CN111738563B - 一种航天生产现场过程管控能力检测方法 - Google Patents

一种航天生产现场过程管控能力检测方法 Download PDF

Info

Publication number
CN111738563B
CN111738563B CN202010474224.1A CN202010474224A CN111738563B CN 111738563 B CN111738563 B CN 111738563B CN 202010474224 A CN202010474224 A CN 202010474224A CN 111738563 B CN111738563 B CN 111738563B
Authority
CN
China
Prior art keywords
detection
process control
neural network
rbf neural
aerospace
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
CN202010474224.1A
Other languages
English (en)
Other versions
CN111738563A (zh
Inventor
贾丰胜
王锐
鲍智文
李胜
夏晓春
岳盼想
周晓燕
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.)
CHINA AEROSPACE STANDARDIZATION INSTITUTE
Original Assignee
CHINA AEROSPACE STANDARDIZATION INSTITUTE
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 CHINA AEROSPACE STANDARDIZATION INSTITUTE filed Critical CHINA AEROSPACE STANDARDIZATION INSTITUTE
Priority to CN202010474224.1A priority Critical patent/CN111738563B/zh
Publication of CN111738563A publication Critical patent/CN111738563A/zh
Application granted granted Critical
Publication of CN111738563B publication Critical patent/CN111738563B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Primary Health Care (AREA)
  • General Factory Administration (AREA)

Abstract

本发明的目的是提供一种航天生产现场过程管控能力检测方法，通过系统提出检测指标体系、研究指标内容要求、构建模糊层次模型采集样本数据，基于RBF神经网络构建检测模型，进行神经网络训练，得到航天生产现场过程管控能力检测模型，为航天生产现场过程管控能力检测提供量化的解决方案。具体步骤如下：步骤一：界定航天生产现场过程管控范围。步骤二：构建检测指标体系，提出检测指标的内容要求。步骤三：构建模糊层次模型，采集样本数据。步骤四：构建RBF神经网络，训练样本数据，得到RBF神经网络模型。步骤五：开展航天生产现场过程管控能力检测，判定航天生产现场过程管控能力等级。

