CN112884246B - 一种飞机结构件加工工序的工时预测方法 - Google Patents
一种飞机结构件加工工序的工时预测方法 Download PDFInfo
- Publication number
- CN112884246B CN112884246B CN202110304900.5A CN202110304900A CN112884246B CN 112884246 B CN112884246 B CN 112884246B CN 202110304900 A CN202110304900 A CN 202110304900A CN 112884246 B CN112884246 B CN 112884246B
- Authority
- CN
- China
- Prior art keywords
- man
- hour
- working
- sample
- rated
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 176
- 238000003754 machining Methods 0.000 title claims abstract description 52
- 238000012545 processing Methods 0.000 claims abstract description 48
- 238000011156 evaluation Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims description 63
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research 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
- 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
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/06313—Resource planning in a project environment
-
- 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—Systems or methods specially adapted for 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)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
Abstract
本发明公开了一种飞机结构件加工工序的工时预测方法，涉及飞机结构件技术领域，该方法包括采集样本零件；根据各样本零件的加工工序按照加工属性分为定额工时工序与变额工时工序；对于定额工时工序，确定结构类型，根据样本零件的结构特征划分样本零件种类；划分尺寸区间，根据样本零件的长度、宽度、厚度将各样本零件划分至对应的尺寸区间，每个尺寸区间均对应有工时；将各样本零件对应的尺寸区间及工时录入工时库以建立通用定额工时库。解决了零件加工前人为评估加工工时误差较大的问题，本申请提供的方法能够量化工序的影响因素，能够迅速准确的预测加工工时，通用性强，可扩展性高。
Description
技术领域
本发明涉及飞机结构件技术领域，具体而言，涉及一种飞机结构件加工工序的工时预测方法。
背景技术
目前飞机结构件的加工具有多品种、小批量的特点，对于制造企业而言，飞机结构件数控加工的工时预测的研究有如下意义：
(1)进行产能考核，制造企业可以根据数控加工工时，计算产品生产制造的时间成本，根据工时对工人的薪酬进行计算，估算产品的交货期，保证企业生产的合理性；
(2)制定产品的生产计划，对于一种新产品而言，仅仅根据经验来确定生产工时，可能会导致生产计划安排不合理，因此需要准确的工时来合理的安排生产计划；
(3)保证企业科学管理，数控加工工时可以帮助制造企业对产品的生产线进行改善，提高产能，计算数控加工设备的负荷，更好的控制产品的生产制造流程。
现有的数控加工工时预测方法有：经验估计法、人工查表法等，这些方法不仅效率较低，且准确性不高，因此急需一种准确性高、预测效率高的数控加工工时预测方法。
发明内容
为了克服上述问题或者至少部分地解决上述问题，本发明实施例提供一种飞机结构件加工工序的工时预测方法，极大的减少评估加工工时误差。
本发明的实施例是这样实现的：
一种飞机结构件加工工序的工时预测方法，包括以下步骤：
