CN112561340A - 基于阶段任务网络的智能制造系统功能健康状态评估方法 - Google Patents

基于阶段任务网络的智能制造系统功能健康状态评估方法 Download PDF

Info

Publication number
CN112561340A
CN112561340A CN202011503610.5A CN202011503610A CN112561340A CN 112561340 A CN112561340 A CN 112561340A CN 202011503610 A CN202011503610 A CN 202011503610A CN 112561340 A CN112561340 A CN 112561340A
Authority
CN
China
Prior art keywords
machine
stage
manufacturing system
state
task
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
Application number
CN202011503610.5A
Other languages
English (en)
Inventor
何益海
王文卓
杨秀珍
张安琪
周迪
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.)
Beihang University
Original Assignee
Beihang University
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 Beihang University filed Critical Beihang University
Priority to CN202011503610.5A priority Critical patent/CN112561340A/zh
Publication of CN112561340A publication Critical patent/CN112561340A/zh
Pending legal-status Critical Current

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
    • 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

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (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

本发明提供一种基于阶段任务网络的智能制造系统功能健康状态评估方法，具体步骤是：一、识别制造系统的生产任务需求及相关关键阶段和机器；二、确定关键质量特性并收集相关数据；三、分析产品的质量状态集合确并估计机器合格率；四、建立智能制造系统的阶段任务网络模型；五、确定阶段任务网络模型中的比例集合；六、分析各个机器的加工能力状态及其概率分布；七、确定阶段任务网络模型中各个阶段的子任务集；八、计算各个阶段的机器任务可靠性及产品质量状态；九、确定三种功能健康状态的隶属度函数并构造其信念向量，构建智能制造系统的功能健康状态评估方法。该方法弥补了传统方法忽略制造系统功能健康状态的不足，在制造系统智能维护方面具有很好的实用价值。

