CN112529242A - 一种端子排产品组装线工序总工时定额预测方法 - Google Patents

Abstract

本发明公开了一种端子排产品组装线工序总工时定额预测方法，首先对端子排产品进行基于产品装配复杂度模型的分类；然后收集和处理端子排产品各工序的工时数据；再分析各工序工时与主要影响因素的函数关系后，构建各工序工时预测模型；最后依据各工序工时预测数据，将端子排产品各工序工时之和作为产品总工时，从而获得端子排产品总工时。本方法在影像分析法采集端子排产品工时数据的基础上，建立该类型产品各工序操作与工时定额的函数关系，进而利用统计回归分析方法构造各工序工时定额预测模型，从而实现较为科学有效的工时预测，可为企业有效降低人工测定工时时间，节省人力成本。

Description

一种端子排产品组装线工序总工时定额预测方法

技术领域

本发明涉及一种多品种、小批量电子产品工时定额预测方法。

背景技术

目前，电子产品市场需求更新换代很快，导致企业生产呈现多品种、小批量的生产特征。端子排产品的主要原料有导轨、端子、端子盖板、堵头、标识、桥、RIF灯等配件，其组装过程主要可分为端子组装、标识安装和检验三个主要工序，不同类型的产品在端子、标识等的物料种类及其他部件的种类上有一定差异，但产品工序大致相同。

端子组装工序的步骤包括传递、端子组装、定位块的使用和绑皮筋。其中，端子组装步骤指将堵头、端子、隔板、定位块等部件以敲击或按压的方式固定在导轨上相应位置的工序，根据产品种类不同，可能会存在使用定位块和绑皮筋的步骤。在端子排的组装过程中，一个端子排上有多个不同种类的端子，多个同种类端子相连排列与不同种类端子交叉排列的情况同时存在，根据产品种类不同，端子间可能还需要组装堵头、隔板等部件。在该工位的物料架上，端子按种类摆放。故当多个同种类端子相连排列时，工人在允许范围内一次可拿取多个端子；而当不同种类端子交叉排列(即端子种类不同)或存在堵头等其他部件时，工人拿取物料的次数明显增加。

标识安装工序包括生产准备工作、传递、标识安装和其他部件安装四个步骤。其中，生产准备工作指将端子排组装所需要的标识、桥、插件等部件进行预处理；标识组装步骤指将印刷有不同字符的方形塑料标识安装在端子排相应位置的卡槽内的工序；其他部件安装指由于产品种类不同，根据需要组装桥、插件、特殊标记等其他部件。在端子排的组装过程中，标识以不同位数、不同位置安装在卡槽内。根据产品种类不同，端子排上的标识位数和节数存在数量上的明显差异。标识物料组装前为板状或条状，组装过程中根据图纸撕下相应位数的标识安装在相应卡槽内，每一位标识都需要按压一次。

检验工序包括传递、自检和贴黄色标签三个部分。其中，自检为每个产品完成组装后工人进行自检，减少质量问题。贴黄色标签为自检合格后，在导轨底部中央贴黄色标签，以示组装完成，自检合格，同时注明产品信息。

目前，端子排产品制造企业通常采用的工时定额方法主要包括人工测定法、经验估算法、类推比较法等，其均缺乏科学性、准确性。具体的：

(1)人工测定法：该方法主要采用人工方法测度各工序的工时，从而形成产品的工时定额。

(2)经验估算法：根据制定定额技术依据，凭借个人的工作经验制定定额的一种方法。对于产量较大、较为经常生产的产品，企业主要采用经验估算法确定工时。其主要依据为产品图纸、生产说明书、工艺规程、使用设备、工装、测量工具、工人技术水平等，缺乏定量依据。

(3)类推比较法：参照相似的典型代表件或典型工序进行分析比较后制定定额的方法。对于产量较小、初次生产的新类型产品，企业一般采用类推比较法确定工时。该方法在定额质量上有所提高，但制定定额标准的工作量较大，且与实际工时存在一定误差。