采集样本零件；根据各样本零件的加工工序按照加工属性分为定额工时工序与变额工时工序；对于定额工时工序，确定结构类型，根据样本零件的结构特征划分样本零件种类；划分尺寸区间，根据样本零件的长度、宽度、厚度将各样本零件划分至对应的尺寸区间，每个尺寸区间均对应有工时；将各样本零件对应的尺寸区间及工时录入工时库以建立通用定额工时库。
这样的方法，将零件种类分为定额工时工序与变额工时工序；定额工时工序包括以钳工为主导地位的机加工前置处理工序和后置处理工序，例如制试块、去工艺台、去分光点、激光刻字、三坐标首件检验等工序，该类工序特点是受零件本身的性质，如尺寸、材料等因素影响较小，该部分工时在一定尺寸区间内趋向于稳定。变额工时工序主要指以数控机床为主导地位的机加工部分工序，其工时的影响因素包括加工环境及特征复杂度，加工环境因素为宏观影响因素，其指标包括加工材料、加工精度、机床类型等；特征复杂度指标包括典型特征，即孔、槽、筋板、轮廓的特征数目及尺寸大小。将各零件种类的加工工序按照加工属性分为定额工时工序与变额工时工序，解决了零件加工前人为评估加工工时误差较大的问题，本申请提供的方法能够量化工序的影响因素，能够迅速准确的预测加工工时，通用性强，可扩展性高。对于定额工时工序，根据样本零件的尺寸将样本零件进行划分，对样本进行规整，清晰明了，同一种类的样本零件在对于的尺寸区间的工时变化幅度大致相同，极大的减少评估加工工时误差。
在本发明的一些实施例中，对于变额工时工序，先确定上述变额工时工序的影响因素，再计算决策者的权重，然后进行数据拟合得到回归函数模型F(x)，F(x)的值既为变额工时工序的工时。
在本发明的一些实施例中，上述变额工时工序的影响因素包括加工环境因素及特征复杂度因素，加工环境因素包括加工材料、加工精度、机床类型；特征复杂度因素包括典型特征，即孔、槽、筋板、轮廓的特征数目及尺寸大小。
在本发明的一些实施例中，确定变额工时工序的影响因素后，采用灰色关联分析法得到各因素的权重；首先，根据群决策一致性算法确定决策者权重，决策者权重表达公式为：
其中，Pc为个体强一致性指标，其表达式为：
Pd为个体强不一致性指标，其表达式为：
Gc为群体强一致性指标,其表达式为：
Gd为群体强不一致性指标，其表达式为：
式中，m表示决策者的数量，μ和ν表示决策者i和j对评价结果的相似程度；
确定决策者权重后，构建工序的因素指标评价体系，得到各影响因素的新序列与理想灰色关联序列的关联度公式：
式中，εj k为在第k位序列Yr与序列Y0序列值的关联系数；
由关联度公式得到各影响因素的相对权重公式：
最终得到各影响因素的权重表达式：
式中，DFkj为决策者k对零件的各影响因素评价值，βk为βk *做归一化处理后的数值；
利用matlab对影响因素评价值与变额工时之间的关系进行回归分析，选择对应的典型回归函数模型，最终以拟合度高的多项式函数模型进行数据拟合，得到回归函数模型F(x)，F(x)的值既为变额工时工序的工时。
在本发明的一些实施例中，还包括：调取通用定额工时库，定额工序工时记为t1、t2、…、tn,最终计算总工时预测结果：
T＝F(x)+t1+t2+…+tn。
在本发明的一些实施例中，上述采集样本零件的步骤包括：采集不同尺寸、不同类型零件的各工序工时样本数据，筛选剔除掉无数模、工艺信息不完整、工时异常的样本数据对应的零件，得到样本零件。
在本发明的一些实施例中，上述根据样本零件的结构特征划分样本零件种类的步骤包括：根据样本零件的形状、构造将样本零件分为框类、梁类、管夹类、叶轮类、接头类、机匣类。
在本发明的一些实施例中，上述定额工时工序包括：以钳工为主导地位的机加工前置处理工序和后置处理工序，以及受零件本身的尺寸、材料因素影响较小，在规定尺寸区间内趋向于稳定的工序。
在本发明的一些实施例中，变额工时工序包括：以数控机床为主导地位的机加工工序。
在本发明的一些实施例中，上述通用定额工时库包括不同类型零件各自尺寸区间内的工时定值集合。
本发明实施例至少具有如下优点或有益效果：
一种飞机结构件加工工序的工时预测方法，包括以下步骤：
采集样本零件；根据各样本零件的加工工序按照加工属性分为定额工时工序与变额工时工序；对于定额工时工序，确定结构类型，根据样本零件的结构特征划分样本零件种类；划分尺寸区间，根据样本零件的长度、宽度、厚度将各样本零件划分至对应的尺寸区间，每个尺寸区间均对应有工时；将各样本零件对应的尺寸区间及工时录入工时库以建立通用定额工时库。
