CN111474905A - 一种机电产品制造过程参数漂移故障诊断方法 - Google Patents
一种机电产品制造过程参数漂移故障诊断方法 Download PDFInfo
- Publication number
- CN111474905A CN111474905A CN202010297279.XA CN202010297279A CN111474905A CN 111474905 A CN111474905 A CN 111474905A CN 202010297279 A CN202010297279 A CN 202010297279A CN 111474905 A CN111474905 A CN 111474905A
- Authority
- CN
- China
- Prior art keywords
- manufacturing process
- parameter
- key
- parameters
- model
- 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 94
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003745 diagnosis Methods 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 7
- 238000004088 simulation Methods 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 38
- 239000000463 material Substances 0.000 claims description 21
- 238000013473 artificial intelligence Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 7
- 238000012797 qualification Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000013401 experimental design Methods 0.000 claims 1
- 238000011835 investigation Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 abstract 1
- 238000006467 substitution reaction Methods 0.000 abstract 1
- 239000000047 product Substances 0.000 description 72
- 238000009434 installation Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 239000000696 magnetic material Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 239000013013 elastic material Substances 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32339—Object oriented modeling, design, analysis, implementation, simulation language
-
- 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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种机电产品制造过程参数漂移故障诊断方法，属于机电产品质量形成过程建模与诊断技术领域，包括如下步骤：基于制造过程调研分析得到制造过程中关键输入、输出参数；基于试验设计技术和虚拟样机技术，建立制造过程参数‑产品性能参数快速计算模型；结合具体制造过程参数均值和方差可能出现故障模式和故障漂移范围，均匀选取足够多均值‑方差样本组，基于蒙特卡洛方法和替代模型得到机电产品制造过程故障特征库；基于智能诊断算法和故障特征库，对故障诊断模型进行训练，并对模型精度进行验证。本发明解决了机电产品制造过程复杂，模型输入输出参数映射关系难以获得从而对制造过程参数均值或方差漂移故障难以诊断的问题，具有良好推广应用前景。
Description
技术领域
本发明属于机电产品质量形成过程建模与诊断技术领域，具体涉及一种机电产品制造过程参数漂移故障诊断方法。
背景技术
