CN111461746A - 一种面向装配的质量智能追溯方法 - Google Patents
一种面向装配的质量智能追溯方法 Download PDFInfo
- Publication number
- CN111461746A CN111461746A CN202010230054.2A CN202010230054A CN111461746A CN 111461746 A CN111461746 A CN 111461746A CN 202010230054 A CN202010230054 A CN 202010230054A CN 111461746 A CN111461746 A CN 111461746A
- Authority
- CN
- China
- Prior art keywords
- assembly
- quality
- data
- class
- tracing
- 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.)
- Pending
Links
Images
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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Theoretical Computer Science (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种面向装配的质量智能追溯方法,属于计算机集成制造技术和自动化技术领域。本发明以产品装配过程为主线,构建涵盖设备、人员、物料和供应商等全部关键生产要素的装配关系网络模型,并通过质量问题影响因素关联关系挖掘模型,提取并量化装配关系网络模型中各生产要素的关联关系,实现了产品装配质量问题影响因素之间复杂、动态、相关以及非线性关系的全覆盖,解决装配质量问题追溯方法单一、追溯效果不准确不及时的问题。
Description
技术领域
本发明涉及一种面向装配的质量智能追溯方法,属于计算机集成制造技术和自动化技术领域。
背景技术
航天产品大多具备多品种小批量的特点,其装配过程多以手动为主,加工路线长,多型号混线生产等,影响产品装配质量的扰动因素多,且彼此相互影响、相互耦合,导致人为和重复性的质量问题时有发生。目前,国内外对质量追溯的研究大都集中在提高数据釆集方面,如利用RFID或条形码技术构建质量追溯系统,提高数据釆集速度,降低差错率,在供应链中使用该技术也能够提高追溯的质量和效率,这使其在农业,食品,制造业等行业中获得了广泛的应用;在对小批量、多品种质量追溯的算法研究不多,大多通过记录产品的批次信息来达到追溯的目的,对缺陷产品缺乏追溯分析能力,只能从表面上解决质量缺陷而不能做到标本兼治。本发明以某航天产品装配车间为研究对象,设计了一种面向装配的质量可追溯方法和系统,通过挖掘质量问题历史数据,获得质量问题和质量影响因素的关联关系,通过构建装配生产要素关系网络和装配资源与装配对象的映射关系,形成装配全过程的质量问题溯源路径,在发现质量问题时,可沿搜索路径,获得产品装配发生问题的设备、人员、物料以及产品批次,从而为提升装配质量控制和追溯能力提供可靠依据。
发明内容
本发明解决的技术问题是:克服现有技术的不足,提供了一种面向装配的质量智能追溯方法,解决装配质量问题追溯方法单一、追溯效果不准确不及时的问题。
本发明的技术解决方案是:一种面向装配的质量智能追溯方法,包括如下步骤:
获取并存储装配过程实时数据、装配质量检测数据、装配质量标准数据、装配质量问题历史数据和质量追溯所需的模型;所述装配质量问题历史数据包括影响因素及其对应的历史数据;
将质量问题历史数据输入到质量追溯所需的模型中装配质量问题影响因素关联关系挖掘模型中,输出各影响因素之间的关联关系及关联关系强度;
根据实际装配过程,并将所述关联关系强度作为生产要素关系的属性,构建基于本体的装配生产要素关系网络;
获取装配过程实时数据,根据所述装配生产要素关系网络构建工件、装配工序与工位、设备加工参数、装配部件、人员编号及作业方法、物料编码及厂商的映射关系数据表,并将映射关系数据表与装配生产要素关系网络进行联结;
构建质量控制模型,并输入装配过程实时数据、装配质量检测数据和装配质量标准数据,对产品是否具有质量问题进行检测;若存在质量问题,则将质量问题数据输入到装配质量问题影响因素关联关系挖掘模型中,通过装配质量问题影响因素关联关系挖掘模型、装配生产要素关系网络以及装配资源与映射关系数据表,溯源装配设备问题、装配物料问题以及装配产品批次,对发生质量问题的环节进行改进。