这样的方法，将零件种类分为定额工时工序与变额工时工序；定额工时工序包括以钳工为主导地位的机加工前置处理工序和后置处理工序，例如制试块、去工艺台、去分光点、激光刻字、三坐标首件检验等工序，该类工序特点是受零件本身的性质，如尺寸、材料等因素影响较小，该部分工时在一定尺寸区间内趋向于稳定。变额工时工序主要指以数控机床为主导地位的机加工部分工序，其工时的影响因素包括加工环境及特征复杂度，加工环境因素为宏观影响因素，其指标包括加工材料、加工精度、机床类型等；特征复杂度指标包括典型特征，即孔、槽、筋板、轮廓的特征数目及尺寸大小。将各零件种类的加工工序按照加工属性分为定额工时工序与变额工时工序，解决了零件加工前人为评估加工工时误差较大的问题，本申请提供的方法能够量化工序的影响因素，能够迅速准确的预测加工工时，通用性强，可扩展性高。对于定额工时工序，根据样本零件的尺寸将样本零件进行划分，对样本进行规整，清晰明了，同一种类的样本零件在对于的尺寸区间的工时变化幅度大致相同，极大的减少评估加工工时误差。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明一种飞机结构件加工工序的工时预测方法一实施例的流程图；
图2为本发明一种飞机结构件加工工序的工时预测方法一实施例的流程图；
图3为本发明一种飞机结构件加工工序的工时预测方法一实施例的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明实施例的描述中，“多个”代表至少2个。
实施例
请参照图1-3，本实施例提供一种飞机结构件加工工序的工时预测方法，包括以下步骤：
S10：采集样本零件。
示例性的，采集不同尺寸、不同类型零件的各工序工时样本数据，筛选掉无数模、工艺信息不完整、工时异常的零件数据样本得到样本零件；通过先筛选并剔除掉无数模、工艺信息不完整、工时异常的零件数据样本得到样本零件，这样的样本零件具有充分的代表性，提高分析结果的精度。
S20：工序划分；根据各样本零件的加工工序按照加工属性分为定额工时工序与变额工时工序。
定额工时工序的特点是受零件本身的性质，如尺寸、材料等因素影响较小。定额工时工序在一定尺寸区间内趋向于稳定，工时不会相差很大，属于误差范围内。示例性的，定额工时工包括以钳工为主导地位的机加工前置处理工序和后置处理工序，例如制试块、去工艺台、去分光点、激光刻字、三坐标首件检验等工序。
变额工时工序主要指以数控机床为主导地位的机加工部分工序，其工时的影响因素包括加工环境及特征复杂度，加工环境因素为宏观影响因素，其指标包括加工材料、加工精度、机床类型等；特征复杂度指标包括典型特征，即孔、槽、筋板、轮廓的特征数目及尺寸大小。将各零件种类的加工工序按照加工属性分为定额工时工序与变额工时工序，解决了零件加工前人为评估加工工时误差较大的问题，本申请提供的方法能够量化工序的影响因素，能够迅速准确的预测加工工时，通用性强，可扩展性高。
S201：对于定额工时工序；确定结构类型，根据样本零件的结构特征划分样本零件种类。
根据样本零件的形状、构造将样本零件分为框类、梁类、管夹类、叶轮类、接头类、机匣类。等种类。相同类型的零件加工时的定工序大致相同，对样本进行规整，清晰明了，同一种类的样本零件在相同的尺寸区间的工时变化幅度大致相同，极大的减少评估加工工时误差。
S202：划分尺寸区间；根据样本零件的长度、宽度、厚度将各样本零件划分至对应的尺寸区间，每个尺寸区间均对应有工时。
根据样本零件的尺寸将样本零件进行划分，使得每个尺寸区间内均匀分布相的同样本数量。零件的长度、宽度、厚度分别对应有尺寸区间，例如以飞机结构件A为例，已知A为接头类零件，其尺寸为230*100*60，定额工时工序为钳工、制试块。根据通用定额工时库内容，如表1所示，零件种类定位至接头类-钳工序，长度、宽度、厚度尺寸分别定位至区间(200,500],(80,150],(0,80],该区间对应的工时值为90，单位min。同理可得，接头类-制试块在该区间内对应的工时值为30。
表1，零件通用定额工时库对应表
S203：建立通用定额工时库；将各样本零件对应的尺寸区间及工时录入工时库以建立通用定额工时库。
通用定额工时库包括不同类型零件各自尺寸区间内的工时定值集合。便于使用者从通用定额工时库内迅速了解并准确的预测出各零件的加工工时。
在本发明的一些实施例中，还包括：
S204：对于变额工时工序；先确定变额工时工序的影响因素，再计算决策者的权重，然后进行数据拟合得到回归函数模型F(x)，F(x)的值既为变额工时工序的工时。
S2041：确定变额工时工序的影响因素。
上述变额工时工序的影响因素包括加工环境因素及特征复杂度因素，加工环境因素包括加工材料、加工精度、机床类型；特征复杂度因素包括典型特征，即孔、槽、筋板、轮廓的特征数目及尺寸大小。
S2042：计算决策者权重；确定变额工时工序的影响因素后，采用灰色关联分析法得到各因素的权重；首先，根据群决策一致性算法确定决策者权重，决策者权重表达公式为：
其中，Pc为个体强一致性指标，其表达式为：
Pd为个体强不一致性指标，其表达式为：
Gc为群体强一致性指标,其表达式为：
Gd为群体强不一致性指标，其表达式为：