制造过程是产品全生命周期中一个重要的环节，面对日益复杂和多样的离散制造过程，如何利用其中的信息进行过程诊断和优化，以提高产品质量和企业的核心竞争力，逐渐成为研究热点。机电产品零部件众多，其制造过程包括热处理、焊接、电镀、装配、调试、封装等多个阶段，工艺和结构的繁杂势必导致产品个体间的差异性，进而导致批次产品的合格率和可靠性处于较低水平，生产过程中的不确定性为保证机电产品的质量和可靠性带来极大挑战。
在好的设计的前提下，制造过程参数在容差范围内的正常波动并不会导致最终产品性能参数超差和失效。由于异常原因，如刀具磨损，材料性能退化，机器设备故障、手工调试偏差、人工干预等，而导致的制造过程参数异常波动将会导致批次产品输出特性的漂移，为企业带来巨大损失。于是如何诊断出制造过程中的异常工序从而对制造过程进行管理和改进，显得极其重要。
随着机电产品向小批量、定制化的生产方向发展，机电产品制造过程数据的获取更加困难，特别是失效批次的制造过程数据。由于缺少实际数据，无法对故障诊断模型进行充分的训练，从而导致目前较为普遍的基于数据的复杂过程故障诊断方法难以实现。同时机电产品制造过程的复杂性导致需要涉及的材料种类、零件种类和装配调试环节特别多，考虑的制造过程参数特别多，需要诊断的模型参数特别多。于是如何全面的考虑机电产品复杂的制造过程和诸多影响因素，及时有效的排除诊断制造过程中的异常工序从而对制造过程进行管理和改进，显得极其重要。
发明内容
本发明的目的是为了解决机电产品制造过程复杂，模型输入输出参数映射关系难以获得从而导致对制造过程参数漂移故障难以诊断的问题，提出了一种机电产品制造过程参数漂移故障诊断方法。
为实现上述目的，本发明采取的技术方案如下：
一种机电产品制造过程参数漂移故障诊断方法，它包括以下步骤：
步骤一：根据机电产品制造流程确定n个关键制造过程参数的集合X＝{x1,x2,…,xi,…,xn}和m个关键输出性能参数集合Y＝{y1,y2,…,yi,…,ym}，其中xi服从N(μi,σi)；
步骤二：根据图纸建立机电产品虚拟样机仿真模型，将步骤一中确定的关键制造过程参数X和关键输出性能参数Y注入仿真模型；
步骤三：利用试验设计技术，得到k组关键制造过程参数样本点集合XT＝{x1,x2,…,xj,…,xk}，其中xj＝{x1j,x2j,…,xij,…,xnj}，xij表示参数xi的某个取值，将XT输入步骤二中建立的虚拟样机仿真模型仿真得到k组关键输出性能参数集合YT＝{y1,y2,…,yj,…,yk}，其中yj＝{y1j,y2j,…,yij,…,ymj}，yij表示参数yi的对应值；
步骤四：利用快速计算建模方法，基于步骤三中得到的仿真样本点{XT,YT}，得到关键制造过程参数X和关键输出性能参数Y的快速计算模型，并对快速计算模型精度进行评估；
步骤五：根据实际确定关键制造过程参数xi的均值μi或者方差σi可能出现的故障模式，在相应的故障模式选取一定量的样本点，并利用蒙特卡洛方法构建批次产品关键制造过程参数数据XP；
步骤六：将步骤五中批次产品关键制造过程参数数据XP代入步骤四中建立的快速计算模型，得到批次产品对应的关键输出性能参数YP；
步骤七：对步骤六中得到的批次产品关键输出性能参数YP进行分布拟合与数据统计，并提取相应的分布特征参量，作为对应故障模式下某个样本点对应的故障特征参量；
步骤八：基于人工智能算法构建故障诊断模型，将批次产品输出性能参数分布特征参量作为故障特征，相应的故障模式作为分类目标，对故障诊断模型进行训练，另取不同测试样本进行测试，通过相应的评价指标，对故障诊断模型的分类精度进行评估。
本发明相对于现有技术的有益效果是：本发明基于虚拟样机技术、制造过程影响因素注入方法、快速建模方法、蒙特卡洛方法和人工智能故障诊断方法建立了一种机电产品制造过程参数漂移故障诊断方法，该诊断方法针对特定的机电产品复杂制造过程，通过建立机电产品虚拟样机模型、机电产品制造过程影响因素注入、建立输出性能参数快速计算模型等方法获得批次产品输出性能参数与制造过程参数之间的关系模型，材料属性影响因素包括关键永磁材料属性参数、关键软磁材料属性参数、关键弹性材料属性参数三类，装调参数影响因素包括装配参数跟调试参数，通过蒙特卡洛技术结合对实际制造过程调研确定的制造过程参数可能出现的故障模式来虚拟出批次产品制造过程参数故障数据，故障模式包括均值的变大、变小和方差的变大，通过快速计算模型得到对应批次产品的输出性能参数，对参数的分布特性进行拟合并进行数据统计，提取相应的分布特性参量，将故障模式-故障特征一一对应并对人工智能故障诊断模型进行训练，并对故障诊断模型精度进行评估，最后得到能够通过输出性能参数分布特征参量诊断出制造过程异常的故障诊断模型。本发明的故障诊断方法综合考虑了制造过程中大部分制造过程参数影响因素，样本齐全，并且利用虚拟样机与快速建模技术大大的缩短了批次产品故障特征的数据获取时间，同样解决了传统故障库构建方法在小批量、定制化机电产品制造过程情况下对实际故障数据过于依赖的问题，可大幅提高故障的检测识别、分类诊断与排除优化的速度，同时，可仅仅通过计算批次产品输出性能参数分布特征参量，就能诊断出制造工序异常，方法简便快捷，具有良好的推广前景。
附图说明
图1是本发明的一种机电产品制造过程参数漂移故障诊断方法的流程图；
