CN113094826A - 一种基于任务可靠度的多态制造系统剩余寿命预测方法 - Google Patents
一种基于任务可靠度的多态制造系统剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113094826A CN113094826A CN202110332077.9A CN202110332077A CN113094826A CN 113094826 A CN113094826 A CN 113094826A CN 202110332077 A CN202110332077 A CN 202110332077A CN 113094826 A CN113094826 A CN 113094826A
- Authority
- CN
- China
- Prior art keywords
- manufacturing
- manufacturing system
- state
- reliability
- function
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 348
- 238000000034 method Methods 0.000 title claims abstract description 146
- 238000005315 distribution function Methods 0.000 claims abstract description 22
- 238000006731 degradation reaction Methods 0.000 claims abstract description 18
- 230000015556 catabolic process Effects 0.000 claims abstract description 12
- 230000006870 function Effects 0.000 claims description 92
- 230000008569 process Effects 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 230000009021 linear effect Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 235000003642 hunger Nutrition 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 230000037351 starvation Effects 0.000 claims description 2
- 230000007704 transition Effects 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (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任务可靠度的多态制造系统剩余寿命预测方法,具体步骤是:一、基于制造系统结构和生产任务需求,确定影响任务可靠性的制造设备和工序;二、确定产品关键质量特性和相关参数;三、计算各制造设备的性能状态分布函数;四、计算产品质量状态函数;五、计算制造系统任务可靠度;六、计算制造系统剩余寿命期望;七、比较不同可靠度下的制造系统剩余寿命;该方法考虑了制造设备退化导致的在制品质量状态下滑所导致的制造系统功能输出退化,从根本上弥补了传统制造系统剩余寿命评估方法中忽略制造系统任务需求的不足。具有很好的实用价值。
Description
技术领域
本发明提供了一种基于任务可靠度的多态制造系统剩余寿命预测方法,属于可靠性建模与分析技术领域。
背景技术
作为国家生产力水平的直接体现,制造业支撑着国家经济的健康、稳定的发展。而制造系统包含着制造业最核心技术和设备,其性能水平、智能化水平和可靠性水平,都直接决定产品的生产率和质量水平,影响了企业的竞争力。传统对多态制造系统的健康状态检测技术主要通过收集制造设备自身的动态运行数据,提取设备运行信息,识别设备故障模式,进而对设备的退化趋势和剩余使用寿命进行预测。
基于系统工程的思想,多态制造系统不仅包含了制造设备及其动态运行信息,同样包含着作为输入的生产任务要求和作为输出的在制品信息,三者共同表征了多态制造系统的健康状态,且存在紧密的联系。生产企业根据任务需求确定制造系统中制造设备的组成和结构,同时确定对制造设备性能状态和在制品的要求。因此,在对制造系统进行可靠性建模时,其故障内涵不仅包含制造设备的故障,同时也涵盖被制造产品质量的下滑。随着制造设备产生性能状态退化,其下游的在制品将会产生一定程度的质量偏差,导致在制品的质量状态下滑。当在制品在整个制造系统中各工位的偏差累积超过一定阈值时,产品的质量状态将不再能满足生产任务要求,导致制造系统输出合格产品的功能失效。制造系统的任务可靠性定义:制造系统在规定的生产条件下和规定的周期内持续完成生产任务要求的能力。制造系统任务可靠性的评估分析是实现有效性能状态监测和剩余寿命预测的前提,对于保证生产效率和产品高质量水平具有关键性作用。因此,如何有效从系统的层次和生产任务的角度对制造系统的可靠性水平进行建模分析,并准确给出系统剩余寿命已成为制造领域中所面临的关键问题。