Description

一种航天生产现场过程管控能力检测方法
技术领域
本发明涉及一种航天生产现场过程管控能力检测方法，具体通过提出航天生产现场过程管控能力检测指标体系并构建模糊层次模型，采集样本数据，创建并训练RBF神经网络，得到可用于航天生产现场过程管控能力检测的RBF神经网络模型，实现航天生产现场过程管控能力的科学检测，属于航天生产质量管理领域。
背景技术
航天生产现场是航天产品生产形成的场所，航天生产现场的管控水平直接决定了航天产品的生产质量状况。近年来，随着航天生产任务的快速增长，航天产品生产过程不断暴露出人为误操作、文件使用混乱、不合格品混入、静电引入等低层次问题，对航天产品质量造成一定的隐患，进而影响航天型号任务的成败，全面掌握航天生产现场过程管控水平，是航天生产现场实施精准管控的重要途径。同时，随着军民融合在航天领域的深入推进，参与航天产品生产任务的民营企业越来越多；但是，航天型号精细化质量管理对过程管控具有较高要求，合理高效地检测参与航天生产任务的生产现场的过程管控能力，严格参研生产现场的准入规范，是当前航天生产质量管理重点领域。
近年来，中国质量协会组织开展了现场管理改进提升活动，以全面质量管理的思想和方法作为核心指导，以顾客为中心，提升效率和效能，节省时间、节约资源和优化节拍为现场管理核心，以顾客导向、系统协调、员工素质、效率提升、持续改进和现场和谐作为现场管理的基本理念，促进企业现场管理水平的全面改进提升。
以上方法注重卓越绩效的提升，本发明考虑到过程管控在航天质量管理中的重要作用，结合航天精细化质量管理的要求特点，研究提出航天生产现场过程管控指标体系和指标内容要求，通过构建模糊层次模型，采集检测样本数据，基于RBF神经网络构建检测模型，进行RBF神经网络模型的训练，得到基于RBF神经网络的航天生产现场过程管控能力检测模型，用于航天生产现场过程管控能力的高效检测。
发明内容
(一)目的：本发明的目的是提供一种航天生产现场过程管控能力检测方法，通过系统提出检测指标体系、研究指标内容要求、构建模糊层次模型采集样本数据，基于RBF神经网络构建检测模型，进行神经网络训练，得到航天生产现场过程管控能力检测模型，为航天生产现场过程管控能力检测提供量化的解决方案。
(二)技术方案
本发明提供一种航天生产现场过程管控能力检测方法，该方法的具体步骤如下：
步骤一：界定航天生产现场过程管控范围。按照《质量管理体系要求》(GJB 9001)、《航天精细化质量管理要求》等，明确航天生产现场的过程内容，识别过程管控因素，界定航天生产现场过程管控范围。
步骤二：构建检测指标体系，提出检测指标的内容要求。基于界定的过程管控范围，归类提出检测维度，结合航天生产现场过程管控特点，细化提出各检测维度的检测指标，按照有关国家标准、国家军用标准、航天行业标准或航天质量管理要求，研究提出各项检测指标具体的内容要求。
步骤三：构建模糊层次模型，采集样本数据。采用模糊综合法和层次分析法相结合的模糊层次(F-AHP)法，构建分值量化集合、权重优先关系函数和判断矩阵，确定检测维度和检测指标的权重，构建模糊层次检测模型，针对提出的航天生产现场检测指标体系和提出的检测指标内容要求，选择试点现场进行试检测，收集检测指标数据，通过构建模糊层次函数，计算各个试点生产现场的过程管控能力得分和等级，形成样本数据集。
步骤四：构建RBF神经网络，训练样本数据，得到RBF神经网络模型。构建RBF神经网络结构，根据航天生产现场过程管控能力检测指标数和检测结果数，确定RBF神经网络输入神经元数量和输出神经元数量；RBF神经网络关键参数的训练算法；基于采集的检测样本数据，进行归一化处理；借助Matlab编程，训练样本数据，经过RBF神经网络的自动调整，误差下降到可控范围，得到训练好的RBF神经网络关键参数，建立可用于航天生产现场过程管控能力检测的RBF神经网络模型。
步骤五：开展航天生产现场过程管控能力检测，判定航天生产现场过程管控能力等级。根据研究提出的航天生产现场过程管控能力检测指标体系和检测指标内容要求，进行航天生产现场过程管控能力检测，借助领域专家模糊打分得到检测指标数据，运用训练成熟的RBF神经网络模型，将收集整理的航天生产现场过程管控检测指标数据作为模型输入，运用Matlab编程，对航天生产现场过程管控能力进行检测，得到检测得分，对照步骤三提出的过程管控能力等级判定准则，得出航天生产现场过程管控能力等级。
其中，步骤一所述的“界定航天生产现场过程管控范围”，其具体实现过程如下：
(1)明确过程管控的定义；(2)根据航天生产现场管控特点，界定航天生产现场的过程管控范围。
其中，步骤二所所述的“构建检测指标体系”，其实现过程如下：
(1)提出指标体系的构建原则；(2)构建包含目标层、准则层和指标层的3层检测指标体系框架；(3)归类提出检测维度；(4)细化提出具体的检测指标；(5)研究提出检测指标的内容要求。
其中，所述的目标层为航天生产现场过程管控能力A；所述的准则层包含组织推进B1、过程策划B2、过程实施B3、监测改进B4，共4个维度；所述的指标层是对检测维度的细化分解，针对航天生产现场的过程管控特点，细化提出具体的检测指标。
