CN112818564A - 基于耦合运行因素的多工序制造系统功能健康状态建模方法 - Google Patents

基于耦合运行因素的多工序制造系统功能健康状态建模方法 Download PDF

Info

Publication number
CN112818564A
CN112818564A CN202110213339.XA CN202110213339A CN112818564A CN 112818564 A CN112818564 A CN 112818564A CN 202110213339 A CN202110213339 A CN 202110213339A CN 112818564 A CN112818564 A CN 112818564A
Authority
CN
China
Prior art keywords
machine
manufacturing system
workpiece
functional health
requirements
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.)
Granted
Application number
CN202110213339.XA
Other languages
English (en)
Other versions
CN112818564B (zh
Inventor
何益海
李尧
王文卓
张安琪
杨秀珍
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 CN202110213339.XA priority Critical patent/CN112818564B/zh
Publication of CN112818564A publication Critical patent/CN112818564A/zh
Application granted granted Critical
Publication of CN112818564B publication Critical patent/CN112818564B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/18—Manufacturability analysis or optimisation for manufacturability
    • 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
    • Y02P90/80—Management or planning

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，具体步骤是：一、分析制造系统的耦合运行机理及对功能健康的影响；二、识别用户需求并确定关键质量特征；三、建立工件持续磨损下的机器可靠性模型；四、分析机器的任务执行状态并计算工件输出合格率；五、分析机器的加工能力与工序子需求的关系；六、基于机器故障分析加工能力状态的概率分布；七、估算工序的各级别子任务需求的概率分布；八、计算各道工序的功能健康状态；九、构建多工序制造系统的功能健康动态量化模型。该方法能够更全面、综合地评价多工位制造系统的复杂退化机制，在制造系统的生产调度和预测性维修方面具有良好的使用价值。