当前对于制造系统故障诊断和剩余寿命预测的研究多数围绕单独的制造设备进行,利用大数据分析技术从制造设备的动态数据中提取运行信息和故障模式,建立性能状态模型,并基于模型对制造设备的性能退化趋势进行预测。这类分析方法从制造设备自身故障的角度考虑了可靠性和剩余寿命等参数指标,但是忽略了制造系统的功能属性,没有考虑制造设备的输出,即在制品的质量状态对于制造系统完成生产任务能力的表征作用。针对目前制造系统的可靠性建模和剩余寿命预测方法不能准确描述制造系统在生产任务要求下的性能状态,无法为制造系统维修策略提供有效参考的现象,本申请在生产任务剖面下分析制造系统需要满足的整体性能指标,基于制造系统的物理构成和在制品的质量偏差数据,系统评价制造系统完成规定生产任务的能力,弥补了忽略在制品质量状态的传统制造设备性能状态评估方法的不足。面向智能制造的制造业发展和转型,对于制造系统的智能化水平提出了更高的要求,开展面向制造系统任务可靠度的剩余寿命预测方法研究对于提升智能制造系统对制造设备、生产任务、在制品等多要素的全面感知和分析将起到重要的推动作用。为此,本发明给出了一种基于任务可靠度的多态制造系统剩余寿命预测方法,用于提高多态制造系统剩余寿命预测的有效性和准确度,为制造系统的预防性维修提供指导。
发明内容
(1)本发明的目的:
为了解决现有制造系统可靠性建模和剩余寿命预测方法忽略生产任务要求和在制品质量状态的表征作用的问题,本发明提出了一种新的制造系统剩余寿命预测方法——一种基于任务可靠度的多态制造系统剩余寿命预测方法。根据生产任务要求和历史经验数据,确定影响产品质量状态的关键质量特性和相关工位的影响参数。基于系统工程思想和多态系统理论,从生产任务的角度分析制造设备性能状态和在制品质量状态对于制造系统完成规定生产任务的能力的表征作用,挖掘制造系统任务可靠性的内涵。进一步,为了充分利用制造系统的可靠性信息,本申请基于多态制造系统的任务可靠度提出了面向生产任务的剩余寿命预测方法,从而明晰制造系统的性能状态变化趋势,并为后续的预防性维修决策提供依据。
(2)技术方案:
本发明是一种基于任务可靠度的多态制造系统剩余寿命预测方法,提出的基本假设如下:
假设1、制造系统由若干制造设备串联构成,各制造设备的性能状态相互独立;
假设2、各制造设备的性能状态退化过程服从马尔科夫过程,即机器当前时刻的状态只与前一时刻状态相关,而与之前的状态无关,状态之间的转移强度矩阵已知;
假设3、制造过程不考虑在制品的返工;
假设4、制造系统的生产模式为流水线加工,不存在系统的“饥饿”和“阻塞”现象;
基于上述假设,本发明一种基于任务可靠度的多态制造系统剩余寿命预测方法,其步骤如下:
步骤1、基于制造系统结构和生产任务需求,确定影响任务可靠性的制造设备和工序;
步骤2、确定产品关键质量特性和相关参数;
步骤3、计算各制造设备的性能状态分布函数;
步骤4、计算产品质量状态函数;
步骤5、计算制造系统任务可靠度;
步骤6、计算制造系统剩余寿命期望;
步骤7、比较不同可靠度下的制造系统剩余寿命;
其中,在步骤1中所述的“基于制造系统结构和生产任务需求,确定影响任务可靠性的制造设备和工序”,是指确定影响产品质量和制造系统任务可靠性的关键设备和工序,并进一步收集相应设备和工序的生产质量数据,识别制造设备的当前性能状态等级;其具体作法如下:根据用户需求,利用质量功能分解技术,将对产品的质量需求转化为对制造过程中对生产工序中的参数要求,相关的制造设备和工序即为影响产品质量和制造系统任务可靠性的关键设备和工序;对相关关键设备和工序的产量、役龄等生产数据和制造偏差、故障次数、停机时长等质量数据进行分析,对制造设备当前的性能状态等级进行评定。
其中,在步骤2中所述的“确定产品关键质量特性和相关参数”,是指从系统工程的角度出发,确定产品的关键质量特性,并根据制造设备的历史加工数据,给出制造设备对于关键质量特性的影响参数。其具体作法如下:基于功能域、物理域、过程域的域映射分析,确定产品关键质量特性,如图1所示,并收集相应设备和工序的生产质量数据,进而根据加工过程的历史数据,分析工序和产品质量特性间的关联关系,确定各加工工序和设备对于产品各关键质量特性的影响系数di,j;其中影响系数中的符号i为制造设备编号,j为产品关键质量特性编号;