其中，所述的组织推进维度包括目标界定、资源配置、氛围营造、现场运行机制、员工素质，5项检测指标；所述的过程策划维度包括生产计划管理、过程要求确定、现场作业文件管理、风险识别与预防、生产模式与现场布局、管理信息系统，6项检测指标；所述的过程实施维度包括关键过程控制、6S与目视化管理、设备管理、特殊过程控制、技术状态控制、现场作业环境控制、现场物料与在制品管理、产品标识与批次管理、多余物控制、静电防控、不合格品与归零管理、安全管理、成本控制、环保与资源利用，14项检测指标；所述的监测改进维度包括产品检验管理、过程测量与监控、质量监督管理、异常处理与预防、过程改进与创新，5项检测指标。
其中，所述的“研究提出检测指标的内容要求”，其具体实现过程如下：
(1)梳理各检测指标相关的国家军用标准、航天行业标准、航天质量管理要求等，明确相关检测指标的内容要求来源；(2)分析航天生产现场的过程管控特点，对标相关标准和要求，提出各检测指标的具体内容要求。
其中，步骤三所述的“构建模糊层次分析的检测模型，采集检测样本数据”，其实现过程如下：
(1)构造分值量化集合和权重优先关系函数；(2)构建检测维度的判断矩阵，确定检测维度的权重；(3)构建检测指标的判断矩阵，确定检测指标权重；(4)提出模糊层次函数；(5)开展试检测，采集样本数据集。
其中，构建的检测维度判断矩阵
Figure BDA0002515325390000031
(表示专家k构建的判断矩阵)为：
Figure BDA0002515325390000041
其中，检测维度的重要度
Figure BDA0002515325390000042
(专家k给出)是：
Figure BDA0002515325390000043
采用归一化处理后，确定得出各检测维度的权重，专家k构建的检测维度权重
Figure BDA0002515325390000044
为：
Figure BDA0002515325390000045
进行归一化后，得到检测维度的权重向量，并需满足一致性检验要求。
其中，提出的检测维度的模糊层次检测函数定义为：
Bi＝f(Ci1,Ci2,...Cij)＝∑cij·Cij＝ci1·Ci1+ci2·Ci2+......+cij·Cij，其中，cij是检测指标在检测维度中的权重，并且ci1+ci2+…+cij＝1，Cij是该检测指标按照步骤一得到的实际检测得分。
其中，提出的航天生产现场过程管控能力的模糊层次检测函数定义为：
Figure BDA0002515325390000046
其中，b1、b2、b3、b4分别为组织推进、过程策划、过程实施和监测改进对应的权重，并且b1+b2+b3+b4＝1，B1、B2、B3、B4分别为组织推进、过程策划、过程实施和监测改进应用模糊层次函数计算得到的分值数据。
其中，步骤四所述的“构建RBF神经网络，训练样本数据，得到RBF神经网络模型”，其实现过程如下：
(1)界定RBF神经网络结构。根据航天生产现场过程管控能力检测指标数量和检测能力值数量，确定RBF神经网络输入层神经元的数量和输出层神经元的数量，构建包含“输入层-隐含层-输出层”的3层RBF神经网络，隐含层神经元数量由RBF神经网络自动调整获得。选择高斯函数作为隐含层神经元的激活函数，采用线性函数作为输出层神经元的激活函数。
(2)选择RBF神经网络的关键参数的训练算法。采用“K均值聚类”、最小二乘法等，确定RBF神经网络的关键参数，包括隐含层径向基函数中心、径向基方差、隐含层到输出层的连接权值。
(3)样本数据的预处理。采用最大最小值法对样本数据进行归一化处理。
(4)利用样本数据训练RBF神经网络。将h-5组作为训练样本，后5组作为检验样本，借助Matlab进行RBF神经网络的训练，在训练误差下降到可控范围内，得到RBF神经网络的3个关键参数，输入RBF神经网络，得到可用于航天生产现场过程管控能力检测的RBF神经网络模型。
(三)有益效果
本发明提供了一种航天生产现场过程管控能力检测方法，其优点在于：1、本发明全面科学地提出了航天生产现场过程管控能力的检测指标体系，研究制定了各项检测指标的内容要求，有助于明确检测要点，支持高效检测；2、本发明研究构建了模糊层次模型，有助于得到量化的检测分值，减少检测指标的失控风险，能够合理采集检测数据；3、本发明基于RBF神经网络构建了检测模型，利用样本数据进行神经网络训练，得到用于航天生产现场过程管控能力检测的RBF神经网络模型，有助于降低专家打分的主观随意缺陷，可以应用检测指标数据，科学合理得到检测结果，高效支撑航天生产现场过程管控能力的检测。
附图说明
图1所示为航天生产现场过程管控能力检测方法流程示意图。
图2所示为航天生产现场过程管控能力检测指标体系示意图。
图3所示为RBF神经网络结构示意图。
具体实施方式
附图1给出了本发明的实施流程。下面对本发明的具体实施方式做进一步的详细说明。
步骤一：界定航天生产现场过程管控范围。按照《质量管理体系要求》(GJB 9001)、《航天精细化质量管理要求》等，明确航天生产现场的过程内容，明确过程管控因素，界定航天生产现场过程管控范围。
(1)明确过程管控定义
《质量管理体系基础和术语》(GB/T 19000-2016)中，过程是将输入转化为输出的相互关联或相互作用的一组活动。航天生产现场过程，主要指实现产品形成的生产活动，也包括保证生产任务按需执行而开展的管理活动，但是，管理活动最终服务于生产活动。
