CN113516325A - 基于信息融合的联合收割机制造质量分析决策方法及系统 - Google Patents

基于信息融合的联合收割机制造质量分析决策方法及系统 Download PDF

Info

Publication number
CN113516325A
CN113516325A CN202010278249.4A CN202010278249A CN113516325A CN 113516325 A CN113516325 A CN 113516325A CN 202010278249 A CN202010278249 A CN 202010278249A CN 113516325 A CN113516325 A CN 113516325A
Authority
CN
China
Prior art keywords
node
combine harvester
manufacturing
quality analysis
functional structure
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
CN202010278249.4A
Other languages
English (en)
Inventor
苑严伟
高瑞遥
周利明
牛康
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.)
Chinese Academy of Agricultural Mechanization Sciences
Original Assignee
Chinese Academy of Agricultural Mechanization Sciences
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 Chinese Academy of Agricultural Mechanization Sciences filed Critical Chinese Academy of Agricultural Mechanization Sciences
Priority to CN202010278249.4A priority Critical patent/CN113516325A/zh
Publication of CN113516325A publication Critical patent/CN113516325A/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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

本发明提出一种基于信息融合的联合收割机制造质量分析决策方法及系统。分析决策方法由异源数据编组、零部件质量评估、性能风险评估、制造质量决策以及模板匹配库更新五级结构组成。分析决策方法利用信息融合技术对零部件质量数据分析结果进行决策级融合，并利用满意准则对联合收割机性能进行决策评估，从而为提高联合收割机制造过程质量管理水平提供决策支持。