其中,在步骤3中所述的“计算各制造设备的性能状态分布函数”,是指根据制造设备的加工误差,将制造设备划分为不同的性能状态等级,并根据设备性能状态退化的马尔科夫模型,求出设备的性能状态分布函数;其具体作法如下:根据制造设备所加工产品尺寸特性的偏差程度不同,将制造设备的性能状态分为若干不同的性能等级;假设制造设备性能状态的退化过程服从马尔科夫过程,且转移强度矩阵已知,则可基于Kolmogorov微分方程组,求得制造设备在不同时刻的性能状态分布函数;
上述“马尔科夫过程”是指满足马尔科夫性的随机过程;
上述“Kolmogorov微分方程组”是指dp(t)/dt=p(t)Xi,其中,p(t)为设备处于不同性能状态的概率随时间变化的函数。Xi为制造设备i的转移强度矩阵。
其中,在步骤4中所述的“计算产品质量状态函数”,是指基于已确定的各产品关键质量特性相关参数和各相关制造设备的性能状态等级,建立各关键质量特性的过程模型,并计算产品的质量状态;其具体作法如下:对产品的关键质量特性建立过程模型,l=1,2,K,Q,;其中,Yl表示第l个关键质量特性,ψl表示该质量特性在过程中的基线偏差,V表示制造设备性能状态向量集,zT表示噪声因素向量集,表示制造设备对该质量特性的线性效应向量集,表示噪声因素对该质量特性的线性效应向量集,ρl表示制造设备性能状态向量集和噪声因素向量集交互作用的向量集,进而可计算各关键质量特性的偏差函数,加权求和计算得到产品的质量状态值QWIP,计算方法如下:其中,ωl表示第l个关键质量特性在产品质量状态函数中对应的权重值,表示第l个关键质量特性最大可接受偏差值,上述参数可根据工程经验和产品设计需求给出。
其中,在步骤5中所述的“计算制造系统任务可靠度”,是指基于已确定的制造设备性能状态函数和产品质量状态函数,计算制造系统在规定时间内设备不发生故障且能生产合格产品的概率;其具体作法如下:根据制造系统的任务可靠度内涵,可以将制造设备性能状态高出最低可接受状态且在制品质量状态高于阈值的概率定义为制造系统的任务可靠度水平,即R=Pr{QWIP(t)≥q0|si≥ki},其中ki是第i个制造设备的最低可接受状态,si是第i个制造设备的预期状态,q0是给定的产品质量状态阈值。
其中,在步骤6中所述的“计算制造系统剩余寿命期望”,是指基于制造系统任务可靠度函数,求得累积故障概率密度函数,进一步对累积故障概率密度函数求微分,得到制造系统的故障概率密度函数,基于故障概率密度函数对时间求期望即可得到制造系统的剩余寿命期望;其具体作法如下:制造系统任务可靠度的计算公式,可得到任务可靠度函数,进而根据可靠度与不可靠度加和为一,确定制造系统的不可靠度函数,即累积故障概率Fms,Fms(t)=1-Rms(t)=1-Pr(Ql(si,t)≥Q0,si≥ki|t),其中Rms表示制造系统任务可靠度函数,Ql表示对应不同设备性能状态的产品质量状态,Q0表示产品质量状态的最低可接受值,进而对累计故障概率函数求微分,可得故障概率密度函数,最后可由故障概率密度函数求期望即得到剩余寿命期望值。
其中,在步骤7中所述的“比较不同可靠度下的制造系统剩余寿命”,是指利用系统仿真软件Matlab(矩阵实验室),分别建立制造系统基本可靠性模型和任务可靠性模型,进而比较不同模型下的制造系统剩余寿命期望,为后续的制造系统性能状态分析提供参考;其具体作法如下:在不考虑产品质量状态的影响的情况下,根据步骤3中所述制造设备性能状态函数计算方法,分别确定各制造设备在不同时刻处于不同状态的概率的函数,进而求出各制造设备的可靠度函数;根据制造系统的物理结构模型,可得到仅考虑制造设备性能状态退化的制造系统的基本可靠度函数,与步骤6相同,可进一步根据制造系统的基本可靠度函数得到故障概率密度函数和剩余寿命期望值;最后与已建立的任务可靠度模型及其对应的剩余寿命期望进行比较分析。
通过以上步骤,建立了在给定生产任务需求的前提下的基于任务可靠度的多态制造系统剩余寿命预测方法,解决了传统方法忽略在制品对制造系统面向生产任务的性能状态的表征作用,为制造企业制定有效的预防性维修决策提供了科学依据,有利于制造企业减少维修成本、避免产品质量损失,增强企业的市场竞争力。
(3)本发明所述的一种基于任务可靠度的多态制造系统剩余寿命预测方法,其使用方法如下:
步骤(1)基于制造系统结构和生产任务需求,确定影响任务可靠性的制造设备和工序;其具体做法如下:确定影响产品质量和制造系统任务可靠性的关键设备和工序,并进一步收集相应设备和工序的生产质量数据,识别制造设备的当前性能状态等级;
步骤(2)确定产品关键质量特性和相关参数;其具体做法如下:基于图1的对产品关键质量特性的域映射分析,确定产品的各个关键质量特性,进而根据加工过程的历史数据,确定各加工工序和设备对于产品各关键质量特性的影响系数di,j;
步骤(3)计算各制造设备的性能状态分布函数;其具体做法如下:根据制造设备的加工误差,将制造设备划分为不同的性能状态等级;假设制造设备性能状态的退化过程服从马尔科夫过程,且转移强度矩阵已知,则可基于Kolmogorov微分方程组,即dp(t)/dt=p(t)Xi,求得制造设备在不同时刻的性能状态分布函数;