进一步地,所述装配生产要素关系网络包括本体类、对象属性、数据属性和实例。
进一步地,所述本体类包括工艺类、工位类、设备类、工装类、质量问题类、质量影响因素类、人员类、物料类、车间环境类和标记类;
所述工艺类包括工艺类别子类,工艺类别子类包括工序子类;
所述工位类为装配车间设置的全部工位;
所述设备类为装配车间装配所需的全部设备;
所述工装类为装配所需全部工装;
所述质量问题类为质量问题历史数据中的全部质量问题类型;
所述质量影响因素类为质量问题的全部影响因素
所述人员类为装配车间全部装配人员;
所述物料类为装配工艺中涉及的全部物料;
所述车间环境类为装配车间涉及的环境类型;
所述标记类为上述9类对象涉及的参数、编号等关键标记。
进一步地,所述对象属性包括:
进一步地,所述数据属性包括:
进一步地,所述实例为在本体类、对象属性和数据属性的基础上,将本体类、对象属性和数据属性对车间具体对象赋值,用于描述车间具体实体与其他生产要素之间的关联关系
进一步地,所述映射关系数据表为
进一步地,所述构建质量控制模型的方法为采用休哈特控制图和多元质量控制图。
进一步地,所述溯源装配设备问题、装配物料问题以及装配产品批次包括如下步骤:
装配问题资源溯源:根据异常数据发生时间和工件编号对映射关系数据表的数据进行查询搜索,搜索条件为异常数据发生时间的设备编码、设备加工参数、人员编码、人员作业方法、车间环境参数、工装规格参数以及物料规格;
装配问题产品溯源:根据装配问题资源溯源的结果,获得设备编码和人员编码;根据异常数据发生时间,对该时间段设备和人员加工的产品进行搜索,获得该段时间车间生产的产品批次;
对装配问题资源和问题产品进行追溯后,对发生质量问题的环节进行改进。
本发明与现有技术相比的优点在于:
(1)以产品装配过程为主线,构建涵盖设备、人员、物料和供应商等全部关键生产要素的装配关系网络模型,并通过质量问题影响因素关联关系挖掘模型,提取并量化装配关系网络模型中各生产要素的关联关系,实现了产品装配质量问题影响因素之间复杂、动态、相关以及非线性关系的全覆盖。
(2)解析装配关系网络模型,并将产品装配所需的设备、人员和物料等生产要素与装配过程实时数据进行映射,全面描述产品装配过程中各工序设备运行状态、人员作业稳定性、物料的批次、规格及所属供应商等,实现了产品装配质量与产品装配过程量化数据与时序数据的动态实时关联。
(3)采用休哈特控制图与Hotelling T2控制图相结合的方式,检测质量问题类型和装配过程异常,并对装配过程中的“质量问题类型-质量影响因素-发生时刻”进行标记,获得装配过程动态实时关联数据“质量问题类型-异常数据-质量影响因素具体数据-装配时间-装配工件-装配工序-装配设备-装配人员-装配工装-装配物料”,进而可溯源质量问题产品批次、装配质量问题设备和物料。
附图说明
图1为本发明方法流程图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明进行进一步解释和说明。
如图1,一种面向装配的质量智能追溯方法,包括如下步骤:
获取并存储装配过程实时数据、装配质量检测数据、装配质量标准数据、装配质量问题历史数据和质量追溯所需的模型;所述装配质量问题历史数据包括影响因素及其对应的历史数据;
将质量问题历史数据输入到质量追溯所需的模型中装配质量问题影响因素关联关系挖掘模型中,输出各影响因素之间的关联关系及关联关系强度;
根据实际装配过程,并将所述关联关系强度作为生产要素关系的属性,构建基于本体的装配生产要素关系网络;
获取装配过程实时数据,根据所述装配生产要素关系网络构建工件、装配工序与工位、设备加工参数、装配部件、人员编号及作业方法、物料编码及厂商的映射关系数据表,并将映射关系数据表与装配生产要素关系网络进行联结;
构建质量控制模型,并输入装配过程实时数据、装配质量检测数据和装配质量标准数据,对产品是否具有质量问题进行检测;若存在质量问题,则将质量问题数据输入到装配质量问题影响因素关联关系挖掘模型中,通过装配质量问题影响因素关联关系挖掘模型、装配生产要素关系网络以及装配资源与映射关系数据表,溯源装配设备问题、装配物料问题以及装配产品批次,对发生质量问题的环节进行改进。
