CN114118666A - 与不符合公差链中的尺寸公差相关的风险管理 - Google Patents
与不符合公差链中的尺寸公差相关的风险管理 Download PDFInfo
- Publication number
- CN114118666A CN114118666A CN202110985786.7A CN202110985786A CN114118666A CN 114118666 A CN114118666 A CN 114118666A CN 202110985786 A CN202110985786 A CN 202110985786A CN 114118666 A CN114118666 A CN 114118666A
- Authority
- CN
- China
- Prior art keywords
- tolerance
- parts
- risk
- test value
- criterion
- 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
- 238000012360 testing method Methods 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 30
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- 239000003381 stabilizer Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 description 28
- 239000000047 product Substances 0.000 description 9
- 239000012467 final product Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 239000006185 dispersion Substances 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000009827 uniform distribution Methods 0.000 description 2
- 101000582320 Homo sapiens Neurogenic differentiation factor 6 Proteins 0.000 description 1
- 102100030589 Neurogenic differentiation factor 6 Human genes 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06Q10/06393—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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Primary Health Care (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及与不符合公差链中的尺寸公差相关的风险管理。提出了在生产中用测量数据的反馈管理与不符合公差链中的尺寸公差相关的风险,公差链由将输入特性值与输出要求值关联的公差模型来定义。提供了一种用于自动管理风险的工具、方法和系统,包括处理器,被配置为:选择输入特性,称为目标特性,目标特性在公差链中的贡献大于预定贡献阈值;用测试值替换目标特性的值;根据每个测试值确定输出统计分布;测量不符合与输出要求关联的公差的部分;根据每个测试值评估不符合与输出要求相关联的公差的第一风险影响指标;评估第二风险严重性指标,表示以测试值的发生概率对第一风险影响指标进行的加权;基于第一指标和第二指标定义一组分级的分类标准。
Description
技术领域
本发明涉及装配车辆子组件的一般领域,更具体地涉及与不符合在装配与车辆的至少一部分相对应的一组零件时使用的公差链中的至少一个尺寸公差相关的风险管理。
背景技术
在设计车辆时,试图定义要装配的各个零件的尺寸和可接受的公差,以确保这些零件之间的精确配合。通常在生产阶段开始之前以保守方法定义公差。
保守方法通常使用定义“最坏情况”类型公差的技术,该技术所基于的条件是针对多个元件的实际尺寸的任何组合都保持所需的输出公差。这确保了高精度。
因此,如果所有公差都被遵守,则装配结果将令人满意。但并不是未遵守所有公差,装配结果就不会令人满意。特别地,即使并非所有公差都被遵守,装配结果也可能是好的。
当前技术通常涵盖定义公差的阶段,但不涵盖审查或估计未遵守公差时的风险。
