零件数量,为工序h中的待加工零件y,yx为工序x中待加工零件的顺序编码;yh为工序h中待加工零件的顺序编码,1≤yh≤k,k为零件PartIdij在工序h中待加工零件的顺序编码。
进一步地,所述预测算法包括回归算法和决策树算法。
进一步地,所述工时影响参数包括加工刀具类型、加工面积、加工的公差要求、表面粗糙度、走刀速度、主轴转速、孔径和加工孔深、加工螺纹参数、公称直径、检测点数、检测距离、材料、毛刺边长、螺纹深度、打磨面积、热处理工艺类型、零件质量、工装质量、零件轮廓体积、定位点数、运输距离以及数铣加工走刀路线。
本发明与现有技术相比的优点在于:
(1)本发明面向机加车间所有工序而非单一工序,基于不同工序加工特点,采用相应的算法,获得机加车间所有工序工时与工时影响因素的函数关系,为预测机加车间整体生产进度提供数据支撑。
(2)本发明面向机加车间数铣工序和数车工序,采用决策树算法,依次构建加工面积、基于公差要求和表面粗糙度、基于走刀速度和主轴转速的刀具选择决策树模型,同时一并解决孔加工和螺纹加工的刀具选择问题,为准确建立数铣工序和数车工序的工时计算函数提供依据。
(3)本发明面向机加车间检测工序、手动加工工序以及其他辅助操作工序,采用线性回归算法,建立上述工序工时计算函数,不仅能够准确计算上述工序工时,而且符合当前机加车间工时计算的现实可行性。
(4)本发明在获得机加车间所有工序工时计算函数的基础上,提出了不同加工状态下零件生产进度计算方法,为准确预测零件生产进度提供了依据。
(5)本发明以数据挖掘的方法获取工时与工时影响因素的函数关系,具有较好的实用性,为后续科学制定生产计划、保证生产进度和优化生产过程提供依据。
附图说明
图1为基于数据挖掘的工时计算和生产进度预测方法流程图;
图2为数据资源及关系图;
图3为数控加工工时组成图;
图4为零件生产进度预测示意图。
具体实施方式
生产进度预测,需要以机加工时为依据,预测机加车间各零件的开始加工时间和结束加工时间,而机加工时目前主要通过数学模型法、仿真法、特征推理法和神经网络法等进行计算,但这些方法主要面向大规模批量化产品生产,并不能适用于具备多品种和小批量特征的卫星产品。本发明在充分借鉴前人研究成果的基础上,提出了面向卫星产品的基于数据挖掘的机加车间生产进度预测方法,通过历史数据挖掘获取工时计算相关影响因素,并综合车间所有零件当前加工状态,预测生产进度,为后续科学制定生产计划、保证生产进度和优化生产过程提供参考。
一种基于数据挖掘的生产进度预测方法及系统,包括如下步骤:
建立数据库,存储零件加工的历史数据和车间资源数据;
从数据库中读取历史数据,并基于历史数据和预测算法,计算零件加工工时和工时影响参数之间的函数关系;
实时监测得到当前在加工零件工序和工步,从数据库中读取车间资源数据,接收零件生产计划和零件工艺规程,得到当前在加工零件的工时影响参数和待加工工序;
由所述函数关系和当前在加工零件的工时影响参数计算所有当前在加工零件的待加工工序的工时;
根据零件生产计划和所有当前在加工零件的待加工工序的工时,计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间,实现零件生产进度的预测。
具体地,如图1,步骤如下:
步骤1、建立数据库,存储与工时计算相关的历史数据和车间资源数据。
步骤2、基于历史数据和回归、决策树等算法,挖掘各类生产要素和工时计算参数之间的关联关系。
步骤3、由信息化系统读取生产计划、零件的工艺规程和当前在加工零件工序/工步,得到当前车间的加工状态、零件待加工工序及加工安排;读取数铣加工工序所含工步的数控程序,形成数铣加工走刀路线。
步骤4、基于挖掘算法获取的工时计算相关的关联关系,并计算得到所有零件待加工工序的工时。
步骤5、根据生产计划安排和计算的工序工时,推导所有零件生产进度的演化情况,由此预测车间的生产进度。
以下结合附图对本发明的技术方案作进一步说明。
1.构建数据库
构建数据库,存储数控加工车间的历史数据,历史数据主要内容及关系如图2所示,以生产计划、零件、工艺规程和工序为主线。详细说明如下:
(1)零件信息,包括名称、编号、材料、轮廓体积和质量,数据存储形式如表1所示。
表1零件信息存储
字段 | 名称 | 编码 | 材料 | 轮廓体积 | 质量 |
符号标识 | PartName | PartId | PartMaterial | PartOutline | PartWeight |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
(2)数控工序信息,包括工装\拆卸安装时间、零件装夹\拆卸时间、装夹点数量(铣加工)、数控机床;技术要求、轮廓/筋/槽/孔/螺纹孔等加工特征、加工刀具、数控铣加工程序;加工深度、走刀速度、切削深度、主轴转速;换刀时间和切削时间。数据存储在数控工序准备表和数控工序加工信息表,存储形式分别如表2和表3所示。