具体的,本发明的技术方案为:构建质量问题影响因素关联关系挖掘模型、基于本体的装配生产要素关系网络模型、装配资源与装配对象的映射关系模型和质量控制模型,通过质量问题历史数据,挖掘质量问题影响因素的关联关系及强度,并将其赋值给基于本体的装配生产要素关系网络模型中,通过装配过程实时数据和质量控制模型,发现装配质量问题,当出现质量问题时,根据装配资源与装配对象的映射关系,溯源装配设备问题、装配物料问题以及装配产品批次。
1.总体设计
(1)车间设施:由加工车间和相关信息管理系统(MES系统、工艺管理系统、物联感知系统和质量管理系统)组成;
(2)数据获取与存储模块:由数据获取模块和数据存储模块组成。数据获取模块获取数据内容为:装配质量问题历史数据、装配工艺、工位设置及资源、装配过程实时数据、装配质量检测数据以及装配质量标准;数据存储模块存储内容为:除数据获取模块所获取的内容之外,还存储质量问题影响因素关联关系挖掘模型、基于本体的装配生产要素关系网络模型、装配资源与装配对象的映射关系模型以及质量控制模型。
(3)质量问题发现模块:根据质量控制模型,包括休哈特质量控制图和多元质量控制图,发现质量不合格产品,并判断车间装配过程的生产稳定性。
(4)质量问题溯源模块:发现质量问题时,通过装配资源与装配对象的映射关系网络,对质量问题产品批次、装配质量问题设备和物料进行溯源。
2.数据获取与存储
数据获取和存储模块获取数据内容为:
①装配质量问题历史数据。
数据来源:质量管理系统;
数据内容:装配质量问题类型、以及采用数据表征的装配质量问题发生原因,包括设备加工参数及参数值、物料规格及规格值车间环境参数及参数值、装配人员编号及作业方法、装配工装及工装规格值;
②装配工艺。
数据来源:工艺管理系统;
数据内容:工件的装配工艺路线,包括工序名称及编号、各工序的先后次序;
③工位设置及资源。
数据来源:物联感知系统;
数据内容:车间工位设置及资源,包括工位名称及编号,工位中的设备名称、编号及功能(可加工的工序),装配人员编号及工种,工装名称及编号;
④装配过程实时数据。
数据来源:物联感知系统
数据内容:当前装配车间正在装配工件各工序的装配时间、设备加工参数数据、装配人员编号、工装名称及编号、物料名称、编号和物料规格的测量值。
⑤装配质量检测数据。
数据来源:质量管理系统
数据内容:当前车间正在装配工件各检测工序的质量检测数据。
⑥装配质量标准:
数据来源:质量管理系统
数据内容:工件质量检测数据是否合格的评判标准。
⑦模型库:
预先存放的质量问题影响因素关联关系挖掘模型、基于本体的装配生产要素关系网络模型、装配资源与装配对象的映射关系模型和质量控制模型。
3.模型库构建
(1)质量问题影响因素关联关系挖掘模型:
模型输入:质量问题历史数据,数据组织方式如表1所示:装配质量问题类型、以及采用数据表征的装配质量问题发生原因,包括设备加工参数及参数值、物料规格及规格值车间环境参数及参数值、装配人员编号及作业方法、装配工装及工装规格值;
表1质量问题历史数据组织方式
模型算法:数据标准化处理和既定的Apriori关联关系挖掘算法;
数据标准化处理:对上述数据进行标准化处理,为方便说明,以设备参数1为例:
①若设备参数1的历史数据有n个样本,样本具体数值为{EP11,EP12,…,EP1n},找出其中最小值EP1min和最大值EP1max;
②选取略小于EP1min的c和略大于EP1max的d,把(c,d)分成2l+1个小区间,l建议值取4~6,每个小区间的长度相等,为(d-c)/(2l+1),令a=(d-c)/(2l+1);
③令中位数u=(d-c)/2,划分小区间为:
④对设备参数1的每个数值EP1j逐一判断,若落在bi区间,则对EP1j标记为EP1i;
按照上述方式,对设备参数、物料规格、车间环境和工装规格进行分组和标记处理,对于人员作业方法和装配质量问题类型,采用数字化标识处理。
Apriori关联关系挖掘算法:在对数据进行标准化处理后,输入到既定的Apriori算法模型中。
模型输出:(装配质量问题类型,质量问题发生原因1,质量问题发生原因2,……,支持度),其含义为质量问题发生原因1和质量问题发生原因2等是装配质量问题类型的影响因素,支持度表征装配质量问题类型与质量问题影响因素的关联关系。
(2)基于本体的装配生产要素关系网络模型
模型输入:装配工艺路线,工序名称、编号及次序,工位名称及编号,设备名称、编号及设备参数,工装编码及规格,人员编号及作业方法,装配质量问题及影响因素,物料编码及规格,车间环境及参数。
模型构建:在protégé5.5环境下,使用“Classes”、“Object properties”、“Dataproperties”、“Individuals by class”进行建模。
