CN114118844A - 一种汽车零部件质量分析系统 - Google Patents

Abstract

本发明公开了一种汽车零部件质量分析系统，涉及汽车质量分析技术领域，包括数据采集模块、数据存储系统模块、数据分析模块与质量反馈模块；所述数据采集模块主要是通过带有数据接口的测量仪器自动采集数据、在包装部分采用条码设备自动采集以及手工采集方式进行采集。可选的，所述数据存储系统模块通过SQL数据库进行搭建生成，所述数据存储系统模块包括质量数据录入模块与质量数据查询模块。该汽车零部件质量分析系统，通过本系统能够通过因果分析法进行过程质量问题分析，从而能够对汽车零部件质量问题精准进行分析，从而能够准确找出导致零部件产生异常的原因，从而能够根据异常原因，对零部件生产过程进行调整。

Description

一种汽车零部件质量分析系统

技术领域

本发明涉及汽车质量分析技术领域，具体为一种汽车零部件质量分析系统。

背景技术

同时随着我国经济发展逐步加快，特别是国外知名企业进入我国市场，企业竞争日趋激烈，对我国企业来说只有不断提升产品质量，降低产品报废成本，才能在市场中站稳脚跟并拥有自己的一席之地[1]。将国内外比较成熟高效的质量控制方法和质量控制技术应用于企业的实际生产过程，对企业来说意味着提升产品质量、提高客户满意程度、保证低成本高收益，是企业发展的基础。对于汽车零部件来说质量分析尤为重要。

发明内容

针对现有技术的不足，本发明提供了一种汽车零部件质量分析系统，解决了上述背景技术中提出的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种汽车零部件质量分析系统，包括数据采集模块、数据存储系统模块、数据分析模块与质量反馈模块；

所述数据采集模块主要是通过带有数据接口的测量仪器自动采集数据、在包装部分采用条码设备自动采集以及手工采集方式进行采集。

可选的，所述数据存储系统模块通过SQL数据库进行搭建生成，所述数据存储系统模块包括质量数据录入模块与质量数据查询模块。

可选的，所述数据分析模块包括控制图绘制模块与生产过程能力指数计算模块，所述控制图绘制模块；

控制图绘制模块内部设置有控制图模型：

假设Xi，i＝1,2,3...来自A公司某一生产过程，为监控这一生产是否受控，做如下假设检验：

其中μ1≠μ0或σ₁≠σ₀，τ为未知的正整数，当过程受控时，μ0＝0，

当过程失控时μ1＝μ0+δσ₀，σ₁＝γσ₀；

根据对控制图模型建模分析，控制图模型必须对下一个观测值具有预见性，因此将样本统计量St视为对下一个实际值Xt+1的预测，同样St-1即为Xt的预测，产生的预测误差可以表示为：

△＝Xt-St-1

即预测误差＝实测值-预测值

又因为St等于当前Xt的预测值St-1加上λ倍的预测误差，可得

St＝St-1+λ(Xt-St-1)

对其变形可得控制图的统计量为：

St＝(1-λ)St-1+λXt

其中St为第t个点的估计值，St-1为第t-1个点的估计值，Xt为第t个点的实际值，S0一般取值为E(X)＝μ0,λ∈(0,1)为光滑参数(smoothing parameter)，是一个常数。

St可以表示为所有数据加权平均的形式，用迭代法表示Si则有：

由上式可知，控制图的样本统计量St由休哈特控制图的当前观测值变成了由当前观测值和以前观测值共同累积，且数据越远权重越小，以指数的形式递减。其中X_t-m累积权重和为：