Description

基于耦合运行因素的多工序制造系统功能健康状态建模方法
技术领域
本发明提供了一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，属于系统健康状态分析与建模技术领域。
背景技术
随着大数据和数字化建模技术的成熟，德国工业4.0等一系列规划相继被提出，为制造业的高速发展注入了活力。智能化的提升使制造系统的复杂性日益提高，现代 制造系统是一个典型多态多工序的复杂系统，持续稳定的产出高可靠的产品是其核心 任务及功能。因此，评估制造系统的健康状态不再以制造设备的故障诊断为核心，而 是将实现用户价值作为整体运行的焦点。这意味着需要从功能实现的角度展开，将内 部的一系列耦合运行因素纳入整体预测的范畴。严格的质量与可靠性分析已经成为制 造系统设计、运行及维护管理所必须考虑的一项重要工作。但传统的状态建模技术受 限于从单一的维度进行考虑，导致对其运行过程中功能健康状态的分析能力有限，不 能科学、准确地满足当今对复杂系统整体的故障预测与健康管理的运维需求。
多工序制造系统是指在规定的任务下，通过多道加工工序对输入物料进行加工的动态系统。换言之，多工序制造系统是生产任务、加工机器和输出工件的有机整体。 从构成要素上看，一个制造系统在运行过程中会表现出一种明显的功能退化和失效特 征。由于预防、维修技术的高速发展，大部分导致停机的设备故障已经可以避免。所 以，输出产品作为衡量制造系统效能最直观的反馈，是评估系统级功能实现的可靠载 体。但在以往的研究中大多只考虑物理层面的故障与退化，或将产品的评估指标定义 为“合格”与“不合格”的二元状态。本发明将制造系统的功能健康状态定义为在规定的 条件和时间内，以输出高质量的产品为前提，完成用户规定的生产任务的能力。功能 健康状态是可靠性概念的延伸，聚焦于一方面产出用户需要的产品数量，另一方面是 要保障产品的出厂质量。
加工机器作为制造系统的基本物理单元，经常受到外部磨损和老化等影响，加之以故障模式的多样性，导致机器的性能和批量生产能力往往呈现出多态性退化特征。 而在现今小批量、定制化为主的宏观背景下，不同的生产周期中往往具有不同层次的 任务标准，在特定的任务下对制造系统进行分析的理念逐渐流行。尽管机器性能时刻 处于退化状态，但在动态的任务需求中可靠性水平也会随之波动。高质量的产品是所 有企业所追求的目标。工件作为产品的中间形式，会在工序流的加工和装配过程中不 断传递，工件的合格标准由工序对应的关键质量特征决定。当加工机器退化到无法达 到关键质量特征所要求的尺寸或精度时，即使机器仍然能够运行并执行预设的加工动 作，但其综合的健康水平显然已降低到规范阈值以下。一台机器除本身老化和环境噪 声影响外，来自上游的关键质量特征意外偏差也会加剧该机器的磨损。换句话说，关 键质量特征的合格程度直接决定了工件的质量，并间接影响每道工序的任务执行状 态。
上述的复杂耦合效应是鲜有研究全面考虑到的，但却是真实生产过程中客观存在的现象。针对此问题，本专利开发了一种针对耦合运行过程因素的多工序制造系统功 能健康状态建模方法。旨在从制造系统的耦合运行机制为出发点，以功能保障为核心， 重新定义多工序制造系统健康状态的新内涵；深入分析制造系统的设备性能退化、任 务执行状态与工件质量缺陷间的交互关系，并尝试量化这种耦合效应以及建立一个集 成模型来预测多工序制造系统的功能健康状态。本发明适用于多工序制造系统的功能 健康状态退化过程预测，对制造企业的预防维修决策与健康管理具有指导意义。
发明内容
本发明的目的是提供一种基于耦合运行因素的多工序制造系统功能健康状态建模方法；
随着智能制造与小批量生产模式的兴起，影响多工位制造系统健康运行和实现预期功能的考虑因素已不再仅仅局限于制造设备，而是扩展为包括生产过程、被制造产 品的一系列运行因素的集合。然而，诸多运行因素间的偏差传递、相互作用等耦合效 应会导致制造系统的功能健康呈现复杂的退化机制，这是很少有研究考虑到的。因此， 本发明从耦合运行机制为出发点，提供了一种新的制造系统的功能健康状态预测方 法。首先，在工序功能退化分析的基础上，阐述了多工位制造系统的耦合运行机制和 功能健康状态的内涵。其次，分别考虑任务执行和工件质量的耦合效应，对具有维纳 退化特征的机器建立了耦合因素之间的定量关联关系。第三，建立了集成的制造系统 功能健康状态预测模型。结果表明，该方法能综合评价多工位制造系统的运行状态， 直观描述工序功能实现的程度。
(2)技术方案：
本发明是一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，提出的基本假设如下：
