CN112068519A - 一种产品装配过程的质量管控方法和装置 - Google Patents
一种产品装配过程的质量管控方法和装置 Download PDFInfo
- Publication number
- CN112068519A CN112068519A CN202010948625.6A CN202010948625A CN112068519A CN 112068519 A CN112068519 A CN 112068519A CN 202010948625 A CN202010948625 A CN 202010948625A CN 112068519 A CN112068519 A CN 112068519A
- Authority
- CN
- China
- Prior art keywords
- product
- data
- quality
- state
- quality data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 184
- 230000008569 process Effects 0.000 title claims abstract description 125
- 238000003908 quality control method Methods 0.000 title claims abstract description 55
- 230000008859 change Effects 0.000 claims abstract description 20
- 230000007704 transition Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 28
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000009826 distribution Methods 0.000 claims description 23
- 238000001514 detection method Methods 0.000 claims description 19
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000012795 verification Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 abstract description 5
- 230000001105 regulatory effect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 12
- 230000005856 abnormality Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010998 test method Methods 0.000 description 5
- 238000010923 batch production Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000003070 Statistical process control Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005316 response function Methods 0.000 description 2
- 235000015842 Hesperis Nutrition 0.000 description 1
- 235000012633 Iberis amara Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000001960 triggered effect Effects 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]
- G05B19/41875—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 quality surveillance of production
-
- 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
-
- 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
- G05B2219/32368—Quality control
-
- 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]
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
本发明提供了一种产品装配过程的质量管控方法、装置和设备，涉及质量管控领域。所述方法包括：根据当前时刻产品的质量数据和所述产品的历史质量数据，获取下一时刻的质量数据的数值；根据所述产品的历史质量数据，确定所述产品的装配工序的状态；根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控。本发明提供的方法实现了装配过程质量数据的采集、分析与反馈；根据质量数据当前的状态变化预测质量数据的未来变化趋势，从两个方面监测航天产品的装配过程，能够将质量数据调控在合理范围内，提升航天产品装配质量的管控能力。
Description
技术领域
本发明涉及质量管控领域，特别涉及一种产品装配过程的质量管控方法和装置。
背景技术
卫星、火箭等航天产品的装配是典型的离散型装配，具有单件或小批生产、研制周期长、可靠性要求极高、返工返修多等特点，在质量管控过程中存在“事后检验多，事前预测少”、质量异常原因难以追溯等问题，如何提前预测并规避质量异常、快速定位质量异常原因，进而如提高产品装配质量和效率一直是亟待解决的工程难题。
当前，航天产品装配过程质量管控基本上实现了信息化，即通过制造执行系统(Manufacturing Execution System,MES)对装配质量数据进行采集、存储和管理，但其对装配过程质量数据的管控多采用“事后检验”的方式，即对最终产品的质量进行控制，符合标准的入库或者进入下一道工序，不符合的则返工、返修或者报废。结合航天产品装配过程质量管控的现状，目前仍存在以下三个问题需要解决：一是质量数据样本量较小，不能有效实现事前预测；二是质量数据的影响因素繁杂，难以定位异常原因；三是质量管控过程耗时较长，实时性较差。因此，现有研究成果和方法用于研究航天产品，其时效性较差，缺乏预测性且无法控制质量数据的浮动范围，不能很好的进行航天产品的装配过程中的质量管控。
发明内容
本发明实施例提供一种产品装配过程的质量管控方法和装置，以解决现有技术中的航天产品的质量管控方法不能预测数据的未来状态的问题。
为了解决上述技术问题，本发明采用如下技术方案：
本发明实施例提供一种产品装配过程的质量管控方法，包括：
根据当前时刻产品的质量数据和所述产品的历史质量数据，获取下一时刻的质量数据的数值；
根据所述产品的历史质量数据，确定所述产品的装配工序的状态；
根据下一时刻的质量数据的数值以及下一时刻的所述产品的装配工序的状态，进行质量管控。
进一步地，根据当前时刻产品的质量数据和所述产品的历史质量数据，包括：
根据当前时刻产品的质量数据和所述产品的历史质量数据，构建灰色预设模型；
根据所述灰色预设模型和预设方法，获取下一时刻的质量数据的数值。
进一步地，所述根据所述产品的历史质量数据，确定所述产品的装配工序的状态，包括：
根据所述产品的历史质量数据，选取样本数据；
根据所述样本数据，构建用于检测样本数据的均值的T控制图和用于检测样本数据的标准差的K控制图；
根据所述T控制图和所述K控制图，确定样本数据的均值和标准差相对于预设数值的变化；
根据所述变化，确定所述产品的装配工序的状态；
其中，所述状态包括超出第一预设范围内的不可控状态和未超出第一预设范围内的可控状态。
进一步地，所述根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控，包括：
在下一时刻的质量数据的数值在第二预设范围内，且所述产品的装配工序的状态为可控状态的情况下，确定装配过程正常；
在下一时刻的质量数据的数值超出第二预设范围的情况下，或者，在下一时刻的所述产品的装配工序的状态为不可控状态的情况下，触发装配异常操作。
进一步地，所述触发装配异常操作，包括：