航天生产现场过程管控是在保证航天产品生产质量的基础上，采用系统方法策划、控制和改进产品生产过程或管理过程，促进航天产品生产能够高质高效的完成。
(2)界定航天生产现场过程管控范围
按照过程管控的定义，过程的任务是将有效的输入转化为预期的输出，转化需要资源的支持。过程管控是对输入要求、各项资源、转化活动、输出等要素的管控。
航天生产现场输入要求的管控，不仅包括了生产任务、生产计划等生产要求，也包括组织管理目标等管理要求。
航天生产现场各项资源的管控，不仅是对人、机、料、法、环等具体资源的具体管理或控制的实施，也包括为保证生产有效开展而进行的生产现场规划、业务流程规划等管理资源的控制实施。
航天生产现场转化活动的管控，不仅包括生产过程的人员、设备、材料、作业方法、作业环境等的控制实施，而且包括航天质量管理的方法措施在生产过程开展情况的控制实施。
航天生产现场输出的管控，不仅包括保证生产产品质量采取方法措施落实情况的控制实施，而且包括生产过程和管理过程优化改进的实施。
航天生产现场过程管控涵盖航天生产任务的输入、执行及输出等方面，过程管控管控的内容包括目标资源的输入、生产要求的输入、生产执行的控制实施、生产结果的监测优化等。
步骤二：构建检测指标体系，提出检测指标的内容要求。基于界定的过程管控范围，归类提出检测维度，结合航天生产现场过程管控特点，细化提出各检测维度的检测指标，按照有关国家标准、国家军用标准、航天行业标准或航天质量管理要求，研究提出各项检测指标具体的内容要求。
附图2给出了航天生产现场过程管控能力的检测指标体系示意图。
(1)提出检测指标体系的构建原则
为保证全面合理地提出航天生产现场过程管控能力检测指标体系，其构建原则如下：
1)系统分解原则。航天生产现场过程管控能力的检测是一项多要素的复杂问题，将其分解为不同的组成部分(即检测维度)，按照检测维度的内容关系，细化分解为具体的检测指标，自上到下，系统分类，层层分解，构建检测指标体系。
2)全面适用原则。检测指标体系构建应从全局出发，综合考虑人、机、料、法、环、测等各方面因素，全面识别影响航天生产现场过程管控能力的因素，将其转化为具体的检测指标，普遍适用于航天生产现场过程管控能力检测。
3)综合协调原则。检测维度之间应分类明确，避免交叉重复，检测维度的集合应与检测目标相协调；同时，检测指标应反映检测维度的内容要求，同一检测维度的检测指标之间应相互关联且避免重复，同一维度的所有检测指标的集合应与检测维度的要求相协调。
(2)构建包含目标层、准则层和指标层的检测指标体系框架
为保证全面合理地提出检测指标体系，采用层次分析法，层层细化检测目标，提出检测维度和检测指标，构建结构化的检测指标体系。航天生产现场过程管控能力作为检测目标，处于目标层；将检测目标按照过程管控的范围特点，归类分解为不同的维度，处于准则层；按照不同维度的管控要求，进行工作或活动分解，细化为具体的检测指标，处于指标层。
(3)归类提出检测维度
过程管控是航天生产现场管理的重要环节，为保证航天生产现场过程管控的有效实现，现场需要按照单位的战略指引，系统策划生产现场过程管控的各项活动，采用先进的工具方法和有效的措施手段，不断提升过程管控能力。
航天生产现场的过程管控目标可归类分解为组织推进、过程策划、过程实施与监测改进，4个维度。
组织推进是有效开展航天生产现场过程管控的基础。航天生产现场过程管控不仅需要生产现场员工的有效落实，而且需要高层领导的决策支持，是综合性的管理工作。组织推进不仅指明了生产现场过程管控的方向，而且提供了过程管控的资源，直接影响着生产现场的管控水平。组织推进主要检测航天生产现场过程管控的目标界定、资源配置、机制运行、员工管理等方面。
过程策划是有效开展航天生产现场过程管控的起点。过程策划提供了航天生产任务的输入要求，其工作质量直接影响航天生产现场过程管控的效果与效率，进而影响航天生产现场过程管控的能力水平。过程策划主要检测航天生产现场的管理要求、管理文件、管理计划的制定与发布，以及航天生产现场流程设计、设施布局等生产任务输入方面的管控情况。
过程实施是航天生产现场过程管控的核心环节。根据过程策划的结果，采取先进的质量管理工具、方法或措施，有序管控航天生产活动相关的各要素，保证航天生产现场各项生产活动有序开展。过程实施主要检测航天生产现场采取相关管控活动和管控措施的执行规范情况。
监测改进是确保航天生产现场过程管控能力持续提升的重要活动。通过对航天生产现场过程的执行结果进行有效监测，及时发现隐患，科学作出决策，纠正存在的问题，不断改进优化，持续提升航天生产现场过程管控能力。监测改进主要检测航天生产现场在过程监视、测量、纠偏等方面的管控情况，以及优化、改进、创新等方面的执行情况。
(4)细化提出具体的检测指标
针对检测维度的要求，结合航天生产生产现场的过程管控活动，细化检测维度的管控内容，归纳总结提出相应的检测指标，具体见表1所示。
Figure BDA0002515325390000081
表1
(5)研究提出检测指标的内容要求
系统梳理检测指标相关的国家军用标准、航天行业标准、航天企业标准、航天质量管理要求等，结合航天生产现场过程管控特点，总结提炼检测指标的具体内容，研究制定检测指标的内容要求。根据各项检测指标的内容要求在航天生产现场的执行顺序或实施逻辑，按序提出各项检测指标的内容要求。