Description

基于阶段任务网络的智能制造系统功能健康状态评估方法
技术领域
本发明提供了一种基于阶段任务网络的智能制造系统功能健康状态评估方法，属于系统健康状态建模与分析技术领域。
背景技术
在各行各业都在飞速发展的大背景下，作为国家建设和社会发展的支柱产业以及经济快速稳定增长的重要基石，制造业正在朝着智能化、大型化、复杂化和精密化的方向发展。然而，在高标准及高要求的制造加工背景下，制造系统不再频繁出现引发设备停机的物理故障，而是作为制造系统功能输出的产品的质量问题占比上升，进而带来潜在的产品质量损失。因此，保证制造系统的正常运行并持续稳定输出高质量和高可靠性的产品已成为制造业所面临的重要问题。在以往智能制造系统健康状态评估方法中，缺乏从产品质量保证的角度进行考虑，同时这些评估方法需要准确获取健康状态评估所需的各类参数，但往往在实际生产中却无法精确获取。
智能制造系统是具有多态性、多阶段性以及多任务性的典型多阶段任务系统，其整体任务的执行往往需要不同阶段完成指定的功能与任务，并且在其性能退化过程中存在着多个中间状态。然而以往研究中，往往是以“二元状态”为假设，只考虑制造系统在运行过程中的“正常”和“故障”两种状态，难以满足当前复杂智能制造系统的整体状态评估要求。此外，智能制造系统是典型的面向任务的输入/输出型多状态系统，系统的整体状态也不能简单地通过机器的故障来衡量。从系统工程的角度出发，制造系统的功能实现与加工机器、生产任务以及输出产品之间存在天然的关联关系。功能健康状态可定义为系统根据生产任务的要求，通过各个任务阶段内处于各个加工工位的机器，对原材料不断进行加工与传递，最终持续稳定输出规定数量的合格产品的状态。对智能制造系统的功能健康状态评估便于制造商从定性和定量两个方面制定科学合理的制造系统生产计划与维修策略。因此，如何有效评估智能制造系统的功能健康状态已成为制造领域和可靠性工程领域所面临的重大问题。
但是，现有研究大多是从加工机器-生产任务或加工机器-输出产品之间的关联关系出发，却忽略了机器性能、任务执行及产品质量之间的内在联系。由于对智能制造系统的运行机理认识不足，现有研究不能准确地评估制造系统的功能健康状态。同时，由于复杂的制造工艺和多变的外部环境所带来的不确定性会不可避免地影响系统的功能实现，并从而影响到作为功能输出的产品的质量，而目前系统健康状态评估方法缺乏对于这种不确定性的准确表达。针对此现象，本专利开发了一种改进的智能制造系统的功能健康状态评估方法，其不确定性表示为模糊值。基于模糊证据理论和制造系统运行机理，定义了智能制造系统的功能健康状态内涵。提出了阶段任务网络模型，简化了制造系统的运行过程，全面分析了机器性能退化状态、生产任务执行状态以及输出产品质量状态。进一步地，提出了一种基于模糊证据理论的智能制造系统的功能健康状态评估方法。本发明适用于智能制造系统的功能健康状态评估，并在帮助制造商做出更好的决策方面具有指导意义。
发明内容
(1)本发明的目的：
为了解决现有的智能制造系统健康状态评估方法无法准确地从功能特征的角度进行描述，本发明提供一种新的智能制造系统的功能健康状态评估方法——一种基于阶段任务网络的智能制造系统功能健康状态评估方法。在给定生产任务需求的情况下，描述智能制造系统在运行过程中的功能状态退化趋势。综合分析加工机器性能、生产任务执行以及输出产品质量，充分考虑智能制造系统的运行机理及固有多阶段性和不确定性，量化智能制造系统的制造过程。与此同时，为简化智能制造系统的运行过程，本发明提出了智能制造系统的阶段任务网络模型，从而进一步明晰运行机理。并基于阶段任务网络模型的反向分析，确定各个任务阶段内的最小输入物料量，即子任务需求。在此基础上，基于模糊证据理论，给出功能健康状态的评估方法。实现了对智能制造系统功能健康状态评估的目的。
(2)技术方案：
本发明是一种基于阶段任务网络的智能制造系统功能健康状态评估方法，提出的基本假设如下：
假设1、该制造系统的基本结构为串联结构，并采用流水线加工的生产模式；
假设2、每台机器在物理上是相互独立的，即不考虑各设备之间的相互影响；
假设3、机器具有不同的加工能力状态Si＝{si1,si2,si3,…,sin}，其中sin和si1分别代表机器的最佳性能状态和完全故障状态；
假设4、机器在任意时刻出现各加工能力状态的比例关系是恒定的，对应的性能状态概率为Pi＝{pi1,pi2,pi3,…,pin}，且各性能状态概率之和为1；
假设5、经过机器i加工后产品质量状态可分为：合格状态spi1，有缺陷可修复状态spi2和报废状态spi3；其中i为机器编号，1、2、3为产品质量状态编号；
假设6、阶段任务网络模型中传递的物料量必须符合流量守恒定律；