表2数控工序准备
表3数控工序加工信息
(3)检测工序,包括设备检测时间、人工检测时间和检测点数等,数据存储如表4所示。
表4检测工序加工信息
字段 | 零件编码 | 工序编码 | 检测设备编码 | 设备检测时间 | 人工检测时间 | 检测点数量 | 检测距离 |
符号标识 | PartId | ProId | InsToolId | ToolCheckTime | ManlCheckTime | CheckPointNum | CheckDist |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
(4)手动工序,包括去除毛刺时间及去除毛刺边长,攻螺纹时间、螺纹数量、螺纹孔直径和螺纹深度,打磨时间及打磨面积,热处理工序类型及标准处理时间,打标记及包装时间等,数据存储分别如表5、表6、表7、表8和表9所示。
表5手动去毛刺工序加工信息
字段 | 零件编码 | 工序编码 | 毛刺边长 | 去毛刺时间 |
符号标识 | PartId | ProId | BurrLength | BurrTime |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
表6手动攻螺纹工序加工信息
字段 | 零件编码 | 工序编码 | 螺纹数量 | 螺纹孔直径 | 螺纹深度 | 攻螺纹时间 |
符号标识 | PartId | ProId | ThreadNum | ThreadDiameter | ThreadDepth | ThreadTime |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
表7手动打磨工序加工信息
字段 | 零件编码 | 工序编码 | 打磨面积 | 打磨时间 |
符号标识 | PartId | ProId | PolishingArea | PolishingTime |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
表8热处理工序加工信息
字段 | 零件编码 | 工序编码 | 热处理工序类型 | 标准处理时间 | 搬运时间 |
符号标识 | PartId | ProId | HeatTreatmentType | HeatTreatmentTime | HandleTime |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
表9包装工序加工信息
字段 | 零件编码 | 工序编码 | 打标记时间 | 包装时间 |
符号标识 | PartId | ProId | MarkingTime | PackagingTime |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
(5)工序之间的距离及运输时间信息,如表10所示。
字段 | 工序1-工序2 | 工序1-工序3 | 。。。 | 工序i-工序j | 。。。 |
符号标识 | Dis1-2 | Dis1-3 | 。。。 | Disi-j | 。。。 |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
符号标识 | Time1-2 | Time1-3 | 。。。 | Timei-j | 。。。 |
数据记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 | 具体记录 |
(6)每道工序零件加工队列:Si={PartIdi1,PartIdi2,…,PartIdij,…PartIdin},Si表示第i道工序的零件加工队列,PartIdij表示处于Si中第j个位置的零件。
2.工时计算关联关系分析
基于历史数据和决策树、回归算法,挖掘各类生产要素和工时计算参数之间的关联关系。具体如下:
(1)铣加工刀具选择及工时计算参数关联关系。
围绕确定的数控铣床,输入表1和表3数据,挖掘生产过程的刀具型号选择与零件材料、加工阶段、加工特征、公差要求、加工深度、加工面积、走刀速度、主轴转速、加工深度等参数之间的关联关系。
①以零件材料、加工特征和加工阶段将数据进行分类,共包括40类。
②针对每一类,统计所用刀具型号及加工面积并形成知识。即令加工刀具类型(CNCToolType)为因变量Y,加工面积(ProArea)为自变量X,采用既定的C4.5决策树算法,输入历史数据,获得根据不同加工面积选择刀具类型的决策树模型。
③基于②中的决策树模型的每一子节点,进一步采用C4.5决策树算法,根据加工的公差要求(ToleranceReq)、表面粗糙度(SurfaceRoughness)以及相应的历史数据,构建基于公差要求和表面粗糙度的刀具类型选择的决策树模型。