Description

基于信息融合的联合收割机制造质量分析决策方法及系统
技术领域
本发明涉及联合收割机制造技术领域，提出了一种基于信息融合的联合收割机制造质量分析决策方法，用于联合收割机制造过程中的质量分析。
背景技术
在农业机械化水平高度发展的今天，农用联合收割机得到了日益广泛的应用，联合收割机的工作性能与工作效率逐渐成为了联合收割机选用的重要参考指标，换言之，高制造质量、低故障率的联合收割机将为农业生产带来更大的便利，也更受到农业工作者的欢迎。但是目前我国农业机械的制造技术不够发达，许多生产环节没有形成足够完善的体系，这对提高联合收割机的制造质量提出了挑战。
目前致力于提高联合收割机制造质量的现有专利较少，已存在的专利中提出的制造质量改善方法对整机的部件同时进行检测，在明确联合收割机制造问题的方面存在一定的局限性，对联合收割机制造质量提高的帮助有限。而在质量决策方面，已存在的专利对产品制造质量的分析相对简单，没有考虑到产品组件的相互关联情况，决策结果存在误差。
在联合收割机的制造过程中，联合收割机的制造厂商需要将各零件供应商制造的联合收割机关键部件进行装配，包括割台、输送装置、脱离分离装置以及清选装置等，这些部件及其零件的制造质量及最终的装配质量直接影响联合收割机的工作性能，联合收割机组件的众多来源以及较高的关联度对其分析决策提出了更高的要求。
发明内容
针对现有技术的不足，本发明提出一种基于信息融合的联合收割机制造质量分析决策方法，通过质量分析决策方法的五级处理结构对联合收割机的主要功能零件、部件、系统进行逐级分析，通过制造质量数据与知识库的比对、逐层的概率推理以及决策级信息融合对联合收割机的制造质量以及异常趋势进行预测，为提高联合收割机制造过程质量管理水平提供决策支持，对联合收割机的生产给予提示和建议。
为了解决以上技术问题，本发明提出了一种基于信息融合的联合收割机制造质量分析决策方法，其中包括：
步骤1、获取待质量分析的联合收割机的制造零件数据，根据该联合收割机的功能结构将该制造零件数据进行分组，将得到多个功能结构零件组，分别作为一级节点，并将该制造零件数据中每一个零件作为其所属功能结构零件组的二级节点，根据该一级节点和该二级节点间的所属关系，构建包含该一级节点和该二级节点的零件分类树；
步骤2、通过将该零件分类树输入至区间匹配模型，得到各零件的危险系数，通过将各零件的安全指数和各零件的危险系数输入至规则匹配模型，得到各零件的危险度，集合各零件的危险度作为输入数据输入至根据功能结构失效过程构建的概率推理网络，得到该联合收割机各功能装置的概率，根据各功能装置的概率和满意准则对各功能结构的失效风险估值进行处理，得到该联合收割机的制造质量分析结果。
所述的基于信息融合的联合收割机制造质量分析决策方法，其中该步骤2包括：
步骤21、根据Vc＝|x-x0|/(xmax-xmin)得到各零件的危险系数VC，式中，xmax为制造误差上限，xmin为制造误差下限，并根据各零件的安全指数和各零件的危险系数，得到各零件的危险度。
所述的基于信息融合的联合收割机制造质量分析决策方法，其中步骤2中构建该概率推理网络的过程具体为：
通过集合各零件的危险度，得到各功能结构的危险因素来源作为上层节点，对功能结构核心功能的失效形式及经验失效概率量化作为中层节点，将功能结构最终失效造成的损失程度作为下层节点，按照上层节点-中层节点-下层节点构建该概率推理网络。
所述的基于信息融合的联合收割机制造质量分析决策方法，其中该概率推理网络在推理过程中，根据以下公式得到子节点Vi的条件概率，并利用联合树算法求出推理网络中任一节点的概率；
Figure BDA0002445568100000021
式中，P(Vi)为子节点Vi的父节点，Pi表示父节点向量，向量值pi表示向量Pi的取值，向量值vi表示向量Vi的取值，从而获得子节点的条件概率。
所述的基于信息融合的联合收割机制造质量分析决策方法，其中还包括：
步骤3、根据联合收割机的实际使用情况更新该满意准则。
本发明还提出了一种基于信息融合的联合收割机制造质量分析决策系统，其中包括：