图2是本发明的机电产品材料属性参数漂移故障诊断方法的流程图；
图3是本发明的机电产品零件尺寸参数漂移故障诊断方法的流程图；
图4是本发明的机电产品装调参数漂移故障诊断方法的流程图；
图5是具体实施方式二中电磁继电器故障诊断模型故障分类结果图。
具体实施方式
具体实施方式一：
下面结合图1和图2说明本实施方式，本实施方式披露了一种机电产品制造过程参数漂移故障诊断方法，所述制造过程参数为材料属性参数，所述方法包括以下步骤：
步骤一：根据机电产品制造流程确定n个关键材料属性参数的集合X＝{x1,x2,…,xi,…,xn}和m个关键输出性能参数集合Y＝{y1,y2,…,yi,…,ym}，其中xi服从N(μi,σi)；
步骤二：根据图纸建立机电产品虚拟样机仿真模型，将步骤一中确定的关键材料属性参数X和关键输出性能参数Y注入仿真模型；
步骤三：利用试验设计技术，得到k组关键材料属性参数样本点集合XT＝{x1,x2,…,xj,…,xk}，其中xj＝{x1j,x2j,…,xij,…,xnj}，xij表示参数xi的某个取值，将XT输入步骤二中建立的虚拟样机仿真模型仿真得到k组关键输出性能参数集合YT＝{y1,y2,…,yj,…,yk}，其中yj＝{y1j,y2j,…,yij,…,ymj}，yij表示参数yi的对应值；
步骤四：利用快速计算建模方法，基于步骤三中得到的仿真样本点{XT,YT}，得到关键材料属性参数X和关键输出性能参数Y的快速计算模型，并对快速计算模型精度进行评估；
步骤五：根据实际确定关键材料属性参数xi的均值μi或者方差σi可能出现的故障模式，在相应的故障模式选取一定量的样本点，并利用蒙特卡洛方法构建批次产品关键材料属性参数数据XP；所述样本点的数量跟参数个数有关，参数越多，需要的样本点的数量越大；
步骤六：将步骤五中批次产品关键材料属性参数数据XP代入步骤四中建立的快速计算模型，得到批次产品对应的关键输出性能参数YP；
步骤七：对步骤六中得到的批次产品关键输出性能参数YP进行分布拟合与数据统计，并提取相应的分布特征参量，作为对应故障模式下某个样本点对应的故障特征参量；
步骤八：基于人工智能算法构建故障诊断模型，将批次产品输出性能参数分布特征参量作为故障特征，相应的故障模式作为分类目标，对故障诊断模型进行训练，另取一定数量的样本作为测试数据进行测试，通过相应的评价指标，对故障诊断模型的分类精度进行评估。
具体实施方式二：
下面结合图1和图2说明本实施方式，本实施方式是对具体实施方式一作出的进一步说明。本实施方式的应用对象为电磁继电器制造过程。
在步骤一中，所述的继电器制造过程关键材料属性参数X和关键输出性能参数Y
如表1中所示。所述材料属性参数包括关键永磁材料属性参数、关键软磁材料属性参数、关键弹性材料属性参数三类。
表1继电器制造过程关键材料属性参数和关键输出性能参数
在步骤二中，根据步骤一所确定的关键输出性能参数，需要利用ANSYS软件建立继电器静态电磁特性求解模型，利用ADAMS软件建立静态反力特性求解模型，同时利用参数化建模技术将关键材料属性参数注入到仿真模型之中，最后通过MATLAB软件进行动态特性联合仿真，得到产品的吸合电压、释放电压、吸合时间、释放时间。
在步骤三中，利用拉丁超立方抽样方法抽取6维90组关键材料属性参数组合XT，并利用步骤二中建立的虚拟样机仿真模型仿真得到关键输出性能参数组合YT。
在步骤四中，利用Kriging快速计算建模方法得到X与Y之间的快速计算模型，另外抽取10组样本点，将仿真模型结果与快速计算结果进行比较，计算RMSE值，评价快速计算模型精度。RMSE公式：
式中，ntest代表选取的测试样本个数，即为10，s表示测试样本点编号，yis表示测试样本点的实际响应值，既仿真值，
表示快速计算模型的预测值，RMSE值越小表示模型精度越高。可见快速计算模型精度较高，能够有效的替代仿真模型并进行快速计算。
在步骤五中，结合实际工艺调研情况，确定具体材料属性参数可能出现的故障模式，如表2中所示。然后应用蒙特卡洛方法，在对应的材料属性参数故障模式下模拟得到1000组参数值XP。
表2具体材料属性参数对应故障模式
在步骤六中，将所述1000组参数值分别代入步骤四输出特性快速计算模型中，计算得到1000组关键输出性能参数YP。
在步骤七中，对步骤六中得到的批次产品关键输出性能参数YP进行分布拟合与数据统计，并提取分布特征参量均值、分布特征参量方差、分布特征参量最大值、分布特征参量最小值和批次产品合格率，作为对应故障模式下某个样本点对应的故障特征参量。
在步骤八中，将步骤七中提取的故障特征与故障模式一一对应，通过支持向量机方法对训练样本进行分类，训练样本数和测试样本数如表3中所示。
表3训练与精度测试样本数
可得最后的分类结果如图5中所示。
通过测试样本的分类结果可统计计算得到模型的诊断精度为：
Acc＝92/100×100％＝92％。
具体实施方式三：
下面结合图1和图3说明本实施方式，本实施方式披露了一种机电产品制造过程参数漂移故障诊断方法，所述制造过程参数为零件尺寸参数，所述方法包括以下步骤：