假设7、阶段任务网络模型中每台关键加工机器后的检查工位是绝对可靠的，只有质量合格的产品才能进入下一阶段；
假设8、对于具有返工工序的阶段，每个处于有缺陷可修复状态的产品允许进行一次返工，若仍不合格，则视为报废；
假设9、生产任务演化过程处于理想状态，不考虑人员因素的影响；
基于上述假设，本发明提出一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其步骤如下：
步骤1、识别制造系统的生产任务需求及相关关键阶段和机器；
步骤2、确定关键质量特性并收集相关数据；
步骤3、分析产品的质量状态集合确并估计机器合格率；
步骤4、建立智能制造系统的阶段任务网络模型；
步骤5、确定阶段任务网络模型中的比例集合；
步骤6、分析各个机器的加工能力状态及其概率分布；
步骤7、确定阶段任务网络模型中各个阶段的子任务集；
步骤8、计算各个阶段的机器任务可靠性及产品质量状态；
步骤9、确定三种功能健康状态的隶属度函数并构造信念向量，进一步提出智能制造系统的功能健康状态评估方法；
其中，在步骤1中所述的“识别制造系统的生产任务需求及相关关键阶段和机器”，是指从系统工程角度出发，基于生产任务需求建立制造系统中加工机器、生产任务及输出产品之间的关联模型，进而确定功能健康状态评估所需的关键阶段和机器；其具体作法如下：根据给定的包括产品数量和质量需求的任务要求，在系统工程的背景下剖析加工机器性能退化、生产任务执行情况和产品质量偏差及其之间复杂关系对制造系统整体运行状态的影响的关联模型，确定出关键阶段，进而确定制造系统中的关键机器。
其中，在步骤2中所述的“确定关键质量特性并收集相关数据”，是指在识别制造系统相关关键阶段和机器后，基于知识经验识别影响制造系统功能健康状态的关键质量特性，并在此基础上收集相关数据；其具体作法如下：在确认制造系统关键阶段和机器后，根据背景知识和专家经验识别关键质量特性，然后基于工业生产大数据，收集关键阶段内关键机器的相关数据，包括统计数据和运行质量状态数据等；在智能制造的大背景下，该类数据可通过安装传感器进行收集或从网络云端获取。
其中，在步骤3中所述的“分析产品的质量状态集合确并估计机器合格率”，是指基于阶段任务网络模型的定义，确定各个阶段内机器可能输出产品的质量状态集合并估计机器合格率；其中产品质量状态符号为spij，机器合格率为ρsi1，式中i为机器编号，j为质量状态编号(j＝1,2,3，其中1为合格、2为有缺陷可修复、3为报废)；例如，sp31为经过机器3加工后输出质量状态为合格的产品，ρs23表示机器2输出质量状态为报废的产品的概率；其具体作法如下：基于阶段任务网络模型中对产品质量状态的定义分类，基于实际的制造系统生产过程，分析处于各个关键阶段内加工机器是否具有返工工序并确定机器合格率，基于此得到各个机器输出的产品质量状态集合。
其中，在步骤4中所述的“建立智能制造系统的阶段任务网络模型”，是指基于步骤1、2和3，在得到各个关键阶段和机器在结构上的关联关系，以及各个机器的合格率及经过加工后可能输出的产品质量状态后，将制造系统转化为阶段任务网络模型，以此来简化制造系统的运行过程，便于后续的功能健康状态评估；
其“建立智能制造系统的阶段任务网络模型”的具体作法如下：利用矩形表示加工机器的性能状态，圆形表示机器可能输出的产品质量状态，菱形表示各个阶段内每台关键加工机器后设置的检查工位，将各个任务阶段根据相互之间在结构上的关联关系连接起来建立阶段任务网络模型，连接所用的有向实线边表示各个阶段之间传递的物料量。
其中，在步骤5中所述的“确定阶段任务网络模型中的比例集合”，是指将比例集合确定为ρsij和
Figure BDA0002844234270000051
其中ρsij表示输入物料与处于加工过程中产品数量的比例关系，
Figure BDA0002844234270000052
表示输出物料与处于加工过程中产品数量的比例关系。
其中，在步骤6中所述的“分析各个机器的加工能力状态及其概率分布”，是指根据生产单位质量管理部门中的统计数据，分析制造系统内各个关键机器由于各种随机因素所具有的不同加工能力状态Si＝{si1,si2,si3,…,sin}以及对应的概率分布Pi＝{pi1,pi2,pi3,…,pin}。
其中，在步骤7中所述的“确定阶段任务网络模型中各个阶段的子任务集”，是指基于建立的制造系统阶段任务网络模型，根据已知的生产任务需求T通过对阶段任务网络模型的反向分析，确定各个阶段的子任务集，即评估各个阶段的最小输入物料量；首先确定系统所需原材料输入量
Figure BDA0002844234270000053
式中，n为制造系统的机器数量，i为机器编号，w为可以进行返工的机器的编号；随后，制造系统在各个任务阶段的最小输入物料量可通过