④基于上述决策树模型③,对于每一刀具类型选择的子节点,读取表3走刀速度和主轴转速,令加工刀具类型(CNCToolType)为因变量Y,走刀速度(ProVel)和主轴转速(SpdSpeed)为自变量,构建基于走刀速度和主轴转速的刀具类型选择的决策树模型。
其中围绕加工特征为“孔”的数铣加工,在步骤②中,需要根据孔径和加工孔深形成刀具选择知识,即采用C4.5决策树算法,构建基于孔径(Aperture)和加工孔深(ProDep)的刀具选择的决策树模型;依次经过步骤③和步骤④,基于选定的刀具,挖掘主轴转速和钻头走刀速度(实际为钻头进给速度,在此统一定义为走刀速度)。
如果在钻孔的基础上进行螺纹加工,则在步骤③中,构建基于加工螺纹参数(ThreadParameter)、公称直径(NominalDiameter)和加工深度(ProDep)的刀具选择决策树模型,经过步骤④,挖掘主轴转速及螺纹刀走刀速度。
需要说明的是:“零件材料”包括铝合金、钛合金、镁合金和铝锂合金等常用材料;“加工阶段”分为粗加工、半精加工和精加工3种类型、“加工特征”分为轮廓加工、槽/筋加工、普通钻孔、螺纹加工,表面粗糙度分为0.8、1.6、3.2和6.4,公差范围可定义为(0,0.1]、(0.1,0.2]、(0.2,0.4]、(0.4,0.5]和(0.5,1.0],加工深度即为该工步需铣削的总深度(钻孔指的是钻孔深度),“加工面积”是指需要加工的面积。
(2)车加工刀具选择及工时计算参数关联关系
围绕确定的数控车床,挖掘生产过程的刀具型号选择与零件材料、加工阶段、加工特征、公差要求、加工深度、走刀速度、主轴转速、车削深度等参数之间的关联关系。
以零件材料、加工特征和加工阶段将数据进行分类,共包括16类。针对每一类,根据(1)中的②③④步骤,依次构建基于加工面积的刀具类型选择决策树模型、基于公差要求和表面粗糙度的刀具类型选择的决策树模型、以及基于走刀速度和主轴转速刀具类型选择的决策树模型。
其中围绕加工特征为“孔”的数控加工,在步骤②中,需要根据孔径和加工孔深形成刀具选择知识,即采用C4.5决策树算法,构建基于孔径(Aperture)和加工孔深(ProDep)的刀具选择的决策树模型,依次经过步骤③和步骤④,基于选定的刀具,挖掘主轴转速和钻头走刀速度;
如果在钻孔的基础上进行螺纹加工,则在步骤③中,构建基于加工螺纹参数(ThreadParameter)、公称直径(NominalDiameter)和加工深度(ProDep)的刀具选择决策树模型,经过步骤④,挖掘主轴转速及螺纹刀走刀速度。
其中,“零件材料”包括铝合金、钛合金、镁合金和铝锂合金等常用材料;“加工阶段”分为粗加工、半精加工和精加工3种类型、“加工特征”分为轮廓加工、普通钻孔、螺纹加工,表面粗糙度分为0.8、1.6、3.2和6.4,公差范围可定义为(0,0.1]、(0.1,0.2]、(0.2,0.4]、(0.4,0.5]和(0.5,1.0],加工深度即为该工步需车削的最大深度,车削深度指的是单次加工的深度,走刀速度指的是车刀纵向移动速度。
(3)检测工序工时计算关联关系
围绕手动检测,读取表4人工检测工时(ManlCheckTime)和检测点数(CheckPointNum)数据,基于线性回归算法,获取检测工时与检测点数的关联关系。
围绕设备检测,读取表4设备检测时间(ToolCheckTime)、检测点数(CheckPointNum)和检测距离(CheckDist)数据,基于线性回归算法,挖掘获取检测工时与检测点数和检测距离的关联关系。
(4)手动加工工序工时计算关联关系
围绕去毛刺工序,读取表1和表5数据,针对不同材料(PartMaterial),基于线性回归算法,形成作业工时(BurrTime)与毛刺边长(BurrLength)的关联关系。
围绕攻螺纹工序,读取表1和表6数据,针对不同材料(PartMaterial),基于线性回归算法,形成作业工时(ThreadTime)与螺纹的直径(ThreadDiameter)和螺纹深度(ThreadDepth)的关联关系。
围绕打磨工序,读取表1和表7数据,针对不同材料(PartMaterial),基于线性回归算法,形成作业工时(PolishingTime)与打磨面积(PolishingArea)的关联关系。
围绕热处理工序,读取表1和表8数据,针对不同材料(PartMaterial)及热处理工艺类型(HeatTreatmentType),存储标准的热处理时间(HeatTreatmentTime),并附加运输时间(HandleTime),形成该工序的作业工时。
围绕打标记及包装工序,读取表9数据,由历史数据进行统计打标记时间(MarkingTime)和包装时间(PackagingTime)并设置为定值。
(5)其他辅助操作工时计算关联关系