模型关键内容为:
①“classes”定义:
②“Object properties”描述了类与类之间的关系,定义为:
③“Data properties”描述了上述类的数据内容格式,定义为:
④“Individuals by class”,在上述建模步骤的基础上,将“Classes”、“Objectproperties”、“Data properties”对车间具体对象赋值,描述车间具体实体与其他生产要素之间的关联关系,完成基于本体的装配生产要素关系网络模型构建。
模型输出:车间装配生产要素之间的关系owl文件。
(3)装配资源与装配对象的映射关系模型
模型输入:车间装配生产要素之间的关系owl文件,装配过程实时数据;
模型构建:
①对模型进行解析,形成表征装配资源与装配对象的映射关系数据表,形式如下,其中,“时间”和“工件编号”两个字段为新增字段,并通过装配过程实时数据内容与其他字段进行一一映射;
②将装配过程实时数据按装配时间顺序降序输入到上述数据表中,形成装配资源与装配对象的实时映射关系表;
模型输出:装配资源与装配对象的实时映射关系表。
(4)质量控制模型
模型输入:质量问题影响因素关联关系挖掘结果,即装配质量问题类型和质量问题影响因素的关联关系,装配过程检测数据,即当前车间正在装配工件各检测工序的质量检测数据,装配质量标准,即工件质量检测数据是否合格的评判标准;
模型构建:
装配过程异常检测子模型:对装配过程检测数据采用既定的休哈特控制图,检测是否有装配过程异常检测数据,其中,休哈特控制图控制限位装配质量标准;
质量问题影响因素实时数据异常检测子模型:
①若装配质量问题类型与质量问题影响因素为1对1型,即(装配质量问题类型,质量问题发生原因1,支持度),采用休哈特控制图对装配过程进行质量控制;
②若装配质量问题类型与质量问题影响因素为1对多型,即(装配质量问题类型,质量问题发生原因1,质量问题发生原因2,……,支持度),采用Hotelling T2控制图对装配过程进行质量控制:
统计量为:T2=(X-μ)TΣ-1(X-μ),其中,X为质量影响因素相应的具体实时数据向量,μ为质量影响因素相应的历史样本均值,Σ为历史样本的协方差;
下控制限为:LCL=0
模型输出:异常数据;
4.质量问题发现
①在质量问题影响因素关联关系挖掘模型中,输入质量问题历史数据,得到质量问题与质量问题的影响因素的关联关系,为方便说明,以装配工艺中的某检测工序(质量问题1,质量影响因素1,支持度1),(质量问题2,质量影响因素1,质量影响因素2,支持度2)为例;
②在质量控制模型中,输入表征质量问题的质量检测数据,对各工件各质量检测环节是否发现质量问题进行判断,输入质量问题影响因素具体实时数据,采用休哈特控制图或Hotelling T2控制图检测质量问题影响因素具体实时数据中是否存在异常值;
具体操作:输入表征质量问题的质量检测数据集A到休哈特控制图A中,检测A中是否有异常数据;输入质量问题影响因素1的具体实时数据集B到休哈特控制图B中,检测B中是否有异常数据;输入质量问题影响因素1和2的具体实时数据集C到Hotelling T2控制图C中,检测C中是否有异常数据;
③做以下判断:
If:A和B同时检测出异常数据,then:所装配工件的质量问题类型为1;
If:A和C同时检测出异常数据,then:所装配工件的质量问题类型为2;5.质量问题溯源
首先,将质量问题发现阶段发现的质量问题和检测出的异常数据进行标记,标记形式为:“质量问题类型-质量影响因素-发生时刻”;
然后,采用jena工具解析基于本体的装配生产要素关系网络模型owl文件,获得装配过程生产要素之间的关联关系,将上述标记的“质量问题类型-质量影响因素”数据,作为搜索条件,使用Sparql语句进行查询,查询结果数据组织形式如表所示:
以上述数据组织形式描述“质量问题类型-异常数据-质量影响因素具体数据-装配时间-装配工件-装配工序-装配设备-装配人员-装配工装-装配物料”其中数据内容的映射关系;
之后,将查询结果数据输入到装配资源与装配对象的映射关系模型中,并根据映射关系,将装配过程实时数据填入到该数据表中;
最后,对该数据表进行数据分析:
①装配问题资源溯源:根据异常数据发生时间、工件编号对数据表数据进行sql查询搜索,搜索数据为异常数据发生时间的设备编码、设备加工参数、人员编码、人员作业方法、车间环境参数、工装规格参数,以及物料规格;