模块1、获取待质量分析的联合收割机的制造零件数据，根据该联合收割机的功能结构将该制造零件数据进行分组，将得到多个功能结构零件组，分别作为一级节点，并将该制造零件数据中每一个零件作为其所属功能结构零件组的二级节点，根据该一级节点和该二级节点间的所属关系，构建包含该一级节点和该二级节点的零件分类树；
模块2、通过将该零件分类树输入至区间匹配模型，得到各零件的危险系数，通过将各零件的安全指数和各零件的危险系数输入至规则匹配模型，得到各零件的危险度，集合各零件的危险度作为输入数据输入至根据功能结构失效过程构建的概率推理网络，得到该联合收割机各功能装置的概率，根据各功能装置的概率和满意准则对各功能结构的失效风险估值进行处理，得到该联合收割机的制造质量分析结果。
所述的基于信息融合的联合收割机制造质量分析决策系统，其中该模块2包括：
模块21、根据Vc＝|x-x0|/(xmax-xmin)得到各零件的危险系数VC，式中，xmax为制造误差上限，xmin为制造误差下限，并根据各零件的安全指数和各零件的危险系数，得到各零件的危险度。
所述的基于信息融合的联合收割机制造质量分析决策系统，其中模块2中构建该概率推理网络的过程具体为：
通过集合各零件的危险度，得到各功能结构的危险因素来源作为上层节点，对功能结构核心功能的失效形式及经验失效概率量化作为中层节点，将功能结构最终失效造成的损失程度作为下层节点，按照上层节点-中层节点-下层节点构建该概率推理网络。
所述的基于信息融合的联合收割机制造质量分析决策系统，其中该概率推理网络在推理过程中，根据以下公式得到子节点Vi的条件概率，并利用联合树算法求出推理网络中任一节点的概率；
Figure BDA0002445568100000041
式中，P(Vi)为子节点Vi的父节点，Pi表示父节点向量，向量值pi表示向量Pi的取值，向量值vi表示向量Vi的取值，从而获得子节点的条件概率。
所述的基于信息融合的联合收割机制造质量分析决策系统，其中还包括：
模块3、根据联合收割机的实际使用情况更新该满意准则。
由以上方案可知，本发明的优点在于：
经过由异源数据编组、零部件质量评估、性能风险评估、制造质量决策以及模板匹配库更新五级结构可以实现联合收割机制造质量数据的分组和标记，逐级对联合收割机的主要功能部件、主要工作系统以及整机的预期性能进行评估和预测，在这一过程中充分利用知识库重点关注联合收割机中使用频率高，工作强度大以及故障率高的部件和系统，确保对联合收割机制造质量的分析决策符合实际运用情况。
附图说明
图1为本发明所述分析决策方法的结构图；
图2为本发明所述分析决策方法的工作流程图；
图3为维恩圆示意图。
具体实施方式
本发明的主要目的在于提出一种基于信息融合的联合收割机制造质量分析决策方法，对联合收割机的制造质量进行分析和决策，对联合收割机制造水平进行判断，旨在通过提高联合收割机的制造质量，改善其工作性能，达到提升联合收割机良品率的技术效果。为了实现上述目的，本发明按如下技术方案实现：
分析决策方法由异源数据编组、零部件质量评估、性能风险评估、制造质量决策以及模板匹配库更新五级结构组成：异源数据编组接收不同来源的联合收割机制造质量数据(例如联合收割机功能部件的零件尺寸数据以及部件的装配数据)并进行分组标记；零件级与部件级质量评估将编组完成的数据与联合收割机制造标准进行比对，得到初步制造风险评判；性能风险评估在质量评估的基础上进行信息融合，判断低级风险对联合收割机制造质量的综合影响；制造质量决策进行统计决策，判定联合收割机的最终制造质量；模板匹配库更新比对分析决策方法决策结论与联合收割机使用情况，学习联合收割机工作特性。
需要信息融合的原因是联合收割机的部件有一部分需要整机厂进行加工或者半加工，有一部分是从零部件厂直接采购，数据来源复杂，最后装配的整机使用的部件以及零件信息可能来自整机厂也可能来自零部件厂，是一个复杂的组合过程，也就是说最后联合收割机性能出现的问题来源有很多的可能性，所以需要对这些不同来源的数据进行对准，而后先在部件级将各零件的合格度进行融合，最后再整机级对部件的失效概率进行融合。