从各检测维度中选取两个检测指标为示例，详细说明指标检测的具体内容。以管理目标界定、现场运行机制、管理信息系统、现场作业文件管理、关键过程控制、6S与目视化管理、产品检验管理、过程改进与创新等检测指标为例，说明其具体的内容要求，具体见表2所示。
Figure BDA0002515325390000091
Figure BDA0002515325390000101
表2
步骤三：构建模糊层次模型，采集样本数据。为实现对航天生产现场过程管控能力的量化检测，尽可能降低检测指标数据采集中的人为因素干扰，采用模糊综合法和层次分析法相结合的模糊层次(F-AHP)法，构造分值量化集合和权重优先关系函数，构建检测维度和检测指标的判断矩阵，确定检测维度和检测指标的权重，构建模糊层次模型，针对提出的航天生产现场检测指标体系和提出的检测指标内容要求，选择试点现场进行试检测，收集检测指标数据，通过构建的模糊层次模型，计算各个试点生产现场的过程管控能力得分和等级，形成检测样本数据集。
(1)构造评分量化集合和权重优先关系函数。
为有效检测各项指标，实现检测的合理性，规范打分弹性范围，对检测指标设定优秀、良好、合格、不合格共4个检测等级，每个检测等级对应相应的模糊分值。相邻检测指标的模糊分值采用重叠方式，规避检测的绝对性。航天生产现场过程管控能力的检测等级设置优等、良等、中等、差等，共4个等级，每个检测等级对应相应的得分范围。评分量化集合见表3所示。
检测指标等级 检测指标模糊分值 能力等级 能力得分
优秀 1.0、0.95、0.9 优等 0.9～1.0
良好 0.75、0.8、0.85、0.9 良等 0.75～0.9
合格 0.6、0.65、0.7、0.75 中等 0.6～0.75
不合格 0.2、0.4、0.6 差等 <0.6
表3
兼顾评判的合理性，考虑到航天生产现场过程管控能力检测指标的重要度层次，构建检测指标的权重优先关系函数：
Figure BDA0002515325390000111
其中，ci和cj分别是检测指标。
(2)构建检测维度的判断矩阵，确定检测维度的权重。
参照检测指标的权重优先关系函数，构建检测维度的权重判断矩阵，计算各检测维度Bi对航天生产现场过程管控能力A的重要程度。其中，专家k构建的检测维度判断矩阵
Figure BDA0002515325390000112
为：
Figure BDA0002515325390000121
其中，
Figure BDA0002515325390000122
计算各检测维度Bi对航天生产现场过程管控能力A的重要程度，依据构造的判断矩阵，专家k对检测维度给出的指标重要度
Figure BDA0002515325390000123
是：
Figure BDA0002515325390000124
各检测维度B对于过程管控能力A的权重，采用归一化处理，得出各检测维度的权重，专家k构建的检测维度权重
Figure BDA0002515325390000125
为：
Figure BDA0002515325390000126
进行归一化后，得到检测维度的权重向量，并需满足一致性检验要求。
(3)构建检测指标的判断矩阵，确定检测指标权重。
按照步骤一和步骤二，构建各检测维度下的检测指标权重判断矩阵，分别计算各检测指标对应所在检测维度的权重。
对于检测维度Bi(i＝1、2、3、4)，专家k对该检测维度下的检测指标重要度
Figure BDA0002515325390000127
(j为各检测维度下的检测指标数目)。
各检测指标C对于所属检测维度B的权重，采用归一化处理，确定得出各检测指标在所属检测维度的权重，计算得到专家k对检测维度Bi(i＝1、2、3、4)下的各个检测指标重要度
Figure BDA0002515325390000128
进行归一化后，得到检测指标的权重向量，并需满足一致性检验要求。
(4)提出模糊层次检测函数。
按照计算确定的检测维度权重和检测指标权重，构建模糊层次函数。
检测维度Bi由j个检测指标构成，检测维度的模糊层次函数定义为：
Bi＝f(Ci1,Ci2,...Cij)＝∑cij·Cij＝ci1·Ci1+ci2·Ci2+......+cij·Cij，其中，cij是检测指标在检测维度中的权重，并且ci1+ci2+…+cij＝1，Cij是该检测指标按照步骤一采集的实际检测得分数据。
航天生产现场过程管控能力检测，由组织推进、过程策划、过程实施和监测改进，四个维度的管控能力组成，航天生产现场过程管控能力的模糊层次检测函数定义为：
Figure BDA0002515325390000131
航天生产现场过程管控能力通过对组织推进、过程策划、过程实施和监测改进，四个方面进行综合检测而获得。其中，b1、b2、b3、b4分别为组织推进、过程策划、过程实施和监测改进对应的权重，并且b1+b2+b3+b4＝1，B1、B2、B3、B4分别为组织推进、过程策划、过程实施和监测改进按照检测维度的模糊层次函数得到的分值数据。
(5)开展试检测，采集样本数据集。
组织航天生产现场管理、航天质量管理等领域的专家，采用步骤(1)、(2)、(3)、(4)的方法，计算得到每位专家的检测维度权重和检测指标权重。
选择h个航天生产现场进行试检测，采用专家打分方法，得到k个专家对生产现场检测后的检测指标数据；将k个专家对同一现场的各个检测指标数据，多次采用“三角模糊数去模糊值”的方法，得到同一个生产现场的检测指标样本数据，综合形成h个生产现场的检测指标样本数据集。
