制造过程质量决策粗糙集模型.pdf

文章编号 1001 2265 2009 09 0097 05 收稿日期 2009 07 07 基金项目 国家自然科学基金项目 50675069 作者简介 徐晓 1963 男 江西九江人 华南理工大学机械与汽车工程学院讲师 硕士 主要从事机械设计 智能装备和人工智能等研究 E ma il si monxx scut edu cn 制造过程质量决策粗糙集模型 徐晓 翟敬梅 华南理工大学 机械与汽车工程学院 广州 510640 摘要 针对当前企业对获取的制造信息进行深层次挖掘的需求 提出了制造过程质量决策粗糙集模型 分析了制造过程状态参数与质量之间的作用关系 基于粗糙集理论 提出了从制造数据中获取质量知识 的最优规则集算法 研究了制造信息和决策知识确定性的度量方法 最后 以实际生产中的轴加工为例 验证了模型的正确性和有效性 关键词 制造过程 质量决策 粗糙集 中图分类号 TP18 文献标识码 A Decision SupportM odel ofM anufacturing Quality Based on Rough Set XU Xiao ZHAI Jing m ei School of Mechanical and Automotive Engineering South China University of Technology Guangzhou 510640 China Abstract A decision supportmodel ofmanufacturing quality is suggested tom ine the know ledge from a variety ofm anufacturing data The complex correlation is analyzed between the processing para m eters and quality a mongm anufacturing processes Based on rough set theory a method is proposed to acquire the opti mal rules from given manufacturing data that reveal profound quality know ledge and the uncertainty m easurement of manufacturing information and the extracted rules are studied At las tthemodel has proved to be correct and effective applied in a process ofmachining axis Key words manufacturing processes quality decision rough set 0 引言 目前 产品的质量监控已从传统的事后检测 转移 到了制造的过程监控 制造过程实时监控已在很多企 业的车间一级实现 然而目前企业对获取的大量信息 的利用往往停留在基础层的浏览 检索 查询和应用层 的继承 组合 整理和低层次上的统计分析等方面 1 制造过程信息的提炼 综合概括 特别是对数据背后隐 藏着的许多重要信息进行更高层次的分析 为企业进 行有效的质量设计和质量改进提供有力的决策支持 是非常有现实意义的 2 制造过程是一个复杂 非线性 不确定的动态系统 实际生产中 即使当前自动监控设备在线获取制造数据 日趋容易 但要罗列所有的影响因素是很困难的 因此 获取的制造过程数据往往是不完备的 这使得建立实际 制造过程质量模型相当困难 粗糙集理论可以处理不 完备和不确定的信息 根据已有数据 采用确定方法计 算数据的不确定性并描述这种不确定性 过程与结果之 间的关系也可根据分类知识挖掘出来的 3 本文在制造过程自动监测系统一般性结构的基础 上 分析了制造过程质量的影响关系 在粗糙集理论的 基础上 建立了基于数据驱动的制造过程质量决策模 型 1 制造过程质量分析 制造过程的监测包含制造过程状态监测和制造质 97 2009年第 9期 管理技术 量特征监测 过程状态监测数据主要反映机器生成的 数据 包括操作工艺参数和设备在线工作状态参数 这 些参数是影响制造质量的因素 质量监测反映了制造 过程的质量状态 提供了质量特征信息 