式中，m表示决策者的数量，μ和ν表示决策者i和j对评价结果的相似程度；
S2043：计算影响因素的权重；确定决策者权重后，构建工序的因素指标评价体系，得到各影响因素的新序列与理想灰色关联序列的关联度公式：
式中，εj k为在第k位序列Yr与序列Y0序列值的关联系数；
由关联度公式得到各影响因素的相对权重公式：
最终得到各影响因素的权重表达式：
式中，DFkj为决策者k对零件的各影响因素评价值，βk为βk *做归一化处理后的数值。
S2044：进行数据拟合以得到回归函数模型；利用matlab对影响因素评价值与变额工时之间的关系进行回归分析，选择对应的典型回归函数模型，最终以拟合度高的多项式函数模型进行数据拟合，得到回归函数模型F(x)。回归函数模型F(x)的值即为定额工时工序的值。
S30：计算总工时预测值；调取通用定额工时库，定额工序工时记为t1、t2、…、tn,最终计算总工时预测结果：
T＝F(x)+t1+t2+…+tn。
步骤S201、S202、S203、S204与步骤S2041、S2042、S2043、S2044不分前后，可以并行运行。
综上，本发明的实施例提供一种一种飞机结构件加工工序的工时预测方法，包括以下步骤：
采集不同尺寸、不同类型零件的各工序工时样本数据，筛选掉无数模、工艺信息不完整、工时异常的零件数据样本得到样本零件；预设多个尺寸区间，根据各样本零件的长度、宽度、厚度将各样本零件划分至对应的尺寸区间，每个尺寸区间内均匀分布样本零件；根据样本零件的结构特征划分样本零件种类，同一种类的样本零件在对应的尺寸区间发生变化时，其工时的变化幅度在预设范围内；获取各零件种类的工序特点，将各零件种类的加工工序按照加工属性分为定额工时工序与变额工时工序。
这样的方法，通过先筛选并剔除掉无数模、工艺信息不完整、工时异常的零件数据样本得到样本零件，这样的样本零件具有充分的代表性，提高分析结果的精度。根据样本零件的尺寸将样本零件进行划分，使得每个尺寸区间内均匀分布相的同样本数量，并根据样本零件的结构特征划分样本零件种类(常见的飞机结构件类型根据其特征可划分为框类、梁类、管夹类、叶轮类等)，对样本进行规整，清晰明了，同一种类的样本零件在相同的尺寸区间的工时变化幅度大致相同，极大的减少评估加工工时误差。
将各零件种类的加工工序按照加工属性分为定额工时工序与变额工时工序，其中定额工时工序包括以钳工为主导地位的机加工前置处理工序和后置处理工序，例如制试块、去工艺台、去分光点、激光刻字、三坐标首件检验等工序，该类工序特点是受零件本身的性质，如尺寸、材料等因素影响较小，该部分工时在一定尺寸区间内趋向于稳定。变额工时工序主要指以数控机床为主导地位的机加工部分工序，其工时的影响因素包括加工环境及特征复杂度，加工环境因素为宏观影响因素，其指标包括加工材料、加工精度、机床类型等；特征复杂度指标包括典型特征，即孔、槽、筋板、轮廓的特征数目及尺寸大小。将各零件种类的加工工序按照加工属性分为定额工时工序与变额工时工序，解决了零件加工前人为评估加工工时误差较大的问题，本申请提供的方法能够量化工序的影响因素，能够迅速准确的预测加工工时，通用性强，可扩展性高。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (8)
1.一种飞机结构件加工工序的工时预测方法，其特征在于，包括以下步骤：
采集样本零件；
工序划分，根据各样本零件的加工工序按照加工属性分为定额工时工序与变额工时工序；
对于定额工时工序；
确定结构类型，根据样本零件的结构特征划分样本零件种类；
划分尺寸区间，根据样本零件的长度、宽度、厚度将各样本零件划分至对应的尺寸区间，每个尺寸区间均对应有工时；
建立通用定额工时库，将各样本零件对应的尺寸区间及工时录入工时库以建立通用定额工时库；
对于变额工时工序；
先确定所述变额工时工序的影响因素，再计算决策者的权重，然后进行数据拟合得到回归函数模型F(x)，F(x)的值即为变额工时工序的工时，具体步骤包括：
确定变额工时工序的影响因素后，采用灰色关联分析法得到各因素的权重；首先，根据群决策一致性算法确定决策者权重，决策者权重表达公式为：
其中，Pc为个体强一致性指标，其表达式为：
Pd为个体强不一致性指标，其表达式为：
Gc为群体强一致性指标,其表达式为：
Gd为群体强不一致性指标，其表达式为：
式中，m表示决策者的数量，μ和ν表示决策者i和j对评价结果的相似程度；
确定决策者权重后，构建工序的因素指标评价体系，得到各影响因素的新序列与理想灰色关联序列的关联度公式：
式中，εj k为在第k位序列Yr与序列Y0序列值的关联系数；
由关联度公式得到各影响因素的相对权重公式：
最终得到各影响因素的权重表达式：
式中，DFkj为决策者k对零件的各影响因素评价值，βk为βk *做归一化处理后的数值；