将超出第二预设范围的质量数据的情况，或者，所述产品的装配工序的状态为不可控状态的情况发出质量异常预警提示，且对当前情况的数据进行关联规则算法处理，确定异常数据因素；
其中，所述关联规则算法用于检测产品的支持度、置信度和提升度。
进一步地，所述构建灰色预设模型，包括：
根据当前时刻产品的质量数据和所述产品的历史质量数据，进行级比验证和建模可行性处理；
根据处理后的数据，生成灰色预测序列；
根据所述灰色预测序列，构建用于灰色预测的灰色预设模型。
进一步地，所述根据所述灰色预设模型和预设方法，获取下一时刻的质量数据的数值，包括：
根据所述灰色预设模型，分别进行残差检验、关联度检验和后验差检验；
若残差检验、关联度检验和后验差检验均正常，则根据所述预设方法对所述灰色预测模型的残差值进行修正；
若修正后的残差值在第三预设范围内，则确定下一时刻的质量数据的数值正常。
进一步地，所述根据所述预设方法对所述灰色预测模型的残差值进行修正，包括：
根据预设方法对所述灰色预测模型的残差值进行数据划分，确定当前时刻的第一状态以及下一时刻的第二状态；
计算所述灰色预测模型的残差值由所述第一状态转移为所述第二状态的转移概率；
根据所述转移概率，对所述灰色预测模型的残差值进行修正。
进一步地，根据所述样本数据，构建T控制图，包括：
根据所述样本数据，计算不同品种、不同批次的样本均值与样本标准差；
根据所述不同品种、不同批次的样本均值与样本标准差，计算T统计量；
根据所述T统计量，获取T控制图的控制限；
根据所述T控制图的控制限，构建用于检测样本数据的均值的T控制图；
其中，所述样本数据中的同一品种、同一批次的样本数据服从相同的预设正态分布。
进一步地，根据所述样本数据，构建K控制图，包括：
根据所述样本数据，计算不同品种、不同批次的样本方差的均值，并根据所述样本方差的均值计算样本中间变量；
根据所述不同品种、不同批次的样本方差的均值和所述样本中间变量，计算K统计量；
根据所述K统计量，获取K控制图的控制限；
根据所述K控制图的控制限，构建用于检测样本数据的标准差的K控制图；
其中，所述样本数据中的同一品种、同一批次的样本数据服从相同的预设正态分布。
本发明实施例还提供一种产品装配过程的质量管控装置，包括：
第一处理模块，用于根据当前时刻产品的质量数据和所述产品的历史质量数据，获取下一时刻的质量数据的数值；
第二处理模块，用于根据所述产品的历史质量数据，确定所述产品的装配工序的状态；
第三处理模块，用于根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控。
本发明实施例还提供一种产品装配过程的质量管控设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的产品装配过程的质量管控方法的步骤。
本发明的有益效果是：
本发明实施例提供的产品装配过程的质量管控方法，通过根据当前时刻产品的质量数据和所述产品的历史质量数据，获取下一时刻的质量数据的数值，用于监测航天产品装配过程中下一时刻的产品装配质量数据，提升了质量数据预测的准确率；根据所述产品的历史质量数据，确定所述产品的装配工序的状态，用于监测航天产品装配过程中的装配系统的状态，避免因装配系统不受控导致质量问题发生；本发明实施例根据下一时刻的质量数据的数值以及下一时刻的所述产品的装配工序的状态，从两个方面监测航天产品的装配过程，提升航天产品装配质量的管控能力。
附图说明
图1表示本发明实施例提供的产品装配过程的质量管控方法的流程示意图；
图2表示本发明实施例提供的状态转移示意图之一；
图3表示本发明实施例提供的状态转移示意图之二；
图4表示本发明实施例提供的T控制图；
图5表示本发明实施例提供的K控制图；
图6表示本发明实施例提供的质量分析的鱼骨图；
图7表示本发明实施例提供的产品装配过程的质量管控装置的模块示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。在下面的描述中，提供诸如具体的配置和组件的特定细节仅仅是为了帮助全面理解本发明的实施例。因此，本领域技术人员应该清楚，可以对这里描述的实施例进行各种改变和修改而不脱离本发明的范围和精神。另外，为了清楚和简洁，省略了对已知功能和构造的描述。
应理解，说明书通篇中提到的“一个实施例”或“一实施例”意味着与实施例有关的特定特征、结构或特性包括在本发明的至少一个实施例中。因此，在整个说明书各处出现的“在一个实施例中”或“在一实施例中”未必一定指相同的实施例。此外，这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。
在本发明的各种实施例中，应理解，下述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明针对现有技术中的航天产品的质量管控方法不能预测数据的未来状态的问题，提供一种产品装配过程的质量管控方法和装置。
如图1所示，本发明一可选实施提供的产品装配过程的质量管控方法，包括：
步骤100，根据当前时刻产品的质量数据和所述产品的历史质量数据，获取下一时刻的质量数据的数值；
该实施例中，本发明以采集的当前时刻产品的质量数据和所述产品的历史质量数据作为分析样本，通过当前时刻产品的质量数据相较于产品的历史质量数据的状态变化预测下一时刻的变化趋势，在该过程中，由于所述质量数据的下一时刻的变化趋势仅与当前时刻的状态有关，且所述质量数据的下一时刻的变化趋势与当前时刻之前的状态均无关，因此，可以通过预设方法，根据所述质量数据的状态变化计算所述质量数据的下一时刻的变化趋势，这是无后效性的随机过程，适用于离散装配过程。即根据下一时刻的质量数据的数值即可以看出产品本身是否存在问题，从而使相关质量数据尽可能保持在合理区间之中。
步骤200，根据所述产品的历史质量数据，确定所述产品的装配工序的状态；
根据所述产品的历史质量数据，按不同批次选取历史质量数据，根据选取的历史质量数据，观察质量样本数据均值和标准差的数值变化，以此预测下一时刻装配系统是否在可控范围内。若预测到装配系统不受控，则说明在后续装配过程中极有可能出现质量异常情况，触发质量异常原因追溯流程；若预测到装配系统受控，且还存在新完工的产品，就重复步骤200的方法，直至不再有新完工产品的出现。
步骤300，根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控。
现有技术存在的两种质量情况：第一种情况是显性的质量隐患问题，如果产品装配质量数据异常，那么就意味着装配过程出现质量问题。第二种情况是隐性的质量隐患问题，如果装配系统不受控，尽管当前装配阶段尚未出现质量数据异常，但是在后续装配过程中出现质量异常的可能性会很大。该实施例中，根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，从两个方面监测航天产品的装配过程，提升航天产品装配质量的管控能力。
进一步地，所述步骤100，包括：
步骤110，根据当前时刻产品的质量数据和所述产品的历史质量数据，构建灰色预设模型；
需要说明的是，灰色预测就是对灰色系统所做的预测，即当系统中一部分信息已知、一部分信息未知时，就可以通过灰色预设模型来对系统未知的信息进行预测。虽然航天产品装配过程中产生的质量数据看起来是随机的，实际上却是有序的、与时间有关的，因此可以利用所述灰色预设模型对其未来状态进行预测。
步骤120，根据所述灰色预设模型和预设方法，获取下一时刻的质量数据的数值。
需要说明的是，航天产品装配质量数据受操作工人、操作环境等外部信息影响较大，而且这部分外部信息可以认为是随机的，因此质量数据变化的前后联系性不强。所以这里的预设方法选用马尔可夫方法，通过所述预设方法预测并修正灰色预设模型中的质量数值残差数据，获取下一时刻的质量数据的数值。
应当说明的是，所述灰色预设模型根据建立的微分方程的不同而不同。
具体地，所述步骤110，包括：
步骤111，根据当前时刻产品的质量数据和所述产品的历史质量数据，进行级比验证和建模可行性处理；
本发明一具体实施例中，对航天产品装配过程中产生的质量数据建立GM(1,1)模型，也就是建立一阶线性微分方程。步骤111中的级比验证的目的是让当前时刻产品的质量数据和所述产品的历史质量数据中数列，满足建立模型的可容区间。具体地，计算当前时刻产品的质量数据和所述产品的历史质量数据的两者原始数列的级比，根据其是否落在可容区间内判断是否可以使用GM(1,1)模型；必要时可以对质量数据原始数列进行建模可行性处理，即数列变化处理，以驱使级比落在可容区间。
步骤112，根据处理后的数据，生成灰色预测序列；
该实施例中，根据处理后的数据，即需要对上述级比验证通过的数列累加，并根据累加后的数列，建立微分方程，再次求解微分方程中的灰参数，将所述灰参数代入到累加后的数列，得到灰色预测序列。