式中Yl表示第l个关键质量特性,
步骤(5)计算制造系统任务可靠度;其具体做法如下:基于已确定的制造设备性能状态函数和产品质量状态函数,计算制造系统在规定时间内设备不发生故障且能生产合格产品的概率;R=Pr{QWIP(t)≥q0|si≥ki},其中ki是第i个制造设备的最低可接受状态,si是第i个制造设备的预期状态,q0是给定的产品质量状态阈值;
步骤(6)计算制造系统剩余寿命期望;其具体做法如下:基于制造系统任务可靠度的计算公式,可确定制造系统的不可靠度函数,即累积故障概率Fms,Fms(t)=1-Rms(t)=1-Pr(Ql(si,t)≥Q0,si≥ki|t),
其中Rms表示制造系统任务可靠度函数,Ql表示对应不同设备性能状态的产品质量状态,Q0表示产品质量状态的最低可接受值,进而对累计故障概率函数求微分,可得故障概率密度函数,最后可由故障概率密度函数求期望即得到剩余寿命期望值进而对累计故障概率求微分,可得故障概率密度函数;最后可由故障概率密度函数求期望即得到剩余寿命期望值;
步骤(7)比较不同可靠度下的制造系统剩余寿命;其做法如下:利用系统仿真软件Matlab,分别建立制造系统基本可靠性模型和任务可靠性模型,比较不同模型下的制造系统剩余寿命期望;其具体作法如下:在不考虑产品质量状态的影响的情况下,根据步骤3中所述制造设备性能状态函数计算方法,分别确定各制造设备在不同时刻处于不同状态的概率的函数,进而求出各制造设备的可靠度函数;根据制造系统的物理结构模型,可得到仅考虑制造设备性能状态退化的制造系统的基本可靠度函数,与步骤(6)相同,可进一步根据制造系统的基本可靠度函数得到故障概率密度函数和剩余寿命期望值,最后与已建立的任务可靠度模型及其对应的剩余寿命期望进行比较分析。
(4)优点和功效:
本发明是一种基于任务可靠度的多态制造系统剩余寿命预测方法,其优点是:
i.本发明充分考虑了在制品对于制造系统性能状态的表征作用,突破了传统制造系统可靠性评估难以全面准确表征多态制造系统性能状态的瓶颈。
ii.本发明充分挖掘多态制造系统运行过程中的设备运行信息和产品质量信息,使得制造系统性能状态评估结果更准确,并进一步给出系统剩余寿命预测方法,明晰制造系统的性能退化趋势。
iii.本发明具有具有极高的科学性和实用性,为制造企业制定科学、有效的预测性维修决策提供了科学依据;所述剩余寿命预测方法科学,工艺性好,具有广阔推广应用价值。
附图说明
图1是本发明所述方法流程图。
图2是产品关键质量特性的域映射分析。
图3(a)是制造设备1的性能状态分布函数。
图3(b)是制造设备2的性能状态分布函数。
图3(c)是制造设备3的性能状态分布函数。
图3(d)是制造设备4的性能状态分布函数;
图3(e)是制造设备5的性能状态分布函数。
图4是气缸盖制造系统的任务可靠性函数。
图5是气缸盖制造系统的剩余寿命分布函数。
图6是气缸盖制造系统在基本可靠度和任务可靠度模型下的剩余寿命分布函数对比。
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。
本发明是一种基于任务可靠度的多态制造系统剩余寿命预测方法,如图1所示,其步骤如下
步骤1基于制造系统结构和生产任务需求,确定影响任务可靠性的制造设备和工序。收集某型号发动机气缸盖的生产过程数据和在制品质量数据,识别气缸盖制造系统的关键制造设备并确定初始性能状态等级,如表1。
表1.关键质量特性及其加工机器
步骤2确定产品关键质量特性和相关参数。基于制造系统中关键质量特性的域映射方法,如图2,确定气缸盖的平面度(KQC1)、表面粗糙度(KQC2)和直径(KQC3)等三项关键质量特性。由表1可以看出,气缸盖板制造系统可以由5个工序的制造设备来进行表征,且同时对于尺寸偏差有影响,影响参数矩阵D如下所示。
步骤3计算各制造设备的性能状态分布函数。各制造设备转移强度矩阵已知,分别为:
基于Kolmogorov微分方程组,求得各个机器的性能状态分布函数,如图3(a)、(b)、(c)、(d)、(e)所示。
步骤4计算产品质量状态函数。根据历史加工数据,建立平面度(KQC1)、表面粗糙度(KQC2)和直径(KQC3)等三项关键质量特性的过程模型,其中,基线偏差值分别为,ψ1=0.2,ψ2=0.3,ψ3=0.4。各制造设备在不同性能状态下对产品关键质量特性的影响参数如表2所示:
表2.制造设备各性能状态对关键质量特性影响参数
性能状态 | 6 | 5 | 4 | 3 | 2 | 1 | 0 |
影响参数 | 0 | 0.05 | 0.1 | 0.2 | 0.4 | 0.6 | 1 |