假设1、该多工序制造系统为串联结构；
假设2、每道工序只有一台主要制造设备，其余均为辅助设备；
假设3、每道工序所加工的对应关键质量特征视为互相独立；
假设4、每道工序后有一个绝对可靠的检查点，用于检验输出产品的质量状态；
假设5、机器在物理上相互独立并且性能退化服从维纳过程；
(所述“维纳过程”又称布朗运动，它具有如下特点：(1)当前时刻包含预测未来 趋势时所需的全部信息；(2)任一时间间隔具有独立增量；(3)在任一时间上的变 化量服从正态分布；)
假设6、机器的加工能力具有有限个离散状态，并且对应概率成比例；
假设7、处于缺陷状态的在制品，可在该工序的任务完成后重新返工一次，若仍 然不合格，则按报废处理；
假设8、本制造过程不考虑人为因素影响；
基于上述假设，本发明提出一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其步骤如下：
步骤1、分析制造系统的耦合运行机理及对功能健康的影响；
步骤2、识别用户需求并确定关键质量特征；
步骤3、建立工件持续磨损下的机器可靠性模型；
步骤4、分析机器的任务执行状态并计算工件输出合格率；
步骤5、分析机器的加工能力与工序子需求的关系；
步骤6、基于机器故障分析加工能力状态的概率分布；
步骤7、估算工序的各级别子任务需求的概率分布；
步骤8、计算各道工序的功能健康状态；
步骤9、构建多工序制造系统的功能健康动态量化模型。
其中，在步骤1中所述的“分析制造系统的耦合运行机理及对功能健康的影响”，是指制造机器、生产过程、输出工件间的偏差传递、相互作用等耦合效应会导致制造 系统呈现复杂的退化机制；功能健康状态是扩展的制造系统可靠性内涵，深度依赖于 作为输出结果的工件的质量状态，机器仅仅是生产出工件的物理载体；其具体作法如 下：首先对制造机器、生产过程、输出工件各自可能存在退化过程进行分析，其次根 据三者的内在联系定性地探讨意外偏差的传递机制，进而以耦合运行为前提定义制造 系统的功能健康状态内涵。
其中，在在步骤2中所述的“识别用户需求并确定关键质量特征”，是指根据用户给定的一系列产品要求，通过需求映射对最终产品的尺寸、功能等进行分解，确定若 干个影响程度较大的关键质量特征作为各工序的加工质量标准；其具体作法如下：详 细分析用户给定的订单，基于产品的知识背景和专家经验，将目标产品整体分解映射 为一系列实现目标预期功能所必须的关键质量特征集合，并以此确定各个工序的任务 标准。
其中，在步骤3中所述的“建立工件持续磨损下的机器可靠性模型”，是指将机器故障率分为自身老化的固有故障率与上游输入的缺陷工件对机器组件磨损造成的附 加故障率，而工件的缺陷程度又和机器性能退化紧密相关；最终的机器可靠性为二者 的耦合结果：
Figure BDA0002953110680000051
式中：
Figure BDA0002953110680000052
为机器的固有故障率，其符 合维纳过程，μi(t)为工件磨损造成的附加故障率。
其中，在步骤4中所述的“分析机器的任务执行状态并计算工件输出合格率”，是指根据制造机器的实际生产特性，将工件的质量状态划分为合格品、可返工缺陷品、 报废品；其中输出合格率的计算是定量分析机器任务执行状态的关键，可表示为
Figure BDA0002953110680000053
其中ai为失效阈值，具体等于
Figure BDA0002953110680000054
其具体作法如下：对于一般工序有
Figure BDA0002953110680000055
对于可返工工序有
Figure BDA0002953110680000056
式中：Oi1是工序i输出的合格工件数，Oi2是具有缺 陷可返工的工件数，Oi3是报废的工件数；ρi1、ρi2和ρi3分别指工件的合格率、缺陷 率和报废率，
Figure BDA0002953110680000057
表示具有状态j的产品中输入到工序i的比例，根据具体任务而定。
其中，在步骤5中所述的“分析机器的加工能力与工序子需求的关系”，是指将机器的加工能力划分为有限个离散级别E＝[E1,E2,E3,…,EM]，而工序对应的子任务需求 则受输出合格率制约，是一种随时间递增的动态过程；只有当机器性能大于工序的需 求时，工序才具有健康的状态，即
Figure BDA0002953110680000058
式中：Exi为机器在x状态下 的加工能力，
Figure BDA0002953110680000059
为工序i对应的任务需求，对于能返工工序有
Figure BDA00029531106800000510