统计量St的期望和方差分别为：

当t→∞，

假设样本容量为n，则X_i就变成

σ_x＝σ₀就变成

当t足够大时，控制图的上下限会趋近一个固定的值：

其中，L为控制限系数。在生产过程中也一般用上式作为控制图的上下限。

控制图的平均运行长度是衡量控制图性能的一个重要指标，所谓ARL，即控制图从检测开始到它发出生产问题的警报为止生产的样本数。

在当前观测值相互独立且服从同一分布点的情况下，先假设过程最开始的时候处于稳定状态，在τ时刻存在不受控因素而导致系统不稳定，则质量特性观测值的期望值μ为：

上式中的均值偏移大小用标准差δσ来表示，δ为偏移系数则当前样本数据落在控制限之内的概率为：

P(δ)＝P(μ-3σ≤Xt≤μ+3σ)

＝φ(δ+3)-φ(δ-3)

当δ＝0时，即样本均值为发生偏移时，P(0)＝0.9973，此时样本数据描点落在控制限外是小概率事件。

在样本数据独立同分布的情况下，ARL是关于偏移系数δ的函数：

用ARL0来表示均值没有发生偏移的平均运行长度[29]，则：

用ARL1来表示失控状态下的平均运行长度[29]，则：

其中α，β分别为假设检验中第一类和第二类错误的概率。

从定义可以看出来，当生产过程没有不受控因素时，希望ARL0尽可能得大，以减小误报率；当过程产生了不受控因素时，希望ARL1尽可能的小，以提高检测效率。

对于改进后的控制图，其检测统计量为公式St＝(1-λ)St-1+λXt，故将控制图的受控区域(即上下限之间)平均分成k个子区域，每个子区间都表示一个马尔科夫链的瞬时状态，每个区间的宽度d可以表示为：

用Gi(i＝1,2,3...n)表示马尔科夫链的状态，且设Gi为第i个子区域的中心点，

(Li,Ui)为第i个子区域的上下限，则

所以统计量z_i处于状态Gi的条件为：Li≤Gi≤Ui。用G_a表示统计量Z_i落在控制限之外的状态，整个监控过程可以描述成一个吸收壁的马尔科夫链[34]。该马尔科夫链的一步转移矩阵P可以表示为：

式中，R为n×n的矩阵，表示从转移状态G_i到状态G_j的概率pij(i,j＝1,2,3...n)；

I为n×n的单位矩阵；1为n×1的单位列向量。

转移矩阵R中的每一个元素pij表示从转移状态G_i到状态G_j，所以pij可以表示为pij＝P{z_j＝G_j|z_i＝G_i}。其中z_j＝rx_j+(1-λ)z_j-1，所以

由马尔科夫链的定义，第i步转移概率矩阵Pi可以表示为

则链长RL＝i的概率为：

P{RL＝i}＝P_in(R_i-1-R_i)1

式中P_in为初始状态概率，P_in＝[0，...，1，...，0]1×n，则，

从上述理论可知，随着子区间数n的增加，改进后的控制图会逐渐趋向一个稳定的数值，图3-7是通过Matlab计算ARL的结果(k＝2.96，λ＝0.2，偏移为0的情况下)，从实际结果也可以看出，改进后控制图的ARL随着n的增大会逐渐趋向一个稳定值。

控制图参数的优化算法：由上述的ARL的定义可知，ARL0与ARL1不可能同时达到最优，因此在优化过程中，将ARL0根据实际产品控制情况保持为一个合适的理想值，然后对ARL的平滑系数和控制限系数进行调整选择，使得ARL1最小，此时的参数即为最优。基于上述的计算控制图ARL的数学模型，总结了控制图参数优化算法流程如图3-8所示。在控制图的设计中，参数的优化选取至关重要，基于ARL的控制图参数平滑系数λ和控制限参数L的优化过程如下：

(1)先确定参数和ARL0：样本容量n、欲控过程偏移量δ、子区间划分数k、并根据产品特性确定ARL0；

(2)根据ARL0计算几组(λ，L)值，然后用Matlab拟合λ和L的回归曲线；

(3)根据拟合的回归方程，取得(λ，L)值对；并计算发生偏移时对应的ARL值；

(4)计算ARL和λ的回归方程，找到ARL的最小值，并计算此时对应的(λ，L)值，即为最优参数。

可选的，所述质量反馈模块包括控制图异常反馈模块与过程能力评价反馈模块，所述控制图是根据控制图上的打出来的样本统计量趋势来判定异常的，若样本统计量均在界限内，且趋势正常，则说明当前生产过程是处于受控状态，无其他异常因素。