工时定额管理是企业日常管理的最基础性工作。对于电子产品种类多达上百种生产企业，由于多品种、小批量制造复杂多样的产品特点，给工时定额制订管理带来了困难。具体的：

(1)电子产品多达上百余种，难以通过直接进行人工测定的方式来确定每类产品的工时。

(3)组装的工艺工时定额采用经验估算法制定，缺乏科学依据。工艺工时的过宽或过紧导致工人难以完成生产任务或生产效率低下，对车间的管理造成不便，同时对车间效率提升造成阻碍。

(4)电子产品种类更新换代快，车间采用类比评估法确定工时定额严重增加管理人员工作负荷，同时工时制定缺乏科学依据，具有明显误差。

因此，如何科学合理确定电子产品组装线各工序工时定额是该公司生产管理面临的首要难题之一。

发明内容

发明目的：针对上述现有技术，提出一种电子产品组装线工序工时定额预测方法，能够科学合理确定电子产品组装线各工序工时定额。

技术方案：一种端子排产品组装线工序总工时定额预测方法，包括：

步骤1：对端子排产品进行基于产品装配复杂度模型的分类；

步骤2：收集和处理端子排产品各工序的工时数据；

步骤3：分析各工序工时与主要影响因素的函数关系后，构建各工序工时预测模型；

步骤4：依据各工序工时预测数据，将端子排产品各工序工时之和作为产品总工时，从而获得端子排产品总工时；

进一步的，所述步骤1中，端子排产品装配复杂度模型的度量指标包括零部件种类Q_i、装配状态V_i、装配操作难度A_i：

所述零部件种类Q_i计算模型为：

Q_i＝ln(N+1)

式中，N表示在装配过程中相关的零部件种类数；

所述装配状态V_i计算模型为：

式中，p_i表示端子排产品装配过程中第i个工位状态发生异常的概率，n表示装配总工位数；

所述装配操作难度A_i计算模型为：

A_i＝b·ln(2e×w)

式中，w表示端子排产品装配过程中的物料种类数量，b表示端子排产品进行装配中的操作难度系数，e为自然对数函数的底数；

基于数量复杂性Q_i和装配操作难度A_i，计算装配复杂度为：

H_z＝Q_i·A_i。

进一步的，所述步骤2中，采用影像分析法，针对不同种类的端子排产品进行数据收集，采用两倍标准差法剔除原始数据中的异常数据，具体为：设对某一端子排产品的某一工序测时次所得的时间分别为X₁,X₂,X₃,...,X_n，计算数据的平均值以及标准变差：

平均值

标准偏差

所测数据在

范围内的数值为正常数值，超出的为异常值。

进一步的，所述步骤3中，端子组装工序预测模型为：

Y₁＝y₁₁+y₁₂+y₁₃+y₁₄

式中，Y₁为端子组装工序总工时，y₁₁为端子组装步骤工时，y₁₂为使用定位块步骤工时，y₁₃为绑橡皮筋步骤工时，y₁₄为传递步骤工时，x₁为端子数量，x₂为堵头数量，x₃为端子种类数，x₄为间隔物料数量之和，x₅为定位块数量，x₆为皮筋数量；

标识安装工序工时预测模型为：

Y₂＝y₂₁+y₂₂+y₂₃+y₂₄

式中，Y₂为标识安装工序总工时，y₂₁为生产准备步骤工时，y₂₂为传递步骤工时，y₂₃为标识安装步骤工时，y₂₄为其他部件安装步骤工时，x₇为标识位数；x₈为标识节数，x₉为KLM/UCT数量，x₁₀为桥数量，x₁₁为PC数量，x₁₂为插件个数；

检验工序模型为：

Y₃＝3.48+T_自检

式中，Y₃为检验工序总工时，

有益效果：本方法在影像分析法采集端子排产品工时数据的基础上，建立该类型产品各工序操作与工时定额的函数关系，进而利用统计回归分析方法构造各工序工时定额预测模型，从而实现较为科学有效的工时预测，可为企业有效降低人工测定工时时间，节省人力成本。