步骤113，根据所述灰色预测序列，构建用于灰色预测的灰色预设模型。
通过所述灰色预测序列记作时间响应函数模型，再进行与上述累加相反的累减还原处理，构建用于灰色预测的灰色预设模型。
下面通过一具体实施例阐述上述步骤111至步骤113。
假设当前时刻产品的质量数据和所述产品的历史质量数据中的原始数列为y(0)：
则y(0)＝(y(0)(1),y(0)(2),…,y(0)(n)),y(0)(t)≥0,t＝1,2,…,n；
通过公式一计算上述的原始数列的级比：
公式一：
如果原始数列的所有级比都落在可容覆盖区间
内，则原始数列的y(0)可以建立GM(1,1)模型，且可以构建用于灰色预测的灰色预设模型。否则，需要对数据做适当的建模可行性处理，如通过公式二平移变换：
公式二：x(0)(t)＝y(0)(t)+c,t＝1,2,…,n；
其中，c为可以使得原始数列的级比都落在可容覆盖内的常数。经过级比验证和原始数据变化处理，得到新数列x(0)：
则x(0)＝(x(0)(1),x(0)(2),…,x(0)(n)),x(0)(k)≥0,k＝1,2,…,n；
将处理后的新数列x(0)进行累加，以弱化随机序列可能存在的波动性与随机性，得到质量数据累加序列x(1)：
则
因为一阶微分方程的解呈指数增长的趋势，序列x(1)(t)也有类似的指数增长的趋势，所以认为序列x(1)满足如下公式三的一阶微分方程：
公式三：
其中，a是发展系数，有效区间是(-2,2)，u是灰色作用量，二者都是待定系数。只要求出参数a,u，就能求出x(1)(t)，进而求出x(0)的预测值。
根据一阶微分方程的定义有公式四：
公式四：
即：
从而得到下面的第一矩阵：
令：
用最小二乘法求解灰参数
即：
所述灰参数
将所述灰参数
代入公式四得到公式五，获取灰色预测序列；
公式五：
公式五就是GM(1,1)模型的时间响应函数模型，再进行与上述累加相反的累减还原，构建用于灰色预测的灰色预设模型为公式六：
公式六：
通过上述的公式构建用于灰色预测的灰色预设模型，当然若产品需要建立的模型为二阶线性微分方程或多阶线性微分方程，可以根据实际需求对上述的公式做出调整和修改。
进一步地，所述步骤120，包括：
步骤121，根据所述灰色预设模型，分别进行残差检验、关联度检验和后验差检验；
该实施例中构建了灰色预设模型，需要对所述灰色预设模型检验，来判断得到的所述灰色预设模型是否能够用来获取下一时刻的质量数据的数值。本发明通过三种方法进行检验，即残差检验、关联度检验和后验差检验。
应当说明的是，残差检验是一种相对来说比较直观的检验方法，只需将下一时刻的质量数据的数值和原始数据(即：当前时刻产品的质量数据和所述产品的历史质量数据)进行比较，然后观察两者之间的相对误差是否能够满足要求即可。具体应用上述公式进行阐述：
具体地，残差检验需要根据公式四x(0)(t)和公式六
的残差e(t)，即：
然后两者的计算相对误差Δt和平均相对误差
即，相对误差Δt：
平均相对误差
再计算拟合精度p：
如果拟合精度p的值大于第一值，所述第一值优选为80％，那么就可以认为下一时刻的质量数据的数值通过了残差检验。
应当说明的是，关联度检验法是一种研究模型原始值曲线和模型预测值曲线相似性的几何检验法。正常情况下，两条曲线的几何形状越相似，即可认为两者关联程度越大。
具体地，计算根据公式四x(0)(t)和公式六
的之间的关联系数η(t)为：
关联系数η(t)：
其中，ρ为分辨系数，通常在(0,1)内取值，若ρ越大，关联系数间的差异就越小，区分能力越弱，一般ρ取0.5。计算公式四x(0)(t)和公式六
的之间的关联度r为：
关联度r：
其中，下一时刻的质量数据的数值和原始数据(即：当前时刻产品的质量数据和所述产品的历史质量数据)的关联度r的数值越接近1，说明下一时刻的质量数据的数值的预测精度越好；如果关联度r大于0.6，就说明下一时刻的质量数据的数值通过了关联度检验。
应当说明的是，后验差检验法是一种根据质量数据预测残差概率分布对灰色预测模型进行检验的方法。首先需要计算原始数据的数列(即：当前时刻产品的质量数据和所述产品的历史质量数据)的方差s1 2以及下一时刻的质量数据的中残差的方差s2 2：
方差s1 2：
方差s2 2：
再计算两个方差的比值C：
比值C：
最后计算误差概率P：P＝P{|e(0)(t)|<0.6745s1}；下面通过表1体现下一时刻的质量数据的数值的模拟精度检验表；
表1：下一时刻的质量数据的数值的模拟精度检验表
如表1所示，两个方差的比值C越小、误差概率P越大时，下一时刻的质量数据的数值的模拟精度越高。当下一时刻的质量数据的数值的模拟精度被评价为Ⅰ级时，其预测精度最高；当下一时刻的质量数据的数值的模拟精度被评价为Ⅳ级时，其预测精度最低。一般的，如果下一时刻的质量数据的数值的模拟精度为Ⅰ级、Ⅱ级或Ⅲ级时，那么就可以认为质量数据灰色预测模型通过了后验差检验。
步骤122，若残差检验、关联度检验和后验差检验均正常，则根据所述预设方法对所述灰色预测模型的残差值进行修正；
该实施例中，因为产品装配质量数据受操作工人、操作环境等外部信息影响较大，而且这部分外部信息可以认为是随机的，因此质量数据变化的前后联系性不强。所以选用预设方法，即马尔可夫方法，对所述灰色预测模型的残差值进行修正，以达到更为准确的预测。
步骤123，若修正后的残差值在第三预设范围内，则确定下一时刻的质量数据的数值正常。
该实施例中，若修正后的残差值超出第三预设范围，则根据下一时刻的质量数据的数值，认定当前产品质量存在问题。
下面进一步地介绍根据预设方法对所述灰色预测模型的残差值进行修正。具体地，所述步骤122，包括：
步骤1221，根据预设方法对所述灰色预测模型的残差值进行数据划分，确定当前时刻的第一状态以及下一时刻的第二状态；
应当说明的是，这里的预设方法为马尔可夫方法或马尔可夫模型。马尔可夫方法适用的前提是要预测的事物发生的整个过程符合马尔可夫过程，也就是无后效性的随机过程，即当过程在某时刻所处的状态为已知时，过程在下一时刻所处状态的概率只和过程在当前时刻所处的状态有关，和当前时刻之前的状态无关。针对同种型号的复杂产品来说，因为其生产批量较小，所以在其装配过程中虽然会产生大量的质量数据，但同类质量数据的数量较小，故历史数据量较小。相对其他数据预测方法而言，马尔可夫方法对历史数据的要求较低，更加注重当前数据状态以及数据的变化趋势，所以适用于对航天产品装配过程中的质量数据进行预测。
步骤1222，计算所述灰色预测模型的残差值由所述第一状态转移为所述第二状态的转移概率；
该实施例中，将所述灰色预测模型的残差值进行数据划分为不同状态，建立状态转移矩阵，也就是随机过程所有单步转移概率组成的矩阵，形如下面公式七的矩阵P1：
公式七的pij表示从状态i转移到状态j的单步转移概率。应当说明的是，状态转移矩阵中各元素都是非负的，且各行元素之和等于1。状态转移矩阵是预设方法的重要组成部分，这里计算当前时刻的第一状态以及下一时刻的第二状态后，就可以根据当前时刻的第一残差值计算下一时刻的残差值的后续状态。
具体地如图2所示，其中，当前时刻的第一状态是指当前时刻的质量数据相对于预设数值范围的变化状态，所述第一状态包括“状态1”状态、“状态2”状态以及“状态3”状态中的一种；所述第二状态是指下一时刻相对于预设数值范围的变化状态，所述第二状态包括“状态1”状态、“状态2”状态以及“状态3”状态中的一种。在每一个选取的所述关键质量控制点，均有其合理的预设数值范围，若采集的质量数据大于所述预设数值范围的最大值，认为质量数据的状态为“状态3”；若采集的质量数据小于所述预设数值范围的最小值，认为质量数据的状态为“状态1”；若采集的质量数据在所述预设数值范围内，认为质量数据的状态为“状态2”。
步骤1223，根据所述转移概率，对所述灰色预测模型的残差值进行修正。
在灰色预测模型的残差变化的过程是马尔可夫过程后，需要收集灰色预测模型的残差值并进行残差状态划分；然后根据灰色预测模型的残差值的具体变化动态建立状态转移矩阵，进而根据状态转移矩阵求解灰色预测模型的残差值的预测状态；最后以此为依据对灰色预测模型得到的质量数据进行修正，通过预设方法对灰色预测模型的数据进行处理，降低了预测数据的波动性。
本发明根据下一时刻的质量数据的数值即可以预测产品本身是否存在问题，但是实际中还存在一种隐性的质量隐患问题，即装配系统不受控，尽管当前装配阶段尚未出现质量数据异常，但是在后续装配过程中出现质量异常的可能性会很大；故提出步骤200的方法进一步地确定所述产品的装配工序的状态。
具体地，所述步骤200，包括：
步骤210，根据所述产品的历史质量数据，选取样本数据；
步骤220，根据所述样本数据，构建用于检测样本数据的均值的T控制图和用于检测样本数据的标准差的K控制图；