围绕工装安装和拆卸,读取表1和表2数据,基于线性回归算法,分别形成工装安装工时(ToolInsTime)与零件质量(PartWeight)的关联关系、工装拆卸工时(ToolDisTime)与工装质量(ToolWeight)的关联关系。
围绕零件装夹和拆卸,读取表2数据,基于线性回归算法,形成零件装夹作业工时(PartClaTime)与零件轮廓体积(PartOutline)和定位点数(ClaPointNum)的关联关系。
围绕工位之间的运输,读取表10数据,基于线性回归算法,形成运输工时(Timei-j)与运输距离(Disi-j)的关联关系。
3.零件加工状态获取
(1)由信息化系统读取获取计划、零件的工艺规程和当前在加工零件工序/工步,进一步得到零件加工工序,以及各工序对应的工位、加工时间安排、加工状态(已加工、在加工、未加工),即获取当前车间的加工状态及未来的加工安排,具体形式如表11所示。
表11工件加工状态和加工安排
如加工状态为“已加工”,开始加工时间和结束加工时间取实际值;如加工状态为“在加工”,开始加工时间取实际值,结束加工时间取预测值;如加工状态为“未加工”,开始加工时间和结束加工时间取预测值。
(2)读取零件数铣加工程序,形成数铣加工走刀路线。其中工序类别分为数铣工序、数车工序、检测工序、去毛刺工序、打磨工序、攻螺纹工序、热处理工序和打标记及包装工序。
4.工时计算
基于前述工时计算关联关系,围绕零件特征、工序和工位,以下给出各类工序工时和辅助作业工时的计算方法。
(1)针对数铣工序,如图3,工时由工装安装/拆卸工时、零件装夹/拆卸工时、各工步的工时(如果零件需要换向加工定位面,则由换刀工时、加工工时、零件调头加工的零件拆卸/装夹工时组成;如果不需要换向加工定位面,则由换刀工时和加工工时组成):
工装安装工时计算:t1-11=F1-11(m1)
工装拆卸工时计算:t1-12=F1-12(m1)
其中,t1-11和t1-12分别表示工装安装和拆卸工时;F1-11(m1)和F1-12(m1)分别表示基于数据挖掘的与工装质量相关的关联关系函数;m1表示工装质量(ToolWeight)。
零件装夹工时计算:t1-21=F1-21(V1,N1)
零件拆卸工时计算:t1-22=F1-22(V1,N1)
其中,t1-21和t1-22分别表示工装安装和拆卸工时;F1-21(V1,N1)和F1-22(V1,N1)分别表示基于数据挖掘的与零件体积和定位点数量相关的工时关联关系函数;V1和N1分别表示零件的外轮廓体积(PartOutline)和定位点数量(ClaPointNum)。
换刀工时计算:t1-31=n×f1-31
其中,t1-31表示换刀工时;f1-31表示与数控铣床相关的换刀时间(ToolChangeTime);n表示换刀次数(ToolChangeNum),与工步数量相同。
针对非孔类数铣加工工时计算。首先获取刀具型号,并根据数据挖掘的关联关系函数,获取走刀速度并进行工时计算:t1-32=L1-32j/F1-32j(Raj,Toj)
其中,F1-32j(Raj,Toj)表示基于数据挖掘的该工步走刀速度(ProVel)与表面粗糙度Raj(SurfaceRoughness)和公差范围Toj(ToleranceReq)的关联关系函数;t1-32j表示工步的工时;L1-32j表示走刀路线,由该工步的数控加工程序获得。
针对孔类数铣加工工时计算,首先获取刀具型号,并根据刀具直径(Aperture)通过关联关系函数获取钻孔速度:
t1-32j=L1-32j/F1-32j(Dj)
其中,F1-32j(Dj)表示基于数据挖掘的走刀速度(ProVel)与孔直径(Aperture)的关联关系函数;L1-32j表示钻孔深度(ProDep)。
其中n表示该工序所含工步数量(ToolChangeNum);δ为常数,根据是否包括调头加工定位面分别取值1或者0。
综上,该类工序的计算公式:T1=t1-11+t1-12+t1-21+t1-22+t1-31+t1-32
(2)针对数车工序,如图4,工时由工装安装/拆卸工时、零件装夹/拆卸工时、各工步的工时(如果零件需要换向加工定位面,则由换刀工时、加工工时、零件调头加工的零件拆卸/装夹工时组成;如果不需要换向加工定位面,则由换刀工时和加工工时组成):
工装安装工时计算:t2-11=F2-11(m1)
工装拆卸工时计算:t2-12=F2-12(m1)
其中,t2-11和t2-12分别表示工装安装和拆卸工时;F2-11(m1)和F2-12(m1)分别表示基于数据挖掘的与工装质量相关的关联关系函数。
零件装夹工时计算:t2-21=F2-21(V1)
零件拆卸工时计算:t2-22=F2-22(V1)
其中,t2-21和t2-22分别表示工装安装和拆卸工时;F2-21(V1)和F2-22(V1)分别表示基于数据挖掘的与零件体积(PartOutline)相关的工时关联关系函数。
换刀工时计算:t2-31=n×f2-31