利用matlab对影响因素评价值与变额工时之间的关系进行回归分析，选择对应的典型回归函数模型，最终以拟合度高的多项式函数模型进行数据拟合，得到回归函数模型F(x)，F(x)的值即为变额工时工序的工时。
2.根据权利要求1所述的一种飞机结构件加工工序的工时预测方法，其特征在于，所述变额工时工序的影响因素包括加工环境因素及特征复杂度因素，加工环境因素包括加工材料、加工精度、机床类型；特征复杂度因素包括典型特征，即孔、槽、筋板、轮廓的特征数目及尺寸大小。
3.根据权利要求2所述的一种飞机结构件加工工序的工时预测方法，其特征在于，还包括：
调取通用定额工时库，定额工序工时记为t1、t2、…、tn,最终计算总工时预测结果：
T＝F(x)+t1+t2+…+tn。
4.根据权利要求1所述的一种飞机结构件加工工序的工时预测方法，其特征在于，所述采集样本零件的步骤包括：
采集不同尺寸、不同类型零件的各工序工时样本数据，筛选剔除掉无数模、工艺信息不完整、工时异常的样本数据对应的零件，得到样本零件。
5.根据权利要求1所述的一种飞机结构件加工工序的工时预测方法，其特征在于，所述根据样本零件的结构特征划分样本零件种类的步骤包括：
根据样本零件的形状、构造将样本零件分为框类、梁类、管夹类、叶轮类、接头类、机匣类。
6.根据权利要求1所述的一种飞机结构件加工工序的工时预测方法，其特征在于，所述定额工时工序包括：
以钳工为主导地位的机加工前置处理工序和后置处理工序，以及受零件本身的尺寸、材料因素影响较小，在规定尺寸区间内趋向于稳定的工序。
7.根据权利要求1所述的一种飞机结构件加工工序的工时预测方法，其特征在于，变额工时工序包括：
以数控机床为主导地位的机加工工序。
8.根据权利要求1所述的一种飞机结构件加工工序的工时预测方法，其特征在于，所述通用定额工时库包括不同类型零件各自尺寸区间内的工时定值集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110304900.5A CN112884246B (zh) | 2021-03-17 | 2021-03-17 | 一种飞机结构件加工工序的工时预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110304900.5A CN112884246B (zh) | 2021-03-17 | 2021-03-17 | 一种飞机结构件加工工序的工时预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112884246A CN112884246A (zh) | 2021-06-01 |
| CN112884246B true CN112884246B (zh) | 2024-03-22 |
Family
ID=76041671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110304900.5A Active CN112884246B (zh) | 2021-03-17 | 2021-03-17 | 一种飞机结构件加工工序的工时预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112884246B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113421021B (zh) * | 2021-07-14 | 2022-07-08 | 浙江大学 | 一种用于组合机床加工旋梭零件的加工工序构建方法 |
| CN113762620A (zh) * | 2021-09-08 | 2021-12-07 | 上海明略人工智能(集团)有限公司 | 用于预测产品加工时间的方法及装置、电子设备、存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521442A (zh) * | 2011-12-06 | 2012-06-27 | 南京航空航天大学 | 基于特征样本的飞机结构件神经网络加工时间预测方法 |
| KR20120114568A (ko) * | 2011-04-07 | 2012-10-17 | 주식회사 국제이엔지 | 공작기계용 3축 밀링헤드 |
| CN103235556A (zh) * | 2013-03-27 | 2013-08-07 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
| CN103810082A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 多属性群决策专家权重调整的嵌入式计算机性能评价算法 |