但显然上述概念公式并不能直接计算；其具体作法如下： 由于将机器的批量加工能力定义为有限个离散状态，而任务需求
Figure BDA00029531106800000511
此时为连续函数， 直接进行计算有失合理性，因此任务需求也要转化为必要的离散型。
其中，在步骤6中所述的“基于机器故障分析加工能力状态的概率分布”，是指根据制造商质量部门的统计数据，确定不同加工能力状态对应的概率分布 P＝[υp1,υp2,υp3,…,υpM]，并基于可用性的定义将加工能力损失与故障时间联立，
Figure BDA0002953110680000061
得到关键变量υ，进而即可量化各个状态概率；
式中：υpx是机器处于状态x时的概率，其中px为常数，反映了各状态间的概率 关系，
Figure BDA0002953110680000062
表示t时间内故障次数期望，EM为机器最佳加工能力状态，s是单个 故障引起的停机时间，l是与机器可靠性相关的t时间内的维护活动次数，s′是单次 维修引起的停机时间。
其中，在步骤7中所述的“估算工序的各级别子任务需求的概率分布”，是指根据用户的总需求对串联制造系统进行逆向分析，以最终端输出的合格品恰好满足任务需 求为基准，得到初始端的输入物料数量为
Figure BDA0002953110680000063
式中r为可返 工机器编号；随后各工序所需的最小物料为
Figure BDA0002953110680000064
式中：
Figure BDA0002953110680000065
表示工序i-1的合格品中输入到工序i中的比例，
Figure BDA0002953110680000066
表示可返工工序 r一次加工后的缺陷品中重新输入到工序r的比例；
将任务需求同样划分为有限个离散级别Gi＝[G2i,G3i,…,GMi,Gfailure]，对应的概率为Wi＝[w2i,w3i,…,wMi,wfailure]，其中Gxi＝Exi，
Figure BDA0002953110680000071
式中：Gfailure的含义表示在该级别下工序绝对无法满足任务需求，wfailure为其对应概率；
由于任务需求变化同样是一个典型的随机过程，但不具备特定的性质，因此可初步通过概率密度函数来估算。
其中，在步骤8中所述的“计算各道工序的功能健康状态”，是指识别工序的各级别需求对应的最低加工能力，找出能满足的全部加工能力；因此工序的功能健康状态 可表示为工序能满足子任务需求的概率
Figure BDA0002953110680000072
式中：
Figure BDA0002953110680000073
其中，在步骤9中所述的“构建多工序制造系统的功能健康动态量化模型”，是指根据制造系统的逻辑结构计算整体的功能健康状态；借助Matlab编程软件，
(所述“Matlab编程软件”是一个实用的数学工具，可将数值分析、矩阵计 算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易 于使用的视窗环境中；)
分析讨论制造系统功能健康状态随时间、不同任务的动态变化趋势，从而科学指导实际的生产工程活动；
其具体作法如下：(1)在敏感性分析中，假设其他参数均相同，分析机器-产品 的耦合系数集合ε＝[ε2,ε3,ε4]对结果的影响，ε为指示机器附加故障率与工件偏差量 关系的系数；假设其他参数不变，改变用户的总需求；(2)在对比性分析中，首先 与传统的以机器为核心的可靠性分析方法做比较，必要的参数均采用本文的数据；然 后，与没有考虑机器性能、任务执行、工件质量之间耦合效应的方法进行比较。
通过以上步骤，提出了基于耦合运行因素的多工序制造系统功能健康状态建模方法，解决了传统制造系统可靠性建模方法的局限性，从功能角度扩展了制造系统健康 状态分析的维度；所提出的方法能以实现用户价值为核心，更全面、客观地分析制造 系统的退化过程，有助于指导制造商合理地实施生产调度及制定维修策略。
(3)本发明所述的一种于耦合运行因素的多工序制造系统功能健康状态建模方法，其使用方法如下：
步骤(1)分析制造系统的耦合运行机理及对功能健康的影响；其具体作法如下：定性分析制造系统的耦合运行机理及定义功能健康状态的内涵，为后续的建模提供理 论支撑；
步骤(2)识别用户需求并确定关键质量特征；其具体作法如下：基于专家经验 分解用户需求，转化一系列影响产品预期功能程度最大的关键质量特征，以此作为任 务标准分配到每道生产工序；
步骤(3)建立工件持续磨损下的机器可靠性模型；其具体作法如下：定量分析 机器的广义退化过程及对输出工件的影响，并考虑工件偏差对下游机器的磨损依次建 立各台机器的耦合可靠性模型；