特别地,预测各种零件装配的风险并非易事,因此会采取保守的方法以确保高精度,但同时这可能会在制造最终产品的过程中产生大量浪费和延迟。
因此,本发明的目的是提供一种用于管理与不符合公差之一相关的风险的自动方法,同时确保不影响最终产品的性能、安全性和可靠性。
发明内容
本发明涉及一种用于在从一组零件工业地装配产品的背景下管理与不符合公差链中的至少一个尺寸公差相关的风险的自动风险管理工具,所述公差链由将输入特性值与输出要求值关联的公差模型来定义,所述输入特性值表示要装配的零件的公差,所述输出要求值表示对已装配的零件的要求,所述输入特性值和所述输出要求值分别与输入公差和输出公差相关联,所述工具包括处理器,所述处理器被配置为:
-选择输入特性,称为目标特性,所述目标特性在所述公差链中的贡献大于预定贡献阈值,
-用来自表示潜在测量值的一系列测试值中的测试值替换所述目标特性的值,
-确定与指派给所述目标特性的每个测试值相关联的输出统计分布,从而形成一组输出统计分布,
-测量每个输出统计分布的不符合与所述输出要求相关联的公差的部分,
-根据指派给所述目标特性的每个测试值来评估不符合与所述输出要求相关联的公差的第一风险影响指标,
-评估第二风险严重性指标,所述第二风险严重性指标表示以指派给所述目标特性的对应测试值的发生概率对所述第一风险影响指标进行的加权,以及
-基于所述第一指标和所述第二指标定义一组分级的分类标准。
注意,测试了多个测试值以模拟各种测量结果,并且然后通过对所获得的输出分布集合进行后处理来建立风险曲线。
该工具使得可以自动管理超出关于定义文件的几何公差的物理元件,同时确保不会对性能、安全性、可制造性或最终产品执行的任何功能产生影响。该工具使得可以选择最佳零件,以保证满足所有最终要求,同时坚固且在经济上有利。
有利地,第一风险影响指标对应于在已知已将给定的测试值(表示潜在的测量值)指派给目标特性的情况下不符合与输出要求相关联的公差的条件概率。
这使得可以评估超出公差的零件的风险影响。
有利地,所述第二风险严重性指标对应于获得所述给定测试值与不符合与所述输出要求相关联的公差的组合概率,因此,所述第二风险严重性指标对应于所述第一影响指标与所述给定测试值的所述发生概率的乘积。
这使得可以通过考虑该不符合预定义公差的发生概率来更精确地评估不符合预定义公差的零件的风险影响。
有利地,所述定义所述一组决策标准包括:第一标准,根据所述标准原样接受零件而不采取任何特定动作;第二标准,根据所述标准原样接受所述零件,但需要在稍后阶段进行附加检查;第三标准,根据所述标准要对所述零件进行修理;以及第四标准,根据所述标准要重新制作所述零件。
这使得可以使接受零件的标准适应当时工业环境中的实际需要,并最大限度地减少不符合要求的零件的修理或潜在的重新制作。
有利地,所述处理器被配置为通过根据所述各种分类标准对所述零件进行分类来确定能够装配在一起的零件。
有利地,所述测试值由以所述测试值为中心的高斯分布型统计分布、或狄拉克分布表示。
因此,测试值的分布适应于观察到的测量数据并且根据测量精度的不足。
有利地,所述确定与每个测试值相关的输出统计分布是通过对所述输入特性值的卷积乘积类型的统计计算,或者通过蒙特卡罗模拟类型的数值近似技术来执行的。
这使得可以精确地将输出统计分布与输入数据相关联。
有利地,在先前的训练阶段中,向所述公差模型馈送了源自所述要装配的零件的实际测量结果的反馈的统计数据。
因此,实际的输入-输出测量结果构成了训练数据集,基于该训练数据集来校准公差模型。
有利地,预先验证所述公差模型。
因此,公差模型的验证使得可以保证模型的预测有效性。
根据一个实施例,所述公差模型根据所述输入特性Xi的线性组合以以下方式表达输出要求Y:
[Math 2]
其中,αi是几何原点的影响系数,并且N表示所述公差链中的环的数量。
根据一个实施例,所述预定贡献阈值等于所述链中的所述环的最坏情况总和的20%。
本发明还针对一种用于从一组零件工业地装配产品的系统,所述零件中的一些可能不符合几何公差,该系统包括:
-根据前述特征中任一项所述的自动风险管理工具,所述管理工具能够根据第一分类标准、第二分类标准、第三分类标准和第四分类标准对所述要装配的零件进行分类,所述第一分类标准和所述第二分类标准定义能够装配在一起而没有任何风险的那些零件;以及
-装配工具,所述装配工具仅能够装配满足所述第一分类标准和所述第二分类标准的那些零件,即使其中一些零件可能不符合几何公差。
本发明还针对一种装配方法,所述方法用于使用根据前述特征中任一项所述的风险管理工具来装配一组零件,该方法包括以下步骤:
-获取零件的尺寸,
-测试所述测量结果是否符合尺寸公差值,如果是,则接受所述零件,如果否,则所述方法继续前进到下一步骤,
-收集与所述零件相关的输入特性,