步骤一：根据机电产品制造流程确定n个关键零件尺寸参数的集合X＝{x1,x2,…,xi,…,xn}和m个关键输出性能参数集合Y＝{y1,y2,…,yi,…,ym}，其中xi服从N(μi,σi)；
步骤二：根据图纸建立机电产品虚拟样机仿真模型，将步骤一中确定的关键零件尺寸参数X和关键输出性能参数Y注入仿真模型；
步骤三：利用试验设计技术，得到k组关键零件尺寸参数样本点集合XT＝{x1,x2,…,xj,…,xk}，其中xj＝{x1j,x2j,…,xij,…,xnj}，xij表示参数xi的某个取值，将XT输入步骤二中建立的虚拟样机仿真模型仿真得到k组关键输出性能参数集合YT＝{y1,y2,…,yj,…,yk}，其中yj＝{y1j,y2j,…,yij,…,ymj}，yij表示参数yi的对应值；
步骤四：利用快速计算建模方法，基于步骤三中得到的仿真样本点{XT,YT}，得到关键零件尺寸参数X和关键输出性能参数Y的快速计算模型，并对快速计算模型精度进行评估；
步骤五：根据实际确定关键零件尺寸参数xi的均值μi或者方差σi可能出现的故障模式，在相应的故障模式选取一定量的样本点，并利用蒙特卡洛方法构建批次产品关键零件尺寸参数数据XP；所述样本点的数量跟参数个数有关，参数越多，需要的样本点的数量越大；
步骤六：将步骤五中批次产品关键零件尺寸参数数据XP代入步骤四中建立的快速计算模型，得到批次产品对应的关键输出性能参数YP；
步骤七：对步骤六中得到的批次产品关键输出性能参数YP进行分布拟合与数据统计，并提取相应的分布特征参量，作为对应故障模式下某个样本点对应的故障特征参量；
步骤八：基于人工智能算法构建故障诊断模型，将批次产品输出性能参数分布特征参量作为故障特征，相应的故障模式作为分类目标，对故障诊断模型进行训练。另取一定数量的样本作为测试数据进行测试，通过相应的评价指标，对故障诊断模型的分类精度进行评估。
具体实施方式四：
下面结合图1和图3说明本实施方式，本实施方式是对具体实施方式三作出的进一步说明。本实施方式的应用对象为电磁继电器制造过程。
在步骤一中，所述的继电器制造过程关键零件尺寸参数X和关键输出性能参数Y如表4中所示。
表4继电器制造过程关键零件尺寸参数和关键输出性能参数
在步骤二中，根据步骤一所确定的关键输出性能参数，需要利用ANSYS软件建立继电器静态电磁特性求解模型，利用ADAMS软件建立静态反力特性求解模型，同时利用参数化建模技术将关键零件尺寸参数注入到仿真模型之中，最后通过MATLAB软件进行动态特性联合仿真，得到产品的吸合电压、释放电压、吸合时间、释放时间。
在步骤三中，利用拉丁超立方抽样方法抽取6维90组关键零件尺寸参数组合XT，并利用步骤二中建立的虚拟样机仿真模型仿真得到关键输出性能参数组合YT。
在步骤四中，利用Kriging快速计算建模方法得到X与Y之间的快速计算模型，另外抽取10组样本点，将仿真模型结果与快速计算结果进行比较，计算RMSE值，评价快速计算模型精度。RMSE公式：
式中，ntest代表选取的测试样本个数，即为10，s表示测试样本点编号，yis表示测试样本点的实际响应值，既仿真值，
表示快速计算模型的预测值，RMSE值越小表示模型精度越高。可见快速计算模型精度较高，能够有效的替代仿真模型并进行快速计算。
在步骤五中，结合实际工艺调研情况，确定具体零件尺寸参数可能出现的故障模式，如表5中所示。然后应用蒙特卡洛方法，在对应的零件尺寸参数故障模式下模拟得到1000组参数值XP。
表5具体零件尺寸参数对应故障模式
在步骤六中，将所述1000组参数值分别代入步骤四输出特性快速计算模型中，计算得到1000组关键输出性能参数YP。
在步骤七中，对步骤六中得到的批次产品关键输出性能参数YP进行分布拟合与数据统计，并提取分布特征参量均值、分布特征参量方差、分布特征参量最大值、分布特征参量最小值和批次产品合格率，作为对应故障模式下某个样本点对应的故障特征参量。
在步骤八中，将步骤七中提取的故障特征与故障模式一一对应，通过支持向量机方法对训练样本进行分类，训练样本数和测试样本数如表6中所示。
表6训练与精度测试样本数
通过测试样本的分类结果可统计计算得到模型的诊断精度为：
Acc＝92/100×100％＝92％。
具体实施方式五：
下面结合图1和图4说明本实施方式，本实施方式披露了一种机电产品制造过程参数漂移故障诊断方法，所述制造过程参数为装调参数，它包括以下步骤：
步骤一：根据机电产品制造流程确定n个关键装调参数的集合X＝{x1,x2,…,xi,…,xn}和m个关键输出性能参数集合Y＝{y1,y2,…,yi,…,ym}，其中xi服从N(μi,σi)；
步骤二：根据图纸建立机电产品虚拟样机仿真模型，将步骤一中确定的关键装调参数X和关键输出性能参数Y注入仿真模型；
步骤三：利用试验设计技术，得到k组关键装调参数样本点集合XT＝{x1,x2,…,xj,…,xk}，其中xj＝{x1j,x2j,…,xij,…,xnj}，xij表示参数xi的某个取值，将XT输入步骤二中建立的虚拟样机仿真模型仿真得到k组关键输出性能参数集合YT＝{y1,y2,…,yj,…,yk}，其中yj＝{y1j,y2j,…,yij,…,ymj}，yij表示参数yi的对应值；