步骤5计算制造系统任务可靠度。在本案例中,各制造设备最低可接受性能状态阈值均为1,产品各关键质量特性最低可接受阈值均为1。基于产品质量状态信息和制造设备的性能状态信息,根据任务可靠度定义,利用仿真软件matlab(矩阵实验室)计算得出气缸盖制造系统任务可靠性函数模型,如图4所示。
步骤6计算制造系统剩余寿命期望。基于求得的气缸盖制造系统任务可靠性模型,利用matlab(矩阵实验室)对可靠度函数求微分,进而获取剩余寿命分布,如图5所示。
步骤7比较不同可靠度下的制造系统剩余寿命。与本提出的任务可靠度概念相对应的,传统以制造设备可靠度概念来代替的制造系统可靠度即为基本可靠度。利用matlab(矩阵实验室)将气缸盖制造系统的基本可靠度函数和任务可靠度函数进行对比,如图6所示。
计算基本可靠度下的剩余寿命期望ERUL-BR和任务可靠度下的剩余寿命期望ERUL-MR,结果分别为:
ERUL-BR=4.3377;ERUL-MR=3.4434。
由计算结果可以看出,如未考虑制造设备性能状态退化引起的在制品质量状态下滑对于制造系统状态的影响,将对于制造系统的剩余寿命有过高的预计,导致企业的设备维护不及时,造成较高的质量损失成本。
Claims (9)
1.一种基于任务可靠度的多态制造系统剩余寿命预测方法,提出的基本条件如下:
条件1、制造系统由制造设备串联构成,各制造设备的性能状态相互独立;
条件2、各制造设备的性能状态退化过程服从马尔科夫过程,即机器当前时刻的状态只与前一时刻状态相关,而与之前的状态无关,状态之间的转移强度矩阵已知;
条件3、制造过程不考虑在制品的返工;
条件4、制造系统的生产模式为流水线加工,不存在系统的“饥饿”和“阻塞”现象;
基于上述条件,其特征在于:步骤如下:
步骤1、基于制造系统结构和生产任务需求,确定影响任务可靠性的制造设备和工序;
步骤2、确定产品关键质量特性和相关参数;
步骤3、计算各制造设备的性能状态分布函数;
步骤4、计算产品质量状态函数;
步骤5、计算制造系统任务可靠度;
步骤6、计算制造系统剩余寿命期望;
步骤7、比较不同可靠度下的制造系统剩余寿命。
2.根据权利要求1所述的一种基于任务可靠度的多态制造系统剩余寿命预测方法,其特征在于:在步骤1中所述的“基于制造系统结构和生产任务需求,确定影响任务可靠性的制造设备和工序”,是指确定影响产品质量和制造系统任务可靠性的关键设备和工序,并进一步收集相应设备和工序的生产质量数据,识别制造设备的当前性能状态等级;其具体作法如下:根据用户需求,利用质量功能分解技术,将对产品的质量需求转化为对制造过程中对生产工序中的参数要求,相关的制造设备和工序即为影响产品质量和制造系统任务可靠性的关键设备和工序;对相关关键设备和工序的产量、役龄的生产数据和制造偏差、故障次数、停机时长的质量数据进行分析,对制造设备当前的性能状态等级进行评定。
3.根据权利要求1所述的一种基于任务可靠度的多态制造系统剩余寿命预测方法,其特征在于:在步骤2中所述的“确定产品关键质量特性和相关参数”,是指从系统工程的角度出发,确定产品的关键质量特性,并根据制造设备的历史加工数据,给出制造设备对于关键质量特性的影响参数;其具体作法如下:基于功能域、物理域、过程域的域映射分析,确定产品关键质量特性,并收集相应设备和工序的生产质量数据,进而根据加工过程的历史数据,分析工序和产品质量特性间的关联关系,确定各加工工序和设备对于产品各关键质量特性的影响系数di,j;其中影响系数中的符号i为制造设备编号,j为产品关键质量特性编号。
4.根据权利要求1所述的一种基于任务可靠度的多态制造系统剩余寿命预测方法,其特征在于:在步骤3中所述的“计算各制造设备的性能状态分布函数”,是指根据制造设备的加工误差,将制造设备划分为不同的性能状态等级,并根据设备性能状态退化的马尔科夫模型,求出设备的性能状态分布函数;其具体作法如下:根据制造设备所加工产品尺寸特性的偏差程度不同,将制造设备的性能状态分为不同的性能等级;制造设备性能状态的退化过程服从马尔科夫过程,且转移强度矩阵已知,则能基于Kolmogorov微分方程组,求得制造设备在不同时刻的性能状态分布函数。
5.根据权利要求1所述的一种基于任务可靠度的多态制造系统剩余寿命预测方法,其特征在于:在步骤4中所述的“计算产品质量状态函数”,是指基于已确定的各产品关键质量特性相关参数和各相关制造设备的性能状态等级,建立各关键质量特性的过程模型,并计算产品的质量状态;其具体作法如下:对产品的关键质量特性建立过程模型,其中,Yl表示第l个关键质量特性,ψl表示该质量特性在过程中的基线偏差,V表示制造设备性能状态向量集,zT表示噪声因素向量集,表示制造设备对该质量特性的线性效应向量集,表示噪声因素对该质量特性的线性效应向量集,ρl表示制造设备性能状态向量集和噪声因素向量集交互作用的向量集,进而能计算各关键质量特性的偏差函数,加权求和计算得到产品的质量状态值QWIP,计算方法如下:其中,ωl表示第l个关键质量特性在产品质量状态函数中对应的权重值,表示第l个关键质量特性最大可接受偏差值,上述参数根据工程经验和产品设计需求给出。