其中,t2-31表示换刀工时;f2-31表示与数控铣床相关的换刀时间。
针对非孔类数车加工工时计算。首先获取刀具型号,并根据数据挖掘的关联关系函数,获取走刀速度并进行工时计算:
t32j=H2-32j×L2-32j/(F2-32j(Raj,Toj)×h2-32j)
其中,L2-32j表示加工长度(ProDep);H2-32j比表示最大加工深度;h2-32j表示车削深度(CutDep);F2-32j(Raj,Toj)表示基于数据挖掘的该工步走刀速度(ProVel)与表面粗糙度Raj(SurfaceRoughness)和公差范围Toj(ToleranceReq)的关联关系函数。
针对孔类数车加工工时计算,首先获取刀具型号,并根据刀具直径通过关联关系函数获取钻孔速度:
t2-32j=L2-32j/F2-32j(Dj)
其中,F2-32j(Dj)表示基于数据挖掘的走刀速度(ProVel)与孔直径(Aperture)的关联关系函数;L2-32j表示钻孔深度(ProDep)。
综上,该类工序的计算公式:T2=t2-11+t2-12+t2-21+t2-22+t2-31+t2-32
(3)针对检测工序
检测工时:T3=δ1×F(n1)+δ2×F(n2,l2)
其中,δ1和δ2为手工检测和设备检测常数,δ1根据手动检测或设备检测取值1或者0,δ2根据手动检测或设备检测取值0或者1;F(n1)和F(n2,l2)分别表示手动检测和设备检测基于数据挖掘的工时计算关联关系函数;n1和n2分别表示检测点数,l2表示检测点距离总长度。
(4)手动加工工序工时计算
去毛刺工序工时计算:T4=F(l4)
其中,F(l4)表示基于数据挖掘的关联关系;l4表示需要去毛刺的边长。
攻螺纹工序工时计算:T5=∑n5iFi(d5i,h5i)
其中,Fi(d5i,h5i)表示基于数据挖掘的关联关系,d5i和h5i分别表示螺纹公称直径和深度;n5i表示同类的螺纹数量。
打磨工序工时计算:T6=F(a6)
其中,F(a6)表示基于数据挖掘的关联关系;a6表示打磨面积。
热处理工序工时计算:T7=t71+t72
其中,t71表示热处理标准时间;t71表示物料转运及热处理准备时间。
打标记及包装工序工时计算:T8=t8
其中,t8表示打标记及包装定值时间。
通过以上计算,获取数控铣、数控车、检测、去毛刺、攻螺纹、打磨、热处理、打标记及包装共8类工序的工时计算方法。
(5)车间内工位之间的运输工时计算
运输工时T9的计算:T9=F(l9)
其中,F(l9)表示基于数据挖掘的工位之间物料转运的关联关系;l9表示转运距离。
基于上述工时计算方法,将获得零件加工的工序工时Ti,i=1,2,…,9,分别对应数铣工序工时T1、数车工序工时T2、检测工序工时T3、去毛刺工序工时T4、攻螺纹工序工时T5、打磨工序工时T6、热处理工序工时T7、打标记及包装工序工时T8以及零件搬运工时T9。
5.生产进度预测
读取表11数据和加工队列数据Si,对加工状态为“在加工”和“未加工”的零件PartIdij进行生产进度预测,即计算零件的开始加工时间和结束加工时间。
记录当前时刻t0,以及从工序i到工序h的加工队列Si,…,Sx…,Sh,则:
本发明说明书中未作详细描述的内容属本领域技术人员的公知技术。
Claims (2)
1.一种基于数据挖掘的生产进度预测方法,其特征在于,包括如下步骤:
建立数据库,存储零件加工的历史数据和车间资源数据;
所述历史数据包括:
(1)零件信息,包括名称、编号、材料、轮廓体积和质量;(2)数控工序信息,包括工装安装/拆卸时间、零件装夹/拆卸时间、装夹点数量、数控机床、技术要求、轮廓筋/槽/孔/螺纹孔、加工刀具、数控铣加工程序、加工深度、走刀速度、切削深度、主轴转速、换刀时间和切削时间;(3)检测工序,包括设备检测时间、人工检测时间、检测点数;(4)手动工序,包括去除毛刺时间及去除毛刺边长、攻螺纹时间、螺纹数量、螺纹孔直径和螺纹深度、打磨时间及打磨面积、热处理工序类型及标准处理时间、打标记及包装时间;
(5)工序之间的距离及运输时间信息;
(6)每道工序零件加工队列:Si={PartIdi1,PartIdi2,…,PartIdij,…PartIdin},Si表示第i道工序的零件加工队列,PartIdij表示处于Si中第j个位置的零件;
从数据库中读取历史数据,并基于历史数据和预测算法,计算零件加工工时和工时影响参数之间的函数关系;
实时监测得到当前在加工零件工序和工步,从数据库中读取车间资源数据,接收零件生产计划和零件工艺规程,得到当前在加工零件的工时影响参数和待加工工序;
由所述函数关系和当前在加工零件的工时影响参数计算所有当前在加工零件的待加工工序的工时;
根据零件生产计划和所有当前在加工零件的待加工工序的工时,计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间,实现零件生产进度的预测;