-将所述输入特性输入到所述公差模型中以获得所述一组分级的决策标准,
-测试所述零件是否满足所述第一标准,如果是,则原样接受所述零件而无需采取任何特定动作,如果否,则所述方法继续前进到下一步骤,
-测试所述零件是否满足所述第二标准,如果是,则原样接受所述零件,但需要在稍后阶段进行附加检查,如果否,则所述方法继续前进到下一步骤,
-测试所述零件是否满足所述第三标准,如果是,则必须修理所述零件,如果否,则所述方法继续前进到下一步骤,以及
-测试所述零件是否满足所述第四标准,如果是,则必须重新制作所述零件。
有利地,所述一组零件对应于飞行器的至少一部分。
有利地,所述一组零件可以是来自以下物体中的一组基本零件或一组物体:机身部分、垂直安定面、飞行表面、客舱门、货舱门、发动机、短舱、发动机吊挂架、水平平面和竖直平面、起落架、机舱元件或所述飞行器的其他部分。
本发明的另外的优点和特征将从以下非限制性的详细说明变得明显。
附图说明
现在将参考附图通过非限制性示例的方式描述本发明的一些实施例,在附图中:
[图1]示意性地展示了根据本发明的一个实施例的用于管理与不符合公差链中的至少一个尺寸公差相关的风险的自动风险管理工具;
[图2]是示意性地展示了根据本发明的一个实施例的由用于管理与不符合至少一个尺寸公差相关的风险的自动风险管理工具执行的步骤的流程图;
[图3]是展示了根据本发明的一个实施例的由绘制风险影响的变化的一组曲线表示的风险图表的图;
[图4]是示意性地展示了根据本发明的一个实施例的用于使用风险管理工具的方法的步骤的流程图;以及
[图5]示意性地展示了根据本发明的一个实施例的使用风险管理工具的装配系统。
具体实施方式
本发明的基本概念是利用生产中的测量数据的反馈来管理与不符合公差链中的一个或多个尺寸公差相关的后验风险。
图1示意性地展示了根据本发明的一个实施例的用于管理与不符合公差链中的至少一个尺寸公差相关的风险的自动风险管理系统或工具。
该工具1包括输入接口3、用于处理数据的处理器5、用于存储数据的存储器和/或服务器7、以及包括图形界面11的输出接口9。
根据本发明,工具1被设计成在从一组零件13a至13d工业地装配产品的背景下自动管理与不符合公差链中的至少一个尺寸公差X相关的风险。
举例来说,该产品可以对应于飞行器的至少一部分,并且更具体地对应于飞行器的飞行表面和机身部分。
“一组零件”13a至13d意指一组部分部件,其中的每一个都可以是更基本的零件的子组件。例如,飞行器可以被视为由多个零件或元件组成,这些零件或元件包括但不限于:机架、动力设备、飞行控制件、机载公用设施、航空电子系统以及内部或外部有效载荷。这些元件中的每一个本身都是由更基本的零件组成的子组件。例如,机架包括机身、飞行表面、尾翼和起落架。此外,该子组件的每个元件又由其他元件组成,等等。例如,飞行表面包括两个机翼、副翼和尾部。此外,每个机翼的内部结构包括翼梁和肋等。
装配一组零件13a至13d需要预先确定与该组对应的尺寸公差链。公差链由将输入特性值Xi(例如,X1至X4)与输出要求值Yj(Y1、Y2)关联的公差模型15来定义。输入特性值和输出要求值分别与输入公差和输出公差相关联。
最简单的线性版本的公差模型通过以下公式将输出要求Y与输入特性值Xi关联:
[Math 3]
与输入特性值Xi相关联的输入公差表示要装配在一起的零件13a至13d或元件的公差。输出公差表示对已装配的零件13a至13d的要求。系数αi是几何原点的线性影响参数,并且N表示装配链中的元件数量。注意,元件的公差对输出Y的影响系数αi在一维(1D)公差链的背景下可以等于+1或-1,而在2D或3D公差链的情况下可以等于任何值。
根据本发明,与数据存储服务器7相关联的处理器5实施训练算法以构建公差模型。
在先前的训练阶段,向公差模型15馈送了存储在数据存储服务器7中并且源自要装配的元件或零件的实际测量结果的反馈(不管这些元件或零件的定义公差如何)的统计数据体。因此,实际的输入-输出测量结果构成了训练数据集。处理器5使用训练数据集的第一部分来校准公差模型15,使得该模型自动学习从新输入数据预测输出数据。举例来说,公差模型15可以展现出“最坏情况”类型的保守公差定义方法。
训练数据集中考虑的参数特别是:表示总体的统计分布类型、其离散度(例如,高斯分布的标准差)及其位置(例如,高斯分布的均值)。用使用定义的公差参数的保守分布来替换那些未测量的环。举例来说,可以在定义的公差极限之间使用均匀分布。
有利地,处理器5使用训练数据集的第二部分来测试和验证公差模型15,从而保证其预测有效性。例如,这可以使用监督学习技术来实现,以便基于输入数据变化正确地解释已知的输出数据变化。
图2是示意性地展示了根据本发明的一个实施例的由用于管理与不符合至少一个尺寸公差相关的风险的自动风险管理工具执行的步骤的流程图。