②装配问题产品溯源:根据①的溯源结果,获得设备编码和人员编码,根据异常数据发生时间,对该时间段设备和人员加工的产品进行搜索,获得该段时间车间生产的产品批次。
③对装配问题资源和问题产品进行追溯后,则对其进行质量控制,形成质量控制闭环。
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 (9)
1.一种面向装配的质量智能追溯方法,其特征在于,包括如下步骤:
获取并存储装配过程实时数据、装配质量检测数据、装配质量标准数据、装配质量问题历史数据和质量追溯所需的模型;所述装配质量问题历史数据包括影响因素及其对应的历史数据;
将质量问题历史数据输入到质量追溯所需的模型中装配质量问题影响因素关联关系挖掘模型中,输出各影响因素之间的关联关系及关联关系强度;
根据实际装配过程,并将所述关联关系强度作为生产要素关系的属性,构建基于本体的装配生产要素关系网络;
获取装配过程实时数据,根据所述装配生产要素关系网络构建工件、装配工序与工位、设备加工参数、装配部件、人员编号及作业方法、物料编码及厂商的映射关系数据表,并将映射关系数据表与装配生产要素关系网络进行联结;
构建质量控制模型,并输入装配过程实时数据、装配质量检测数据和装配质量标准数据,对产品是否具有质量问题进行检测;若存在质量问题,则将质量问题数据输入到装配质量问题影响因素关联关系挖掘模型中,通过装配质量问题影响因素关联关系挖掘模型、装配生产要素关系网络以及装配资源与映射关系数据表,溯源装配设备问题、装配物料问题以及装配产品批次,对发生质量问题的环节进行改进。
2.根据权利要求1所述的一种面向装配的质量智能追溯方法,其特征在于:所述装配生产要素关系网络包括本体类、对象属性、数据属性和实例。
3.根据权利要求2所述的一种面向装配的质量智能追溯方法,其特征在于:所述本体类包括工艺类、工位类、设备类、工装类、质量问题类、质量影响因素类、人员类、物料类、车间环境类和标记类;
所述工艺类包括工艺类别子类,工艺类别子类包括工序子类;
所述工位类为装配车间设置的全部工位;
所述设备类为装配车间装配所需的全部设备;
所述工装类为装配所需全部工装;
所述质量问题类为质量问题历史数据中的全部质量问题类型;
所述质量影响因素类为质量问题的全部影响因素
所述人员类为装配车间全部装配人员;
所述物料类为装配工艺中涉及的全部物料;
所述车间环境类为装配车间涉及的环境类型;
所述标记类为上述9类对象涉及的参数、编号等关键标记。
6.根据权利要求2所述的一种面向装配的质量智能追溯方法,其特征在于:所述实例为在本体类、对象属性和数据属性的基础上,将本体类、对象属性和数据属性对车间具体对象赋值,用于描述车间具体实体与其他生产要素之间的关联关系。
8.根据权利要求1所述的一种面向装配的质量智能追溯方法,其特征在于:所述构建质量控制模型的方法为采用休哈特控制图和多元质量控制图。
9.根据权利要求1所述的一种面向装配的质量智能追溯方法,其特征在于,所述溯源装配设备问题、装配物料问题以及装配产品批次包括如下步骤:
装配问题资源溯源:根据异常数据发生时间和工件编号对映射关系数据表的数据进行查询搜索,搜索条件为异常数据发生时间的设备编码、设备加工参数、人员编码、人员作业方法、车间环境参数、工装规格参数以及物料规格;
装配问题产品溯源:根据装配问题资源溯源的结果,获得设备编码和人员编码;根据异常数据发生时间,对该时间段设备和人员加工的产品进行搜索,获得该段时间车间生产的产品批次;
对装配问题资源和问题产品进行追溯后,对发生质量问题的环节进行改进。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010230054.2A CN111461746A (zh) | 2020-03-27 | 2020-03-27 | 一种面向装配的质量智能追溯方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010230054.2A CN111461746A (zh) | 2020-03-27 | 2020-03-27 | 一种面向装配的质量智能追溯方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111461746A true CN111461746A (zh) | 2020-07-28 |
Family
ID=71678351