6.根据权利要求1所述的一种基于任务可靠度的多态制造系统剩余寿命预测方法,其特征在于:在步骤5中所述的“计算制造系统任务可靠度”,是指基于已确定的制造设备性能状态函数和产品质量状态函数,计算制造系统在规定时间内设备不发生故障且能生产合格产品的概率;其具体作法如下:根据制造系统的任务可靠度内涵,能将制造设备性能状态高出最低能接受状态且在制品质量状态高于阈值的概率定义为制造系统的任务可靠度水平,即R=Pr{QWIP(t)≥q0|si≥ki},其中ki是第i个制造设备的最低可接受状态,si是第i个制造设备的预期状态,q0是给定的产品质量状态阈值。
7.根据权利要求1所述的一种基于任务可靠度的多态制造系统剩余寿命预测方法,其特征在于:在步骤6中所述的“计算制造系统剩余寿命期望”,是指基于制造系统任务可靠度函数,求得累积故障概率密度函数,进一步对累积故障概率密度函数求微分,得到制造系统的故障概率密度函数,基于故障概率密度函数对时间求期望即能得到制造系统的剩余寿命期望;其具体作法如下:制造系统任务可靠度的计算公式,得到任务可靠度函数,进而根据可靠度与不可靠度加和为一,确定制造系统的不可靠度函数,即累积故障概率Fms,Fms(t)=1-Rms(t)=1-Pr(Ql(si,t)≥Q0,si≥ki|t),其中Rms表示制造系统任务可靠度函数,Ql表示对应不同设备性能状态的产品质量状态,Q0表示产品质量状态的最低能接受值,进而对累计故障概率函数求微分,能得故障概率密度函数,最后由故障概率密度函数求期望即得到剩余寿命期望值。
8.根据权利要求1所述的一种基于任务可靠度的多态制造系统剩余寿命预测方法,其特征在于:在步骤7中所述的“比较不同可靠度下的制造系统剩余寿命”,是指利用系统仿真软件Matlab即矩阵实验室,分别建立制造系统基本可靠性模型和任务可靠性模型,进而比较不同模型下的制造系统剩余寿命期望,为后续的制造系统性能状态分析提供参考;其具体作法如下:在不考虑产品质量状态的影响的情况下,根据步骤3中所述制造设备性能状态函数计算方法,分别确定各制造设备在不同时刻处于不同状态的概率的函数,进而求出各制造设备的可靠度函数;根据制造系统的物理结构模型,能得到仅考虑制造设备性能状态退化的制造系统的基本可靠度函数,与步骤6相同,能进一步根据制造系统的基本可靠度函数得到故障概率密度函数和剩余寿命期望值;最后与已建立的任务可靠度模型及其对应的剩余寿命期望进行比较分析。
9.一种基于任务可靠度的多态制造系统剩余寿命预测方法,其特征在于:其使用方法如下:
步骤(1)基于制造系统结构和生产任务需求,确定影响任务可靠性的制造设备和工序;其具体做法如下:确定影响产品质量和制造系统任务可靠性的关键设备和工序,并进一步收集相应设备和工序的生产质量数据,识别制造设备的当前性能状态等级;
步骤(2)确定产品关键质量特性和相关参数;其具体做法如下:基于对产品关键质量特性的域映射分析,确定产品的各个关键质量特性,进而根据加工过程的历史数据,确定各加工工序和设备对于产品各关键质量特性的影响系数di,j;
步骤(3)计算各制造设备的性能状态分布函数;其具体做法如下:根据制造设备的加工误差,将制造设备划分为不同的性能状态等级;制造设备性能状态的退化过程服从马尔科夫过程,且转移强度矩阵已知,则能基于Kolmogorov微分方程组,即dp(t)/dt=p(t)Xi,求得制造设备在不同时刻的性能状态分布函数;
式中Yl表示第l个关键质量特性,
步骤(5)计算制造系统任务可靠度;其具体做法如下:基于已确定的制造设备性能状态函数和产品质量状态函数,计算制造系统在规定时间内设备不发生故障且能生产合格产品的概率;R=Pr{QWIP(t)≥q0|si≥ki},其中ki是第i个制造设备的最低能接受状态,si是第i个制造设备的预期状态,q0是给定的产品质量状态阈值;
步骤(6)计算制造系统剩余寿命期望;其具体做法如下:基于制造系统任务可靠度的计算公式,能确定制造系统的不可靠度函数,即累积故障概率Fms,Fms(t)=1-Rms(t)=1-Pr(Ql(si,t)≥Q0,si≥ki|t);
其中Rms表示制造系统任务可靠度函数,Ql表示对应不同设备性能状态的产品质量状态,Q0表示产品质量状态的最低能接受值,进而对累计故障概率函数求微分,能得故障概率密度函数,最后能由故障概率密度函数求期望即得到剩余寿命期望值进而对累计故障概率求微分,能得故障概率密度函数;最后能由故障概率密度函数求期望即得到剩余寿命期望值;