首先,在步骤E0中,经由输入接口3将初始化和与公差模型相关的输入数据存储在工具1的存储器7中。因此,将输入特性值与定义公差链的输出要求值关联的公差模型15被存储在工具1的存储器7中。
在步骤E1中,处理器5被配置为选择输入特性,称为目标特性XT(即公差链中的环之一),该目标特性在所述公差链中的贡献大于预定贡献阈值。举例来说,预定贡献阈值等于链中的环的最坏情况总和的20%。
另外,根据通常的能力,其他输入特性被认为是贡献特性Xc。
在步骤E2中,处理器5被配置为用来自表示潜在测量值的一系列测试值中的测试值V替换目标特性XT的值。
测试值V由表示观察到的测量数据及其潜在精度不足的统计分布来表达。该统计分布可以是考虑根据假定的测量能力的该测量的离散度的、以该测试值为中心的高斯分布。该测试值还可以由表示观察到的测量值而不表示离散度的狄拉克分布来表达。该测试值还可以由如均匀分布等其他类型的分布来表达。
在步骤E3中,处理器5被配置为根据指派给目标特性XT的每个测试值V确定输出统计分布C1,从而形成一组输出统计分布。
举例来说,处理器5被配置为通过对输入特性值的卷积乘积类型的统计计算来确定与每个测试值V相关的输出统计分布。特别地,这些分布的卷积乘积在输入数据和输出数据之间生成联系,该联系可以由标准化的输出曲线C1表示(也参见图3)。
注意,输出统计分布可以通过如蒙特卡罗模拟类型的数值近似方法等其他技术来确定。
在步骤E4中,处理器5被配置为测量每个输出统计分布的不符合与输出要求相关联的公差的部分。不符合公差的部分对应于(在归一化输出曲线C1下方)超过预定公差极限L1和L2的区域。这表示因不符合公差而受到影响的那些输出要求。
以测试值V的增量变化来迭代地多次启动步骤E2至E4。该迭代过程使得可以确定在已知以特定值va测量了目标特性V的情况下不符合公差的风险的变化。
在步骤E5中,处理器5被配置为根据指派给目标特性XT的每个测试值V来评估不符合与输出要求相关联的公差的第一风险影响指标I1。对于给定的输入测量,第一影响指标I1在下文中表示为“ERI”(评估的风险影响)。
该第一风险影响指标ERI对应于在已知已将给定的测试值(表示潜在的特定测量值)指派给目标特性的情况下不符合与输出要求相关联的公差的条件概率。特别地,如果术语“以特定值va测量了目标特性”由事件“A”表示,而术语“输出要求不符合输出公差”由事件“B”表示,则第一风险影响指标由在已知事件A的情况下事件B的条件概率P(B|A)来定义。
因此,给定测量的值ERI对应于可以表达为百分比的条件概率P(B|A)的值。还有利的是,以发生概率对该不符合公差影响评估进行加权,在这种情况下,该发生概率对应于目标特性的总体所遵循的统计分布。
特别地,在步骤E6中,处理器5被配置为评估第二风险严重性指标I2,该第二风险严重性指标表示以指派给目标特性的对应测试值的发生概率对第一风险影响指标I1进行的加权。
该第二风险严重性指标I2是加权风险,其对应于获得给定测试值(即事件A)与(AND)不符合与输出要求相关联的公差(即事件B)的组合概率。因此,第二风险严重性指标I2对应于事件A与(AND)事件B的概率P(A,B)。于是,该概率P(A,B)对应于第一影响指标(即P(B|A))与给定测试值的发生概率(即P(A))的乘积,这由以下贝叶斯概率公式表达:
[Math 4]
P(A,B)=P(B|A).P(A) (2)
在前述步骤中确定的一组指标可以由工具1的图形界面11上的曲线来表示。
特别地,图3是展示了根据本发明的一个实施例的由绘制风险影响的变化的一组曲线表示的风险图表的图。
该图的y轴表示分布的幅度,x轴表示以毫米为单位的公差。两条垂直虚线L1、L2表示针对目标特性XT定义的公差范围。
曲线C1是指派给目标特性XT的测试值分布,表示观察到的测量数据及其精度不足。
曲线C2是表示第一影响指标I1的U形曲线,其指示根据目标特性XT的测量值,要求未被遵守的风险。
曲线C3表示第二风险严重性指标I2,其定义由指派给目标特性XT的值的发生概率加权的风险。更特别地,在曲线C3下方、两个给定极限之间的积分使得可以对目标特性XT发生的不正确接受风险进行量化。此值在下文中用“WIR”(加权的积分器风险)表示,其将风险的严重性指示为百分比。
如此获得的一组曲线C1至C3表示了风险图表,并支持在风险仍然微不足道的情况下扩展接受标准的决定。
特别地,在步骤E7中,处理器5被配置为基于第一指标和第二指标(或风险图表C1至C3)定义一组分级的接受或分类标准CR1至CRn。
举例来说,可以为在0%到20%之间的ERI值和在0%到3%之间的WIR值定义四个分类标准。这些数据是实验目标值。它们取决于工业系统可以承受的风险,并且可以针对每个工厂、甚至针对每个特性根据其关键性来进行细化。