具体实施方式

下面对本发明做更进一步的解释。

一种端子排产品组装线工序总工时定额预测方法，包括：

步骤1：对端子排产品进行基于产品装配复杂度模型的分类；

步骤2：收集和处理端子排产品各工序的工时数据；

步骤3：分析各工序工时与主要影响因素的函数关系后，构建各工序工时预测模型；

步骤4：依据各工序工时预测数据，将端子排产品各工序工时之和作为产品总工时，从而获得端子排产品总工时。

其中，步骤1中，端子排产品装配复杂度模型的度量指标包括零部件种类Q_i、装配状态V_i、装配操作难度A_i，装配复杂度H_z。

在装配过程中，端子排产品的端子数量将影响产品组装部分的长度及难度，端子排产品端子数量的复杂度的度量方法用下式表示：

Q_i＝ln(N+1)

式中，N表示在装配过程中相关的零部件种类数；

在端子排产品零部件装配过程中难免会出现异常状况，这样情况的出现对于端子排产品零部件装配过程将产生严重的影响，比如关键零部件拖期等。因此对在端子排产品零部件装配过程中出现异常的状况对复杂度影响地度量用下式来表示。在装配过程中，工作状态分为正常和异常两种，本发明所构建模型中假设端子排产品装配过程为正常状态，装配状态V_i计算模型为：

式中，p_i表示端子排产品装配过程中第i个工位状态发生异常的概率，n表示装配总工位数；

在端子排产品装配过程中，越难操作的作业复杂程度一般就越高。而在端子排产品装配过程中，装配速度的快慢一般会对复杂度产生重要的影响。端子排产品装配过程大部分工作是由生产技术工人手工操作完成的。某些因素对生产技术工人产生干扰，端子排产品的装配过程也必然会受到影响。不同种类的物料组装过程有着不同的生产要求，物料种类数量越多则装配难度将越大，因此在应用信息熵理论对端子排产品装配操作难度进行构建时，本发明采用端子排产品装配各个工位的物料种类数和生产技术工人的作业难度两个方面去描述装配操作难度复杂度模型。装配操作难度A_i计算模型为：

A_i＝b·ln(2e×w)

式中，w表示端子排产品装配过程中的物料种类数量，b表示端子排产品进行装配中的操作难度系数，e为自然对数函数的底数。

操作难度系数的取值范围为b∈[1,2]，通常情况取值为1，在端子排装配过程中，本发明将整个装配过程中使用的工具数量作为影响操作难度系数的主要因素，当使用工具(直尺、电动起子、起子等)数量小于等于3时b为1，当使用工具数量小于5时b为1.5，当使用工具数量大于等于5时b为2。

最后，基于数量复杂性Q_i和装配操作难度A_i，计算装配复杂度为：

H_z＝Q_i·A_i

本实施例中，根据对于端子排产品装配复杂度模型的构建内容，首要的是选定影响端子排产品的数量复杂度、操作难度复杂度因素。数量复杂度要素依照某端子排产品装配端子数目来确定，难度复杂度由某端子排产品装配操作难度进行分析而得。最后，根据数量复杂性和装配操作难度最终确定装配的复杂度。

然后，选取计算出年产量较大的端子排产品，依照以上所述的步骤计算各类产品装配过程中的数量复杂度、操作难度复杂度、装配状态得到装配复杂度。其中，假设装配状态装配过程发生异常状况的概率，即p＝0，故装配状态V_i取0值。具体的计算结果实例如表1所示。

根据装配复杂度H_z将产品划分为难、中、易三类，本发明取H_z∈(0,15]为产品复杂度为易的产品，H_z∈(15，30]为产品复杂度为中的产品，H_z∈(30,+∞)为产品复杂度为难的产品。基于产品复杂度模型，对端子排产品进行分类，为后续工时预测奠定了基础。

表1

步骤2中，采用影像分析法，针对不同种类的端子排产品进行各工序的工时数据收集，采用两倍标准差法剔除原始数据中的异常数据，具体为：设对某一端子排产品的某一工序测时次所得的时间分别为X₁,X₂,X₃,...,X_n，计算数据的平均值以及标准变差：