技术方案中的异源数据编组、零部件质量评估、性能风险评估、制造质量决策共同构成混合式融合结构，异源数据编组将联合收割机数据包分组标记后在零部件质量评估中按割台、输送装置、脱粒分离装置以及清选装置分别得到初步风险评判，而后在性能风险评估结构中以子处理机的形式进行部件层面的信息融合，最终在制造质量决策中进行整机层面的决策级信息融合。
技术方案中的异源数据编组结构以数据集范畴内的维恩圆结构呈现：联合收割机以数据包的形式传送至编组结构中，形成一级维恩圆，而后编组结构按照数据的来源不同将数据包拆分至主要功能部件层级，形成四个二级维恩圆：割台、输送装置、脱粒分离装置以及清选装置，同时这四个装置作为分类树的一级节点，记为U1n，其中n代表装置的编号：即U11代表割台、U12代表输送装置、U13代表脱离分离装置、U14代表清选装置。接下来数据流将按照四个一级节点继续向下分组：将四个功能系统包含的零件作为各自的二级结点，这样将得到若干个二级结点，记为U2nk,其中n代表二级结点所属一级节点的编号，k代表所属一级节点下零件的编号，k的最大值为所属一级节点需检测零件的数量。在同一个数据包都按照编组方法完成编组后，将生产批次信息m加入到零件编号中，得到零件最终的编号U2nkm，实现数据分组，为后续的决策级信息融合做好准备。
技术方案中的零部件质量评估结构由区间匹配模型与规则匹配模型组成：区间匹配模型用于零件尺寸数据以及部件装配数据与制造标准的比对检测，得到危险系数VC；规则匹配模型用于区间匹配模型处理结果与模板匹配库比对检测，得到零部件危险度D。
技术方案中的性能风险评估结构以信息融合的方式对联合收割机的主要功能部件功能风险进行评估，工作过程以概率推理的方式进行，主要包括如下步骤：
S10、接收经零部件质量评估处理结构的处理结果，将以脱离间隙过小为代表的主要危险因素来源作为上层节点；将功能部件(如脱粒滚筒)核心功能失效形式及经验失效概率量化，作为中层节点；将功能部件最终失效造成的损失程度(如作物的破碎率)作为下层节点，完成推理网络节点的确定；
S20、根据功能部件的失效过程，按照上层节点-中层节点-下层节点构建概率推理网络，其中上层节点作为中层节点的父节点中层节点作为下层节点的父节点；
S30、在推理过程中，由于需要得到各层节点的失效概率，因而根据子节点的父节点概率进行计算，子节点Vi的条件概率按下式计算：
Figure BDA0002445568100000061
式中，P(Vi)为子节点Vi的父节点，Pi表示父节点向量，向量值pi表示向量Pi的取值，向量值vi表示向量Vi的取值，从而获得子节点的条件概率；
S40、利用概率推理中的联合树算法求出推理网络中任一节点的概率。
技术方案中的制造质量决策结构按照满意准则对各功能装置的失效风险估值进行处理：通过查询模板匹配库得到联合收割机的功能指标估值，确定联合收割机各功能装置的制造水平a＊，其中a＊＝MaxP{Q(ai，θj)≤a},a为给定的满意风险水平，Q(ai，θj)是i方案在j状态下的风险，P{Q(ai，θj)≤a}为各评估方案风险值不高于目标值的累计概率；最终整机的制造水平A按照A＝W＊a＊ 割台+X＊a＊ 输送装置+Y＊a＊ 脱粒分离装置+Z＊a＊清选装置计算得到从而完成融合，其中W为割台权值，X为输送装置权值，Y为脱粒分离装置权值，Z为清选装置权值，且W+X+Y+Z＝1,同时权值根据模板匹配库在线更新。
技术方案中的模板匹配库更新结构由模板获取模块，模板存储模块以及模板比对模块组成：模板获取模块接收联合收割机的实际使用情况并向模板存储提出决策情况的查询请求；比对模块比对联合收割机的决策情况以及使用情况，对现有模板匹配准则提出修改建议；模板存储模块存储联合收割机的决策情况以及模板匹配准则。
技术方案中的区间匹配模型接收零部件的制造数据以及质量数据的合格区间，得出检测项目的危险系数VC：Vc＝|x-x0|/(xmax-xmin),其中x为检测项的制造数值，xmax为制造误差上限，xmin为制造误差下限，当Vc>1时，检测项目的危险系数为1。