步骤(4)分析机器的任务执行状态并计算工件输出合格率；其具体作法如下： 根据工序间的输入输出特性将工件划分为合格品、可返工缺陷品、报废品并建立任务 执行状态模型，通过计算最关键的参数——合格率，即可得到各状态工件的比例关系；
步骤(5)分析机器的加工能力与工序子需求的关系；其具体作法如下：将机器 的加工能力划分为有限个离散级别E＝[E1,E2,E3,…,EM]，而工序对应的子任务需求则 受输出合格率制约，是一种随时间递增的连续过程，须转化为离散型；只有当机器性 能大于工序的需求时，工序才具有健康的状态；
步骤(6)基于机器故障分析加工能力状态的概率分布；其具体作法如下：根据 制造商质量部门的经验统计数据，确定不同加工能力状态对应的概率分布 P＝[υp1,υp2,υp3,…,υpM]，式中：υpx是机器处于状态x时的概率，其中px为常数，反 映了各状态间的概率关系；
并基于可用性的定义将加工能力损失与故障时间联立，
Figure BDA0002953110680000091
得到关键变量υ，进而即可量化各个状态概率， 式中：
Figure BDA0002953110680000092
表示t时间内故障次数期望，EM为机器最佳加工能力状态，s是单个 故障引起的停机时间，l是与机器可靠性相关的t时间内的维护活动次数，s′是单次 维修引起的停机时间；
步骤(7)估算工序的各级别子任务需求的概率分布；其具体作法如下：根据用 户的总需求对串联制造系统进行逆向分析，以最终端输出的合格品恰好满足任务需求 为基准，得到初始端的输入物料数量为
Figure BDA0002953110680000093
式中r为可返工 机器编号；随后各工序所需的最小物料为
Figure BDA0002953110680000094
式中：
Figure BDA0002953110680000095
表示工序i-1的合格品中输入到工序i中的比例，
Figure BDA0002953110680000096
表示可返工工 序r一次加工后的缺陷品中重新输入到工序r的比例；
将任务需求同样划分为有限个离散级别Gi＝[G2i,G3i,…,GMi,Gfailure]，对应的概率为Wi＝[w2i,w3i,…,wMi,wfailure]，其中Gxi＝Exi，
Figure BDA0002953110680000097
式中：Gfailure的含义表示在该级别下工序绝对无法满足任务需求，wfailure为其对应概率；
由于任务需求变化同样是一个典型的随机过程，但不具备特定的性质，因此可初步通过概率密度函数来估算；
步骤(8)计算各道工序的功能健康状态；其具体作法如下：识别工序的各级别 需求对应的最低加工能力，找出能满足的全部加工能力；因此工序的功能健康状态可 表示为工序能满足子任务需求的概率
Figure BDA0002953110680000101
式中：
Figure BDA0002953110680000102
步骤(9)构建多工序制造系统的功能健康动态量化模型；其具体作法如下：根 据制造系统的逻辑结构计算整体的功能健康状态；借助Matlab编程软件，分析讨论 制造系统功能健康状态随时间、不同任务的动态变化趋势，从而科学指导实际的生产 工程活动。
(4)优点和功效：
本发明是一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其优点是：
i.本发明贯彻系统工程思想，从制造系统内在的多种耦合因素为出发点探讨制造系统的运行机理，并以实现用户价值为核心定义功能健康状态的内涵；
ii.本发明分析了制造机器、生产过程、输出工件各自的退化机制与它们之间的偏差传递关系，并建立了三种耦合模型；
iii.本发明将复杂的耦合模型进行了有效整合，转化为集成的评估指标，即功能健康状态，可直观描述制造系统随时间的动态退化过程。
iv.所述建模方法科学合理，具有良好的工艺性，可在工业界广泛推广。
附图说明
图1是本发明所述的基于耦合运行因素的多工序制造系统功能健康状态建模方法流 程图。
图2是本发明考虑耦合运行的功能健康状态建模机理示意图。
图3(a)、(b)是本发明考虑工件偏差的机器2的可靠性耦合效应示意图。
图4是本发明各工序的输出合格率示意图。
图5是本发明各工序的所需输入物料示意图。
图6是本发明各工序的功能健康状态示意图。
图7是本发明制造系统的功能健康状态示意图。
图8(a)、(b)是本发明敏感性分析示意图。
图9(a)、(b)是本发明对比分析示意图。