需要说明的是，T控制图和K控制图是采用一种对样本量要求不高的方法，计算每批样本数据的T、K统计量，使得T、K统计量各自相互独立且服从相同的分布。一般情况，T控制图和K控制图的建立过程和母体的标准差无关，母体分布参数未知时，只要样本数据中每个品种的数据达到两批，便可采用T控制图和K控制图对装配过程进行质量管控。
步骤230，根据所述T控制图和所述K控制图，确定样本数据的均值和标准差相对于预设数值的变化；
步骤240，根据所述变化，确定所述产品的装配工序的状态；
其中，所述状态包括超出第一预设范围内的不可控状态和未超出第一预设范围内的可控状态。
需要说明的是，在航天产品的装配过程中，对于同一个装配系统，如果装配系统处于受控状态、样本数据的均值没发生偏移，那么不同种类的产品，只要是每组的样本容量相同，用每组样本数据计算得到的T统计量就相互独立且服从同一个t分布，并且有相同的控制限。根据每个批次质量数据计算得到的T统计量和控制限就可以绘制T控制图，进而对装配过程进行质量监控。同理，可以K统计量主要用于监测样本数据的标准差的波动，也同样适用于样本数据较小的情况。根据所述T控制图和所述K控制图，可以有效的检测所述产品的装配工序的状态。其中用于检测状态的第一预设范围，可根据实际需求进行确认。
具体地，根据步骤220，构建T控制图，包括：
步骤221，步骤根据所述样本数据，计算不同品种、不同批次的样本均值与样本标准差；
步骤222，根据所述不同品种、不同批次的样本均值与样本标准差，计算T统计量；
步骤223，根据所述T统计量，获取T控制图的控制限；
步骤224，根据所述T控制图的控制限，构建用于检测样本数据的均值的T控制图；
其中，所述样本数据中的同一品种、同一批次的样本数据服从相同的预设正态分布。
该实施例中，所述产品的历史质量数据中的样本数据为X，所述X对每批次产品选取15个观测样本，
为第i组样本，其中i＝1，2，…；j表示该批次样本对应的产品类型序号，j＝1，2，…，P；n为样本容量，上标r表示该批次在同一类型产品内的序号。
如果没有特殊的说明，后续涉及到的带有下标的符号，第一个下标表示样本批次顺序编号、第二个下标表示样本对应的品种序号、第三个下标表示该数据在所属批次中的序号；括号里面的上标表示该组样本在相应类型产品样本中的序号。
在统计受控的情况下，同一批次内以及批次之间的质量数据相互独立，同一品种的样本数据服从同一个正态分布，不同品种的样本数据服从不同的正态分布，即：
正态分布：Xi,j,k～N(μj,σj),i＝1,2,…,j＝1,2,…；j＝1,2,…,P；k＝1,2,…n；
其中μj和σj是受控状态下第j种产品样本数据所服从分布的均值和标准偏差，第i组样本的均值
和标准差Si,j分别是：
均值
标准差Si,j：
然后，定义不同产品类型前r-1批样本数据均值的均值
为公式八：
公式八：
根据所述公式八计算T统计量
所述
根据所述T统计量计算T控制图的控制限为：
CL＝0；LCL＝-UCL；
其中，
是自由度为n-1的t分布累积分布函数的逆函数，α为显著性水平，按照统计过程控制理论，上下控制限对应±3σ的位置，所以α取值为0.0027。
综上所述，在产品的装配过程中，对于同一个装配系统，如果装配系统处于受控状态、质量数据均值没发生偏移，那么不同种类的产品，只要是每组的样本容量相同，用每组样本数据计算得到的T统计量就相互独立且服从同一个t分布，并且有相同的控制限。根据每个批次样本数据计算得到的T统计量和控制限构建T控制图，进而对装配过程进行检测样本数据的均值。
需要说明的是，K统计量主要用于监测质量数据标准差的波动，也同样适用于样本含量较小的情况。与计算T统计量的过程相类似的，仍将样本数据的均值认定为未知。
具体地，根据步骤220，构建K控制图，包括：
步骤225，根据所述样本数据，计算不同品种、不同批次的样本方差的均值，并根据所述样本方差的均值计算样本中间变量；
步骤226，根据所述不同品种、不同批次的样本方差的均值和所述样本中间变量，计算K统计量；
步骤227，根据所述K统计量，获取K控制图的控制限；
步骤228，根据所述K控制图的控制限，构建用于检测样本数据的标准差的K控制图；
其中，所述样本数据中的同一品种、同一批次的样本数据服从相同的预设正态分布。
该实施例，首先定义不同产品类型前r-1批样本质量数据方差的均值
为：
然后根据公式九定义样本数据的中间变量，公式九：
进而计算样本数据的K统计量：
其中，Fν1,ν2是第一自由度为ν1、第二自由度为ν2的F分布累积分布函数。
由于公式九中的中间变量服从第一自由度为(n-1)、第二自由度为(n-1)(r-1)的F分布，因此K统计量相互独立并且服从标准正态分布，所以K控制图的控制限为：UCL＝3；CL＝0；LCL＝-3。
综上所述，本发明的技术方案适用于多品种小批量生产环境的T控制图和K控制图具有两方面优势。其，对均值及标准偏差的监控，分别仅需一张控制图即可对多品种生产过程的运行状态做出正确评价，而且该控制图算法简单，便于实际应用。其二，T控制图和K控制图具有自启动特点，无需经历分析用控制图阶段估计母体的分布参数，尤其是T控制图的建立过程与母体标准偏差无关。即便在母体分布参数未知的情况下，只要每个品种的数据达到2批，T控制图和K控制图即可对多品种小批量生产过程实施质量控制。
进一步地，在上述方法中已经得到的下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控。所述步骤300，包括：
步骤310，在下一时刻的质量数据的数值在第二预设范围内，且所述产品的装配工序的状态为可控状态的情况下，确定装配过程正常；
步骤320，在下一时刻的质量数据的数值超出第二预设范围的情况下，或者，在所述产品的装配工序的状态为不可控状态的情况下，触发装配异常操作。
该实施例确定两种检测均正常，才可保证整个装配过程正常，若其中一种存在异常则确定整个装配过程中存在异常，需启动触发质量异常原因追溯流程。
即进一步地，所述步骤320，包括：
将超出第二预设范围的质量数据的情况，或者，所述产品的装配工序的状态为不可控状态的情况发出质量异常预警提示，且对当前情况的数据进行关联规则算法处理，确定异常数据因素；
其中，所述关联规则算法用于检测产品的支持度、置信度和提升度。
应当说明的是，航天产品装配质量的因素主要有六类，包括人(Man)、机器(Machine)、材料(Material)、方法(Method)、测量(Measurement)以及环境(Environment),即5M1E。每大类影响因素都包含若干个详细影响因素，在错综复杂的数据关系之间难以直接判断到质量数据出现异常的具体原因。
本发明确定异常数据因素需要根据5M1E分析装配车间中可能会对质量数据产生影响的因素，将这些因素的具体数值与质量数据的数值及装配系统的状态构成一个项目集，然后利用关联规则算法挖掘出与异常数据因素有关的强关联规则，通过这些强关联规则追溯与质量异常有关的影响因素，最后将其存储至质量问题处理知识库中。
其中，所述关联规则算法衡量标准主要有支持度、置信度和提升度。
支持度是指项目集中项目X与项目Y同时出现的概率，也就是包含X和Y的项目数与所有项目数之比，是描述关联规则存在的普遍度的一个参数，计算公式十为：support(X&Y)＝T(X&Y)/T；
置信度是指项目集中项目X发生时项目Y也发生的概率，也就是包含X和Y的项目数与所有包含X的项目数之比，是描述关联规则真实性的一个参数，计算公式十一为：confidence(X→Y)＝T(X&Y)/T(X)；
提升度是指项目集中项目X的出现使得项目Y出现的概率产生变化的一个参数，也就是X→Y的置信度与支持度的比值，
即公式十二：lift(X→Y)＝confidence(X→Y)/support(X&Y)。
如果提升度的值为1，说明两个事项没有任何关联；如果提升度的值小于1，说明X事件的发生与Y事件是相斥的。一般当提升度超过3时，关联规则才会被认为是有意义的。
本发明通过关联规则算法筛选产品数据集中所有大于或等于最小支持度的项集，然后依据出现最多的项集生成关联规则，并按照最小置信度进行筛选，最后得到强关联规则。根据产品历史数据，选用关联规则算法分析来挖掘将超出第二预设范围的质量数据与所述产品的装配工序的状态为不可控状态的情况的具体关系。
下面通过一具体数据的实施例进行阐述上述方法。
以某航天产品装配过程为例，收集S1型号航天产品A舱段的质心偏移量，以此作为质量数据管控方法验证实例。已知S1型号航天产品的A舱段在上一次生产环境发生变化后已完成3个批次的装配，每批次装配15发，目前正在进行第4批次第15发的装配，假设每发产品的装配耗时相同，其中A舱段的质心数据偏移允许误差为15mm。第四批次A舱段的质心数据实际偏移量如表2所示：
表2 A舱段第4批次质心数据实际偏移量
| 产品编号 | 舱段质心偏移量/mm | 产品编号 | 舱段质心偏移量/mm |
| A4-1 | 5.918 | A4-8 | 7.560 |