Figure BDA0002844234270000061
和Wi O＝ρsi1Wi I来确定。
其中，在步骤8中所述的“计算各个阶段的机器任务可靠性及产品质量状态”，是指在确定各个机器的加工能力状态及其概率分布以及各个阶段子任务集后，引入一个与机器加工能力有关的变量
Figure BDA0002844234270000062
并通过检查机器性能状态能否满足生产任务要求的最小输入物料量，建立机器任务可靠性模型Rmi(t)＝P(Six≥Wi I)，其中i为机器编号，x为机器i某一时刻的状态编号；在分析和计算产品质量状态时，根据伽马分布的特性并引入过程模型来表示关键质量特性偏差
Figure BDA0002844234270000063
得到产品质量状态
Figure BDA0002844234270000064
其中，在步骤9中所述的“确定三种功能健康状态的隶属度函数并构造信念向量，进一步提出智能制造系统的功能健康状态评估方法”，是指在上述步骤1-8的基础上，将制造系统的功能健康状态定义为三个层次的语言变量：低(L)、中(M)、高(H)，并构造其隶属度函数得到机器任务可靠性和产品质量状态的信念向量V＝(vRm1,vRm2,vRm3)，V＝(vQ1,vQ2,vQ3)，据此可以生成三种功能健康状态的基本概率分配(BPA)；通过引入登普斯特组合规则，即
Figure BDA0002844234270000065
Figure BDA0002844234270000066
实现对三种表征功能健康状态的因素的证据融合；引入色概率变换将BPA平均分配给每个子集，使其转换为概率函数，其概率分布可表示为
Figure BDA0002844234270000067
其中|A|为集合A中元素个数，通过计算得到制造系统处于高、中、低功能健康状态的概率，由此实现系统的功能健康状态评估。
通过以上步骤，提出了基于阶段任务网络的智能制造系统功能健康状态评估方法，解决了传统方法忽略智能制造系统功能健康状态及运行机理分析不全面的问题，对于监控作为功能输出的产品的质量，并有效降低产品质量损失方面具有指导意义，有助于制造商合理做出生产策略并更换维护决策，提高了企业受益，增强了企业市场竞争力。
(3)本发明所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其使用方法如下：
步骤(1)识别制造系统的生产任务需求及相关关键阶段和机器；其具体作法如下：在任务需求明确的条件下，基于公理化映射理论，确定智能制造系统功能健康状态评估的所需关键阶段和机器；
步骤(2)确定关键质量特性并收集相关数据；其具体作法如下：基于智能制造系统的制造模式以及相关知识经验，选出显著影响系统功能健康状态评估的关键质量特性，并收集相关统计数据以及运行质量状态数据；
步骤(3)分析产品的质量状态集合确并估计机器合格率；其具体作法如下：基于阶段任务网络模型中对产品质量状态的定义，基于实际的制造系统生产过程，分析处于各个阶段加工工位上的机器是否具有返工过程并确定机器合格率，基于此得到各个机器输出的产品质量状态集合；
步骤(4)建立智能制造系统的阶段任务网络模型；其具体作法如下：在相关的关键阶段和机器以及它们之间的物理关系已知的情况下，建立类似如图1所示的智能制造系统的阶段任务网络模型；
步骤(5)确定阶段任务网络模型中的比例集合；其具体作法如下：比例集合
Figure BDA0002844234270000071
中的机器间物料传递比例参数ρsij和
Figure BDA0002844234270000072
是基于生产模式所得，式中i和j为机器编号；
步骤(6)分析各个机器的加工能力状态及其概率分布；其具体作法如下：机器在生产过程中会具有不同的加工能力状态Si＝{si1,si2,si3,…,sin}，根据从汽车生产单位质量管理部门收集到的相关数据，通过分析各种故障模式及其统计数据可以得到机器由于各种随机因素而具有的不同加工能力状态Si＝{si1,si2,si3,…,sin}以及对应的概率分布Pi＝{pi1,pi2,pi3,…,pin}；
步骤(7)确定阶段任务网络模型中各个阶段的子任务集；其具体作法如下：基于阶段任务网络模型的反向分析及量化关系，确定智能制造系统各个阶段的子任务集，即各个阶段内加工机器的最小输入物料量，首先制造系统的所需原材料输入量为
Figure BDA0002844234270000081
式中，式中，n为制造系统的机器数量，i为机器编号，w为具有返工工序的机器的编号；随后，制造系统在各个阶段内的最小输入物料量Wi I可通过
Figure BDA0002844234270000082