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010230054.2A Pending CN111461746A (zh) | 2020-03-27 | 2020-03-27 | 一种面向装配的质量智能追溯方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461746A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765768A (zh) * | 2020-12-22 | 2021-05-07 | 天津博诺智创机器人技术有限公司 | 基于物联网的离散型车间数字溯源方法 |
CN113256151A (zh) * | 2021-06-15 | 2021-08-13 | 佛山绿色发展创新研究院 | 氢气质量检测方法及应用其的系统和计算机存储介质 |
CN113885450A (zh) * | 2021-09-22 | 2022-01-04 | 江苏欧软信息科技有限公司 | 一种基于mes的报警响应系统 |
CN114217576A (zh) * | 2021-11-10 | 2022-03-22 | 北京遥感设备研究所 | 一种面向复杂产品多型共线生产的统计过程控制方法 |
CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845825A (zh) * | 2017-01-18 | 2017-06-13 | 西安交通大学 | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 |
CN107451666A (zh) * | 2017-07-15 | 2017-12-08 | 西安电子科技大学 | 基于大数据分析的断路器装配质量问题追溯系统和方法 |
CN109101632A (zh) * | 2018-08-15 | 2018-12-28 | 中国人民解放军海军航空大学 | 基于制造大数据的产品质量异常数据追溯分析方法 |
-
2020
- 2020-03-27 CN CN202010230054.2A patent/CN111461746A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845825A (zh) * | 2017-01-18 | 2017-06-13 | 西安交通大学 | 一种基于改进pca的带钢冷轧质量问题溯源及控制方法 |
CN107451666A (zh) * | 2017-07-15 | 2017-12-08 | 西安电子科技大学 | 基于大数据分析的断路器装配质量问题追溯系统和方法 |
CN109101632A (zh) * | 2018-08-15 | 2018-12-28 | 中国人民解放军海军航空大学 | 基于制造大数据的产品质量异常数据追溯分析方法 |
Non-Patent Citations (2)
Title |
---|
刘海江;景施博;: "基于案例推理的航天大型薄壁件加工过程质量追溯", 制造业自动化 * |
张伟 等: "航天产品装配质量可追溯管理系统探讨", 《航天制造技术》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112765768A (zh) * | 2020-12-22 | 2021-05-07 | 天津博诺智创机器人技术有限公司 | 基于物联网的离散型车间数字溯源方法 |
CN112765768B (zh) * | 2020-12-22 | 2022-04-01 | 天津博诺智创机器人技术有限公司 | 基于物联网的离散型车间数字溯源方法 |
CN113256151A (zh) * | 2021-06-15 | 2021-08-13 | 佛山绿色发展创新研究院 | 氢气质量检测方法及应用其的系统和计算机存储介质 |
CN113885450A (zh) * | 2021-09-22 | 2022-01-04 | 江苏欧软信息科技有限公司 | 一种基于mes的报警响应系统 |
CN113885450B (zh) * | 2021-09-22 | 2023-10-27 | 江苏欧软信息科技有限公司 | 一种基于mes的报警响应系统 |
CN114217576A (zh) * | 2021-11-10 | 2022-03-22 | 北京遥感设备研究所 | 一种面向复杂产品多型共线生产的统计过程控制方法 |