可选的，所述当控制图完成之后，根据判异准则，如果控制图有异常或者是过程能力指数不合格，应该立即调查生产现场是否出现了异常因素，在统计质量控制中，通过因果分析法进行过程质量问题分析。

可选的，所述数据存储好之后，需要对数据进行处理，针对数据的处理需要使用Minitab仿真软件来实现。

本发明提供了一种汽车零部件质量分析系统，具备以下有益效果：

该汽车零部件质量分析系统，通过本系统能够通过因果分析法进行过程质量问题分析，从而能够对汽车零部件质量问题精准进行分析，从而能够准确找出导致零部件产生异常的原因，从而能够根据异常原因，对零部件生产过程进行调整。

附图说明

图1为本发明系统图；

图2为本发明因果分析图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

请参阅图1至图2，本发明提供一种技术方案：一种汽车零部件质量分析系统，包括数据采集模块、数据存储系统模块、数据分析模块与质量反馈模块；

数据采集模块主要是通过带有数据接口的测量仪器自动采集数据、在包装部分采用条码设备自动采集以及手工采集方式进行采集。

进一步，数据存储系统模块通过SQL数据库进行搭建生成，数据存储系统模块包括质量数据录入模块与质量数据查询模块。

进一步，数据分析模块包括控制图绘制模块与生产过程能力指数计算模块，控制图绘制模块；

控制图绘制模块内部设置有控制图模型：

假设Xi，i＝1,2,3...来自A公司某一生产过程，为监控这一生产是否受控，做如下假设检验：

其中μ1≠μ0或σ₁≠σ₀，τ为未知的正整数，当过程受控时，μ0＝0，

当过程失控时μ1＝μ0+δσ₀，σ₁＝γσ₀；

根据对控制图模型建模分析，控制图模型必须对下一个观测值具有预见性，因此将样本统计量St视为对下一个实际值Xt+1的预测，同样St-1即为Xt的预测，产生的预测误差可以表示为：

△＝Xt-St-1

即预测误差＝实测值-预测值

又因为St等于当前Xt的预测值St-1加上λ倍的预测误差，可得

St＝St-1+λ(Xt-St-1)

对其变形可得控制图的统计量为：

St＝(1-λ)St-1+λXt

其中St为第t个点的估计值，St-1为第t-1个点的估计值，Xt为第t个点的实际值，S0一般取值为E(X)＝μ0,λ∈(0,1)为光滑参数(smoothing parameter)，是一个常数。

St可以表示为所有数据加权平均的形式，用迭代法表示Si则有：

St＝λXt+(1-λ)(λXt-1+(1-λ)St-2)

由上式可知，控制图的样本统计量St由休哈特控制图的当前观测值变成了由当前观测值和以前观测值共同累积，且数据越远权重越小，以指数的形式递减。其中X_t-m累积权重和为：

统计量St的期望和方差分别为：

当t→∞，

假设样本容量为n，则X_i就变成

σ_x＝σ₀就变成

当t足够大时，控制图的上下限会趋近一个固定的值：

其中，L为控制限系数。在生产过程中也一般用上式作为控制图的上下限。

控制图的平均运行长度是衡量控制图性能的一个重要指标，所谓ARL，即控制图从检测开始到它发出生产问题的警报为止生产的样本数。

在当前观测值相互独立且服从同一分布点的情况下，先假设过程最开始的时候处于稳定状态，在τ时刻存在不受控因素而导致系统不稳定，则质量特性观测值的期望值μ为：

上式中的均值偏移大小用标准差δσ来表示，δ为偏移系数则当前样本数据落在控制限之内的概率为：

P(δ)＝P(μ-3σ≤Xt≤μ+3σ)

＝φ(δ+3)-φ(δ-3)