步骤四：利用快速计算建模方法，基于步骤三中得到的仿真样本点{XT,YT}，得到关键装调参数X和关键输出性能参数Y的快速计算模型，并对快速计算模型精度进行评估；
步骤五：根据实际确定关键装调参数xi的均值μi或者方差σi可能出现的故障模式，在相应的故障模式选取一定量的样本点，并利用蒙特卡洛方法构建批次产品关键装调参数数据XP；所述样本点的数量跟参数个数有关，参数越多，需要的样本点的数量越大；
步骤六：将步骤五中批次产品关键装调参数数据数据XP代入步骤四中建立的快速计算模型，得到批次产品对应的关键输出性能参数YP；
步骤七：对步骤六中得到的批次产品关键输出性能参数YP进行分布拟合与数据统计，并提取相应的分布特征参量，作为对应故障模式下某个样本点对应的故障特征参量；
步骤八：基于人工智能算法构建故障诊断模型，将批次产品输出性能参数分布特征参量作为故障特征，相应的故障模式作为分类目标，对故障诊断模型进行训练。另取一定数量的样本作为测试数据进行测试，通过相应的评价指标，对故障诊断模型的分类精度进行评估。
具体实施方式六：
下面结合图1和图4说明本实施方式，本实施方式是对具体实施方式五作出的进一步说明。本实施方式的应用对象为电磁继电器制造过程。
在步骤一中，所述的继电器制造过程关键装调参数X和关键输出性能参数Y如表7中所示。所述关键装调参数包括关键装配参数和关键调试参数。
表7继电器制造过程关键装调参数和关键输出性能参数
在步骤二中，根据步骤一所确定的关键输出性能参数，需要利用ANSYS软件建立继电器静态电磁特性求解模型，利用ADAMS软件建立静态反力特性求解模型，同时利用参数化建模技术将关键装调参数注入到仿真模型之中，最后通过MATLAB软件进行动态特性联合仿真，得到产品的吸合电压、释放电压、吸合时间、释放时间。
在步骤三中，利用拉丁超立方抽样方法抽取6维90组关键装调参数组合XT，并利用步骤二中建立的虚拟样机仿真模型仿真得到关键输出性能参数组合YT。
在步骤四中，利用Kriging快速计算建模方法得到X与Y之间的快速计算模型，另外抽取10组样本点，将仿真模型结果与快速计算结果进行比较，计算RMSE值，评价快速计算模型精度。RMSE公式：
式中，ntest代表选取的测试样本个数，即为10，s表示测试样本点编号，yis表示测试样本点的实际响应值，既仿真值，
表示快速计算模型的预测值，RMSE值越小表示模型精度越高。可见快速计算模型精度较高，能够有效的替代仿真模型并进行快速计算。
在步骤五中，结合实际工艺调研情况，确定具体装调参数可能出现的故障模式，如表8中所示。然后应用蒙特卡洛方法，在对应的装调参数故障模式下模拟得到1000组参数值XP。
表8具体装调参数对应故障模式
在步骤六中，将所述1000组参数值分别代入步骤四输出特性快速计算模型中，计算得到1000组关键输出性能参数YP。
在步骤七中，对步骤六中得到的批次产品关键输出性能参数YP进行分布拟合与数据统计，并提取分布特征参量均值、分布特征参量方差、分布特征参量最大值、分布特征参量最小值和批次产品合格率，作为对应故障模式下某个样本点对应的故障特征参量。
在步骤八中，将步骤七中提取的故障特征与故障模式一一对应，通过支持向量机方法对训练样本进行分类，训练样本数和测试样本数如表9中所示。
表9训练与精度测试样本数
同样通过测试样本的分类结果可统计计算得到模型的诊断精度为：
Acc＝92/100×100％＝92％。
Claims (11)
1.一种机电产品制造过程参数漂移故障诊断方法，其特征在于，所述方法包括以下步骤：
步骤一：根据机电产品制造流程确定n个关键制造过程参数的集合X＝{x1,x2,…,xi,…,xn}和m个关键输出性能参数集合Y＝{y1,y2,…,yi,…,ym}，其中xi服从N(μi,σi)；
步骤二：根据图纸建立机电产品虚拟样机仿真模型，将步骤一中确定的关键制造过程参数X和关键输出性能参数Y注入仿真模型；
步骤三：利用试验设计技术，得到k组关键制造过程参数样本点集合XT＝{x1,x2,…,xj,…,xk}，其中xj＝{x1j,x2j,…,xij,…,xnj}，xij表示参数xi的某个取值，将XT输入步骤二中建立的虚拟样机仿真模型仿真得到k组关键输出性能参数集合YT＝{y1,y2,…,yj,…,yk}，其中yj＝{y1j,y2j,…,yij,…,ymj}，yij表示参数yi的对应值；
步骤四：利用快速计算建模方法，基于步骤三中得到的仿真样本点{XT,YT}，得到关键制造过程参数X和关键输出性能参数Y的快速计算模型，并对快速计算模型精度进行评估；
步骤五：根据实际确定关键制造过程参数xi的均值μi或者方差σi可能出现的故障模式，在相应的故障模式选取一定量的样本点，并利用蒙特卡洛方法构建批次产品关键制造过程参数数据XP；
步骤六：将步骤五中批次产品关键制造过程参数数据XP代入步骤四中建立的快速计算模型，得到批次产品对应的关键输出性能参数YP；
