CN111506998B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111506998B
CN111506998B CN202010297290.6A CN202010297290A CN111506998B CN 111506998 B CN111506998 B CN 111506998B CN 202010297290 A CN202010297290 A CN 202010297290A CN 111506998 B CN111506998 B CN 111506998B
Authority
CN
China
Prior art keywords
manufacturing process
parameter
key
parameters
constructing
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
Application number
CN202010297290.6A
Other languages
English (en)
Other versions
CN111506998A (zh
Inventor
叶雪荣
谭俊
王跃
邓杰
翟国富
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.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
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 Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN202010297290.6A priority Critical patent/CN111506998B/zh
Publication of CN111506998A publication Critical patent/CN111506998A/zh
Application granted granted Critical
Publication of CN111506998B publication Critical patent/CN111506998B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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，属于制造过程建模与诊断技术领域，包括如下步骤：结合制造过程建立机电产品虚拟样机模型，并将关键制造过程参数注入虚拟样机模型；基于试验设计技术和虚拟样机模型，建立制造过程参数‑产品性能参数快速计算模型；针对具体制造过程参数确定其均值或方差可能出现故障，通过蒙特卡洛方法虚拟出对应批次制造过程参数数据，并带入快速计算模型得到对应批次产品性能参数数据，对数据进行统计和特征提取，存入数据库中，建立制造过程参数均值或方差漂移故障特征样本库。本发明的故障特征样本库应用于机电产品制造过程故障诊断中，极大降低了故障诊断方法的复杂度，具有良好的推广应用前景。

Description

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
技术领域
本发明属于制造过程建模与诊断技术领域，具体涉及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。
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制造过程影响因素，同时获得拥有足够多数据的制造过程参数故障数据库，是进行机电产品制造过程参数均值或方差漂移故障诊断时所面临的紧要问题。
发明内容
本发明的目的是为了解决在进行机电产品制造过程参数漂移故障诊断时，无法全面考虑所有材料种类、零件种类和装配调试环节并获得拥有足够多数据的制造过程参数故障数据库这一问题，提出了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。
为实现上述目的，本发明采取的技术方案如下：
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，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：将提取的故障特征与故障模式一一对应作为样本信息存入数据库中，构建完成机电产品制造过程参数均值或方差漂移故障特征样本库。
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、快速建模方法和蒙特卡洛方法建立了一种用于机电产品制造过程异常诊断的故障特征样本库，该样本库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，存入数据库中。本发明的故障特征样本库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，具有良好的推广前景。
附图说明
图1为本发明中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的流程图；
图2为本发明的构建机电产品材料属性参数漂移故障特征样本库的方法的流程图；
图3为本发明的构建机电产品零件尺寸参数漂移故障特征样本库的方法的流程图；
图4为本发明的构建机电产品装调参数漂移故障特征样本库的方法的流程图。
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构建机电产品制造过程参数漂移故障特征样本库的方法，所述制造过程参数为材料属性参数，所述方法具体包括以下步骤：
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：将提取的故障特征与故障模式一一对应作为样本信息存入数据库中，构建完成机电产品材料属性参数漂移故障特征样本库。
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
Figure BDA0002452657350000041
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：
Figure BDA0002452657350000051
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，
Figure BDA0002452657350000052
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
Figure BDA0002452657350000053
在步骤六中，将所述1000组参数值XP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作为样本信息存入数据库中，构建完成机电产品材料属性参数漂移故障特征样本库。
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构建机电产品制造过程参数漂移故障特征样本库的方法，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：将提取的故障特征与故障模式一一对应作为样本信息存入数据库中，构建完成机电产品零件尺寸参数漂移故障特征样本库。
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3中所示。
表3继电器制造过程关键零件尺寸参数和关键输出性能参数
Figure BDA0002452657350000061
Figure BDA0002452657350000071
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：
Figure BDA0002452657350000072
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，
Figure BDA0002452657350000073
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4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4具体零件尺寸参数对应故障模式
Figure BDA0002452657350000074
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作为样本信息存入数据库中，构建完成构建机电产品零件尺寸参数漂移故障特征样本库。
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构建机电产品制造过程参数漂移故障特征样本库的方法，所述制造过程参数为装调参数，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：将提取的故障特征与故障模式一一对应作为样本信息存入数据库中，构建完成机电产品装调参数漂移故障特征样本库。
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5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5继电器制造过程关键装调参数和关键输出性能参数
Figure BDA0002452657350000091
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：
Figure BDA0002452657350000092
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，
Figure BDA0002452657350000093
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6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6具体装调参数对应故障模式
Figure BDA0002452657350000101
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作为样本信息存入数据库中，构建完成构建机电产品装调参数漂移故障特征样本库。

Claims (10)

1.一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，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：将提取的故障特征与故障模式一一对应作为样本信息存入数据库中，构建完成机电产品制造过程参数漂移故障特征样本库。
2.根据权利要求1所述的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，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所述的一种构建机电产品制造过程参数漂移故障特征样本库的方法，其特征在于：步骤一中，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所述的一种构建机电产品制造过程参数漂移故障特征样本库的方法，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。
5.根据权利要求1所述的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，其特征在于：步骤二中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。
6.根据权利要求1所述的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，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。
7.根据权利要求1所述的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，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。
8.根据权利要求1所述的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，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：
Figure FDA0003378360880000021
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，即仿真值，
Figure FDA0003378360880000022
表示快速计算模型的预测值，RMSE值越小表示模型精度越高。
9.根据权利要求1所述的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，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。
10.根据权利要求1所述的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，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。
CN202010297290.6A 2020-04-15 2020-04-15 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 Active CN111506998B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010297290.6A CN111506998B (zh) 2020-04-15 2020-04-15 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010297290.6A CN111506998B (zh) 2020-04-15 2020-04-15 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