所述计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间的方法为:当零件PartIdij处于“在加工”状态时,本工序i的结束加工时间为其中,j为零件PartIdij当前在加工队列中所处的顺序,t0为当前时刻,为本工序i的开始加工时间,为本工序i的工时;
所述计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间的方法为:当前工序为i,零件PartIdij处于待加工状态,零件PartIdik处于在加工状态时,PartIdij开始加工时间和结束加工时间分别为
其中,j、k和q为不同零件当前在加工队列中所处的顺序编号,j≥k+1,且j和k均为正整数,t0为当前时刻,为本工序i的开始加工时间,为零件PartIdij的工序i的工时,为零件PartIdiq在工序i的工序工时;
其中,为零件PartIdij在工序i的结束时间,为工序i中的待加工零件y的工序工时;为工序i+1到工序h-1的待加工零件y的工序工时,x为工序编码,nx为工序x中的待加工零件数量;为工序h中的待加工零件y的工序工时;k为零件PartIdij在工序h中待加工零件的顺序编码;
所述预测算法包括回归算法和决策树算法;
所述工时影响参数包括加工刀具类型、加工面积、加工的公差要求、表面粗糙度、走刀速度、主轴转速、孔径和加工孔深、加工螺纹参数、公称直径、检测点数、检测距离、材料、毛刺边长、螺纹深度、打磨面积、热处理工艺类型、零件质量、工装质量、零件轮廓体积、定位点数、运输距离以及数铣加工走刀路线。
2.一种实现权利要求1所述的生产进度预测方法的系统,其特征在于:包括:
第一模块,建立数据库,存储零件加工的历史数据和车间资源数据;
所述历史数据包括:
(1)零件信息,包括名称、编号、材料、轮廓体积和质量;(2)数控工序信息,包括工装安装/拆卸时间、零件装夹/拆卸时间、装夹点数量、数控机床、技术要求、轮廓筋/槽/孔/螺纹孔、加工刀具、数控铣加工程序、加工深度、走刀速度、切削深度、主轴转速、换刀时间和切削时间;(3)检测工序,包括设备检测时间、人工检测时间、检测点数;(4)手动工序,包括去除毛刺时间及去除毛刺边长、攻螺纹时间、螺纹数量、螺纹孔直径和螺纹深度、打磨时间及打磨面积、热处理工序类型及标准处理时间、打标记及包装时间;
(5)工序之间的距离及运输时间信息;
(6)每道工序零件加工队列:Si={PartIdi1,PartIdi2,…,PartIdij,…PartIdin},Si表示第i道工序的零件加工队列,PartIdij表示处于Si中第j个位置的零件;
第二模块,从数据库中读取历史数据,并基于历史数据和预测算法,计算零件加工工时和工时影响参数之间的函数关系;
第三模块,实时监测得到当前在加工零件工序和工步,从数据库中读取车间资源数据,接收零件生产计划和零件工艺规程,得到当前在加工零件的工时影响参数和待加工工序;
第四模块,由所述函数关系和当前在加工零件的工时影响参数计算所有当前在加工零件的待加工工序的工时;
第五模块,根据零件生产计划和所有当前在加工零件的待加工工序的工时,计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间,实现零件生产进度的预测;
所述计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间的方法为:当零件PartIdij处于“在加工”状态时,本工序i的结束加工时间为其中,j为零件PartIdij当前在加工队列中所处的顺序,t0为当前时刻,为本工序i的开始加工时间,为本工序i的工时;
所述计算所有当前在加工零件的待加工工序的开始加工时间和结束加工时间的方法为:当前工序为i,零件PartIdij处于待加工状态,零件PartIdik处于在加工状态时,PartIdij开始加工时间和结束加工时间分别为
其中,j、k和q为不同零件当前在加工队列中所处的顺序编号,j≥k+1,且j和k均为正整数,t0为当前时刻,为本工序i的开始加工时间,为零件PartIdij的工序i的工时,为零件PartIdiq在工序i的工序工时;
其中,为零件PartIdij在工序i的结束时间,为工序i中的待加工零件y的工序工时;为工序i+1到工序h-1的待加工零件y的工序工时,x为工序编码,nx为工序x中的待加工零件数量;为工序h中的待加工零件y的工序工时;k为零件PartIdij在工序h中待加工零件的顺序编码;
所述预测算法包括回归算法和决策树算法;