| CN106407570A (zh) * | 2016-09-22 | 2017-02-15 | 南京航空航天大学 | 一种飞机装配过程在线仿真优化系统 |
| CN106815438A (zh) * | 2017-01-17 | 2017-06-09 | 成都飞机工业（集团）有限责任公司 | 一种飞机结构件数控铣削效率主要影响因子提取方法 |
| CN107909216A (zh) * | 2017-11-30 | 2018-04-13 | 成都飞机工业（集团）有限责任公司 | 一种零件实际生产周期预测方法 |
| WO2020053778A1 (en) * | 2018-09-11 | 2020-03-19 | Satavia Ltd | Aircraft engine maintenance system and method |
-
2021
- 2021-03-17 CN CN202110304900.5A patent/CN112884246B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120114568A (ko) * | 2011-04-07 | 2012-10-17 | 주식회사 국제이엔지 | 공작기계용 3축 밀링헤드 |
| CN102521442A (zh) * | 2011-12-06 | 2012-06-27 | 南京航空航天大学 | 基于特征样本的飞机结构件神经网络加工时间预测方法 |
| CN103810082A (zh) * | 2012-11-06 | 2014-05-21 | 西安元朔科技有限公司 | 多属性群决策专家权重调整的嵌入式计算机性能评价算法 |
| CN103235556A (zh) * | 2013-03-27 | 2013-08-07 | 南京航空航天大学 | 基于特征的复杂零件数控加工制造方法 |
| CN106407570A (zh) * | 2016-09-22 | 2017-02-15 | 南京航空航天大学 | 一种飞机装配过程在线仿真优化系统 |
| CN106815438A (zh) * | 2017-01-17 | 2017-06-09 | 成都飞机工业（集团）有限责任公司 | 一种飞机结构件数控铣削效率主要影响因子提取方法 |
| CN107909216A (zh) * | 2017-11-30 | 2018-04-13 | 成都飞机工业（集团）有限责任公司 | 一种零件实际生产周期预测方法 |
| WO2020053778A1 (en) * | 2018-09-11 | 2020-03-19 | Satavia Ltd | Aircraft engine maintenance system and method |
Non-Patent Citations (3)
| Title |
|---|
| SLFM神经网络在飞机零件数控加工工时估算中的应用研究;王明珠;常秀娟;;机械制造(01);第80-81页 * |
| 基于灰色系统理论的飞机总装工序定额工时预测研究;余军;蔡红霞;;机械制造(09);全文 * |
| 新飞机开发单台产品制造工时定额预测方法探析;李建兵;;内燃机与配件(24);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112884246A (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109270899B (zh) | 一种基于数字孪生的船用柴油机关重件制造过程管控方法 | |
| CN112884246B (zh) | 一种飞机结构件加工工序的工时预测方法 | |
| Qian et al. | Parametric cost estimation based on activity-based costing: A case study for design and development of rotational parts | |
| Saputra et al. | Quality improvement of molding machine through statistical process control in plastic industry | |
| CN112907026A (zh) | 一种基于可编辑网状指标体系的综合评估方法 | |
| CN109901512A (zh) | 一种基于加工参数标准化的车削工时定额方法 | |
| CN111199493A (zh) | 一种基于客户缴费信息及征信信息的欠费风险识别方法 | |