当δ＝0时，即样本均值为发生偏移时，P(0)＝0.9973，此时样本数据描点落在控制限外是小概率事件。

在样本数据独立同分布的情况下，ARL是关于偏移系数δ的函数：

用ARL0来表示均值没有发生偏移的平均运行长度[29]，则：

用ARL1来表示失控状态下的平均运行长度[29]，则：

其中α，β分别为假设检验中第一类和第二类错误的概率。

从定义可以看出来，当生产过程没有不受控因素时，希望ARL0尽可能得大，以减小误报率；当过程产生了不受控因素时，希望ARL1尽可能的小，以提高检测效率。

对于改进后的控制图，其检测统计量为公式St＝(1-λ)St-1+λXt，故将控制图的受控区域(即上下限之间)平均分成k个子区域，每个子区间都表示一个马尔科夫链的瞬时状态，每个区间的宽度d可以表示为：

用Gi(i＝1,2,3...n)表示马尔科夫链的状态，且设Gi为第i个子区域的中心点，

(Li,Ui)为第i个子区域的上下限，则

所以统计量z_i处于状态Gi的条件为：Li≤Gi≤Ui。用G_a表示统计量Z_i落在控制限之外的状态，整个监控过程可以描述成一个吸收壁的马尔科夫链[34]。该马尔科夫链的一步转移矩阵P可以表示为：

式中，R为n×n的矩阵，表示从转移状态G_i到状态G_j的概率pij(i,j＝1,2,3...n)；

I为n×n的单位矩阵；1为n×1的单位列向量。

转移矩阵R中的每一个元素pij表示从转移状态G_i到状态G_j，所以pij可以表示为pij＝P{z_j＝G_j|z_i＝G_i}。其中z_j＝rx_j+(1-λ)z_j-1，所以

由马尔科夫链的定义，第i步转移概率矩阵Pi可以表示为

则链长RL＝i的概率为：

P{RL＝i}＝P_in(R_i-1-R_i)1

式中P_in为初始状态概率，P_in＝[0，...，1，...，0]1×n，则，

从上述理论可知，随着子区间数n的增加，改进后的控制图会逐渐趋向一个稳定的数值，图3-7是通过Matlab计算ARL的结果(k＝2.96，λ＝0.2，偏移为0的情况下)，从实际结果也可以看出，改进后控制图的ARL随着n的增大会逐渐趋向一个稳定值。

控制图参数的优化算法：由上述的ARL的定义可知，ARL0与ARL1不可能同时达到最优，因此在优化过程中，将ARL0根据实际产品控制情况保持为一个合适的理想值，然后对ARL的平滑系数和控制限系数进行调整选择，使得ARL1最小，此时的参数即为最优。基于上述的计算控制图ARL的数学模型，总结了控制图参数优化算法流程如图3-8所示。在控制图的设计中，参数的优化选取至关重要，基于ARL的控制图参数平滑系数λ和控制限参数L的优化过程如下：

(1)先确定参数和ARL0：样本容量n、欲控过程偏移量δ、子区间划分数k、并根据产品特性确定ARL0；

(2)根据ARL0计算几组(λ，L)值，然后用Matlab拟合λ和L的回归曲线；

(3)根据拟合的回归方程，取得(λ，L)值对；并计算发生偏移时对应的ARL值；

(4)计算ARL和λ的回归方程，找到ARL的最小值，并计算此时对应的(λ，L)值，即为最优参数。

进一步，质量反馈模块包括控制图异常反馈模块与过程能力评价反馈模块，控制图是根据控制图上的打出来的样本统计量趋势来判定异常的，若样本统计量均在界限内，且趋势正常，则说明当前生产过程是处于受控状态，无其他异常因素。

进一步，当控制图完成之后，根据判异准则，如果控制图有异常或者是过程能力指数不合格，应该立即调查生产现场是否出现了异常因素，在统计质量控制中，通过因果分析法进行过程质量问题分析。