所述工时影响参数包括加工刀具类型、加工面积、加工的公差要求、表面粗糙度、走刀速度、主轴转速、孔径和加工孔深、加工螺纹参数、公称直径、检测点数、检测距离、材料、毛刺边长、螺纹深度、打磨面积、热处理工艺类型、零件质量、工装质量、零件轮廓体积、定位点数、运输距离以及数铣加工走刀路线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910641162.6A CN110414727B (zh) | 2019-07-16 | 2019-07-16 | 一种基于数据挖掘的生产进度预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910641162.6A CN110414727B (zh) | 2019-07-16 | 2019-07-16 | 一种基于数据挖掘的生产进度预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110414727A CN110414727A (zh) | 2019-11-05 |
CN110414727B true CN110414727B (zh) | 2023-05-12 |
Family
ID=68361587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910641162.6A Active CN110414727B (zh) | 2019-07-16 | 2019-07-16 | 一种基于数据挖掘的生产进度预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110414727B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111291927B (zh) * | 2020-01-20 | 2022-11-04 | 河北环铁技术开发有限公司 | 一种基于svr模型预测的环形rgv小车调度方法 |
CN111489032B (zh) * | 2020-04-09 | 2022-09-06 | 北京理工大学 | 一种预测航天产品装配工时的处理方法及装置 |
CN112101631B (zh) * | 2020-08-20 | 2021-08-20 | 东华大学 | 一种基于循环神经网络的产品工期预测方法 |
CN116128242A (zh) * | 2023-02-16 | 2023-05-16 | 深圳宇海云网科技有限公司 | 工件加工标准工时预测方法 |
CN116228170B (zh) * | 2023-05-06 | 2023-09-22 | 中铁电气化勘测设计研究院有限公司 | 一种项目数据综合管理平台用数据互通构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN109426918A (zh) * | 2017-09-05 | 2019-03-05 | 辽宁伟龙科技有限公司 | 一种基于工时数据进行车间生产加工排产的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003091661A (ja) * | 2001-09-17 | 2003-03-28 | Hitachi Ltd | 生産管理システム |
-
2019
- 2019-07-16 CN CN201910641162.6A patent/CN110414727B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN109426918A (zh) * | 2017-09-05 | 2019-03-05 | 辽宁伟龙科技有限公司 | 一种基于工时数据进行车间生产加工排产的方法 |
Non-Patent Citations (1)
Title |
---|
基于制造执行系统数据采集的工时预测与进化;李亚杰等;《计算机集成制造系统》;20131130;第19卷(第11期);第2810-2817页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110414727A (zh) | 2019-11-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414727B (zh) | 一种基于数据挖掘的生产进度预测方法及系统 | |
Gu et al. | Bidding-based process planning and scheduling in a multi-agent system | |
CN106776712B (zh) | 基于i5智能数控车床的车削工艺数据库及其应用方法 | |
KR100722504B1 (ko) | 비선형 공정 계획 생성 방법 및 이를 이용한 인터넷 기반step-nc 시스템 | |