和Wi O＝ρsi1Wi I来确定；
步骤(8)计算各个阶段的机器任务可靠性及产品质量状态；其具体作法如下：在确定各个阶段子任务集之后，从故障导致设备停机的角度引入不可用度，得到一个与加工设备性能有关的变量
Figure BDA0002844234270000083
并通过机器性能状态满足生产任务要求的概率对机器任务可靠性进行量化，即Rmi(t)＝P(Six≥Wi I)，其中i表示机器编号，x表示机器i某时刻的状态编号；在对产品质量状态进行分析建模时，引入过程模型来对关键质量特性偏差进行描述，同时根据根据伽马分布的特性得到产品关键质量特性偏差的表达式，即
Figure BDA0002844234270000084
随后可以对产品的质量状态进行量化建模，得到
Figure BDA0002844234270000085
步骤(9)确定三种功能健康状态的隶属度函数并构造信念向量，进一步提出智能制造系统的功能健康状态评估方法；其具体作法如下：将制造系统的功能健康状态定义为三个语言变量：低(L)、中(M)、高(H)，并构造其隶属度函数得到机器可靠性和产品质量状态的信念向量V＝(vRm1,vRm2,vRm3)，V＝(vQ1,vQ2,vQ3)，据此可以生成三种功能健康状态的基本概率分配(BPA)；通过引入登普斯特组合规则，即
Figure BDA0002844234270000091
Figure BDA0002844234270000092
对表征三种功能健康状态的因素进行证据融合；引入色概率变换将BPA平均分配给每个子集，使其转换为概率函数，其概率分布可表示为
Figure BDA0002844234270000093
其中|A|为集合A中元素个数，通过计算得到制造系统处于高、中、低功能健康状态的概率，由此实现系统的功能健康状态评估。
(4)优点和功效：
本发明是一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其优点是：
i.本发明从系统工程的角度出发，提出了考虑机器性能状态、任务执行状态和产品质量状态的智能制造系统的功能健康状态内涵；
ii.本发明建立阶段任务网络模型作为简化制造系统的运行过程的工具，以准确地说明制造系统的运行机理；
iii.本发明在阶段任务网络和模糊证据理论的基础上，提出了一种充分考虑智能制造系统功能特征的面向产品质量的功能健康状态评估方法。
iv.所述评估方法科学，工艺性好，具有广阔推广应用价值。
附图说明
图1是制造系统阶段任务网络模型。
图1(a)是串联制造系统。
图1(b)是串联制造系统阶段任务网络模型。
图2是本发明所述方法流程图。
图3是基于模糊证据理论的制造系统功能健康状态评估模型。
图4是气缸盖制造系统的阶段任务网络模型。
图中符号说明如下：
I是指制造系统的原材料输入量
O是制造系统的产品输出量
Rm为加工机器的任务可靠性
Q为输出产品的质量
VRm为机器任务可靠性的信念向量
VQ为产品质量的信念向量
Wsi1为机器i输出合格产品的数量
Wsi2为机器i输出有缺陷的能修复产品的数量
Wsi3为机器i输出报废产品的数量
Wi I为机器i的最小输入物料量
ρsij表示输入物料与处于加工过程中产品数量的比例关系
Figure BDA0002844234270000101
表示输出物料与处于加工过程中产品数量的比例关系
具体实施方式
下面将结合附图和实例对本发明做进一步详细说明。
本发明是一种基于阶段任务网络的智能制造系统功能健康状态评估方法，见图2所示，其步骤如下
步骤1确定某型号汽车发动机气缸盖制造系统的任务需求以及相关关键阶段和机器。基于任务需求(这里包括产品数量和质量需求)，确定系统功能健康状态评估所需的关键阶段和机器，如表1。
表1.关键质量特性及其加工机器
Figure BDA0002844234270000102
步骤2识别气缸盖制造系统关键质量特性并收集相关数据。气缸盖关键质量特性共有3个，分别为精镗凸轮轴孔同轴度、加工导管孔直径以及精镗摇臂轴孔孔径精度。基于表1收集相关数据。
步骤3分析产品的质量状态集合确并估计机器合格率。基于步骤1，气缸盖制造系统由3个阶段组成，其中只有阶段2具有返工过程，因此处于该任务阶段的机器2输出的产品质量状态为sp11，sp12和sp13。其余机器输出的产品质量状态为spi1和spi3(i＝1,3)。并且根据从汽车生产单位历史数据库中收集到的历史数据，估计各任务阶段机器的合格率，分别为ρs11＝0.97，ρs21＝0.93，ρs31＝0.95。
步骤4建立气缸盖智能制造系统的阶段任务网络模型。基于步骤1-3所收集信息，建立气缸盖制造系统的阶段任务网络模型，如图4所示。