某生产线有 n个工序 X0表示原始材料质量特征 参数集 Xi xi1 xi2 为影响工序 i生产的参数集 其包括工序 i过程状态参数和工序 i过程设计参数 工 序 i的质量特征集为 Yi Yn表示产品最终的质量特性 已加工的半成品和产品的质量特征是制造过程参数的 综合反映和体现 若生产线上有 m 个质量监控点 见图 1所示 各监控点的质量特征分别为 Y0 Y 1 Y k 1 Y k Y n 这里 Y0 X0表示原始材料的质量 监控点 k 1至监控点 k间的制造子过程 k有 s个工序 根据生产 过程两种质量概念 4 监控点 k处的生产质量 Y k 是由 监控点 k 1处的生产质量 Y k 1 和影响监控点 k 1至 监控点 k 之间的 s个工序的状态参数集 X k Xl Xl 1 Xl s 决定 图 1 制造过程分解图 综上分析 制造过程质量的作用关系有 制造工序 i Yi fi Yi 1 Xi 当 i 1 Y0 X0 制造子过程 k Y k f k Y k 1 X k 产品生产线 Yn fn X0 X1 Xn f n Y k 1 Xl Xl s Xn 将制造过程相互作用的影响关系分解为过程之间 相关影响和分质量对总质量的关系 不仅可以将一个 制造的多维空间分解为若干层次的过程递阶子空间 而且可根据用户和实际制造质量分析的需求 建立不 同过程 整个制造过程 单个工序和若干个工序组成的 制造子过程 的质量分析模型 在一个过程的质量分 析模型中 明确地分清影响总质量的各工序的质量责 任 同时也表达了工序中各变量参数对质量的作用关 系 该模型为制造过程质量决策提供了建模基础 2 基于粗糙集的制造过程质量决策模型 2 1 决策表建立 根据粗糙集理论 制造过程的信息可用一个决策 表表示为 S U C D V f U是制造对象的集合 C D R 子集 C和 D 分别为条件属性和决策属性 V是属性值的集合 f是一个信息函数 指定 U中每一对 象的属性值 根据制造过程质量分析模型 基于粗糙集的制造 过程决策表为 工序 i决策表 Si U Yi 1 Xi Yi V f 子过程 k决策表 S k U Y k 1 X k Y k V f 生产线决策表 S U X0 X1 Xn Yn V f 决策表中 列表示属性 每行表示制造对象对应的 制造信息 2 2 决策知识获取 决策表可以看作是一组决策规则组成的集合 发 现知识的依赖性和进行知识的简化 用 来表示 决策规则 属性及其值构成的两元对 r r R Vr 是 粗逻辑语言的基本组成模块 分别称为 决策规则的条件和决策 表达一种因果关系 决策表的简化分为属性简约和属性值简约 属性 简约是删除多余的条件属性 简约后的决策表具有与 简约前决策表相同的功能 重复行表示的是同样的决 策 将它消去 简约后的决策表是一个不完全的决策 表 它仅包含那些在决策时所必需的条件属性值 但它 具有原始决策表的所有知识 属性值简约是利用粗逻 辑对决策表的知识空间维数进行简化 决策规则集的 简化不仅在整体上消除不必要的条件属性 同时还针 对每条决策规则 去掉冗余属性值 使决策规则集最小 化 决策表的属性简约通常有许多 这些简约之间也 可能存在较大差别 对于同一个属性简约 属性值的简 约也会产生多组规则集来 因此一个决策表通常可以 组合许多的规则集 本文获取知识的目标是含有较少 的规则数且规则集中平均每条规则所包含的条件属性 的个数最少 即最优规则集 这样 同样的决策可以基 98 管理技术 组合机床与自动化加工技术 于更少的条件 那么就可以通过一些简单的手段获得 同样要求的结果 最优规则集的获取是在最小属性简 约的基础上 进行最小属性值简约 不少学者已对最小 属性简约算法进行了较深入的研究 5 6 而最小属性值 简约算法往往是对最小属性简约集 通过穷举的方法 得到不同的规则组合集合 再对所有规则集进行比较 获得最优规则集 当对象数和属性数较多时 这种算法 是极其耗时的 本文根据属性值在决策表中对分类具有不同的重 要性 提出了属性值最小简约算法 其主要思想是 首 先分析每条记录的所有属性值 把属性值分为三类 第 一类是指删除该值后决策表的分类能力发生变化 第 二类是指删除该值后决策表的分类能力不变且无重复 记录产生 第三类是指删除该值后决策表的分类能力 不变且有重复记录产生 有了这样的分类 就可以针对 不同类型的属性值 采取不同的判断顺序 第一类属性 值不做判断 全部保留在规则集中 然后 判断第二类 