该组分类标准包括:第一标准CR1,根据该标准原样接受零件而不采取任何特定动作;第二标准CR2,根据该标准原样接受零件,但需要在稍后阶段进行附加检查;第三标准CR3,根据该标准要对零件进行修理;以及第四标准CR4,根据该标准要重新制作零件。
这种自动风险管理工具可以大规模应用,以监测输入特性能力的变化。由该工具验证的特性可以遵循简单且经济上有利的过程来监测质量不合规。
由该工具验证的分类标准可能具有有限的寿命,因为管理工具中使用的能力可能会逐渐改变。可以实施通知用户或自动审查这些标准的通知机制以增加应用程序寿命。
注意,在根据图2的管理工具的实施例中,已经将通常的能力用于与贡献特性(即,除目标特性之外的输入特性)相关联的分布。
作为变体,对于与贡献特性相关联的分布,可以考虑可能已经获取的测量结果而不是它们通常的能力,同时确保所讨论的特性的不同实例的配对被正确地关联于装配实例。在这种情况下,每个装配实例的接受标准都不同。如果基于ERI值对零件配对的多个替代性方案进行比较,则该替代性方案还使得可以选择最有可能装配在一起的那些物理元件。
有利地,工具1的图形界面11向用户报告计算结果,并且可以在其能力范围内与用于管理质量不合规的任何过程结合,作为用于评估与不符合中间几何公差相关的风险的工具。
图4是示意性地展示了根据本发明的一个实施例的用于使用风险管理工具来对要装配的零件进行分类的方法的步骤的流程图。
在框B21中,管理工具1收集与零件尺寸相关的测量结果。该零件可以是来自与飞行器的至少一部分相对应的一组基本零件的元件。该组可以包括来自以下物体中的元件:机身部分、垂直安定面、飞行表面、客舱门、货舱门、发动机、短舱、发动机吊挂架、水平平面和竖直平面、起落架、机舱元件或飞行器的其他部分。
在框B22中,管理工具1测试这些测量结果是否符合尺寸公差值“Tol”。
如果是(即,如果测量结果符合),则在框B23中接受零件而无需采取进一步动作;如果否,则该方法继续前进到下一步骤。
在框B24中,管理工具收集与零件相关的输入特性的能力,从而形成公差模型的输入数据。
在框B26中,基于来自公差模型(框B25)的输出数据,管理工具生成可以显示在图形界面11上的风险图表。
在框B27中,管理工具生成分类标准CR1,…,CRn的分级选择。举例来说,下文考虑四个分类标准CR1,…,CR4。
在框B28中,管理工具测试零件是否满足第一标准CR1;如果是,则原样接受零件(框B29),无需采取任何特定动作;如果否,则该方法继续前进到下一个框。
在框B30中,管理工具测试零件是否满足第二标准CR2。如果是,则原样接受零件,但需要在稍后阶段进行附加检查(框B31);如果否,则该方法继续前进到下一个框。
在框B32中,管理工具测试零件是否满足第三标准CR3。如果是,则必须修理零件(框B33);如果否,则该方法继续前进到下一个框。
在框B34中,管理工具测试零件是否满足第四标准CR4。如果是,则必须重新制作零件(框B35)。
因此,管理工具使得可以根据各种分类标准来对要装配的零件进行分类,从而确定能够被装配在一起的零件。
图5示意性地展示了根据本发明的一个实施例的使用风险管理工具的工业装配系统。
工业装配系统41包括参考图1和2描述的自动风险管理工具1、以及工业装配工具45。
根据本发明的一个实施例,工业装配系统41旨在从一组零件13a至13d装配最终产品14,其中一些零件可能不符合几何公差。
如上所述,风险管理工具1能够根据第一分类标准、第二分类标准、第三分类标准和第四分类标准对要装配的零件进行分类。处理器5被配置为通过根据各种分类标准对零件进行分类来确定能够装配在一起的零件。更特别地,第一分类标准和第二分类标准定义了可以装配在一起而没有任何风险的那些零件。
举例来说,图5示出了只有零件13b至13d适合装配,而零件13a必须重新制作。
此外,装配工具45仅能够装配满足第一分类标准和第二分类标准的那些零件13b至13d,即使其中一些零件可能不符合几何公差。
因此,装配系统使得可以对零件进行分类并装配不会对最终产品的性能产生任何影响的那些零件,即使它们中的一些展现出不符合几何公差。
本发明使得可以接受不符合定义文件的某些几何公差元件,同时确保不会对性能、安全性、可制造性或由最终产品执行的任何功能产生影响。此外,本发明使得可以选择和装配最佳零件组合,以保证最终产品的所有要求。另外,本发明使得可以使接受零件的标准适应当时工业环境中的实际需要,并最大限度地减少不符合要求的零件的修理或潜在的重新制作。
Claims (15)
1.一种用于在从一组零件工业地装配产品的背景下管理与不符合公差链中的至少一个尺寸公差相关的风险的自动风险管理工具,所述公差链由将输入特性值与输出要求值关联的公差模型(15)来定义,所述输入特性值表示要装配的零件的公差,所述输出要求值表示对已装配的零件的要求,所述输入特性值和所述输出要求值分别与输入公差和输出公差相关联,其特征在于,所述自动风险管理工具包括处理器(5),所述处理器被配置为:
-选择输入特性,称为目标特性(XT),所述目标特性在所述公差链中的贡献大于预定贡献阈值,
-用来自表示潜在测量值的一系列测试值中的测试值替换所述目标特性(XT)的值,
-根据指派给所述目标特性的每个测试值确定输出统计分布(C1),从而形成一组输出统计分布,
-测量每个输出统计分布的不符合与所述输出要求相关联的公差的部分,
-根据指派给所述目标特性的每个测试值来评估不符合与所述输出要求相关联的公差的第一风险影响指标(I1),
-评估第二风险严重性指标(I2),所述第二风险严重性指标表示以指派给所述目标特性的对应测试值的发生概率对所述第一风险影响指标进行的加权,以及
-基于所述第一指标和所述第二指标定义一组分级的分类标准(CR1至CR4)。
2.根据权利要求1所述的工具,其特征在于,所述第一风险影响指标(I1)对应于在已知已将给定的测试值指派给所述目标特性的情况下不符合与所述输出要求相关联的公差的条件概率。
3.根据权利要求1或2所述的工具,其特征在于,所述第二风险严重性指标(I2)对应于获得所述给定测试值与不符合与所述输出要求相关联的公差的组合概率,因此,所述第二风险严重性指标对应于所述第一影响指标与所述给定测试值的所述发生概率的乘积。
4.根据前述权利要求中任一项所述的工具,其特征在于,所述定义所述一组决策标准包括:第一标准(CR1),根据所述标准原样接受零件而不采取任何特定动作;第二标准(CR2),根据所述标准原样接受所述零件,但需要在稍后阶段进行附加检查;第三标准(CR3),根据所述标准要对所述零件进行修理;以及第四标准(CR4),根据所述标准要重新制作所述零件。
5.根据前述权利要求中任一项所述的工具,其特征在于,所述处理器被配置为通过根据所述各种分类标准对所述零件进行分类来确定能够装配在一起的零件。
6.根据前述权利要求中任一项所述的工具,其特征在于,所述测试值由以所述测试值为中心的高斯分布型统计分布、或狄拉克分布表示。
7.根据前述权利要求中任一项所述的工具,其特征在于,所述确定与每个测试值相关的输出统计分布是通过对所述输入特性值的卷积乘积类型的统计计算、或者通过蒙特卡罗模拟类型的数值近似技术来执行的。
8.根据前述权利要求中任一项所述的工具,其特征在于,在先前的训练阶段中,向所述公差模型(15)馈送了源自对所述要装配的零件的实际测量结果的反馈的统计数据。
9.根据前述权利要求中任一项所述的工具,其特征在于,预先验证所述公差模型(15)。
11.根据前述权利要求中任一项所述的工具,其特征在于,所述预定贡献阈值等于所述链中的所述环的最坏情况总和的20%。
12.一种用于从一组零件工业地装配产品的系统,所述零件中的一些可能不符合几何公差,其特征在于,所述系统包括:
-根据前述权利要求中任一项所述的自动风险管理工具,所述管理工具能够根据第一分类标准、第二分类标准、第三分类标准和第四分类标准对所述要装配的零件进行分类,所述第一分类标准和所述第二分类标准定义能够装配在一起而没有任何风险的那些零件,
-装配工具,所述装配工具仅能够装配满足所述第一分类标准和所述第二分类标准的那些零件,即使其中一些零件可能不符合几何公差。
13.一种装配方法,所述方法使用根据前述权利要求中任一项所述的风险管理工具来装配一组零件,其特征在于,所述方法包括以下步骤:
-获取零件的尺寸,
-测试所述测量结果是否符合尺寸公差值(Tol),如果是,则接受所述零件,如果否,则所述方法继续前进到下一步骤,
-收集与所述零件相关的输入特性,
-将所述输入特性输入到所述公差模型(15)中以获得所述一组分级的决策标准,
-测试所述零件是否满足所述第一标准(CR1),如果是,则原样接受所述零件而无需采取任何特定动作,如果否,则所述方法继续前进到下一步骤,
-测试所述零件是否满足所述第二标准(CR2),如果是,则原样接受所述零件,但需要在稍后阶段进行附加检查,如果否,则所述方法继续前进到下一步骤,
-测试所述零件是否满足所述第三标准(CR3),如果是,则必须修理所述零件,如果否,则所述方法继续前进到下一步骤,以及
-测试所述零件是否满足所述第四标准(CR4),如果是,必须重新制作所述零件。
14.根据权利要求13所述的方法,其特征在于,所述一组零件对应于飞行器的至少一部分。
15.根据权利要求14所述的方法,其特征在于,所述一组零件可以是来自以下物体中的一组基本零件或一组物体:机身部分、垂直安定面、飞行表面、客舱门、货舱门、发动机、短舱、发动机吊挂架、水平平面和竖直平面、起落架、机舱元件或所述飞行器的其他部分。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2008847A FR3113752B1 (fr) | 2020-08-31 | 2020-08-31 | Gestion de risques lies au non-respect d’une tolerance dimensionnelle d’une chaine de tolerances |