| A4-2 | 5.205 | A4-9 | 8.467 |
| A4-3 | 4.393 | A4-10 | 9.642 |
| A4-4 | 4.520 | A4-11 | 10.811 |
| A4-5 | 5.105 | A4-12 | 11.898 |
| A4-6 | 5.818 | A4-13 | 13.548 |
| A4-7 | 6.647 | A4-14 | 14.537 |
由上述数据，我们将A4-1到A4-13共13条质心偏移量数据作为产品的历史质量数据，A4-14作为当前时刻产品的质量数据，A4-15作为下一时刻的质量数据的数值，根据当前时刻产品的质量数据和所述产品的历史质量数据，得到原始数列为：x(0)＝(x(0)(1),x(0)(2),…,x(0)(13))＝(5.918,5.205,4.393,
4.520,5.105,5.818,6.647,7.560,8.467,9.642,10.811,11.898,13.548)；
计算所述原始数列x(0)的级比数列λ(t)为：
级比数列λ(t)：λ(t)＝(1.137,1.185,0.972,0.885,0.878,0.875,0.879,
0.893,0.878,0.892,0.909,0.878)；
根据灰色预测模型，得到级比的可容覆盖区间Y为：
观察级比数列λ(t)，发现级比数列的每一项均落在可容覆盖区间内，说明原始数列x(0)可以用来建立GM(1,1)灰色预测模型。
将质心偏移量原始序列累加以弱化随机序列可能存在的波动性与随机性，得到质心偏移量累加序列x(1)：
x(1)＝(5.918,11.123,15.515,20.036,25.141,30.959,
37.605,45.165,53.633,63.275,74.086,85.984,99.532)；
根据灰色预测模型，对质心偏移量累加序列的进行处理，得到矩阵B与常数向量yn：
计算得到灰色预测参数矩阵
为：
将灰参数
代入灰色预设模型，得到
的预测函数为
对函数表达式
及
进行离散，并将二者做差还原偏移量原始序列，得到灰色预设模型如下：
最终得到的灰色预设模型的预测序列值为
对得到的预测序列值为
进行残差检验：对得到的灰色预设模型的预测序列值
和原始序列x(0)进行汇总，计算每一项数据的残差和相对误差，得到的拟合结果如表3所示。
表3 GM(1,1)模型拟合结果
根据上述拟合结果，计算得到灰色预设模型的预测序列值
和原始序列x(0)平均相对误差为4.16％，则拟合精度为95.84％。因为拟合精度值大于80％，故该预测结果通过了残差检验。
根据上述拟合结果，得到
取分辨系数ρ＝0.5；由上述方法中的关联系数η(t)：
可知：
η(t)＝(1,0.333,0.946,0.650,0.652,0.695,0.778,0.880,0.875,0.916,0.84,0.861,0.853)；
计算得到灰色预设模型的预测序列值
和原始序列x(0)之间的关联度为0.794，大于0.6，说明灰色预设模型的预测结果通过了关联度检验。
对上述的灰色预设模型的预测序列值
和原始序列x(0)中提取残差数列如下：
e(0)(t)＝(0,1.314,0.037,-0.354,-0.351,-0.289,-0.188,
-0.089,-0.094,0.060,0.086,-0.106,0.113)；
计算原始序列的方差为s1 2＝8.284，计算灰色预设模型的残差的方差s2 2＝0.165，然后计算两个方差的比值C＝0.141。最后根据小误差概率的定义得到小误差概率为P＝1。
参照表4，可知上述计算得到的C与小概率误差都在Ⅰ级范围内，但平均相对误差落在Ⅱ级范围内。总体而言，说明质心偏移量预测结果通过了后验性检验，并且灰色预测模型的精度为介于Ⅰ级和Ⅱ级之间。
表4质心偏移量残差值状态划分
| 区间 | 预测值状态 |
| [-0.36,-0.24] | 状态Ⅰ:基本准确过大 |
| [-0.24,-0.12] | 状态Ⅱ:基本准确偏大 |
| [-0.12,0] | 状态Ⅲ:准确略大 |
| [0,0.12] | 状态Ⅳ:准确略小 |
| [0.12,1.32] | 状态Ⅴ:不太准确偏小 |
假设灰色预测模型的预测结果以一定的概率在状态Ⅰ、状态Ⅱ、状态Ⅲ、状态Ⅳ和状态Ⅴ这五种状态之间进行转移。其中1-5分别表示状态Ⅰ-状态Ⅴ。若当前时刻预测结果是状态Ⅰ，那么下一时刻预测结果有Z11的概率还是状态Ⅰ，Z12的概率变为状态Ⅱ，Z13的概率变为状态Ⅲ，Z14的概率变为状态Ⅳ，Z15的概率变为状态Ⅴ。类似的，预测结果的状态转移示意图如图3所示。
从上述的数据计算可以得出，状态Ⅰ一共有3次，其中2次转移到了状态Ⅰ，1次转移到了状态Ⅱ；状态Ⅳ一共有5次，其中1次转移到了状态Ⅰ，1次转移到了状态Ⅲ，1次转移到了状态Ⅳ，1次转移到了状态Ⅴ，1次为最终状态(最终状态下一刻的预测值残差在状态Ⅰ所在区间的左边，这里看作状态Ⅰ)。类似的根据预设方法对所述灰色预测模型的残差值进行数据划分，确定当前时刻的第一状态以及下一时刻的第二状态的状态转移结果，如表5所示：
表5状态转移统计结果
假定每两个灰色预测模型的残差测量的时间间隔为一个装配周期，也就是马尔可夫模型的步长，即预测值状态转移所需的时间。那么根据上表的统计数据，可以得到灰色预测模型的残差状态转移矩阵P2：
由当前时刻的第一状态可知，A4-13预测值的残差属于状态Ⅳ，所以可以认为初始状态为(0,0,0,1,0)。根据上述的状态转移矩阵，计算一步转移后的状态为(2/5,0,1/5,1/5,1/5)，所以下一时刻的第二状态A4-14的预测值残差为状态Ⅰ。
对灰色预测得到的A4-14质心偏移量进行修正：
将所得结果与灰色预测模型直接预测到的结果进行对比，如表6所示。
表6灰色预测模型与灰色马尔可夫预测模型对比
通过对比，发现预设方法的灰色马尔可夫预测模型相对于灰色预测模型考虑到了数据的波动性，将质心偏移量预测相对误差从3.44％减小到了1.38％，提升了预测的精度以及准确性。
类似的，我们计算A4-13(0,0,0,1,0)转移两步的状态为(0.347,0.133,0.107,0.373,0.040)，所以A4-15的预测值残差为状态Ⅳ。
这样的话，对灰色预测得到的下一时刻的第二状态A4-14进行修正：
所以，预测得到第15发A舱段的质心数据偏移量为16.890mm，超过允许误差15mm，即将出现质量异常。
根据表2中S1型号航天产品A舱段第4批次质心偏移量的14条数据，以及预测到的第15发A舱段的数据，我们可以得到S1型号航天产品A舱段第4批次的共15条数据。加上S1型号航天产品A舱段前3个批次的数据，得到S1型号航天产品A舱段共4个批次的60条数据如表7所示，以此作为利用统计过程控制方法对装配系统状态进行预测的一部分样本数据：
表7 S1型号航天产品A舱段1-4批次质心偏移量数据
| 批次 | A1 | A2 | A3 | A4 | A5 | A6 | A7 | A8 |
| 1 | 8.691 | 9.571 | 4.126 | 4.515 | 6.336 | 8.937 | 9.819 | 10.021 |
| 2 | 4.366 | 7.135 | 3.126 | 3.725 | 4.210 | 7.979 | 9.190 | 9.322 |
| 3 | 7.978 | 4.715 | 5.226 | 6.687 | 7.804 | 8.045 | 8.159 | 9.188 |
| 4 | 5.918 | 5.205 | 4.393 | 4.520 | 5.105 | 5.818 | 6.647 | 7.560 |
| 批次 | A9 | A10 | A11 | A12 | A13 | A14 | A15 | 型号 |
| 1 | 11.005 | 11.365 | 11.472 | 11.479 | 12.147 | 13.255 | 13.672 | S1 |
| 2 | 10.083 | 10.124 | 10.864 | 11.081 | 11.677 | 12.781 | 12.973 | S1 |
| 3 | 9.729 | 10.782 | 10.868 | 10.983 | 13.653 | 14.657 | 16.948 | S1 |
| 4 | 8.467 | 9.642 | 10.811 | 11.898 | 13.548 | 14.537 | 16.890 | S1 |
利用成组控制的思想，采集与S1型号A舱段的工艺类似的S2型号航天产品的A舱段数据，作为另一半样本数据，S2型号A舱段4个批次的所有质心偏移量数据如表8所示：
表8 S2型号航天产品A舱段1-4批次质心偏移量数据
| 批次 | A1 | A2 | A3 | A4 | A5 | A6 | A7 | A8 |