技术方案中的规则匹配模型的处理结果由安全指数计算模块以及危险度计算模块决定：安全指数计算模块以零部件的严重度S和暴露率E作为输入，通过模糊逻辑得到安全指数H；危险度计算模块根据公式D＝Vc＊arcsinH计算得到零部件的危险度D。
为让本发明的上述特征和效果能阐述的更明确易懂，下文特举实施例，并配合说明书附图作详细说明如下。
本发明包括如图1所示的异源数据编组、零部件质量评估、性能风险评估、制造质量决策以及模板匹配库更新五级结构。
具体的，异源数据编组结构作为本方法的第一级结构，首先将接收联合收割机的制造质量数据，这些数据包括重要零件的主要尺寸数据、重要功能部件的装配数据以及性能数据，还包括整机的装配数据。
当数据传达到异源数据编组结构中，将进行数据的分组和标记，以便后续的融合与记录。联合收割机以数据包的形式传送至编组结构中，形成如图3所示的一级维恩圆，而后编组结构按照数据的来源不同将数据包拆分至主要功能部件层级，形成如图3所示的四个二级维恩圆：割台、输送装置、脱离分装置以及清选装置，同时这四个装置作为分类树的一级节点，记为U1n，其中n代表装置的编号：即U11代表割台、U12代表输送装置、U13代表脱粒分离装置、U14代表清选装置。接下来数据流将按照四个一级节点继续向下分组：将四个功能系统包含的零件作为各自的二级结点，这样将得到若干个二级结点，记为U2nk,其中n代表二级结点所属一级节点的编号，k代表所属一级节点下零件的编号，k的最大值为所属一级节点需检测零件的数量。在同一个数据包都按照编组方法完成编组后，将生产批次信息m加入到零件编号中，得到零件最终的编号U2nkm。至此零件的分组标记已完成，零件的尺寸数据以及相关的装配数据将直接与零件编号建立联系，便于分析决策过程的故障原因排查。
具体的，零部件质量评估结构由区间匹配模型与规则匹配模型组成。区间匹配模型接收零件尺寸数据与部件装配数据，并向模板匹配库提出查询，从而得到数据的合格区间，并按照Vc＝|x-x0|/(xmax-xmin)得到各检测项目(零件)的危险系数VC，式中，xmax为制造误差上限，xmin为制造误差下限，x为检测项的制造数值，x0为检测项的制造标准值，当计算得到的危险系数Vc大于1时，检测项目的危险系数设定为1。这样零件的危险系数将按照跟随先前的标记传输至规则匹配模型中。
规则匹配模型的处理结果由安全指数计算模块以及危险度计算模块两部分决定。在安全指数计算模块中，模型主要考虑部件的严重度S以及暴露率E两方面因素，这里严重度指一旦风险成为现实，联合收割机工作性能以及工作安全受损害的程度；暴露率值风险出现时，联合收割机受到影响的概率。在采用模糊逻辑控制的过程中，输入严重度S用SX表示，X取值是0/1/2/3/4，级别从低到高，级别越高，损害程度越大；输入暴露率用EX表示，X取值是0/1/2/3/4，级别从低到高，级别越高，受影响概率越大；输出安全指数H用HX表示，X取值是0/1/2/3/4,级别从低到高，级别越高，故障造成的影响越严重。危险度计算模块接收零部件的危险系数以及安全指数，按照D＝Vc*arcsinH计算得到零部件的危险度D。危险度D是一个在区间【0,1】的数值，将作为下文公式中的上层节点的概率代入公式。
具体的，性能风险评估结构以概率推理的方式对联合收割机的主要功能系统功能风险进行评估，推理过程包括如下步骤：
S10、接收经零部件质量评估处理结构的处理结果，将功能部件的主要危险因素来源作为上层节点；对功能部件核心功能的失效形式及经验失效概率量化，作为中层节点；将功能部件最终失效造成的损失程度作为下层节点，完成推理网络节点的确定；
S20、根据功能部件的失效过程，按照上层节点-中层节点-下层节点构建概率推理网络，其中上层节点的概率值即为零部件的危险度D；
S30、在推理过程中，子节点Vi的条件概率按下式计算：
Figure BDA0002445568100000081
式中，P(Vi)为子节点Vi的父节点，Pi表示父节点向量，向量值pi表示向量Pi的取值，向量值vi表示向量Vi的取值，从而获得子节点的条件概率；
S40、利用联合树算法求出推理网络中任一节点的概率。中层节点的概率是将上层节点的概率代入公式计算，下层节点的概率是是将中层节点的概率代入公式计算；最终下层节点的概率作为性能风险评估结构的最终结果(也就是各功能装置的失效风险估值)。