对k个专家通过判断矩阵，得到的检测指标权重和检测维度权重，计算各个专家的生产现场过程管控能力分值数据；将k个专家对同一现场的过程管控能力分值数据，多次采用“三角模糊数去模糊值”的方法，得到同一个生产现场的过程管控能力分值数据，综合形成h个生产现场的过程管控得分能力样本数据集。
综合航天生产现场现场的检测指标得分样本数据集和过程管控能力得分数据集，获得h组航天生产现场过程管控的样本数据集U＝{U1,U2,...,Uh}，其中，Uh为第h个航天生产现场现场的检测指标和过程管控能力数据集。
步骤四：构建RBF神经网络，训练样本数据，得到RBF神经网络模型。构建RBF神经网络结构，根据航天生产现场过程管控能力检测指标数和检测结果数，确定RBF神经网络输入神经元数量和输出神经元数量；选择RBF神经网络关键参数的训练算法；基于采集的检测样本数据，进行归一化处理；借助Matlab编程，训练样本数据，经过RBF神经网络的自动调整，误差下降到可控范围，得到训练好的RBF神经网络关键参数，建立可用于航天生产现场过程管控能力检测的RBF神经网络模型。
(1)界定RBF神经网络结构
RBF神经网络由“输入层-隐含层-输出层”组成，是一种具有单隐含层的三层前向神经网络。输入层由输入的信号源节点组成，输入层的神经元节点数目应与检测指标数相对应，本发明构建提出了30个具体的检测指标，RBF神经网路的输入层节点数p＝30。输出层是对输入信号的响应，本发明中检测结果的输出为航天生产现场过程管控能力检测分值，因此，RBF神经网络模型的输出结果只有一个指标，神经网络的输出层神经元节点数t＝1。
本发明隐含层神经元的最大节点数初步设置为80，由RBF神经网络自动调整隐含层节点数。
隐含层神经元的变换函数是RBF，是一种局部分布的中心径向对称衰减的非负非线性函数。本发明采用高斯函数作为隐含层神经元的激活函数，采用线性函数作为输出层神经元的激活函数。
(2)选择RBF神经网络的关键参数的训练算法
RBF神经网络的学习算法，关键是确定隐含层径向基函数中心、径向基方差、隐含层到输出层的连接权值。
本发明采用“k均值聚类”算法调整确定隐含层径向基函数中心。从训练样本中随机选取不同的样本，将隐含层径向基函数的初始中心的初始值设置为最初的n个训练样本值，随机输入训练样本Um；计算欧式距离并求出最小欧式距离的节点，样本按最近的径向基函数中心分组；调整隐含层径向基函数的中心；当所有的训练样本训练后，且中心分布不再变化，则聚类结束。
隐含层径向基函数中心确定后，求得的归一化参数，即为径向基函数的方差。
本发明采用最小二乘法确定隐含层到输出层的连接权值。
(3)样本数据的预处理。
在RBF神经网络训练之前，需要样本数据进行归一化处理，减少不同检测指标分值的差异，提高RBF神经网络的泛化性能。为能够较大程度地保留样本数据的原始性，避免样本数据信息的失真，本发明采用最大最小值法对样本数据进行归一化处理。
按照本发明提出的检测指标及其内容要求，所有检测指标均遵循“指标得分越高，指标等级越高”的规律，所以采用“最大最小值法”进行样本数据的归一化处理，其归一化处理算法为：
Figure BDA0002515325390000151
其中，cij*是检测指标值cij归一化处理后的标准化值，cijmin是第ij个检测指标的最小值，cijmax是第ij个检测指标的最大值。
过程管控能力分值数据也采用“最大最小值法”进行归一化处理。
(4)利用样本数据训练RBF神经网络。
采用F-AHP方法进行航天生产现场过程管控能力检测，得到h组航天生产现场过程管控样本数据，本发明使用前h-5组作为训练样本，后5组作为检验样本。样本数据集中的检测指标得分作为输入数据，样本数据中的过程管控能力检测得分值作为输出数据。
训练样本输入向量p训练＝[p1，p2，......，ph-5]T，训练样本输出向量t训练＝[t1，t2，......，th-5]T。
检验样本输入向量p检验＝[ph-4，ph-3，ph-2，ph-1，ph]T，检验样本输出向量t训练＝[th-4，th-3，th-2，th-1，th]T。
本发明采用Matlab软件进行RBF神经网络的训练，调用newrb函数，创建三层RBF神经网络，设置隐含层神经元节点初始值为80，自动选择隐含层的神经元节点数。神经网络建立的过程也是训练过程，经过RBF神经网络学习输出的结果同期望输出基本相符，误差下降至0.015以下，视为误差在可控范围内，表示RBF神经网络训练成熟，得到RBF神经网络的关键参数。将训练好的RBF神经网络的隐含层径向基函数中心、径向基方差、隐含层到输出层的权值，输入RBF神经网络，得到可用于航天生产现场过程管控能力检测的RBF神经网络模型。
步骤五：开展航天生产现场过程管控能力检测，判定航天生产现场过程管控能力等级。根据研究提出航天生产现场过程管控能力检测指标体系和检测指标内容要求，进行航天生产现场检测，借助领域专家模糊打分得到检测指标数据，运用训练成熟的RBF神经网络检测模型，将收集整理的航天生产现场过程管控检测指标数据作为模型输入，运用Matlab编程，对航天生产现场过程管控能力进行检测，得到检测得分，对照步骤三提出的能力等级判定准则，得出航天生产现场过程管控能力等级。