步骤(7)比较不同可靠度下的制造系统剩余寿命;其做法如下:利用系统仿真软件Matlab,分别建立制造系统基本可靠性模型和任务可靠性模型,比较不同模型下的制造系统剩余寿命期望;其具体作法如下:在不考虑产品质量状态的影响的情况下,根据步骤3中所述制造设备性能状态函数计算方法,分别确定各制造设备在不同时刻处于不同状态的概率的函数,进而求出各制造设备的可靠度函数;根据制造系统的物理结构模型,能得到仅考虑制造设备性能状态退化的制造系统的基本可靠度函数,与步骤(6)相同,能进一步根据制造系统的基本可靠度函数得到故障概率密度函数和剩余寿命期望值,最后与已建立的任务可靠度模型及其对应的剩余寿命期望进行比较分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332077.9A CN113094826A (zh) | 2021-03-29 | 2021-03-29 | 一种基于任务可靠度的多态制造系统剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110332077.9A CN113094826A (zh) | 2021-03-29 | 2021-03-29 | 一种基于任务可靠度的多态制造系统剩余寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113094826A true CN113094826A (zh) | 2021-07-09 |
Family
ID=76670216
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110332077.9A Pending CN113094826A (zh) | 2021-03-29 | 2021-03-29 | 一种基于任务可靠度的多态制造系统剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113094826A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676572A (zh) * | 2022-03-25 | 2022-06-28 | 中国航空发动机研究院 | 一种参数确定方法及装置、计算机可读存储介质 |
CN117236923A (zh) * | 2023-09-08 | 2023-12-15 | 北京理工大学 | 一种多态系统的双运行策略下的运维策略优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239407A1 (en) * | 2006-01-12 | 2007-10-11 | Goldfine Neil J | Remaining life prediction for individual components from sparse data |
US20120143564A1 (en) * | 2010-12-01 | 2012-06-07 | Xerox Corporation | System and method for predicting remaining useful life of device components |
CN107122832A (zh) * | 2017-04-01 | 2017-09-01 | 北京航空航天大学 | 一种质量控制与可靠性分析的制造系统预防性维修方法 |
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 |
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 |
CN112052979A (zh) * | 2020-07-17 | 2020-12-08 | 北京天泽智云科技有限公司 | 基于故障预测与健康管理的设备备件需求预测系统 |
-
2021
- 2021-03-29 CN CN202110332077.9A patent/CN113094826A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070239407A1 (en) * | 2006-01-12 | 2007-10-11 | Goldfine Neil J | Remaining life prediction for individual components from sparse data |
US20120143564A1 (en) * | 2010-12-01 | 2012-06-07 | Xerox Corporation | System and method for predicting remaining useful life of device components |
CN107122832A (zh) * | 2017-04-01 | 2017-09-01 | 北京航空航天大学 | 一种质量控制与可靠性分析的制造系统预防性维修方法 |
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 |