平均值

标准偏差

所测数据在

范围内的数值为正常数值，超出的为异常值。

步骤3中，构建端子组装工序预测模型。

电子电器制造企业在日常生产管理中，其工时定额常以工序为单位制定。因此，产品各工序工时之和即为产品总工时。在多品种、小批量特点下，不同型号产品之间不完全相同，但在零件数量、形状、工艺、材料等方面具有一定的相似性。各工序工时受上述因素的影响，呈一定的函数关系，通常可处理为线性与非线性关系。

经影像分析，可分析并验证得到各主要步骤的函数类型，其中常数值与一元一次关系的单位工时可直接测得。各步骤函数类型及单位工时如表2所示。

表2

在端子组装步骤，影响该步骤的主要时间为拿取物料的时间和组装时间。经影像分析，在使用相同种类的端子进行组装时，端子的数量会直接影响到拿取物料的次数，从而影响到工时；而在使用相同数量的端子进行组装时，端子的种类数也会影响到物料的拿取次数，从而影响到工时；此外，端子排之间结构差异巨大且难以找到其中的规律，根据端子组装的工艺要求，每组装一个堵头，使用一个定位块等(称之为间隔物料)，都会影响物料拿取及端子组装的次数，从而影响到工时。故本发明将端子组装步骤的工时与其影响因素考虑为多元非线性关系，采用回归分析的数理统计方法，计算得到多元非线性工时预测方程的系数取值。

为确定工时与影响因素之间的关系，了解最贴合实际的变量影响关系，本发明选用3种典型常用函数公式作为拟合的基础并进行验证，分别为对数函数模型、指数函数模型和多项式函数模型。基于大量已采集到的数据，比较上述三个模型的拟合效果。由结果可知，当使用多项式函数进行回归分析时，拟合度R²最大为0.9933，说明模型与数据拟合程度较高；F＝172.9324＞F_c(0.05,1,n-m-1)＝4.120，说明回归模型具有显著性水平；p值极小，说明拟合模型有效。最终得到端子组装工序的工时Y₁模型为：

Y₁＝y₁₁+y₁₂+y₁₃+y₁₄

式中，Y₁为端子组装工序总工时，y₁₁为端子组装步骤工时，y₁₂为使用定位块步骤工时，y₁₃为绑橡皮筋步骤工时，y₁₄为传递步骤工时，x₁为端子数量，x₂为堵头数量，x₃为端子种类数，x₄为间隔物料数量之和，x₅为定位块数量，x₆为皮筋数量；

标识安装工序工时预测模型构建为：

经影像分析，分析并验证得到各主要步骤的函数类型，其中常数值与一元一次关系的单位工时可直接测得。各步骤函数类型及单位工时如表3所示。

表3

在标识安装步骤，影响该步骤工时的主要时间为拿取物料的时间、撕取标识的时间和安装时间。经影像分析，影响物料拿取及撕取标识时间的影响因素主要为标识节数，影响安装时间的影响因素主要为标识位数。与端子组装工序相似，经对比验证后，本发明在三种常见的非线性函数中，选取多项式函数进行标识安装工序工时与影响因素的回归分析，由结果可知，标识安装工时模型拟合系数R²为0.9883，F＝194.2980＞F_c(0.05,1,n-m-1)＝3.982，p值极小，说明模型效果较好。最终得到标识安装工序的工时模型为：

Y₂＝y₂₁+y₂₂+y₂₃+y₂₄

式中，Y₂为标识安装工序总工时，y₂₁为生产准备步骤工时，y₂₂为传递步骤工时，y₂₃为标识安装步骤工时，y₂₄为其他部件安装步骤工时，x₇为标识位数；x₈为标识节数，x₉为KLM/UCT数量，x₁₀为桥数量，x₁₁为PC数量，x₁₂为插件个数；

检验工序模型构建为：

经影像分析，自检步骤与产品复杂度关联较大，故本发明复杂度对产品进行难、中、易的区分，在此基础上选取每个复杂度中产量最大的4至5类产品测得其自检时间，进行数据处理后得到最终的自检时间。各主要步骤的函数类型及单位工时如表4所示。