| Ray et al. | Improve Machining Process Capability by Using Six Sigma | |
| Marsudi et al. | Cycle time analysis of tipping trailer frame: A case study in a heavy equipment industry | |
| CN110568817A (zh) | 基于大数据分析和预判的机床运动温差补偿方法 | |
| Vafadar et al. | Evaluation of the effect of product demand uncertainty on manufacturing system selection | |
| Aichouni et al. | A scientific approach of using the DMAIC methodology to investigate the effect of cutting tool life on product quality and process economics: A case study of a Saudi manufacturing plant | |
| CN114217576A (zh) | 一种面向复杂产品多型共线生产的统计过程控制方法 | |
| Savadamuthu et al. | Quality Improvement in Turning Process using Taguchi's Loss Function | |
| Siregar et al. | Reducing waste in spare Part Production process with lean manufacturing approach | |
| Siregar | Quality engineering with Taguchi loss function method and improvement of work method in anode changing | |
| Reinhardt et al. | Retrieving properties of manufacturing systems from traceability data for performance evaluation and material flow simulation | |
| Bauswein et al. | Developing a cost comparison technique for hand layup versus automated fibre placement, and infusion versus out-of-autoclave | |
| Li et al. | Gradual reliability and its sensitivity analysis approach of cutting tool in invariant machining condition and periodical compensation | |
| Jönsson et al. | Implementation of an economic model to simulate manufacturing costs | |
| Stürmlinger et al. | Design with Industry 4.0–Priorization of sensor data for a smart data driven product development process | |
| Maleki et al. | Evaluation of scheduling using triangular whitenization functions | |
| Maheshwari | Analysis of Industrial process Implementing VSM with software simulation based approach 5 | |
| Silva et al. | Literature review for sample size analysis in time studies | |
| Kim et al. | Data integration and arrangement in the shop floor based-on time stamp: An illustrative study of CNC machining |
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 |