步骤七：对步骤六中得到的批次产品关键输出性能参数YP进行分布拟合与数据统计，并提取相应的分布特征参量，作为对应故障模式下某个样本点对应的故障特征参量；
步骤八：基于人工智能算法构建故障诊断模型，将批次产品输出性能参数分布特征参量作为故障特征，相应的故障模式作为分类目标，对故障诊断模型进行训练，另取不同测试样本进行测试，通过相应的评价指标，对故障诊断模型的分类精度进行评估。
2.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于，步骤一中，所述关键制造过程参数包括关键材料属性参数、关键零件尺寸参数或关键装调参数。
3.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤一中所述关键输出性能参数指机电产品实际使用中所关心的吸合释放时间、吸合释放电压相应性能指标。
4.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤二中将关键制造过程参数注入仿真模型是通过对仿真模型中相应制造过程参量进行更改、参数化建模或尺寸链构建的方式实现；将关键输出性能参数注入仿真模型是通过建立相应的静态特性仿真模型或者动态特性联合仿真模型的方式实现。
5.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤三中所述试验设计技术是指拉丁超立方抽样方法。
6.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤四中所述快速计算建模方法是指Kriging快速计算建模方法。
7.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤四中快速计算模型精度评估是通过计算均方根误差RMSE实现的，RMSE公式：
式中，ntest代表选取的测试样本个数，s表示测试样本点编号，yis表示测试样本点的实际响应值，既仿真值，
表示快速计算模型的预测值，RMSE值越小表示模型精度越高。
8.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤五中所述关键制造过程参数可能出现的故障模式包括均值变大、均值变小、方差变大三种。
9.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤七中所述故障特征参量包括批次产品关键输出性能参数的分布特征参量均值、分布特征参量方差、分布特征参量最大值、分布特征参量最小值和批次产品合格率。
10.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤八中所述人工智能算法为支持向量机方法。
11.根据权利要求1所述的一种机电产品制造过程参数漂移故障诊断方法，其特征在于：步骤八中所述故障诊断模型分类精度评估是通过计算诊断精度Acc实现的，Acc公式：
Acc＝NC×N-1×100％
式中，NC为正确分类的样本数，N为测试样本总数，Acc越大模型精度越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010297279.XA CN111474905B (zh) | 2020-04-15 | 2020-04-15 | 一种机电产品制造过程参数漂移故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010297279.XA CN111474905B (zh) | 2020-04-15 | 2020-04-15 | 一种机电产品制造过程参数漂移故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111474905A true CN111474905A (zh) | 2020-07-31 |
| CN111474905B CN111474905B (zh) | 2021-07-06 |
Family
ID=71753501
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010297279.XA Active CN111474905B (zh) | 2020-04-15 | 2020-04-15 | 一种机电产品制造过程参数漂移故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111474905B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115935761A (zh) * | 2023-01-10 | 2023-04-07 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 设备的可靠性仿真方法、装置、计算机设备和存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09109854A (ja) * | 1995-10-19 | 1997-04-28 | Toyota Motor Corp | 車輌の挙動制御装置 |