Kotliar et al. | Ensuring the economic efficiency of enterprises by multi-criteria selection of the optimal manufacturingprocess | |
CN111687652B (zh) | 握持力调整装置以及握持力调整系统 | |
Trung | The combination of Taguchi–Entropy–WASPAS–PIV methods for multi-criteria decision making when external cylindrical grinding of 65G steel | |
Göloğlu | A constraint-based operation sequencing for a knowledge-based process planning | |
CN108733411B (zh) | 制定待由mes/mom系统执行的工作指令的方法 | |
Hankins et al. | Using a CATS database for alternative machine loading | |
Shakeri | Implementation of an automated operation planning and optimum operation sequencing and tool selection algorithms | |
JP5969882B2 (ja) | 加工データ一貫生成装置、加工データ一貫生成プログラム及び加工データ一貫生成方法 | |
CN111598364B (zh) | 用于机械零部件的数字化工艺编排系统 | |
Ciurana et al. | A system based on machined volumes to reduce the number of route sheets in process planning | |
Sapkal et al. | Application of multi-attribute decision making methods for fused deposition modelling | |
Quiza Sardinas et al. | Multi-objective optimisation of multipass turning by using a genetic algorithm | |
Henriques | Towards the integration of process and production planning: an optimisation model for cutting parameters | |
Isnaini et al. | Development of a CAD-CAM interaction system to generate a flexible machining process plan | |
Al-Shebeeb et al. | Computer aided process planning approach for cost reduction and increase in throughput | |
Ahamed et al. | Fuzzy logic controller design for intelligent drilling system | |
Yu et al. | Using multiple performance index for best-fitted design of computer numerical control turning process | |
Djennane et al. | Multi-objective optimization of machining conditions by geometric programming | |
Gola et al. | Computer aided FMS machine tools subsystem selection-conception of methodology | |
Yeo et al. | Development of an expert system for machinability data selection | |
Pontes et al. | A DOE based approach for the design of RBF artificial neural networks applied to prediction of surface roughness in AISI 52100 hardened steel turning |
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 |