步骤5确定阶段任务网络模型中的比例集合。对于气缸盖制造系统，各任务阶段输出物料与处于加工过程中产品数量的比例关系
Figure BDA0002844234270000111
输入物料与处于加工过程中产品数量的比例关系可理解为机器的合格率，即ρs11＝0.97，ρs21＝0.93，ρs31＝0.95。
步骤6分析各个机器的加工能力状态及其概率分布。通过分析各种故障模式和其统计数据可以得到机器各加工能力状态发生概率之间的比例关系，如表2所示。
表2.各阶段机器的加工能力状态及其概率分布
Figure BDA0002844234270000112
步骤7确定阶段任务网络模型中各个阶段的子任务集。以任务要求T＝200/每天为例，为完成生产任务要求，在制造系统各个任务阶段内的最小输入物料量为：
Figure BDA0002844234270000121
W1 I＝I＝215.4
Figure BDA0002844234270000122
Figure BDA0002844234270000123
步骤8计算各个阶段的机器任务可靠性及产品质量状态。首先，通过从质量管理部分获得的故障数据可以确定λ1(t)＝0.227，λ2(t)＝0.388，λ3(t)＝0.451，τ1＝0.31，τ2＝0.43，τ3＝0.37，根据表2的内容，由
Figure BDA0002844234270000124
可以计算出各个任务阶段内与机器性能状态有关的变量e:
Figure BDA0002844234270000125
Figure BDA0002844234270000126
Figure BDA0002844234270000127
由表2可知满足各个任务阶段要求最小输入物料量的最低机器加工能力状态为Smin1＝240,Smin2＝225,Smin3＝215，因此可以通过检查机器性能状态能否满足任务要求的输入物料量来计算机器任务可靠性：
Rm1(t)＝P(S1x≥240)
＝P(S1x＝240)+P(S1x＝270)+P(S1x＝280)
＝1-37e1＝0.871
Rm2(t)＝P(S2x≥225)＝1-55e2＝0.687
Rm3(t)＝P(S3x≥215)＝1-49e2＝0.711
接着对产品质量状态进行分析与计算，根据伽马分布的特性并引入过程模型来表示输出产品的关键质量特性偏差：
q1(t)＝1.27×10-8t2+2.38×10-5t+1.33×10-5
q2(t)＝1.33×10-8t2+1.71×10-5t+4.56×10-6
q3(t)＝2.26×10-8t2+1.76×10-5t+1.28×10-5
根据公式
Figure BDA0002844234270000131
可以得到不同任务阶段对于的质量阈值a1＝0.0051，a2＝0.0031，a2＝0.0031，a3＝0.0037，根据公式
Figure BDA0002844234270000132
当t＝100时，气缸盖制造系统在各阶段输出的产品质量状态为：
Q1(t)＝0.506,Q2(t)＝0.404,Q3(t)＝0.463.
步骤9确定三种功能健康状态的隶属度函数并构造信念向量，进一步提出气缸盖制造系统的功能健康状态评估方法。如图3所示，得到基于模糊证据理论的制造系统功能健康状态评估模型。在完成各任务阶段内Rm和Q的计算后，将气缸盖制造系统的功能健康状态定义为三个层次的语言变量：低(L)、中(M)、高(H)，并构造三种功能健康状态的隶属度函数，然后由公式
Figure BDA0002844234270000133
获得对于Rm模糊评估的证据的重要度：
Figure BDA0002844234270000134
Figure BDA0002844234270000135
Figure BDA0002844234270000136
通过计算可以得到Rm和Q的信念向量分别是VRm＝(0.244,0.387,0.369)和
Figure BDA0002844234270000141
据此可以生成三种功能健康状态的基本概率分配(BPA)，如表3所示：
表3.三种功能健康状态的基本概率分配
Figure BDA0002844234270000142
使用登普斯特组合规则对表3中的功能状态因素进行汇总：
Figure BDA0002844234270000143
Figure BDA0002844234270000144
然后引入色概率变换通过将基本概率分配转换为概率函数来聚合L,M,H：
P(L)＝0.027,P(M)＝0.782,P(H)＝0.191.
据此，已完成对气缸盖制造系统的功能健康状态评估，可以判断出该气缸盖智能制造系统的功能健康状态处于中等水平。该评估方法可用于后续合理指导生产活动并制定维修策略。