| CN1954142A (zh) * | 2004-05-20 | 2007-04-25 | 本田技研工业株式会社 | 判定缸内压力传感器的故障的装置及方法 |
| CN202032938U (zh) * | 2010-12-29 | 2011-11-09 | 北京航天测控技术有限公司 | 一种便携式综合测试诊断设备 |
| CN101614786B (zh) * | 2009-07-07 | 2011-11-30 | 南京航空航天大学 | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 |
| CN102360403A (zh) * | 2011-10-26 | 2012-02-22 | 中冶南方工程技术有限公司 | 基于Kriging模型的滑动轴套结构优化设计方法 |
| CN104008240A (zh) * | 2014-05-22 | 2014-08-27 | 北京航空航天大学 | 一种在轨空间柔性齿轮机构动态耦合时变故障率分析方法 |
| US20160086396A1 (en) * | 2014-09-18 | 2016-03-24 | Honeywell International Inc. | Aircraft electric taxi system diagnostic and prognostic evaluation system and method |
| CN107563067A (zh) * | 2017-09-06 | 2018-01-09 | 电子科技大学 | 基于自适应代理模型的结构可靠性分析方法 |
| CN108446477A (zh) * | 2018-03-14 | 2018-08-24 | 中南大学 | 吸能结构耐撞性能优化方法、系统与可读存储介质 |
| CN110308384A (zh) * | 2019-07-11 | 2019-10-08 | 电子科技大学 | 基于圆模型和神经网络的模拟电路故障诊断方法 |
-
2020
- 2020-04-15 CN CN202010297279.XA patent/CN111474905B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09109854A (ja) * | 1995-10-19 | 1997-04-28 | Toyota Motor Corp | 車輌の挙動制御装置 |
| CN1954142A (zh) * | 2004-05-20 | 2007-04-25 | 本田技研工业株式会社 | 判定缸内压力传感器的故障的装置及方法 |
| CN101614786B (zh) * | 2009-07-07 | 2011-11-30 | 南京航空航天大学 | 基于frft和ifsvc的功率电子电路在线智能故障诊断方法 |
| CN202032938U (zh) * | 2010-12-29 | 2011-11-09 | 北京航天测控技术有限公司 | 一种便携式综合测试诊断设备 |
| CN102360403A (zh) * | 2011-10-26 | 2012-02-22 | 中冶南方工程技术有限公司 | 基于Kriging模型的滑动轴套结构优化设计方法 |
| CN104008240A (zh) * | 2014-05-22 | 2014-08-27 | 北京航空航天大学 | 一种在轨空间柔性齿轮机构动态耦合时变故障率分析方法 |
| US20160086396A1 (en) * | 2014-09-18 | 2016-03-24 | Honeywell International Inc. | Aircraft electric taxi system diagnostic and prognostic evaluation system and method |
| CN107563067A (zh) * | 2017-09-06 | 2018-01-09 | 电子科技大学 | 基于自适应代理模型的结构可靠性分析方法 |
| CN108446477A (zh) * | 2018-03-14 | 2018-08-24 | 中南大学 | 吸能结构耐撞性能优化方法、系统与可读存储介质 |
| CN110308384A (zh) * | 2019-07-11 | 2019-10-08 | 电子科技大学 | 基于圆模型和神经网络的模拟电路故障诊断方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIE DENG: "A global solution for robust parameter design of aeronautical electrical apparatus based on interactions analysis and polynomial fitting", 《CHINESE JOURNAL OF AERONAUTICS》 * |