Claims (9)

1.一种航天生产现场过程管控能力检测方法，其特征在于，该方法的具体步骤如下：
步骤一：界定航天生产现场过程管控范围；按照《质量管理体系要求GJB 9001》和《航天精细化质量管理要求》，明确航天生产现场的过程内容，识别过程管控因素，界定航天生产现场过程管控范围；
步骤二：构建检测指标体系，提出检测指标的内容要求；基于界定的过程管控范围，归类提出检测维度，结合航天生产现场过程管控特点，细化提出各检测维度的检测指标，按照有关国家标准、国家军用标准、航天行业标准或航天质量管理要求，研究提出各项检测指标具体的内容要求；
步骤三：构建模糊层次模型，采集样本数据；采用模糊综合法和层次分析法相结合的模糊层次F-AHP法，构建分值量化集合、权重优先关系函数和判断矩阵，确定检测维度和检测指标的权重，构建模糊层次检测模型，针对提出的航天生产现场检测指标体系和提出的检测指标内容要求，选择试点现场进行试检测，收集检测指标数据，通过构建模糊层次函数，计算各个试点生产现场的过程管控能力得分和等级，形成样本数据集；
步骤四：构建RBF神经网络，训练样本数据，得到RBF神经网络模型；构建RBF神经网络结构，根据航天生产现场过程管控能力检测指标数和检测结果数，确定RBF神经网络输入神经元数量和输出神经元数量；RBF神经网络关键参数的训练算法；基于采集的检测样本数据，进行归一化处理；借助Matlab编程，训练样本数据，经过RBF神经网络的自动调整，误差下降到可控范围，得到训练好的RBF神经网络关键参数，建立可用于航天生产现场过程管控能力检测的RBF神经网络模型；
步骤五：开展航天生产现场过程管控能力检测，判定航天生产现场过程管控能力等级；根据研究提出的航天生产现场过程管控能力检测指标体系和检测指标内容要求，进行航天生产现场过程管控能力检测，借助领域专家模糊打分得到检测指标数据，运用训练成熟的RBF神经网络模型，将收集整理的航天生产现场过程管控检测指标数据作为模型输入，运用Matlab编程，对航天生产现场过程管控能力进行检测，得到检测得分，对照步骤三提出的过程管控能力等级判定准则，得出航天生产现场过程管控能力等级。
2.根据权利要求1所述的一种航天生产现场过程管控能力检测方法，其特征在于：步骤二的构建检测指标体系，其实现过程如下：(1)、提出指标体系的构建原则；(2)、构建包含目标层、准则层和指标层的3层检测指标体系框架；(3)、归类提出检测维度；(4)、细化提出具体的检测指标；(5)、研究提出检测指标的内容要求。
3.根据权利要求2所述的一种航天生产现场过程管控能力检测方法，其特征在于：所述的目标层为航天生产现场过程管控能力A；准则层包含组织推进B1、过程策划B2、过程实施B3、监测改进B4，共4个维度；指标层是对检测维度的细化分解，针对航天生产现场的过程管控特点，细化提出具体的检测指标。
4.根据权利要求3所述的一种航天生产现场过程管控能力检测方法，其特征在于：组织推进B1包括目标界定、资源配置、氛围营造、现场运行机制、员工素质，5项检测指标；过程策划B2包括生产计划管理、过程要求确定、现场作业文件管理、风险识别与预防、生产模式与现场布局、管理信息系统，6项检测指标；过程实施B3包括关键过程控制、6S与目视化管理、设备管理、特殊过程控制、技术状态控制、现场作业环境控制、现场物料与在制品管理、产品标识与批次管理、多余物控制、静电防控、不合格品与归零管理、安全管理、成本控制、环保与资源利用，14项检测指标；监测改进B4包括产品检验管理、过程测量与监控、质量监督管理、异常处理与预防、过程改进与创新，5项检测指标。
5.根据权利要求1或2所述的一种航天生产现场过程管控能力检测方法，其特征在于：
所述的研究提出各项检测指标具体的内容要求，其具体实现过程如下：
(1)、梳理各检测指标相关的国家军用标准、航天行业标准及航天质量管理要求，明确相关检测指标的内容要求来源；(2)、分析航天生产现场的过程管控特点，对标相关标准和要求，提出各检测指标的具体内容要求。
6.根据权利要求1所述的一种航天生产现场过程管控能力检测方法，其特征在于：
步骤三所述的构建模糊层次分析的检测模型，采集检测样本数据，其实现过程如下：
(1)、构造分值量化集合和权重优先关系函数；(2)、构建检测维度判断矩阵，确定检测维度的权重；(3)、构建检测指标的判断矩阵，确定检测指标权重；(4)、提出模糊层次检测函数；(5)、开展试检测，采集样本数据集。
7.根据权利要求6所述的一种航天生产现场过程管控能力检测方法，其特征在于：
构建的检测维度判断矩阵
Figure FDA0004141199080000021
为：
Figure FDA0004141199080000031
其中，检测维度的重要度
Figure FDA0004141199080000032
是：
Figure FDA0004141199080000033
采用归一化处理后，确定得出各检测维度的权重，专家k构建的检测维度权重
Figure FDA0004141199080000034
为：
Figure FDA0004141199080000035
进行归一化后，得到检测维度的权重向量，并需满足一致性检验要求。
8.根据权利要求6所述的一种航天生产现场过程管控能力检测方法，其特征在于：
提出的检测维度的模糊层次检测函数定义为：
Bi＝f(Ci1,Ci2,...Cij)＝∑cij·Cij＝ci1·Ci1+ci2·Ci2+......+cij·Cij，其中，cij是检测指标在检测维度中的权重，并且ci1+ci2+…+cij＝1，Cij是该检测指标按照分值量化集合得到的实际检测得分。
9.根据权利要求1所述的一种航天生产现场过程管控能力检测方法，其特征在于：
步骤四所述的构建RBF神经网络，训练样本数据，得到RBF神经网络模型，其实现过程如下：
(1)界定RBF神经网络结构；根据航天生产现场过程管控能力检测指标数量和检测能力值数量，确定RBF神经网络输入层神经元的数量和输出层神经元的数量，构建包含输入层-隐含层-输出层的3层RBF神经网络，隐含层神经元数量由RBF神经网络自动调整获得；选择高斯函数作为隐含层神经元的激活函数，采用线性函数作为输出层神经元的激活函数；
(2)选择RBF神经网络的关键参数的训练算法；采用K均值聚类和最小二乘法，确定RBF神经网络的关键参数，包括隐含层径向基函数中心、径向基方差、隐含层到输出层的连接权值；
(3)样本数据的预处理；采用最大最小值法对样本数据进行归一化处理；
(4)利用样本数据训练RBF神经网络；将h-5组作为训练样本，h为生产现场的检测指标样本数据集，后5组作为检验样本，借助Matlab进行RBF神经网络的训练，在训练误差下降到可控范围内，得到RBF神经网络的3个关键参数，输入RBF神经网络，得到用于航天生产现场过程管控能力检测的RBF神经网络模型。
CN202010474224.1A 2020-05-29 2020-05-29 一种航天生产现场过程管控能力检测方法 Active CN111738563B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010474224.1A CN111738563B (zh) 2020-05-29 2020-05-29 一种航天生产现场过程管控能力检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010474224.1A CN111738563B (zh) 2020-05-29 2020-05-29 一种航天生产现场过程管控能力检测方法