Claims (10)

1.一种基于阶段任务网络的智能制造系统功能健康状态评估方法，设条件如下：
设该制造系统的基本结构为串联结构，并采用流水线加工的生产模式；
设每台机器在物理上是相互独立的，即不考虑各设备之间的相互影响；
设机器具有不同的加工能力状态Si＝{si1,si2,si3,…,sin}，其中sin和si1分别代表机器的最佳性能状态和完全故障状态；
设机器在任意时刻出现各加工能力状态的比例关系是恒定的，对应的性能状态概率为Pi＝{pi1,pi2,pi3,…,pin}，且各性能状态概率之和为1；
设经过机器i加工后产品质量状态分为：合格状态spi1，有缺陷可修复状态spi2和报废状态spi3；其中i为机器编号，1、2、3为产品质量状态编号；
设阶段任务网络模型中传递的物料量必须符合流量守恒定律；
设阶段任务网络模型中每台关键加工机器后的检查工位是绝对可靠的，只有质量合格的产品才能进入下一阶段；
设对于具有返工工序的阶段，每个处于有缺陷可修复状态的产品允许进行一次返工，若仍不合格，则视为报废；
设生产任务演化过程处于理想状态，不考虑人员因素的影响；
其特征在于：其步骤如下：
步骤1、识别制造系统的生产任务需求及相关关键阶段和机器；
步骤2、确定关键质量特性并收集相关数据；
步骤3、分析产品的质量状态集合确并估计机器合格率；
步骤4、建立智能制造系统的阶段任务网络模型；
步骤5、确定阶段任务网络模型中的比例集合；
步骤6、分析各个机器的加工能力状态及其概率分布；
步骤7、确定阶段任务网络模型中各个阶段的子任务集；
步骤8、计算各个阶段的机器任务可靠性及产品质量状态；
步骤9、确定三种功能健康状态的隶属度函数并构造信念向量，进一步提出智能制造系统的功能健康状态评估方法。
2.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤1中所述的“识别制造系统的生产任务需求及相关关键阶段和机器”，是指从系统工程角度出发，基于生产任务需求建立制造系统中加工机器、生产任务及输出产品之间的关联模型，进而确定功能健康状态评估所需的关键阶段和机器；其具体作法如下：根据给定的包括产品数量和质量需求的任务要求，在系统工程的背景下剖析加工机器性能退化、生产任务执行情况和产品质量偏差及其之间复杂关系对制造系统整体运行状态的影响的关联模型，确定出关键阶段，进而确定制造系统中的关键机器。
3.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤2中所述的“确定关键质量特性并收集相关数据”，是指在识别制造系统相关关键阶段和机器后，基于知识经验识别影响制造系统功能健康状态的关键质量特性，并在此基础上收集相关数据；其具体作法如下：在确认制造系统关键阶段和机器后，根据背景知识和专家经验识别关键质量特性，然后基于工业生产大数据，收集关键阶段内关键机器的相关数据，包括统计数据和运行质量状态数据；在智能制造的大背景下，该类数据能通过安装传感器进行收集及从网络云端获取。
4.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤3中所述的“分析产品的质量状态集合确并估计机器合格率”，是指基于阶段任务网络模型的定义，确定各个阶段内机器可能输出产品的质量状态集合并估计机器合格率；其中产品质量状态符号为spij，机器合格率为ρsi1，式中i为机器编号，j为质量状态编号，j＝1,2,3，其中1为合格、2为有缺陷能修复、3为报废；sp31为经过机器3加工后输出质量状态为合格的产品，ρs23表示机器2输出质量状态为报废的产品的概率；其具体作法如下：基于阶段任务网络模型中对产品质量状态的定义分类，基于实际的制造系统生产过程，分析处于各个关键阶段内加工机器是否具有返工工序并确定机器合格率，基于此得到各个机器输出的产品质量状态集合。
5.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤4中所述的“建立智能制造系统的阶段任务网络模型”，是指基于步骤1、2和3，在得到各个关键阶段和机器在结构上的关联关系，以及各个机器的合格率及经过加工后可能输出的产品质量状态后，将制造系统转化为阶段任务网络模型，以此来简化制造系统的运行过程，便于后续的功能健康状态评估；
其“建立智能制造系统的阶段任务网络模型”的具体作法如下：利用矩形表示加工机器的性能状态，圆形表示机器可能输出的产品质量状态，菱形表示各个阶段内每台关键加工机器后设置的检查工位，将各个任务阶段根据相互之间在结构上的关联关系连接起来建立阶段任务网络模型，连接所用的有向实线边表示各个阶段之间传递的物料量。
6.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤5中所述的“确定阶段任务网络模型中的比例集合”，是指将比例集合确定为ρsij和
Figure FDA0002844234260000033
其中ρsij表示输入物料与处于加工过程中产品数量的比例关系，
Figure FDA0002844234260000034
表示输出物料与处于加工过程中产品数量的比例关系。
7.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤6中所述的“分析各个机器的加工能力状态及其概率分布”，是指根据生产单位质量管理部门中的统计数据，分析制造系统内各个关键机器由于各种随机因素所具有的不同加工能力状态Si＝{si1,si2,si3,…,sin}以及对应的概率分布Pi＝{pi1,pi2,pi3,…,pin}。
8.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤7中所述的“确定阶段任务网络模型中各个阶段的子任务集”，是指基于建立的制造系统阶段任务网络模型，根据已知的生产任务需求T通过对阶段任务网络模型的反向分析，确定各个阶段的子任务集，即评估各个阶段的最小输入物料量；首先确定系统所需原材料输入量
Figure FDA0002844234260000031
式中，n为制造系统的机器数量，i为机器编号，w为进行返工的机器的编号；随后，制造系统在各个任务阶段的最小输入物料量能通过
Figure FDA0002844234260000032
和Wi O＝ρsi1Wi I来确定。
9.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤8中所述的“计算各个阶段的机器任务可靠性及产品质量状态”，是指在确定各个机器的加工能力状态及其概率分布以及各个阶段子任务集后，引入一个与机器加工能力有关的变量
Figure FDA0002844234260000041
并通过检查机器性能状态能否满足生产任务要求的最小输入物料量，建立机器任务可靠性模型Rmi(t)＝P(Six≥Wi I)，其中i为机器编号，x为机器i某一时刻的状态编号；在分析和计算产品质量状态时，根据伽马分布的特性并引入过程模型来表示关键质量特性偏差
Figure FDA0002844234260000042
得到产品质量状态
Figure FDA0002844234260000043
10.根据权利要求1所述的一种基于阶段任务网络的智能制造系统功能健康状态评估方法，其特征在于：在步骤9中所述的“确定三种功能健康状态的隶属度函数并构造信念向量，进一步提出智能制造系统的功能健康状态评估方法”，是指在上述步骤1-8的基础上，将制造系统的功能健康状态定义为三个层次的语言变量：低、中、高，并构造其隶属度函数得到机器任务可靠性和产品质量状态的信念向量V＝(vRm1,vRm2,vRm3)，V＝(vQ1,vQ2,vQ3)，据此能生成三种功能健康状态的基本概率分配(BPA)；通过引入登普斯特组合规则，即
Figure FDA0002844234260000044
Figure FDA0002844234260000045
实现对三种表征功能健康状态的因素的证据融合；引入色概率变换将BPA平均分配给每个子集，使其转换为概率函数，其概率分布能表示为
Figure FDA0002844234260000046
其中|A|为集合A中元素个数，通过计算得到制造系统处于高、中、低功能健康状态的概率，由此实现系统的功能健康状态评估。
CN202011503610.5A 2020-12-18 2020-12-18 基于阶段任务网络的智能制造系统功能健康状态评估方法 Pending CN112561340A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011503610.5A CN112561340A (zh) 2020-12-18 2020-12-18 基于阶段任务网络的智能制造系统功能健康状态评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011503610.5A CN112561340A (zh) 2020-12-18 2020-12-18 基于阶段任务网络的智能制造系统功能健康状态评估方法