FR2008847 | 2020-08-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114118666A true CN114118666A (zh) | 2022-03-01 |
Family
ID=73401722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110985786.7A Pending CN114118666A (zh) | 2020-08-31 | 2021-08-26 | 与不符合公差链中的尺寸公差相关的风险管理 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220067602A1 (zh) |
CN (1) | CN114118666A (zh) |
FR (1) | FR3113752B1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11821758B2 (en) * | 2021-03-25 | 2023-11-21 | Pratt & Whitney Canada Corp. | Validation of a measurement machine |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5820391B2 (ja) * | 1979-09-27 | 1983-04-22 | 株式会社デンソー | 内燃機関用無接点点火装置 |
US5956251A (en) * | 1995-06-28 | 1999-09-21 | The Boeing Company | Statistical tolerancing |
JP2005174014A (ja) * | 2003-12-11 | 2005-06-30 | Sharp Corp | 部品クリアランスチェック装置 |
EP1754056A4 (en) * | 2004-05-24 | 2012-03-28 | Siemens Healthcare Diagnostics | MODULE OF SUSPENSION PROBES OF MAGNETIC PARTICLES |
DE602005018585D1 (de) * | 2004-10-05 | 2010-02-11 | Dassault Systemes Solidworks | Automatische Berechnung des Minimums und Maximums einer Stapelbautoleranz |
JP5024017B2 (ja) * | 2007-12-14 | 2012-09-12 | 富士通株式会社 | 公差解析計算システム、公差解析方法及びプログラム |
US10820920B2 (en) * | 2017-07-05 | 2020-11-03 | Ethicon Llc | Reusable ultrasonic medical devices and methods of their use |
-
2020
- 2020-08-31 FR FR2008847A patent/FR3113752B1/fr active Active
-
2021
- 2021-08-26 CN CN202110985786.7A patent/CN114118666A/zh active Pending
- 2021-08-27 US US17/459,232 patent/US20220067602A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
FR3113752A1 (fr) | 2022-03-04 |
FR3113752B1 (fr) | 2023-12-22 |
US20220067602A1 (en) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146088B (zh) | 用于评估用过的部件的系统和方法 | |
US20080172268A1 (en) | System and method of enhancing cost performance of mechanical systems including life-limited parts | |