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。
本发明是一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，见图1所示，其步骤如下
步骤1分析某铁氧体移相单元制造系统的耦合运行机理及对功能健康的影响， 如图2所示。铁氧体移相单元本身的脆弱性意味着极易在生产过程中出现不可抗的损 坏或尺寸偏差，当带有缺陷的工件引起下游机器的故障时，会显著影响机器性能致使 输出合格率降低。为了弥补因报废品增加带来的载荷压力，机器只能在更高级别的生 产能力下运转。这一连串的耦合效应不仅体现在制造系统组成单元上的物理故障，也 会体现在整体功能实现程度上的缺失，即可能无法满足用户的需求。
步骤2识别用户需求并确定铁氧体移相单元的关键质量特征。铁氧体移相单元生产工艺的“研磨外圆”、“研磨端面”、“胶合1”和胶合2”被选取为四道主要的 分析工序，对应的关键质量特性分别为直径、长度、直线度。
步骤3建立工件持续磨损下的机器可靠性模型。根据偏差流理论，可以得到每道工序下的产品尺寸偏差函数。基于假设5中机器的性能服从维纳分布，可以得到每台 机器的固有故障率。机器整体的故障率为机器固有故障率与上游工件持续磨损造成的 附件故障率之和。其中机器1没有这种耦合效应，图3(a)、(b)以机器2为例进 行了说明。
步骤4分析机器的任务执行状态并计算工件输出合格率。得到每道工序的任务执行矩阵的关键是量化工件在各自状态下的输出率。其中工序2为可返工工序，一次加 工的合格率与缺陷率之和为100％，二次加工的合格率与报废率为100％。每道工序 的合格率衰退如图4所示。
步骤5分析机器的加工能力与工序子需求的关系。机器的加工能力被定义为有限个离散级别，只有当加工能力大于任务需求时工序才具有健康的状态。初始时刻可认 为制造系统没有任何偏差与故障，因此各工序的合格率也为100％。随着运行时间的 增加，各组件的缺陷逐渐暴露，生产工序为了弥补合格率降低带来的载荷压力，只能 加大原料的输入。
步骤6基于机器故障分析加工能力状态的概率分布。通过质量部门的经验统计数据，可以得到机器各状态的批量加工能力对应的概率分布，如表1所示。
表1.各机器的加工能力状态及概率分布
Figure BDA0002953110680000121
Figure BDA0002953110680000131
基于不可用性在故障时间与生产能力损失上的定义，每台机器的变量υ分别为：
Figure BDA0002953110680000132
Figure BDA0002953110680000133
Figure BDA0002953110680000134
Figure BDA0002953110680000135
其中Ri分为为各台机器的耦合可靠性。
步骤7估算工序的各级别子任务需求的概率分布。基于步骤5中的理论，每道工 序所需的输入物料增加如图5所示。为了满足数理上的合理性，将任务需求转为同加 工能力一样的离散状态，各道工序任务需求的概率分布分别为：
W1＝[0,0.0780,0.3856,0.3845,0.1519,0]
W2＝[0,0,0.3693,0.3659,0.2647,0]
W3＝[0,0,0.2826,0.4179,0.2995,0]
W4＝[0,0,0,0.4605,0.5395,0]
步骤8计算各道工序的功能健康状态。通过判别公式
Figure BDA0002953110680000136
来筛选 那些能够满足工序的任务需求的机器加工能力状态。最终的功能健康状态公式为
Figure BDA0002953110680000137
每道工序的功能健康状态退化趋势如图6所示。
步骤9构建多工序制造系统的功能健康动态量化模型。本研究中的铁氧体移相单元制造系统为四道工序串联的结构，因此整体的功能健康状态如图7所示。
通过改变工件偏差对机器可靠性的影响参数ε及用户的任务需求ω，进行了敏感性分析，如图8(a)、(b)所示。可以看出工件偏差几乎没有影响，而用户的需求 对制造系统的功能健康状态有较大的影响。
通过与仅考虑机器可靠性的传统方法及不考虑耦合效应的多维可靠性分析方法进行了对比，结果如图9(a)、(b)所示。可以看出，当将用户需求决定的任务执 行因素与工件偏差决定的产品质量因素考虑进制造系统健康分析时，其综合水平将显 著高于传统方法。而不考虑各运行因素间的耦合效应时，由于忽略了制造系统深层次 的内在退化机理，导致评估结果要高于本研究提出的方法。
据此，已完成对某铁氧体移相单元制造系统的功能健康状态建模。该建模方法可用于后续的预测性维修决策及指导实际工程中的生产调度。

