CN112529242A - 一种端子排产品组装线工序总工时定额预测方法 - Google Patents
一种端子排产品组装线工序总工时定额预测方法 Download PDFInfo
- Publication number
- CN112529242A CN112529242A CN202011107381.5A CN202011107381A CN112529242A CN 112529242 A CN112529242 A CN 112529242A CN 202011107381 A CN202011107381 A CN 202011107381A CN 112529242 A CN112529242 A CN 112529242A
- Authority
- CN
- China
- Prior art keywords
- product
- assembly
- terminal
- hour
- man
- 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 146
- 230000008569 process Effects 0.000 title claims abstract description 84
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000003703 image analysis method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000004519 manufacturing process Methods 0.000 claims description 21
- 239000000463 material Substances 0.000 claims description 21
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 11
- 238000002360 preparation method Methods 0.000 claims description 5
- 238000011900 installation process Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 abstract description 6
- 238000010191 image analysis Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 125000006850 spacer group Chemical group 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Entrepreneurship & Innovation (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
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
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Qi、装配状态Vi、装配操作难度Ai:
所述零部件种类Qi计算模型为:
Qi=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Vi计算模型为:
式中,pi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Ai计算模型为:
Ai=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Qi和装配操作难度Ai,计算装配复杂度为:
Hz=Qi·Ai。
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,...,Xn,计算数据的平均值以及标准变差:
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
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Qi、装配状态Vi、装配操作难度Ai,装配复杂度Hz。
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:
Qi=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Vi计算模型为:
式中,pi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Ai计算模型为:
Ai=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Qi和装配操作难度Ai,计算装配复杂度为:
Hz=Qi·Ai
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Vi取0值。具体的计算结果实例如表1所示。
根据装配复杂度Hz将产品划分为难、中、易三类,本发明取Hz∈(0,15]为产品复杂度为易的产品,Hz∈(15,30]为产品复杂度为中的产品,Hz∈(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,...,Xn,计算数据的平均值以及标准变差:
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>Fc(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>Fc(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
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Qi、装配状态Vi、装配操作难度Ai,装配复杂度为Hz:
所述零部件种类Qi计算模型为:
Qi=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Vi计算模型为:
式中,pi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Ai计算模型为:
Ai=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Qi和装配操作难度Ai,计算装配复杂度为:
Hz=Qi·Ai。
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Hz对产品进行难、中、易的划分,复杂度系数Hz∈(0,15]为产品复杂度为易的产品,Hz∈(15,30]为产品复杂度为中的产品,Hz∈(30,+∞)为产品复杂度为难的产品。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011107381.5A CN112529242A (zh) | 2020-10-16 | 2020-10-16 | 一种端子排产品组装线工序总工时定额预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011107381.5A CN112529242A (zh) | 2020-10-16 | 2020-10-16 | 一种端子排产品组装线工序总工时定额预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112529242A true CN112529242A (zh) | 2021-03-19 |
Family
ID=74979067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011107381.5A Pending CN112529242A (zh) | 2020-10-16 | 2020-10-16 | 一种端子排产品组装线工序总工时定额预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529242A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850289A (zh) * | 2021-08-17 | 2021-12-28 | 中国电子科技集团公司第二十九研究所 | 一种射频微波件产品的工序工时定额测算方法及系统 |
CN114004446A (zh) * | 2021-09-18 | 2022-02-01 | 中国电子科技集团公司第二十九研究所 | 一种多品种小批量混合集成电路产品工时测算方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845729A (zh) * | 2017-02-15 | 2017-06-13 | 南京航空航天大学 | 一种基于灰色理论的电子产品机柜装配工时确定方法 |
CN111489032A (zh) * | 2020-04-09 | 2020-08-04 | 北京理工大学 | 一种预测航天产品装配工时的处理方法及装置 |
-
2020
- 2020-10-16 CN CN202011107381.5A patent/CN112529242A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106845729A (zh) * | 2017-02-15 | 2017-06-13 | 南京航空航天大学 | 一种基于灰色理论的电子产品机柜装配工时确定方法 |
CN111489032A (zh) * | 2020-04-09 | 2020-08-04 | 北京理工大学 | 一种预测航天产品装配工时的处理方法及装置 |
Non-Patent Citations (3)
Title |
---|
王杭;李露;张柳;徐锋;张丹;左敦稳;: "电子产品机柜线缆装配工时定额系统研究与开发", 机械制造与自动化, no. 03 * |
郭洪锋: "PCB工时定额制定方法研究与应用", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》, pages 17 - 30 * |
陈友玲;阮键;王尧;: "大规模定制环境下基于产品结构复杂度的工时定额制定研究", 计算机应用研究, no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113850289A (zh) * | 2021-08-17 | 2021-12-28 | 中国电子科技集团公司第二十九研究所 | 一种射频微波件产品的工序工时定额测算方法及系统 |
CN113850289B (zh) * | 2021-08-17 | 2023-05-05 | 中国电子科技集团公司第二十九研究所 | 一种射频微波件产品的工序工时定额测算方法及系统 |
CN114004446A (zh) * | 2021-09-18 | 2022-02-01 | 中国电子科技集团公司第二十九研究所 | 一种多品种小批量混合集成电路产品工时测算方法 |
CN114004446B (zh) * | 2021-09-18 | 2023-04-07 | 中国电子科技集团公司第二十九研究所 | 一种多品种小批量混合集成电路产品工时测算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108037460B (zh) | 一种批产锂离子电池容量实时评估方法 | |
CN112529242A (zh) | 一种端子排产品组装线工序总工时定额预测方法 | |
CN110727662A (zh) | 基于相关性分析的低压台区用户相位识别方法和系统 | |
CN104820873A (zh) | 一种基于金属定量构效关系的淡水急性基准预测方法 | |
CN102680812A (zh) | 一种产品寿命评价方法和装置 | |
CN109982361B (zh) | 信号干扰分析方法、装置、设备及介质 | |
CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
CN111160404A (zh) | 配电网线损标杆合理值的分析方法及装置 | |
CN114970157B (zh) | 电子产品在电压应力作用下的小样本试验寿命预测方法 | |
CN116205637A (zh) | 基于物联网与工业大数据的智能工厂管理系统 | |
CN108280277B (zh) | 一种传输线随温度变化的损耗算法 | |
CN116503025B (zh) | 一种基于工作流引擎的业务工单流程处理方法 | |
CN112733011A (zh) | 一种信息咨询用自推荐系统 | |
CN108646688B (zh) | 一种基于回归学习的工艺参数优化分析方法 | |
CN112748390B (zh) | 一种电能表状态的评估方法及装置 | |
CN112732773B (zh) | 一种继电保护缺陷数据的唯一性校核方法及系统 | |
CN115201609A (zh) | 一种电压波动一致性故障诊断方法 | |
CN113869502A (zh) | 一种基于深度神经网络的螺栓拧紧失效原因分析方法 | |
CN112685912B (zh) | 一种多元广义Wiener过程性能退化可靠性分析方法 | |
CN115097320A (zh) | 一种电池使用预估方法、装置、电子设备及可读存储介质 | |
CN114002603B (zh) | 识别电芯的方法、装置及计算机存储介质 | |
CN112328951B (zh) | 一种分析样品的实验数据的处理方法 | |
CN113962558A (zh) | 一种基于生产数据管理的工业互联网平台评价方法及系统 | |
CN114384872A (zh) | 产品研制过程质量综合管控系统 | |
CN112507517A (zh) | 一种航电设备健康表征参数轨迹建立方法 |
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 |