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 |
CN112052979A (zh) * | 2020-07-17 | 2020-12-08 | 北京天泽智云科技有限公司 | 基于故障预测与健康管理的设备备件需求预测系统 |
Non-Patent Citations (1)
Title |
---|
XIAO HAN 等: "Remaining useful life prediction and predictive maintenance strategies for multi-state manufacturing systems considering functional dependence", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676572A (zh) * | 2022-03-25 | 2022-06-28 | 中国航空发动机研究院 | 一种参数确定方法及装置、计算机可读存储介质 |
CN117236923A (zh) * | 2023-09-08 | 2023-12-15 | 北京理工大学 | 一种多态系统的双运行策略下的运维策略优化方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107991870B (zh) | 一种电扶梯设备的故障预警与寿命预测方法 | |
CN109766334B (zh) | 用于电力设备在线监测异常数据的处理方法及系统 | |
Chien et al. | A data mining approach for analyzing semiconductor MES and FDC data to enhance overall usage effectiveness (OUE) | |
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 | |
CN110530650B (zh) | 基于广义回归神经网络与箱型图分析的重型燃气轮机性能状态监测方法 | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
CN110097209A (zh) | 一种基于参数残差的设备劣化分析方法 | |
CN113762329A (zh) | 一种大型轧机状态预测模型的构建方法及构建系统 | |
TWI684139B (zh) | 基於自動學習的基地台異常之預測的系統與方法 | |
CN111461551B (zh) | 一种基于深度学习和spc准则的电潜泵故障预警方法 | |
CN117393076B (zh) | 耐热环氧树脂生产过程智能监测方法及系统 | |
CN113469241A (zh) | 基于工艺网络模型与机器学习算法的产品质量控制方法 | |
CN109902931A (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 | |
CN106950945A (zh) | 一种基于量纲可变型独立元分析模型的故障检测方法 | |
CN117389236B (zh) | 一种环氧丙烷生产过程优化方法及系统 | |
CN115438726A (zh) | 一种基于数字孪生技术的设备寿命与故障类型预测方法及系统 | |
CN110757510A (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN117234785B (zh) | 基于人工智能自查询的集控平台错误分析系统 | |
CN114749996A (zh) | 基于深度学习和时序回归模型的刀具剩余寿命预测方法 | |
CN106408436A (zh) | 一种晶圆制造企业电压暂降损失风险模糊综合评价方法 | |
CN113536671A (zh) | 一种基于lstm的锂电池寿命预测方法 | |
CN116992346A (zh) | 一种基于人工智能大数据分析的企业生产数据处理系统 | |
CN116020879B (zh) | 面向工艺参数带钢热连轧时空多尺度过程监控方法及装置 | |
CN109800866B (zh) | 一种基于GA-Elman神经网络的可靠性增长预测方法 | |
CN116933003A (zh) | 基于DaNet的无人机发动机的剩余使用寿命预测方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210709 |
|
WD01 | Invention patent application deemed withdrawn after publication |