| 付饶: "电磁继电器故障状态的模拟与诊断研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 潘雄 等: "采用Blind Kriging方法分析风电故障对电力系统暂态稳定性的影响", 《中国电机工程学会2016年年会论文集》 * |
| 郭伟: "机械产品仿真与试验相结合的可靠性评估方法研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
| 陈友明 等: "基于Kriging 模型的冷水机组故障检测与诊断方法", 《湖南大学学报(自然科学版)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115935761A (zh) * | 2023-01-10 | 2023-04-07 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 设备的可靠性仿真方法、装置、计算机设备和存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111474905B (zh) | 2021-07-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| Matinnejad et al. | Search-based automated testing of continuous controllers: Framework, tool support, and case studies | |
| CN109931678B (zh) | 基于深度学习lstm的空调故障诊断方法 | |
| CN106951695B (zh) | 多工况下的机械设备剩余使用寿命计算方法及系统 | |
| CN102707256B (zh) | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 | |
| CN105183993B (zh) | 一种电磁轨道炮综合仿真平台及方法 | |
| CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
| CN113602526A (zh) | 飞机机电故障预测与健康管理系统的验证测试方法及系统 | |
| CN111062162B (zh) | 一种岩土材料精确本构模型的数值建模与应用方法 | |
| CN110163430A (zh) | 基于AdaBoost算法的混凝土材料抗压强度预测方法 | |
| CN111474905B (zh) | 一种机电产品制造过程参数漂移故障诊断方法 | |
| CN106886620B (zh) | 航天器测试资源优化配置方法 | |
| CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
| CN113779785A (zh) | 一种数字孪生复杂装备解构模型及其解构方法 | |
| CN110347579B (zh) | 基于神经元输出行为模式的深度学习测试用例的选择方法 | |
| CN111506998B (zh) | 一种构建机电产品制造过程参数漂移故障特征样本库的方法 | |
| CN113642209B (zh) | 基于数字孪生的结构植入故障响应数据获取及评判方法 | |
| CN111814360B (zh) | 一种机载机电设备使用可靠性评估方法 | |
| Bodhe et al. | Reordering tests for efficient fail data collection and tester time reduction | |
| CN113239495A (zh) | 一种基于矢量混合代理模型的复杂结构可靠性设计方法 | |
| CN112231062A (zh) | 一种用于可编程工业控制器的安全测试系统及方法 | |
| US6829572B2 (en) | Method and system for efficiently overriding array net values in a logic simulator machine | |
| CN111241725A (zh) | 基于条件生成对抗网络的结构响应重构方法 | |
| CN111426937B (zh) | 一种基于无故障信息测试分数的故障诊断方法 | |
| CN113434408B (zh) | 一种基于测试预言的单元测试用例排序方法 |
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 |