CN114217576B (zh) * | 2021-11-10 | 2023-07-18 | 北京遥感设备研究所 | 一种面向复杂产品多型共线生产的统计过程控制方法 |
CN115144399A (zh) * | 2022-08-30 | 2022-10-04 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
CN115144399B (zh) * | 2022-08-30 | 2023-01-13 | 吉林省信息技术研究所 | 一种基于机器视觉的装配质量检测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461746A (zh) | 一种面向装配的质量智能追溯方法 | |
CN109711659B (zh) | 一种工业生产的良率提升管理系统和方法 | |
EP0514104A2 (en) | Real-time statistical process monitoring system | |
CN108491991B (zh) | 基于工业大数据产品工期的约束条件分析系统与方法 | |
CN111105082A (zh) | 基于机器学习的工件质量预测模型构建方法及预测方法 | |
CN112330233B (zh) | 一种基于数据模型的注塑产品质量检测方法 | |
CN110096503A (zh) | 一种白车身三坐标测点数据的分析方法及系统 | |
CN112926840A (zh) | 一种水电工程土建试验数据统计分析方法和系统 | |
CN114328075A (zh) | 一种智能配电房传感器多维数据融合异常事件检测方法、系统及计算机可读存储介质 | |
CN111985852A (zh) | 一种基于工业大数据的多业务协同质量管控系统构架方法 | |
CN107392385B (zh) | 一种基于质量数据深度分析的生产计划编制方法 | |
Shiau et al. | Key improvement decision analysis mechanism based on overall loss of a production system | |
CN114998357B (zh) | 基于多信息分析的工业检测方法、系统、终端和介质 | |
CN113850450A (zh) | 一种航空发动机装配生产资源信息的追溯方法 | |
CN116485032A (zh) | 一种考虑多维影响因素的航空产品加工质量预测方法 | |
CN112505337B (zh) | 一种辅助分析样品的数据处理方法 | |
CN113850289B (zh) | 一种射频微波件产品的工序工时定额测算方法及系统 | |
Spedding et al. | System level improvement using discrete event simulation | |
CN112783872A (zh) | 一种基于工业大数据的设备优化模型构建方法 | |
US20030050763A1 (en) | Referential and relational database software | |
Arellano et al. | Process Monitoring in a Flexible Manufacturing Cell through Data Analytics and a Visualisation Tool | |
Rusenov et al. | Machine vision systems for intelligent quality control of manufacturing processes | |
Canlı et al. | Implementation of Decision Support System with Data Mining Methods in the Quality Control Process of the Automotive Sector | |
CN114638450A (zh) | 柔性机加工零件的综合质检方法 | |
Rahul et al. | Integrating the automated car manufacturing system based on RFID and analysis using modules |
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 |