Acar et al. | Effects of structural tests on aircraft safety | |
Lowas III et al. | Reliability and operations: Keys to lumpy aircraft spare parts demands | |
EP2862031B1 (en) | Method for generating a simplified calculation model and method for predicting life consumption of a component | |
CN114329802A (zh) | 用于翼型件的概率疲劳和混合极限评估及可视化方法 | |
CN114118666A (zh) | 与不符合公差链中的尺寸公差相关的风险管理 | |
Dai et al. | Decision-making in product quality based on failure knowledge | |
Zhao et al. | Setting adaptive inspection intervals in helicopter components, based on a Digital Twin | |
Tuegel et al. | Aircraft structural reliability and risk analysis handbook volume 1: Basic analysis methods | |
CN110263472B (zh) | 基于回归法综合寿命试验数据的机电产品可靠度评估方法 | |
CN115329490A (zh) | 一种航空发动机结构件静力性能最小值确定方法 | |
US20220414284A1 (en) | Modeling based on constraints | |
Kim et al. | Bayesian approach for fatigue life prediction from field data | |
Gullo | In-service reliability assessment and top-down approach provides alternative reliability prediction method | |
Ramesh et al. | Airplane system design for reliability and quality | |
Chen | Some recent advances in design of bayesian binomial reliability demonstration tests | |
Inkermann | Lifecycle option selection in early design stages based on degradation model evaluation | |
Dantan et al. | Modular cost model for Tolerance allocation, Process selection and Inspection planning | |
Collins et al. | Prognostic models based on statistical flowgraphs | |
Heier | Uncertainty propagation in a PHM enhanced dynamic reliability model | |
Brady | Maintenance reliability analysis for increasing parts availability and reducing operations and maintenance costs | |
US8914257B1 (en) | Simulating a surface of a structure | |
Mehringskötter et al. | Application of a PHM-based reliability prediction for an UAV's control surface actuation system | |
Tuegel et al. | Aircraft structural reliability and risk analysis handbook, volume 1: Basic analysis methods (revised) |
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 |