Publications (1)

Publication Number Publication Date
CN112561340A true CN112561340A (zh) 2021-03-26

Family

ID=75063592

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011503610.5A Pending CN112561340A (zh) 2020-12-18 2020-12-18 基于阶段任务网络的智能制造系统功能健康状态评估方法

Country Status (1)

Country Link
CN (1) CN112561340A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194826A (zh) * 2017-06-16 2017-09-22 北京航空航天大学 一种基于质量状态任务网的制造系统健康诊断与预测方法
CN108665164A (zh) * 2018-05-10 2018-10-16 北京航空航天大学 基于运行质量数据的多态制造系统任务可靠性评估方法
CN109902931A (zh) * 2019-01-28 2019-06-18 北京航空航天大学 一种基于运行数据融合的多态制造系统运行风险建模方法
CN110210531A (zh) * 2019-05-15 2019-09-06 北京航空航天大学 基于扩展随机流网的模糊多态制造系统任务可靠性评估方法
US20190285517A1 (en) * 2017-10-25 2019-09-19 Nanjing Univ. Of Aeronautics And Astronautics Method for evaluating health status of mechanical equipment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107194826A (zh) * 2017-06-16 2017-09-22 北京航空航天大学 一种基于质量状态任务网的制造系统健康诊断与预测方法
US20190285517A1 (en) * 2017-10-25 2019-09-19 Nanjing Univ. Of Aeronautics And Astronautics Method for evaluating health status of mechanical equipment
CN108665164A (zh) * 2018-05-10 2018-10-16 北京航空航天大学 基于运行质量数据的多态制造系统任务可靠性评估方法
CN109902931A (zh) * 2019-01-28 2019-06-18 北京航空航天大学 一种基于运行数据融合的多态制造系统运行风险建模方法
CN110210531A (zh) * 2019-05-15 2019-09-06 北京航空航天大学 基于扩展随机流网的模糊多态制造系统任务可靠性评估方法

Similar Documents

Publication Publication Date Title
CN109902931B (zh) 一种基于运行数据融合的多态制造系统运行风险建模方法
CN113361139B (zh) 一种基于数字孪生的产线仿真滚动优化系统及方法
Lu et al. Integrated forward and reverse logistics network design for a hybrid assembly-recycling system under uncertain return and waste flows: A fuzzy multi-objective programming
Jain et al. A hybrid approach using ISM and modified TOPSIS for the evaluation of flexibility in FMS
Mi et al. Integrated intelligent green scheduling of predictive maintenance for complex equipment based on information services
Aleš et al. Methodology of overall equipment effectiveness calculation in the context of industry 4.0 environment
Li et al. Preventive maintenance decision model of urban transportation system equipment based on multi-control units
CN114169254A (zh) 基于短期建筑能耗预测模型的异常能耗诊断方法及系统
Ak et al. Data analytics and uncertainty quantification for energy prediction in manufacturing
Zhao et al. Equipment fault forecasting based on ARMA model
Guo et al. Power demand forecasting and application based on SVR
Yang et al. Integrated mission reliability modeling based on extended quality state task network for intelligent multistate manufacturing systems
CN112561340A (zh) 基于阶段任务网络的智能制造系统功能健康状态评估方法
WO2023028842A1 (zh) 工厂运营的预测方法、装置及计算机可读存储介质
Frigerio et al. Energy monitoring of manufacturing plants: a real case application
Engelhardt et al. Uncertainty-mode-and effects-analysis–an approach to analyze and estimate uncertainty in the product life cycle
CN107341292A (zh) 基于无故障概率的多参数多工序工艺系统可靠性计量方法
Hu et al. A framework of cloud model similarity-based quality control method in data-driven production process
Krulčić et al. Design for Six Sigma Digital Model for Manufacturing Process Design
Bauer et al. Approach for an adaptive control loop between supply network and manufacturing
CN116627093B (zh) 一种丁腈手套加工控制方法、系统、设备及存储介质
Abubakar et al. Production System Optimisation with a Multi-Level Process Control Tool Integrated into Maintenance and Quality Strategies under Services and Quality Constraints
CN117952564B (zh) 一种基于进度预测的排程模拟优化方法及系统
Bratchikov Modern Approaches for Equipment's Technical State Prediction
Yu et al. Electric Power Material Demand Forecasting Based on LSTM and GM-BP methods

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210326