进一步，数据存储好之后，需要对数据进行处理，针对数据的处理需要使用Minitab仿真软件来实现。

本领域技术人员可以认为，首先选定控制对象与产品信息，选定与产品对应的控制图种类，根据样本数和样本大小的选择要求，以及公司的生产实际情况，控制图样本数和样本大小选择，确定控制图的参数，收集数据并利用Minitab软件制图，每一次测量完数据之后将数据放进Minitab软件生成控制图，对控制图进行分析，将异常信息通报给生产车间以及技术人员，组织人员到车间分析生产过程的异常，根据鱼骨图的要求到现场从人、机、料、法等方面进行排查。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种汽车零部件质量分析系统，其特征在于：包括数据采集模块、数据存储系统模块、数据分析模块与质量反馈模块；

所述数据采集模块主要是通过带有数据接口的测量仪器自动采集数据、在包装部分采用条码设备自动采集以及手工采集方式进行采集。

2.根据权利要求1所述的一种汽车零部件质量分析系统，其特征在于：所述数据存储系统模块通过SQL数据库进行搭建生成，所述数据存储系统模块包括质量数据录入模块与质量数据查询模块。

3.根据权利要求1所述的一种汽车零部件质量分析系统，其特征在于：所述数据分析模块包括控制图绘制模块与生产过程能力指数计算模块，所述控制图绘制模块；

控制图绘制模块内部设置有控制图模型：

假设Xi，i＝1,2,3...来自A公司某一生产过程，为监控这一生产是否受控，做如下假设检验：

H0：

i≥1

H1：

其中μ1≠μ0或σ₁≠σ₀，τ为未知的正整数，当过程受控时，μ0＝0，

当过程失控时μ1＝μ0+δσ₀，σ₁＝γσ₀；

根据对控制图模型建模分析，控制图模型必须对下一个观测值具有预见性，因此将样本统计量St视为对下一个实际值Xt+1的预测，同样St-1即为Xt的预测，产生的预测误差可以表示为：

△＝Xt-St-1

即预测误差＝实测值-预测值

又因为St等于当前Xt的预测值St-1加上λ倍的预测误差，可得

St＝St-1+λ(Xt-St-1)

对其变形可得控制图的统计量为：

St＝(1-λ)St-1+λXt

其中St为第t个点的估计值，St-1为第t-1个点的估计值，Xt为第t个点的实际值，S0一般取值为E(X)＝μ0,λ∈(0,1)为光滑参数(smoothing parameter)，是一个常数。

St可以表示为所有数据加权平均的形式，用迭代法表示Si则有：

由上式可知，控制图的样本统计量St由休哈特控制图的当前观测值变成了由当前观测值和以前观测值共同累积，且数据越远权重越小，以指数的形式递减。其中X_t-m累积权重和为：

统计量St的期望和方差分别为：

当t→∞，

假设样本容量为n，则X_i就变成

σ_x＝σ₀就变成

当t足够大时，控制图的上下限会趋近一个固定的值：

其中，L为控制限系数。在生产过程中也一般用上式作为控制图的上下限。

控制图的平均运行长度是衡量控制图性能的一个重要指标，所谓ARL，即控制图从检测开始到它发出生产问题的警报为止生产的样本数。

在当前观测值相互独立且服从同一分布点的情况下，先假设过程最开始的时候处于稳定状态，在τ时刻存在不受控因素而导致系统不稳定，则质量特性观测值的期望值μ为：

上式中的均值偏移大小用标准差δσ来表示，δ为偏移系数则当前样本数据落在控制限之内的概率为：

P(δ)＝P(μ-3σ≤Xt≤μ+3σ)

＝φ(δ+3)-φ(δ-3)