具体的，制造质量决策结构按照满意准则对各功能装置的失效风险估值进行处理：通过查询模板匹配库得到联合收割机的功能指标估值，确定联合收割机各功能装置的制造水平a*，其中a*＝MaxP{Q(ai，θj)≤a},a为给定的满意风险水平，Q(ai，θj)是i方案在j状态下的风险，P{Q(ai，θj)≤a}为各评估方案风险值不高于目标值的累计概率；最终整机的制造水平A按照A＝W*a* 割台+X*a* 输送装置+Y*a* 脱粒分离装置+Z*a* 清选装置计算得到，其中W为割台权值，X为输送装置权值，Y为脱粒分离装置权值，Z为清选装置权值，且W+X+Y+Z＝1,同时权值根据模板匹配库在线更新。
i指的是联合收割机作业作物品种、作物成熟期、自然高度的差别。其实是指联合收割机的作业对象、作业场景。j指的是联合收割机的作业档位或作业速度差别。(以上两点均参考行业标准NYT2090-2011联合收割机试验条件)也就是作业状态。i方案在j状态下的风险依赖于与模板匹配库的对比，从而根据作业方案(i方案)、作业状态(j状态)以及风险评估结构的得到的损失程度依据经验得到并量化处理。此累计概率指的是联合收割机风险Q小于给定满意水平a时，对应的状态j在使用过程中出现的概率和。
具体的，模板匹配库更新结构由模板获取模块，模板存储模块以及模板比对模块组成：模板获取模块接收联合收割机的实际使用情况并向模板存储提出决策情况的查询请求；比对模块比对联合收割机的决策情况以及使用情况，对现有模板匹配准则提出修改建议；模板存储模块存储联合收割机的决策情况以及模板匹配准则。
以下为与上述方法实施例对应的系统实施例，本实施方式可与上述实施方式互相配合实施。上述实施方式中提到的相关技术细节在本实施方式中依然有效，为了减少重复，这里不再赘述。相应地，本实施方式中提到的相关技术细节也可应用在上述实施方式中。
本发明还提出了一种基于信息融合的联合收割机制造质量分析决策系统，其中包括：
模块1、获取待质量分析的联合收割机的制造零件数据，根据该联合收割机的功能结构将该制造零件数据进行分组，将得到多个功能结构零件组，分别作为一级节点，并将该制造零件数据中每一个零件作为其所属功能结构零件组的二级节点，根据该一级节点和该二级节点间的所属关系，构建包含该一级节点和该二级节点的零件分类树；
模块2、通过将该零件分类树输入至区间匹配模型，得到各零件的危险系数，通过将各零件的安全指数和各零件的危险系数输入至规则匹配模型，得到各零件的危险度，集合各零件的危险度作为输入数据输入至根据功能结构失效过程构建的概率推理网络，得到该联合收割机各功能装置的概率，根据各功能装置的概率和满意准则对各功能结构的失效风险估值进行处理，得到该联合收割机的制造质量分析结果。
所述的基于信息融合的联合收割机制造质量分析决策系统，其中该模块2包括：
模块21、根据Vc＝|x-x0|/(xmax-xmin)得到各零件的危险系数VC，式中，xmax为制造误差上限，xmin为制造误差下限，并根据各零件的安全指数和各零件的危险系数，得到各零件的危险度。
所述的基于信息融合的联合收割机制造质量分析决策系统，其中模块2中构建该概率推理网络的过程具体为：
通过集合各零件的危险度，得到各功能结构的危险因素来源作为上层节点，对功能结构核心功能的失效形式及经验失效概率量化作为中层节点，将功能结构最终失效造成的损失程度作为下层节点，按照上层节点-中层节点-下层节点构建该概率推理网络。
所述的基于信息融合的联合收割机制造质量分析决策系统，其中该概率推理网络在推理过程中，根据以下公式得到子节点Vi的条件概率，并利用联合树算法求出推理网络中任一节点的概率；
Figure BDA0002445568100000101
式中，P(Vi)为子节点Vi的父节点，Pi表示父节点向量，向量值pi表示向量Pi的取值，向量值vi表示向量Vi的取值，从而获得子节点的条件概率。
所述的基于信息融合的联合收割机制造质量分析决策系统，其中还包括：
模块3、根据联合收割机的实际使用情况更新该满意准则。