Claims (10)

1.一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，设置条件如下：
条件1、该多工序制造系统为串联结构；
条件2、每道工序只有一台主要制造设备，其余均为辅助设备；
条件3、每道工序所加工的对应关键质量特征视为互相独立；
条件4、每道工序后有一个绝对可靠的检查点，用于检验输出产品的质量状态；
条件5、机器在物理上相互独立并且性能退化服从维纳过程；
条件6、机器的加工能力具有有限个离散状态，并且对应概率成比例；
条件7、处于缺陷状态的在制品，在该工序的任务完成后重新返工一次，若仍然不合格，则按报废处理；
条件8、制造过程不考虑人为因素影响；
基于上述条件，其特征在于：步骤如下：
步骤1、分析制造系统的耦合运行机理及对功能健康的影响；
步骤2、识别用户需求并确定关键质量特征；
步骤3、建立工件持续磨损下的机器可靠性模型；
步骤4、分析机器的任务执行状态并计算工件输出合格率；
步骤5、分析机器的加工能力与工序子需求的关系；
步骤6、基于机器故障分析加工能力状态的概率分布；
步骤7、估算工序的各级别子任务需求的概率分布；
步骤8、计算各道工序的功能健康状态；
步骤9、构建多工序制造系统的功能健康动态量化模型。
2.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤1中所述的“分析制造系统的耦合运行机理及对功能健康的影响”，是指制造机器、生产过程、输出工件间的偏差传递、相互作用的耦合效应会导致制造系统呈现复杂的退化机制；功能健康状态是扩展的制造系统可靠性内涵，深度依赖于作为输出结果的工件的质量状态，机器仅仅是生产出工件的物理载体；具体作法如下：首先对制造机器、生产过程、输出工件各自可能存在退化过程进行分析，其次根据三者的内在联系定性地探讨意外偏差的传递机制，进而以耦合运行为前提定义制造系统的功能健康状态内涵。
3.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤2中所述的“识别用户需求并确定关键质量特征”，是指根据用户给定的一系列产品要求，通过需求映射对最终产品的尺寸、功能进行分解，确定复数个影响程度大的关键质量特征作为各工序的加工质量标准；具体作法如下：详细分析用户给定的订单，基于产品的知识背景和专家经验，将目标产品整体分解映射为实现目标预期功能所必须的关键质量特征集合，并以此确定各个工序的任务标准。
4.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤3中所述的“建立工件持续磨损下的机器可靠性模型”，是指将机器故障率分为自身老化的固有故障率与上游输入的缺陷工件对机器组件磨损造成的附加故障率，而工件的缺陷程度又和机器性能退化紧密相关；最终的机器可靠性为二者的耦合结果：
Figure FDA0002953110670000021
式中：
Figure FDA0002953110670000022
为机器的固有故障率，其符合维纳过程，μi(t)为工件磨损造成的附加故障率。
5.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤4中所述的“分析机器的任务执行状态并计算工件输出合格率”，是指根据制造机器的实际生产特性，将工件的质量状态划分为合格品、可返工缺陷品、报废品；其中输出合格率的计算是定量分析机器任务执行状态的关键，表示为
Figure FDA0002953110670000031
其中ai为失效阈值，具体等于
Figure FDA0002953110670000032
其具体作法如下：对于一般工序有
Figure FDA0002953110670000033
对于能返工工序有
Figure FDA0002953110670000034
式中：Oi1是工序i输出的合格工件数，Oi2是具有缺陷能返工的工件数，Oi3是报废的工件数；ρi1、ρi2和ρi3分别指工件的合格率、缺陷率和报废率，
Figure FDA0002953110670000035
表示具有状态j的产品中输入到工序i的比例，根据具体任务而定。
6.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤5中所述的“分析机器的加工能力与工序子需求的关系”，是指将机器的加工能力划分为有限个离散级别E＝[E1,E2,E3,…,EM]，而工序对应的子任务需求则受输出合格率制约，是一种随时间递增的动态过程；只有当机器性能大于工序的需求时，工序才具有健康的状态，即
Figure FDA0002953110670000036
式中：Exi为机器在x状态下的加工能力，
Figure FDA0002953110670000037
为工序i对应的任务需求，对于能返工工序有
Figure FDA0002953110670000038
具体作法如下：由于将机器的批量加工能力定义为有限个离散状态，而任务需求
Figure FDA0002953110670000039
此时为连续函数，直接进行计算有失合理性，因此任务需求也要转化为必要的离散型。
7.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤6中所述的“基于机器故障分析加工能力状态的概率分布”，是指根据制造商质量部门的统计数据，确定不同加工能力状态对应的概率分布P＝[υp1,υp2,υp3,…,υpM]，并基于能用性的定义将加工能力损失与故障时间联立，
Figure FDA0002953110670000041
得到关键变量υ，进而即可量化各个状态概率；
式中：υpx是机器处于状态x时的概率，其中px为常数，反映了各状态间的概率关系，
Figure FDA0002953110670000042
表示t时间内故障次数期望，EM为机器最佳加工能力状态，s是单个故障引起的停机时间，l是与机器可靠性相关的t时间内的维护活动次数，s′是单次维修引起的停机时间。
8.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤7中所述的“估算工序的各级别子任务需求的概率分布”，是指根据用户的总需求对串联制造系统进行逆向分析，以最终端输出的合格品恰好满足任务需求为基准，得到初始端的输入物料数量为
Figure FDA0002953110670000043
式中r为能返工机器编号；随后各工序所需的最小物料为
Figure FDA0002953110670000044
式中：
Figure FDA0002953110670000045
表示工序i-1的合格品中输入到工序i中的比例，
Figure FDA0002953110670000046
表示可返工工序r一次加工后的缺陷品中重新输入到工序r的比例；
将任务需求同样划分为有限个离散级别Gi＝[G2i,G3i,…,GMi,Gfailure]，对应的概率为Wi＝[w2i,w3i,…,wMi,wfailure]，其中Gxi＝Exi，
Figure FDA0002953110670000047
式中：Gfailure的含义表示在该级别下工序绝对无法满足任务需求，wfailure为其对应概率。
9.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤8中所述的“计算各道工序的功能健康状态”，是指识别工序的各级别需求对应的最低加工能力，找出能满足的全部加工能力；因此工序的功能健康状态能表示为工序能满足子任务需求的概率
Figure FDA0002953110670000051
式中：
Figure FDA0002953110670000052
10.根据权利要求1所述的一种基于耦合运行因素的多工序制造系统功能健康状态建模方法，其特征在于：在步骤9中所述的“构建多工序制造系统的功能健康动态量化模型”，是指根据制造系统的逻辑结构计算整体的功能健康状态；借助Matlab编程软件，分析讨论制造系统功能健康状态随时间、不同任务的动态变化趋势，从而科学指导实际的生产工程活动；其具体作法如下：(1)在敏感性分析中，设其他参数均相同，分析机器-产品的耦合系数集合ε＝[ε2,ε3,ε4]对结果的影响，ε为指示机器附加故障率与工件偏差量关系的系数；设其他参数不变，改变用户的总需求；(2)在对比性分析中，首先与传统的以机器为核心的可靠性分析方法做比较，必要的参数均采用本文的数据；然后，与没有考虑机器性能、任务执行、工件质量之间耦合效应的方法进行比较。
CN202110213339.XA 2021-02-26 2021-02-26 基于耦合运行因素的多工序制造系统功能健康状态建模方法 Active CN112818564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110213339.XA CN112818564B (zh) 2021-02-26 2021-02-26 基于耦合运行因素的多工序制造系统功能健康状态建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110213339.XA CN112818564B (zh) 2021-02-26 2021-02-26 基于耦合运行因素的多工序制造系统功能健康状态建模方法