| 1 | 5.310 | 7.491 | 7.949 | 8.365 | 8.524 | 9.299 | 9.417 | 9.757 |
| 2 | 6.066 | 6.595 | 7.975 | 8.008 | 8.349 | 9.148 | 9.873 | 10.051 |
| 3 | 4.178 | 7.442 | 7.571 | 8.960 | 9.793 | 9.934 | 10.292 | 10.467 |
| 4 | 6.866 | 7.177 | 7.336 | 7.453 | 8.121 | 8.557 | 8.928 | 9.636 |
| 批次 | A9 | A10 | A11 | A12 | A13 | A14 | A15 | 型号 |
| 1 | 10.025 | 10.824 | 11.122 | 11.294 | 11.492 | 12.967 | 14.223 | S2 |
| 2 | 10.785 | 10.910 | 12.261 | 12.340 | 13.484 | 13.948 | 15.688 | S2 |
| 3 | 10.641 | 10.682 | 11.449 | 11.575 | 11.891 | 12.043 | 12.792 | S2 |
| 4 | 9.791 | 9.966 | 11.192 | 11.394 | 11.395 | 11.445 | 11.604 | S2 |
至此得到统计过程需要的所有样本数据，便于后续利用适合多品种小批量生产模式的T控制图和K控制图来监测样本数据的均值和标准差、以及评估装配系统的稳定性。
本发明的选用的实例中，已知A舱段质心偏移量的误差允许范围，不知道A舱段的均值，满足上述方法中T统计量的计算公式。根据表7和表8中的原始数据，首先计算第i组样本数据的样本均值与样本标准偏差、然后计算不同产品类型前r-1批样本数据均值的均值
进而计算T统计量。得到的计算结果如表9所示。
表9 A舱段质心偏移量T统计量计算结果
根据上述方法的公式八，取n等于15，计算得到T控制图的上控制限为3.636，下控制限为-3.636，中心线为0，从而绘制图4所示的A舱段质心偏移量T控制图。从图4可以看出，观察T控制图，可以发现，样本数据中S1型号和S2型号航天产品的A舱段的均值都在允许范围内。
与T统计量的计算类似的，在本发明选用的实例中，已知A舱段质心偏移量的误差允许范围，不知道A舱段的均值，满足使用公式九中K统计量的计算公式。根据表7和表8中的原始数据，首先计算不同产品类型前r-1批样本数据方差的均值
然后计算中间变量
进而计算K统计量。得到的计算结果如表10所示。
表10 A舱段质心偏移量K统计量计算结果
根据表10以及公式九，绘制图5所示的A舱段质心偏移量K控制图。观察图5所述的K控制图，可以发现，样本数据中S1型号和S2型号航天产品的A舱段质心偏移量的标准差都在允许范围内。综合图4中T控制图的观察结果，可以根据以上样本数据认为装配系统处于受控状态。因为S1型号航天产品A舱段第4批次第15发产品的质心偏移量数据为预测所得，所以根据T控制图和K控制图预测得到的结果表示装配系统下一时刻的状态是受控的。
假设上述数据中在下一时刻的质量数据的数值超出第二预设范围的质量数据，或者，所述产品的装配工序的状态为不可控状态的情况发出质量异常预警提示，且对当前情况的数据进行关联规则算法处理，确定异常数据因素。
假设本发明具体实施例中A舱段的装配工艺固定为3道工序，每道工序的所需的各类物料来自同一批次且每个工位的设备固定，那么根据上述六大类质量异常影响因素，A舱段质心偏移量影响因素的鱼骨图如图6所示，共包括28项详细影响因素。
尽管从图6中的鱼骨图中分析得到共有28项影响质心偏移量的因素，但是这些因素如何搭配会造成数据异常仍需进一步的挖掘。收集整理A舱段装配车间生产环境变化前后共150条数据并脱密处理。为了使数据异常尽量保持在合格范围内，在进行数据异常因素分析时，把数据的理想误差范围认定在12mm以内，超过12mm的视为质心偏移量异常，即需要引起装配车间的注意。进一步地，根据关联规则算法原理，检测产品的支持度、置信度和提升度。
如图7所示，本发明一可选实施例还提供了一种产品装配过程的质量管控装置，包括：
第一处理模块10，用于根据当前时刻产品的质量数据和所述产品的历史质量数据，获取下一时刻的质量数据的数值；
第二处理模块20，用于根据所述产品的历史质量数据，确定所述产品的装配工序的状态；
第三处理模块30，用于根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控。
可选的，所述第一处理模块10，包括：
第一构建单元，用于根据当前时刻产品的质量数据和所述产品的历史质量数据，构建灰色预设模型；
第一获取单元，用于根据所述灰色预设模型和预设方法，获取下一时刻的质量数据的数值。
可选的，所述第二处理模块20，包括：
第一选取单元，用于根据所述产品的历史质量数据，选取样本数据；
第二构建单元，用于根据所述样本数据，构建用于检测样本数据的均值的T控制图和用于检测样本数据的标准差的K控制图；
第一确定单元，用于根据所述T控制图和所述K控制图，确定样本数据的均值和标准差相对于预设数值的变化；
第二确定单元，用于根据所述变化，确定所述产品的装配工序的状态；
其中，所述状态包括超出第一预设范围内的不可控状态和未超出第一预设范围内的可控状态。
可选的，所述第三处理模块30，包括：
第三确定单元，用于在下一时刻的质量数据的数值在第二预设范围内，且所述产品的装配工序的状态为可控状态的情况下，确定装配过程正常；
第四确定单元，用于在下一时刻的质量数据的数值超出第二预设范围的情况下，或者，在所述产品的装配工序的状态为不可控状态的情况下，触发装配异常操作。
可选的，所述第四确定单元，包括：
第一确定子单元，用于将超出第二预设范围的质量数据的情况，或者，所述产品的装配工序的状态为不可控状态的情况发出质量异常预警提示，且对当前情况的数据进行关联规则算法处理，确定异常数据因素；
其中，所述关联规则算法用于检测产品的支持度、置信度和提升度。
可选的，所述第一构建单元，包括：
第一验证单元，用于根据当前时刻产品的质量数据和所述产品的历史质量数据，进行级比验证和建模可行性处理；
第一生成单元，用于根据处理后的数据，生成灰色预测序列；
第一构建子单元，用于根据所述灰色预测序列，构建用于灰色预测的灰色预设模型。
可选的，所述第一获取单元，包括：
第一验证子单元，用于根据所述灰色预设模型，分别进行残差检验、关联度检验和后验差检验；
第一修正单元，用于若残差检验、关联度检验和后验差检验均正常，则根据所述预设方法对所述灰色预测模型的残差值进行修正；
第二确定子单元，用于若修正后的残差值在第三预设范围内，则确定下一时刻的质量数据的数值正常。
可选的，所述第一修正单元，包括：
第三确定子单元，用于根据预设方法对所述灰色预测模型的残差值进行数据划分，确定当前时刻的第一状态以及下一时刻的第二状态；
第一计算单元，用于计算所述灰色预测模型的残差值由所述第一状态转移为所述第二状态的转移概率；
第一修正子单元，用于根据所述转移概率，对所述灰色预测模型的残差值进行修正。
可选的，所述第二构建单元，包括：
根据所述样本数据，计算不同品种、不同批次的样本均值与样本标准差；
根据所述不同品种、不同批次的样本均值与样本标准差，计算T统计量；
根据所述T统计量，获取T控制图的控制限；
根据所述T控制图的控制限，构建用于检测样本数据的均值的T控制图；
其中，所述样本数据中的同一品种、同一批次的样本数据服从相同的预设正态分布。
可选的，所述第二构建单元，还包括：
根据所述样本数据，计算不同品种、不同批次的样本方差的均值，并根据所述样本方差的均值计算样本中间变量；
根据所述不同品种、不同批次的样本方差的均值和所述样本中间变量，计算K统计量；
根据所述K统计量，获取K控制图的控制限；
根据所述K控制图的控制限，构建用于检测样本数据的标准差的K控制图；
其中，所述样本数据中的同一品种、同一批次的样本数据服从相同的预设正态分布。
本发明实施例还提供一种产品装配过程的质量管控设备，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的产品装配过程的质量管控方法的步骤。
综上所述，本发明提供的产品装配过程的质量管控方法、装置和设备，基于灰色马尔可夫预测模型的质量数据预测算法。针对航天产品质量数据样本量小的特点，构建灰色模型对质量数据进行预测，实现了质量数据的提前预测；利用马尔可夫方法修正预测值残差，提升了质量数据预测的准确率。本发明基于成组控制技术和T控制图和K控制图的装配系统状态预测方法。利用成组技术扩大了质量数据样本量，解决同种质量数据样本量小的问题；利用T控制图和K控制图监控质量数据的均值和标准差，实现了装配系统状态的预测，避免因装配系统不受控导致质量问题发生。本发明还提出了基于关联规则算法的质量异常影响因素追溯方法，用来追溯质量异常影响因素，从而提高航天产品装配质量问题追溯和处理的效率。