Claims (10)

1.一种基于信息融合的联合收割机制造质量分析决策方法，其特征在于，包括：
步骤1、获取待质量分析的联合收割机的制造零件数据，根据该联合收割机的功能结构将该制造零件数据进行分组，将得到多个功能结构零件组，分别作为一级节点，并将该制造零件数据中每一个零件作为其所属功能结构零件组的二级节点，根据该一级节点和该二级节点间的所属关系，构建包含该一级节点和该二级节点的零件分类树；
步骤2、通过将该零件分类树输入至区间匹配模型，得到各零件的危险系数，通过将各零件的安全指数和各零件的危险系数输入至规则匹配模型，得到各零件的危险度，集合各零件的危险度作为输入数据输入至根据功能结构失效过程构建的概率推理网络，得到该联合收割机各功能装置的概率，根据各功能装置的概率和满意准则对各功能结构的失效风险估值进行处理，得到该联合收割机的制造质量分析结果。
2.如权利要求1所述的基于信息融合的联合收割机制造质量分析决策方法，其特征在于，该步骤2包括：
步骤21、根据Vc＝|x-x0|/(xmax-xmin)得到各零件的危险系数VC，式中，xmax为制造误差上限，xmin为制造误差下限，并根据各零件的安全指数和各零件的危险系数，得到各零件的危险度。
3.如权利要求1所述的基于信息融合的联合收割机制造质量分析决策方法，其特征在于，步骤2中构建该概率推理网络的过程具体为：
通过集合各零件的危险度，得到各功能结构的危险因素来源作为上层节点，对功能结构核心功能的失效形式及经验失效概率量化作为中层节点，将功能结构最终失效造成的损失程度作为下层节点，按照上层节点-中层节点-下层节点构建该概率推理网络。
4.如权利要求3所述的基于信息融合的联合收割机制造质量分析决策方法，其特征在于，该概率推理网络在推理过程中，根据以下公式得到子节点Vi的条件概率，并利用联合树算法求出推理网络中任一节点的概率；
Figure FDA0002445568090000011
式中，P(Vi)为子节点Vi的父节点，Pi表示父节点向量，向量值pi表示向量Pi的取值，向量值vi表示向量Vi的取值，从而获得子节点的条件概率。
5.如权利要求1所述的基于信息融合的联合收割机制造质量分析决策方法，其特征在于，还包括：
步骤3、根据联合收割机的实际使用情况更新该满意准则。
6.一种基于信息融合的联合收割机制造质量分析决策系统，其特征在于，包括：
模块1、获取待质量分析的联合收割机的制造零件数据，根据该联合收割机的功能结构将该制造零件数据进行分组，将得到多个功能结构零件组，分别作为一级节点，并将该制造零件数据中每一个零件作为其所属功能结构零件组的二级节点，根据该一级节点和该二级节点间的所属关系，构建包含该一级节点和该二级节点的零件分类树；
模块2、通过将该零件分类树输入至区间匹配模型，得到各零件的危险系数，通过将各零件的安全指数和各零件的危险系数输入至规则匹配模型，得到各零件的危险度，集合各零件的危险度作为输入数据输入至根据功能结构失效过程构建的概率推理网络，得到该联合收割机各功能装置的概率，根据各功能装置的概率和满意准则对各功能结构的失效风险估值进行处理，得到该联合收割机的制造质量分析结果。
7.如权利要求6所述的基于信息融合的联合收割机制造质量分析决策系统，其特征在于，该模块2包括：
模块21、根据Vc＝|x-x0|t(xmax-xmin)得到各零件的危险系数VC，式中，xmax为制造误差上限，xmin为制造误差下限，并根据各零件的安全指数和各零件的危险系数，得到各零件的危险度。
8.如权利要求6所述的基于信息融合的联合收割机制造质量分析决策系统，其特征在于，模块2中构建该概率推理网络的过程具体为：
通过集合各零件的危险度，得到各功能结构的危险因素来源作为上层节点，对功能结构核心功能的失效形式及经验失效概率量化作为中层节点，将功能结构最终失效造成的损失程度作为下层节点，按照上层节点-中层节点-下层节点构建该概率推理网络。
9.如权利要求8所述的基于信息融合的联合收割机制造质量分析决策系统，其特征在于，该概率推理网络在推理过程中，根据以下公式得到子节点Vi的条件概率，并利用联合树算法求出推理网络中任一节点的概率；
Figure FDA0002445568090000031
式中，P(Vi)为子节点Vi的父节点，Pi表示父节点向量，向量值pi表示向量Pi的取值，向量值vi表示向量Vi的取值，从而获得子节点的条件概率。
10.如权利要求6所述的基于信息融合的联合收割机制造质量分析决策系统，其特征在于，还包括：
模块3、根据联合收割机的实际使用情况更新该满意准则。
CN202010278249.4A 2020-04-10 2020-04-10 基于信息融合的联合收割机制造质量分析决策方法及系统 Pending CN113516325A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010278249.4A CN113516325A (zh) 2020-04-10 2020-04-10 基于信息融合的联合收割机制造质量分析决策方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010278249.4A CN113516325A (zh) 2020-04-10 2020-04-10 基于信息融合的联合收割机制造质量分析决策方法及系统