Publications (2)

Publication Number Publication Date
CN111506998A CN111506998A (zh) 2020-08-07
CN111506998B true CN111506998B (zh) 2022-02-08

Family

ID=71864774

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010297290.6A Active CN111506998B (zh) 2020-04-15 2020-04-15 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

Country Status (1)

Country Link
CN (1) CN111506998B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500248A (zh) * 2013-09-24 2014-01-08 国家电网公司 一种构建高压直流输电系统暂态故障特征样本库的方法
CN107862130A (zh) * 2017-11-04 2018-03-30 哈尔滨工业大学 一种导致继电器贮存退化的内部关键因素的分析方法
CN108647458A (zh) * 2018-05-16 2018-10-12 哈尔滨工业大学 一种结合制造工艺数据的机电产品退化建模方法
CN109657945A (zh) * 2018-12-06 2019-04-19 华中科技大学 一种基于数据驱动的工业生产过程故障诊断方法
CN110532512A (zh) * 2019-08-08 2019-12-03 合肥通用机械研究院有限公司 基于大数据分析的设备失效模式诊断特征参量分析方法
WO2020029327A1 (zh) * 2018-08-10 2020-02-13 江南大学 一种基于改进随机森林算法的光伏阵列故障诊断方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106650204A (zh) * 2016-09-27 2017-05-10 北京航空航天大学 一种产品故障行为耦合建模和可靠性评估方法
CN106503746B (zh) * 2016-11-03 2018-07-06 哈尔滨工业大学 一种基于性能偏移量的航空发动机故障诊断方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103500248A (zh) * 2013-09-24 2014-01-08 国家电网公司 一种构建高压直流输电系统暂态故障特征样本库的方法
CN107862130A (zh) * 2017-11-04 2018-03-30 哈尔滨工业大学 一种导致继电器贮存退化的内部关键因素的分析方法
CN108647458A (zh) * 2018-05-16 2018-10-12 哈尔滨工业大学 一种结合制造工艺数据的机电产品退化建模方法
WO2020029327A1 (zh) * 2018-08-10 2020-02-13 江南大学 一种基于改进随机森林算法的光伏阵列故障诊断方法
CN109657945A (zh) * 2018-12-06 2019-04-19 华中科技大学 一种基于数据驱动的工业生产过程故障诊断方法
CN110532512A (zh) * 2019-08-08 2019-12-03 合肥通用机械研究院有限公司 基于大数据分析的设备失效模式诊断特征参量分析方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A method of multi-objective reliability tolerance design for electronic circuits;Zhai Guofu 等;《Chinese Journal of Aeronautics》;20130116;第26卷(第1期);161-170 *
基于实测误差补偿的含永磁电磁结构多目标优化方法;梁慧敏等;《电器与能效管理技术》;20181231(第23期);19-23 *
基于虚拟样机的液压AGC系统建模及故障模拟软件平台开发;岳文德;《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅰ辑(月刊)》;20190515(第05期);C033-84 *
基于虚拟样机的采煤机摇臂故障诊断系统;赵丽娟等;《现代制造工程》;20181231(第11期);142-148 *
航天电磁继电器仿真建模及质量特性分析;王瑛琪等;《电器与能效管理技术》;20151231(第10期);15-21 *

Also Published As

Publication number Publication date
CN111506998A (zh) 2020-08-07

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
CN111008502B (zh) 一种数字孪生驱动的复杂装备故障预测方法
CN106951695B (zh) 多工况下的机械设备剩余使用寿命计算方法及系统
Matinnejad et al. Search-based automated testing of continuous controllers: Framework, tool support, and case studies
CN104750932B (zh) 一种混合不确定性下基于代理模型的结构可靠性分析方法
CN105183993B (zh) 一种电磁轨道炮综合仿真平台及方法
CN104598373B (zh) 一种多技术融合的嵌入式软件测试方法
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
CN110991036A (zh) 航天器姿轨控系统故障案例库构建系统及构建方法
CN111474905B (zh) 一种机电产品制造过程参数漂移故障诊断方法
CN110847111A (zh) 基于半实物仿真的获取水电站闸门调度参数的方法
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
CN113779785A (zh) 一种数字孪生复杂装备解构模型及其解构方法
CN116467211B (zh) 一种基于数字化仿真环境的系统级测试验证方法
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
CN115981259A (zh) 一种基于数字孪生技术的工业全真仿真方法及系统
CN111814360B (zh) 一种机载机电设备使用可靠性评估方法
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
Bodhe et al. Reordering tests for efficient fail data collection and tester time reduction
CN112231062A (zh) 一种用于可编程工业控制器的安全测试系统及方法
CN113536673A (zh) 一种仿真建模对运维系统算法评估优化方法
CN106709167A (zh) 一种基于相似度理论的装配有效性评估方法
Zhang et al. Key fault propagation path identification of CNC machine tools based on maximum occurrence probability
CN106844997B (zh) 常规布局直升机受力反演与参数匹配的动力学建模方法

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