Publications (2)

Publication Number Publication Date
CN111738563A CN111738563A (zh) 2020-10-02
CN111738563B true CN111738563B (zh) 2023-05-12

Family

ID=72647948

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010474224.1A Active CN111738563B (zh) 2020-05-29 2020-05-29 一种航天生产现场过程管控能力检测方法

Country Status (1)

Country Link
CN (1) CN111738563B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106483850A (zh) * 2016-11-23 2017-03-08 沈阳航天新光集团有限公司 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
CN110221225A (zh) * 2019-07-08 2019-09-10 中国人民解放军国防科技大学 一种航天器锂离子电池循环寿命预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106483850A (zh) * 2016-11-23 2017-03-08 沈阳航天新光集团有限公司 一种航空发动机基于rbf神经网络前馈的模糊自适应pid控制器设计方法
CN110221225A (zh) * 2019-07-08 2019-09-10 中国人民解放军国防科技大学 一种航天器锂离子电池循环寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Fengsheng Jia, etc..Aerospace Quality Problem Close-Loop Management Based on Process Document Control.《2019 International Conference on Quality, Reliability, Risk, Maintenance, and Safety Engineering(QR2MSE)》.2020,全文. *
贾丰盛等.航天质量大数据管理和应用研究.《质量与可靠性》.2020,(第2期),第46-50页. *

Also Published As

Publication number Publication date
CN111738563A (zh) 2020-10-02

Similar Documents

Publication Publication Date Title
Setiawan et al. Simple additive weighting as decision support system for determining employees salary
Yang et al. Evaluate the sustainable reuse strategy of the corporate financial management based on the big data model
CN114418177A (zh) 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法
Bąk et al. Fuzzy cognitive maps and their application in the economic sciences
Nahaei et al. Review and prioritization of investment projects in the Waste Management organization of Tabriz Municipality with a Rough Sets Theory approach
Slamet et al. Thesis topic recommendation using simple multi attribute rating technique
CN111738563B (zh) 一种航天生产现场过程管控能力检测方法
CN112801544A (zh) 一种公路数字化管理绩效评价方法及系统
CN114764682B (zh) 一种基于多机器学习算法融合的大米安全风险评估方法
CN112365168A (zh) 一种基于主分量分析评价环境空气质量的方法
Shi Intelligent Analysis and Processing System of Financial Big Data Based on Neural Network Algorithm
CN112258002A (zh) 一种构建饮用水水源保护区风险评估指标体系的方法
Zhang et al. Research on maturity of data system based on BP neural network test
Gupta et al. Multi-criteria and fuzzy-based decision making: applications in environment pollution control for sustainable development
Wen Construction project risk evaluation based on rough sets and artificial neural networks
Tingyu et al. Comprehensive evaluation study on the maturity of railway construction project management
CN102004642A (zh) 一种群体协同求解软件控制技术
Chu et al. Artificial Intelligence and China’s Labor Market
Wu et al. Optimizing Artificial Neural Networks with Swarm Intelligence Algorithms for Biotechnological Applications in Logistics.
Zhang Target Performance of University Logistics Teachers Based on the Combination of AHP and Support Vector Machine in the Context of “Double First-Class” Project Construction
Liu et al. Intelligent manufacturing system based on data mining algorithm
Cai Development and Application of Enterprise Management Credit Evaluation System Based on B/S Mode
Wang Research on the application of big data mining technology based on neural network
Zhang Diversified Fiscal and Tax System Model Based on Improved Artificial Neural Network
Zhan et al. Comprehensive Analysis Method Based on Multi-attribute Fuzzy Granulation in Decision Evaluation

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