以上所述的是本发明的优选实施方式，应当指出对于本技术领域的普通人员来说，在不脱离本发明所述的原理前提下还可以作出若干改进和润饰，这些改进和润饰也在本发明的保护范围内。
Claims (12)
1.一种产品装配过程的质量管控方法，其特征在于，包括：
根据当前时刻产品的质量数据和所述产品的历史质量数据，获取下一时刻的质量数据的数值；
根据所述产品的历史质量数据，确定所述产品的装配工序的状态；
根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控。
2.根据权利要求1所述的产品装配过程的质量管控方法，其特征在于，根据当前时刻产品的质量数据和所述产品的历史质量数据，包括：
根据当前时刻产品的质量数据和所述产品的历史质量数据，构建灰色预设模型；
根据所述灰色预设模型和预设方法，获取下一时刻的质量数据的数值。
3.根据权利要求1所述的产品装配过程的质量管控方法，其特征在于，所述根据所述产品的历史质量数据，确定所述产品的装配工序的状态，包括：
根据所述产品的历史质量数据，选取样本数据；
根据所述样本数据，构建用于检测样本数据的均值的T控制图和用于检测样本数据的标准差的K控制图；
根据所述T控制图和所述K控制图，确定样本数据的均值和标准差相对于预设数值的变化；
根据所述变化，确定所述产品的装配工序的状态；
其中，所述状态包括超出第一预设范围内的不可控状态和未超出第一预设范围内的可控状态。
4.根据权利要求1所述的产品装配过程的质量管控方法，其特征在于，所述根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控，包括：
在下一时刻的质量数据的数值在第二预设范围内，且所述产品的装配工序的状态为可控状态的情况下，确定装配过程正常；
在下一时刻的质量数据的数值超出第二预设范围的情况下，或者，在所述产品的装配工序的状态为不可控状态的情况下，触发装配异常操作。
5.根据权利要求4所述的产品装配过程的质量管控方法，其特征在于，所述触发装配异常操作，包括：
将超出第二预设范围的质量数据的情况，或者，所述产品的装配工序的状态为不可控状态的情况发出质量异常预警提示，且对当前情况的数据进行关联规则算法处理，确定异常数据因素；
其中，所述关联规则算法用于检测产品的支持度、置信度和提升度。
6.根据权利要求2所述的产品装配过程的质量管控方法，其特征在于，所述构建灰色预设模型，包括：
根据当前时刻产品的质量数据和所述产品的历史质量数据，进行级比验证和建模可行性处理；
根据处理后的数据，生成灰色预测序列；
根据所述灰色预测序列，构建用于灰色预测的灰色预设模型。
7.根据权利要求6所述的产品装配过程的质量管控方法，其特征在于，所述根据所述灰色预设模型和预设方法，获取下一时刻的质量数据的数值，包括：
根据所述灰色预设模型，分别进行残差检验、关联度检验和后验差检验；
若残差检验、关联度检验和后验差检验均正常，则根据所述预设方法对所述灰色预测模型的残差值进行修正；
若修正后的残差值在第三预设范围内，则确定下一时刻的质量数据的数值正常。
8.根据权利要求7所述的产品装配过程的质量管控方法，其特征在于，所述根据所述预设方法对所述灰色预测模型的残差值进行修正，包括：
根据预设方法对所述灰色预测模型的残差值进行数据划分，确定当前时刻的第一状态以及下一时刻的第二状态；
计算所述灰色预测模型的残差值由所述第一状态转移为所述第二状态的转移概率；
根据所述转移概率，对所述灰色预测模型的残差值进行修正。
9.根据权利要求3所述的产品装配过程的质量管控方法，其特征在于，根据所述样本数据，构建T控制图，包括：
根据所述样本数据，计算不同品种、不同批次的样本均值与样本标准差；
根据所述不同品种、不同批次的样本均值与样本标准差，计算T统计量；
根据所述T统计量，获取T控制图的控制限；
根据所述T控制图的控制限，构建用于检测样本数据的均值的T控制图；
其中，所述样本数据中的同一品种、同一批次的样本数据服从相同的预设正态分布。
10.根据权利要求3所述的产品装配过程的质量管控方法，其特征在于，根据所述样本数据，构建K控制图，包括：
根据所述样本数据，计算不同品种、不同批次的样本方差的均值，并根据所述样本方差的均值计算样本中间变量；
根据所述不同品种、不同批次的样本方差的均值和所述样本中间变量，计算K统计量；
根据所述K统计量，获取K控制图的控制限；
根据所述K控制图的控制限，构建用于检测样本数据的标准差的K控制图；
其中，所述样本数据中的同一品种、同一批次的样本数据服从相同的预设正态分布。
11.一种产品装配过程的质量管控装置，其特征在于，包括：
第一处理模块，用于根据当前时刻产品的质量数据和所述产品的历史质量数据，获取下一时刻的质量数据的数值；
第二处理模块，用于根据所述产品的历史质量数据，确定所述产品的装配工序的状态；
第三处理模块，用于根据下一时刻的质量数据的数值以及所述产品的装配工序的状态，进行质量管控。
12.一种产品装配过程的质量管控设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1-10中任一项所述的产品装配过程的质量管控方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010948625.6A CN112068519A (zh) | 2020-09-10 | 2020-09-10 | 一种产品装配过程的质量管控方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010948625.6A CN112068519A (zh) | 2020-09-10 | 2020-09-10 | 一种产品装配过程的质量管控方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112068519A true CN112068519A (zh) | 2020-12-11 |
Family
ID=73663603
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010948625.6A Pending CN112068519A (zh) | 2020-09-10 | 2020-09-10 | 一种产品装配过程的质量管控方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112068519A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487126A (zh) * | 2021-05-19 | 2021-10-08 | 北京电子工程总体研究所 | 一种不合格品动态检测方法 |
| CN114298578A (zh) * | 2021-12-30 | 2022-04-08 | 中国兵器装备集团自动化研究所有限公司 | 火工品装配过程质量管控方法、系统、电子装置及介质 |
| CN115310870A (zh) * | 2022-09-29 | 2022-11-08 | 成都飞机工业（集团）有限责任公司 | 航空离散制造质量监测方法、装置、设备、介质及产品 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7272532B2 (en) * | 2002-12-17 | 2007-09-18 | Caterpillar Inc. | Method for predicting the quality of a product |
| CN102929148A (zh) * | 2012-10-26 | 2013-02-13 | 西安电子科技大学 | 基于t-k控制图的多品种生产模式统计过程控制方法 |
| WO2018039259A1 (en) * | 2016-08-22 | 2018-03-01 | Robert Bosch Gmbh | System and method for monitoring a manufacturing plant |
| CN109325207A (zh) * | 2018-09-04 | 2019-02-12 | 温州大学 | 基于灰色gm(1，1)模型的阀体装配质量故障预测方法 |
| CN109978403A (zh) * | 2019-04-04 | 2019-07-05 | 北京理工大学 | 一种产品装配过程的质量管控方法、装置及设备 |
| CN110135636A (zh) * | 2019-05-10 | 2019-08-16 | 北京理工大学 | 一种车间运行状态预测信息的获取方法、装置及系统 |