当δ＝0时，即样本均值为发生偏移时，P(0)＝0.9973，此时样本数据描点落在控制限外是小概率事件。

在样本数据独立同分布的情况下，ARL是关于偏移系数δ的函数：

用ARL0来表示均值没有发生偏移的平均运行长度[29]，则：

用ARL1来表示失控状态下的平均运行长度[29]，则：

其中α，β分别为假设检验中第一类和第二类错误的概率。

从定义可以看出来，当生产过程没有不受控因素时，希望ARL0尽可能得大，以减小误报率；当过程产生了不受控因素时，希望ARL1尽可能的小，以提高检测效率。

对于改进后的控制图，其检测统计量为公式St＝(1-λ)St-1+λXt，故将控制图的受控区域(即上下限之间)平均分成k个子区域，每个子区间都表示一个马尔科夫链的瞬时状态，每个区间的宽度d可以表示为：

用Gi(i＝1,2,3...n)表示马尔科夫链的状态，且设Gi为第i个子区域的中心点，

(Li,Ui)为第i个子区域的上下限，则

所以统计量z_i处于状态Gi的条件为：Li≤Gi≤Ui。用G_a表示统计量Z_i落在控制限之外的状态，整个监控过程可以描述成一个吸收壁的马尔科夫链[34]。该马尔科夫链的一步转移矩阵P可以表示为：

式中，R为n×n的矩阵，表示从转移状态G_i到状态G_j的概率pij(i,j＝1,2,3...n)；

I为n×n的单位矩阵；1为n×1的单位列向量。

转移矩阵R中的每一个元素pij表示从转移状态G_i到状态G_j，所以pij可以表示为pij＝P{z_j＝G_j|z_i＝G_i}。其中z_j＝rx_j+(1-λ)z_j-1，所以

由马尔科夫链的定义，第i步转移概率矩阵Pi可以表示为

则链长RL＝i的概率为：

P{RL＝i}＝P_in(R_i-1-R_i)1

式中P_in为初始状态概率，P_in＝[0，...，1，...，0]1×n，则，

从上述理论可知，随着子区间数n的增加，改进后的控制图会逐渐趋向一个稳定的数值，图3-7是通过Matlab计算ARL的结果(k＝2.96，λ＝0.2，偏移为0的情况下)，从实际结果也可以看出，改进后控制图的ARL随着n的增大会逐渐趋向一个稳定值。

控制图参数的优化算法：由上述的ARL的定义可知，ARL0与ARL1不可能同时达到最优，因此在优化过程中，将ARL0根据实际产品控制情况保持为一个合适的理想值，然后对ARL的平滑系数和控制限系数进行调整选择，使得ARL1最小，此时的参数即为最优。基于上述的计算控制图ARL的数学模型，总结了控制图参数优化算法流程如图3-8所示。在控制图的设计中，参数的优化选取至关重要，基于ARL的控制图参数平滑系数λ和控制限参数L的优化过程如下：

(1)先确定参数和ARL0：样本容量n、欲控过程偏移量δ、子区间划分数k、并根据产品特性确定ARL0；

(2)根据ARL0计算几组(λ，L)值，然后用Matlab拟合λ和L的回归曲线；

(3)根据拟合的回归方程，取得(λ，L)值对；并计算发生偏移时对应的ARL值；

(4)计算ARL和λ的回归方程，找到ARL的最小值，并计算此时对应的(λ，L)值，即为最优参数。

4.根据权利要求1所述的一种汽车零部件质量分析系统，其特征在于：所述质量反馈模块包括控制图异常反馈模块与过程能力评价反馈模块，所述控制图是根据控制图上的打出来的样本统计量趋势来判定异常的，若样本统计量均在界限内，且趋势正常，则说明当前生产过程是处于受控状态，无其他异常因素。

5.根据权利要求1所述的一种汽车零部件质量分析系统，其特征在于：所述当控制图完成之后，根据判异准则，如果控制图有异常或者是过程能力指数不合格，应该立即调查生产现场是否出现了异常因素，在统计质量控制中，通过因果分析法进行过程质量问题分析。

6.根据权利要求1所述的一种汽车零部件质量分析系统，其特征在于：所述数据存储好之后，需要对数据进行处理，针对数据的处理需要使用Minitab仿真软件来实现。

Images