Publications (2)

Publication Number Publication Date
CN112818564A true CN112818564A (zh) 2021-05-18
CN112818564B CN112818564B (zh) 2022-07-15

Family

ID=75863865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110213339.XA Active CN112818564B (zh) 2021-02-26 2021-02-26 基于耦合运行因素的多工序制造系统功能健康状态建模方法

Country Status (1)

Country Link
CN (1) CN112818564B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109270907A (zh) * 2018-10-24 2019-01-25 中国计量大学 一种基于分层概率密度分解的过程监测和故障诊断方法
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN109270907A (zh) * 2018-10-24 2019-01-25 中国计量大学 一种基于分层概率密度分解的过程监测和故障诊断方法
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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XIAO HAN 等: "An Evaluation Method of Manufacturing System Health State Based on Mission Reliability", 《2018 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE》 *
何益海 等: "基于过程质量数据的制造系统可靠性建模分析", 《北京航空航天大学学报》 *

Also Published As

Publication number Publication date
CN112818564B (zh) 2022-07-15

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
Scarf A framework for condition monitoring and condition based maintenance
CN107194826A (zh) 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
Suresh Towards an integrated evaluation of flexible automation investments
Sahu et al. Benchmarking CNC machine tool using hybrid-fuzzy methodology: a multi-indices decision making (MCDM) approach
CN111754125A (zh) 一种基于组合赋权的离散车间生产计划评价方法
Lechevalier et al. A methodology for the semi-automatic generation of analytical models in manufacturing
Feng et al. Predictive maintenance decision making based on reinforcement learning in multistage production systems
Zhao et al. Joint optimization of inspection and spare ordering policy with multi-level defect information
Li et al. Preventive maintenance decision model of urban transportation system equipment based on multi-control units
Park et al. A new warranty policy with failure times and warranty servicing times
Huynh et al. A predictive maintenance model for k-out-of-n: F continuously deteriorating systems subject to stochastic and economic dependencies
Li et al. Integrated predictive maintenance approach for multistate manufacturing system considering geometric and non-geometric defects of products
CN112818564B (zh) 基于耦合运行因素的多工序制造系统功能健康状态建模方法
Yao et al. Integrated mission reliability modeling for multistate manufacturing systems considering heterogeneous feedstocks based on extended stochastic flow manufacturing network
CN113094826A (zh) 一种基于任务可靠度的多态制造系统剩余寿命预测方法
CN116777349A (zh) 一种信息系统备件库存风险管理方法
Xue et al. A data-driven method to predict future bottlenecks in a remanufacturing system with multi-variant uncertainties
CN114723277A (zh) 绩效评价的方法、装置、设备、介质和程序产品
Schönmann et al. Cycle management of manufacturing resources: identification and prioritization of investment needs
Mohammdaipour et al. Manufacturing Process Optimization to Increase Products Reliability by Control Charts
Galamboš et al. Design of condition-based decision support system for preventive maintenance
CN111931966A (zh) 基于决策树回归的供电可靠性预测方法
Mohammadipour et al. Manufa cturing Process Optimization to Increase Product Reliability by Control
Charongrattanasakul et al. A novel multiple dependent state sampling plan based on time truncated life tests using mean lifetime

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