表4

最终得到检验工序的工时模型为：

Y₃＝3.48+T_自检

式中，Y₃为检验工序总工时，

将端子排组装过程分为端子组装工序、标识安装工序和检验工序，三个工序工时之和即为总产品工时，即：

Y＝Y₁+Y₂+Y₃。

随机抽取产品进行模型验证及改善效果的对比。从183类端子排产品中随机抽取6类产品，每类产品再进行随机抽样进行验证，6类产品的对比结果如表5所示。可以看出实测工时与预测工时的误差在15％以内，满足企业要求，对企业的工时定额具有参考价值。

表5

目前，电子电器产品制造企业通常采用的工时定额方法主要包括经验估算法、类推比较法等，其均缺乏科学性、准确性。本发明基于数据驱动的理念，深入分析各工序操作与工时定额数据之间的函数关系，并借助统计回归分析方法构建工时定额预测模型，形成了一个较为完善、实用的工时预测研究体系。

以上所述仅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技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种端子排产品组装线工序总工时定额预测方法，其特征在于，包括：

步骤1：对端子排产品进行基于产品装配复杂度模型的分类；

步骤2：收集和处理端子排产品各工序的工时数据；

步骤3：分析各工序工时与主要影响因素的函数关系后，构建各工序工时预测模型；

步骤4：依据各工序工时预测数据，将端子排产品各工序工时之和作为产品总工时，从而获得端子排产品总工时。

2.根据权利要求1所述的端子排产品组装线工序工时定额预测方法，其特征在于，所述步骤1中，端子排产品装配复杂度模型的度量指标包括零部件种类Q_i、装配状态V_i、装配操作难度A_i，装配复杂度为H_z：

所述零部件种类Q_i计算模型为：

Q_i＝ln(N+1)

式中，N表示在装配过程中相关的零部件种类数；

所述装配状态V_i计算模型为：

式中，p_i表示端子排产品装配过程中第i个工位状态发生异常的概率，n表示装配总工位数；

所述装配操作难度A_i计算模型为：

A_i＝b·ln(2e×w)

式中，w表示端子排产品装配过程中的物料种类数量，b表示端子排产品进行装配中的操作难度系数，e为自然对数函数的底数；

基于数量复杂性Q_i和装配操作难度A_i，计算装配复杂度为：

H_z＝Q_i·A_i。

3.根据权利要求1所述的端子排产品组装线工序工时定额预测方法，其特征在于，所述步骤2中，采用影像分析法，针对不同种类的端子排产品进行数据收集，采用两倍标准差法剔除原始数据中的异常数据，具体为：设对某一端子排产品的某一工序测时次所得的时间分别为X₁,X₂,X₃,...,X_n，计算数据的平均值以及标准变差：

平均值

标准偏差

所测数据在

范围内的数值为正常数值，超出的为异常值。

4.根据权利要求1所述的端子排产品组装线工序工时定额预测方法，其特征在于，所述步骤3中，端子组装工序预测模型为：

Y₁＝y₁₁+y₁₂+y₁₃+y₁₄

式中，Y₁为端子组装工序总工时，y₁₁为端子组装步骤工时，y₁₂为使用定位块步骤工时，y₁₃为绑橡皮筋步骤工时，y₁₄为传递步骤工时，x₁为端子数量，x₂为堵头数量，x₃为端子种类数，x₄为间隔物料数量之和，x₅为定位块数量，x₆为皮筋数量；

标识安装工序工时预测模型为：

Y₂＝y₂₁+y₂₂+y₂₃+y₂₄

式中，Y₂为标识安装工序总工时，y₂₁为生产准备步骤工时，y₂₂为传递步骤工时，y₂₃为标识安装步骤工时，y₂₄为其他部件安装步骤工时，x₇为标识位数；x₈为标识节数，x₉为KLM/UCT数量，x₁₀为桥数量，x₁₁为PC数量，x₁₂为插件个数；

检验工序模型为：

根据步骤1得到的装配复杂度H_z对产品进行难、中、易的划分，复杂度系数H_z∈(0,15]为产品复杂度为易的产品，H_z∈(15，30]为产品复杂度为中的产品，H_z∈(30,+∞)为产品复杂度为难的产品。