| CN111553407A (zh) * | 2020-04-26 | 2020-08-18 | 广州珠江黄埔大桥建设有限公司 | 一种基于马尔科夫灰色模型的工程项目成本预测方法 |
| CN111612216A (zh) * | 2020-04-20 | 2020-09-01 | 中国重型机械研究院股份公司 | 基于GM灰色模型和Bootstrap理论的定制产品质量控制预测方法 |
-
2020
- 2020-09-10 CN CN202010948625.6A patent/CN112068519A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7272532B2 (en) * | 2002-12-17 | 2007-09-18 | Caterpillar Inc. | Method for predicting the quality of a product |
| CN102929148A (zh) * | 2012-10-26 | 2013-02-13 | 西安电子科技大学 | 基于t-k控制图的多品种生产模式统计过程控制方法 |
| WO2018039259A1 (en) * | 2016-08-22 | 2018-03-01 | Robert Bosch Gmbh | System and method for monitoring a manufacturing plant |
| CN109325207A (zh) * | 2018-09-04 | 2019-02-12 | 温州大学 | 基于灰色gm(1，1)模型的阀体装配质量故障预测方法 |
| CN109978403A (zh) * | 2019-04-04 | 2019-07-05 | 北京理工大学 | 一种产品装配过程的质量管控方法、装置及设备 |
| CN110135636A (zh) * | 2019-05-10 | 2019-08-16 | 北京理工大学 | 一种车间运行状态预测信息的获取方法、装置及系统 |
| CN111612216A (zh) * | 2020-04-20 | 2020-09-01 | 中国重型机械研究院股份公司 | 基于GM灰色模型和Bootstrap理论的定制产品质量控制预测方法 |
| CN111553407A (zh) * | 2020-04-26 | 2020-08-18 | 广州珠江黄埔大桥建设有限公司 | 一种基于马尔科夫灰色模型的工程项目成本预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 余忠华 等: "面向小批量制造过程的质量控制方法研究", 《机械工程学报》 * |
| 徐哲 等: "基于灰色模型和Bootstrap理论的大规模定制质量控制方法研究", 《数学的实践与认识》 * |
| 陈鑫 等: "面向多品种小批量生产的贝叶斯动态质量控制方法", 《西安交通大学学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113487126A (zh) * | 2021-05-19 | 2021-10-08 | 北京电子工程总体研究所 | 一种不合格品动态检测方法 |
| CN113487126B (zh) * | 2021-05-19 | 2024-07-19 | 北京电子工程总体研究所 | 一种不合格品动态检测方法 |
| CN114298578A (zh) * | 2021-12-30 | 2022-04-08 | 中国兵器装备集团自动化研究所有限公司 | 火工品装配过程质量管控方法、系统、电子装置及介质 |
| CN115310870A (zh) * | 2022-09-29 | 2022-11-08 | 成都飞机工业（集团）有限责任公司 | 航空离散制造质量监测方法、装置、设备、介质及产品 |
| CN115310870B (zh) * | 2022-09-29 | 2023-01-31 | 成都飞机工业（集团）有限责任公司 | 航空离散制造质量监测方法、装置、设备、介质及产品 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112068519A (zh) | 一种产品装配过程的质量管控方法和装置 | |
| US7499777B2 (en) | Diagnostic and prognostic method and system | |
| US20210041862A1 (en) | Malfunction early-warning method for production logistics delivery equipment | |
| Wang | Towards zero-defect manufacturing (ZDM)—a data mining approach | |
| CN109948833A (zh) | 一种基于长短期记忆网络的水电机组劣化趋势预测方法 | |
| US8577480B2 (en) | Methods and apparatus for automated predictive design space estimation | |
| de Paula Monteiro et al. | A hybrid prototype selection-based deep learning approach for anomaly detection in industrial machines | |
| CN113632025B (zh) | 用于评估工业环境中的能量消耗的方法、系统和计算机程序产品 | |
| CN115453356B (zh) | 一种动力设备运行状态监测分析方法、系统、终端及介质 | |
| CN115828466A (zh) | 一种基于宽核卷积的风机主轴部件故障预测方法 | |
| Kim et al. | Inspection schedule for prognostics with uncertainty management | |
| CN117540285A (zh) | 基于能量熵和回归型支持向量机的轴承运行状态评估方法 | |
| CN115329851A (zh) | 储能电站功率变换系统数据异常检测方法、系统、设备及介质 | |
| CN117370824B (zh) | 一种空气压缩机进气状态智能监测方法及系统 | |
| CN112990601B (zh) | 基于数据挖掘的蜗轮加工精度自愈系统及方法 | |
| Li et al. | A novel fault early warning method for mechanical equipment based on improved MSET and CCPR | |
| CN117952377A (zh) | 一种数字孪生的离散制造车间同步演化方法、设备及介质 | |
| Bae et al. | Change-point detection in failure intensity: A case study with repairable artillery systems | |
| Cao et al. | Quality-integrated diagnostic platform for aerospace complex product assembly processes | |
| CN108242411B (zh) | 用于管控线上缺陷的方法和系统 | |
| CN117034669A (zh) | 一种旋转机械滚动轴承剩余寿命预测方法及系统 | |
| CN113722308B (zh) | 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置 | |
| Wang et al. | Degradation Modeling and RUL Prediction in Dynamic Environments Using a Wiener Process With an Autoregressive Rate | |
| Guo et al. | A data-driven diagnostic system utilizing manufacturing data mining and analytics | |
| CN112365022B (zh) | 一种基于多阶段的发动机轴承故障预测方法 |
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 |