Publications (1)

Publication Number Publication Date
CN113516325A true CN113516325A (zh) 2021-10-19

Family

ID=78061105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010278249.4A Pending CN113516325A (zh) 2020-04-10 2020-04-10 基于信息融合的联合收割机制造质量分析决策方法及系统

Country Status (1)

Country Link
CN (1) CN113516325A (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002351537A (ja) * 2001-05-24 2002-12-06 Honda Motor Co Ltd 製造品質の管理方法
CN103309342A (zh) * 2012-03-15 2013-09-18 华北计算机系统工程研究所 一种针对工业控制系统的防危性验证方案
CN103824131A (zh) * 2014-02-28 2014-05-28 西南石油大学 油气井钻井施工作业现场的风险预测系统及方法
CN104331072A (zh) * 2014-10-28 2015-02-04 冶金自动化研究设计院 一种面向典型冶金工艺控制系统的信息安全风险评估方法
CN104699734A (zh) * 2014-11-20 2015-06-10 武汉图歌信息技术有限责任公司 一种面向主题的大规模地理空间数据动态融合方法
CN106202668A (zh) * 2016-07-01 2016-12-07 中国航天标准化研究所 基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法
CN106600127A (zh) * 2016-12-06 2017-04-26 贵州电网有限责任公司电力科学研究院 一种基于贝叶斯网络可靠性修正模型的继电保护系统风险评估方法
CN107203839A (zh) * 2017-05-04 2017-09-26 中国北方发动机研究所(天津) 一种柴油机零部件故障风险等级的评估方法
CN108133090A (zh) * 2017-12-13 2018-06-08 西安交通大学 一种可靠性敏感度驱动的高端复杂装备可靠性分析方法
CN108183897A (zh) * 2017-12-28 2018-06-19 南京林业大学 一种信息物理融合系统安全风险评估方法
US20180189896A1 (en) * 2016-12-30 2018-07-05 Paccar Inc Systems and methods for improving electronic component quality during the manufacture of vehicles
CN108831519A (zh) * 2018-09-05 2018-11-16 上海麦色智能科技有限公司 一种基于形态学和临床实践的皮肤疾病分类装置
CN109103883A (zh) * 2018-10-31 2018-12-28 国网上海市电力公司 一种配电网安全风险的评估、预警和决策方法
CN109767063A (zh) * 2018-12-12 2019-05-17 深圳供电局有限公司 一种稳控装置运行信息系统及其在线电网风险评估方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002351537A (ja) * 2001-05-24 2002-12-06 Honda Motor Co Ltd 製造品質の管理方法
CN103309342A (zh) * 2012-03-15 2013-09-18 华北计算机系统工程研究所 一种针对工业控制系统的防危性验证方案
CN103824131A (zh) * 2014-02-28 2014-05-28 西南石油大学 油气井钻井施工作业现场的风险预测系统及方法
CN104331072A (zh) * 2014-10-28 2015-02-04 冶金自动化研究设计院 一种面向典型冶金工艺控制系统的信息安全风险评估方法
CN104699734A (zh) * 2014-11-20 2015-06-10 武汉图歌信息技术有限责任公司 一种面向主题的大规模地理空间数据动态融合方法
CN106202668A (zh) * 2016-07-01 2016-12-07 中国航天标准化研究所 基于质量问题数据和反向传导神经网络的复杂装备质量风险评估方法
CN106600127A (zh) * 2016-12-06 2017-04-26 贵州电网有限责任公司电力科学研究院 一种基于贝叶斯网络可靠性修正模型的继电保护系统风险评估方法
US20180189896A1 (en) * 2016-12-30 2018-07-05 Paccar Inc Systems and methods for improving electronic component quality during the manufacture of vehicles
CN107203839A (zh) * 2017-05-04 2017-09-26 中国北方发动机研究所(天津) 一种柴油机零部件故障风险等级的评估方法
CN108133090A (zh) * 2017-12-13 2018-06-08 西安交通大学 一种可靠性敏感度驱动的高端复杂装备可靠性分析方法
CN108183897A (zh) * 2017-12-28 2018-06-19 南京林业大学 一种信息物理融合系统安全风险评估方法
CN108831519A (zh) * 2018-09-05 2018-11-16 上海麦色智能科技有限公司 一种基于形态学和临床实践的皮肤疾病分类装置
CN109103883A (zh) * 2018-10-31 2018-12-28 国网上海市电力公司 一种配电网安全风险的评估、预警和决策方法
CN109767063A (zh) * 2018-12-12 2019-05-17 深圳供电局有限公司 一种稳控装置运行信息系统及其在线电网风险评估方法

Similar Documents

Publication Publication Date Title
CN110110870B (zh) 一种基于事件图谱技术的设备故障智能监控方法
CN109902153B (zh) 基于自然语言处理和案例推理的设备故障诊断方法及系统
CN111047082A (zh) 设备的预警方法及装置、存储介质和电子装置
CN113935497A (zh) 智能运维故障处理方法、装置、设备及其存储介质
CN110703214B (zh) 一种气象雷达状态评估和故障监测方法
CN112949874B (zh) 一种配电终端缺陷特征自诊断方法及系统
CN111275136B (zh) 基于小样本下的故障预测系统及其预警方法
CN107238508A (zh) 一种设备状态诊断方法及装置
CN116678552B (zh) 一种变温度环境下光纤应力传感器异常监测方法
CN114201374A (zh) 基于混合机器学习的运维时序数据异常检测方法及系统
CN111325410A (zh) 基于样本分布的通用故障预警系统及其预警方法
CN116700172A (zh) 结合工业互联网的工业数据集成处理方法及系统
CN116882823A (zh) 自纠错的多层级工程质量评定管理平台
CN108133090A (zh) 一种可靠性敏感度驱动的高端复杂装备可靠性分析方法
CN113568900A (zh) 基于人工智能的大数据清洗方法及云服务器
CN117041312A (zh) 基于物联网的企业级信息技术监控系统
Pan et al. Unsupervised root-cause analysis for integrated systems
Liu et al. Research on the strategy of locating abnormal data in IOT management platform based on improved modified particle swarm optimization convolutional neural network algorithm
CN114529067A (zh) 一种基于大数据机器学习进行电动汽车电池预测性维护的方法
CN110673568A (zh) 玻璃纤维制造业工业设备故障顺序确定方法及系统
CN110348480A (zh) 一种非监督异常数据检测算法
CN113516325A (zh) 基于信息融合的联合收割机制造质量分析决策方法及系统
CN111767273B (zh) 基于改进som算法的数据智能检测方法及装置
CN117216713A (zh) 故障定界方法、装置、电子设备和存储介质
CN117057150A (zh) 一种基于无监督叠加集成的供水管网爆管检测与识别方法

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