属性值中是否有需要保留下来的 如果第二类属性值 全部保留后 还有需要保留第三类属性值 则接着判断 下去 直至满足保持分类能力不变的要求 通过每条记 录的属性值的重要程度分级 在规则的简约上 对属性 值的处理上不是随机 无指导性的穷举 而是按照属性 值的优先顺序进行规则的提取 这样 不仅提高了规则 获取的效率 而且保证获取的规则集为最优 2 3 决策知识的确定性评价 制造过程获取信息的不确定程度可由粗糙集理论 中的上近似集和下近似集概念来表征 决 策 表 S U C D 对 于 决 策 X U IND D 和条件等价关系 C X 关于 C 的下近似集定 义为 C X u U U I ND C X X关于 C的上 近似集定义为 C X u U U I ND C 当 C X 1 则决策表 S的信息是不 一致的 具有不确定性 信息的不确定性必然造成挖掘出来的某些规则具 有一定程度的不确定性 决策规则 的可信度 P 定义如下 P Cardclass 如 果 0 P 1 则规则 是一个不确定的决 策规则 其值越小 不确定程度越大 在不确定的制造信息环境下 对获取的决策规则 进行可信度评价 实际生产中选取具有一定可信性的 决策知识进行分析并指导生产 因此 模型具有较大的 灵活性和环境适应性 3 应用实例 以轴加工过程的一个工序为例 待加工轴 50 300mm 材料为 45钢 在 CM 6140型号的机床上采用干 切削加工 刀具材料为 YW 1硬质合金 对加工刀具工 作状态进行在线监测 综合该工序的设计参数 过程状 态参数和质量特征参数进行工序的质量决策 评价各 参数对质量的影响关系 获取质量规则 找出质量问题 的症结 3 1 刀具工作状况在线监测 机械加工过程中 刀具磨损直接影响到加工质量 刀具磨损的监测是保证加工质量的一个重要措施 切削力变动与刀具磨损的相关性比较强 7 且受 外界环境的影响不大 选用切削力信号作为刀具磨损 的衡量标准 刀具在切削工件时作用在刀具上的切削 力 F 可分解为主切削力 Fz 切深抗力 Fy和进给抗力 Fx 其中 Fz与刀具磨损的相关性最强 切削力的测量 包括两部分的力 一部分是切削力静态分量 即平均切 削力 另一部分是切削力动态部分 研究分析可知 当 切削 45钢这样单一均质材料 其切削力动态分量信号 随刀具磨损变化波动不是很明显 而且 Fz波动的幅度 和频率较为均衡 而切削力的静态分量随着刀具磨损 到一定程度 将会急剧增加 故将主切削力Fz静态部分 作为切削过程中刀具磨损的在线监测特征参量 当其 值到一定程度时 判断刀具已经磨损严重 从而实现刀 具磨损的实时监测 实际加工中 用 Kistler测力仪 电荷放大器和 99 2009年第 9期 管理技术 A826采样卡对刀具加工过程中的切削力进行测量 电 荷放大器的低通滤波频率为 10kH z 采样频率为 5kHZ 采样点数为 8192点 图 2为刀具在线监测界面 在不同 的切削条件下 刀具非正常工作的平均主切削力的临 界值不同 刀具工作状态的正常与否是通过神经网络 模型获得 图 2 刀具状态在线监测系统 3 2 加工过程的决策表和质量决策 描述工序的参数有上道工序加工质量 用粗糙度 Y1表示 本道工序加工的设计参数切削速度 Vc 进给 量 f 和切削深度 ap 以及加工过程刀具工作状态参数 tc 工序加工后的质量参数用粗糙度 Y2表示 因此工序 决策表为 S U Y1 VC f p tc Y2 V f 制造过程监测或测量到的数据用表 1所示的决策 数据表表示 对于连续数值属性粗糙度 要对其进行离 散化处理 对于粗糙度 Y1 当其值为 2 4 m 用 1 表 示 其值为 5 7 m 用 2 表示 对于粗糙度 Y2 粗糙 度小于 3 m 的认为质量较好 用 1 表示 粗糙度在 3 4 m之间的认为质量一般 用 2 表示 当粗糙度大 于 4 m 则认为质量较差 用 3 表示 表 1括号内的数 值为各属性值离散化后的结果 表 1 轴加工工序决策数据表 对象 U 粗糙度 Y1 m 切削速度 Vc m min 进给量 f mm r 切削深度 ap mm 刀具工作 状态 tc 粗糙度 Y2 m 13 164 1 66 44 2 0 2 3 1 1 正常 1 3 305 2 23 114 1 66 44 2 0 1 2 1 1 正常 1 1 748 1 33 124 1 66 44 2 0 05 1 1 1 正常 1 2 120 1 43 741 1 73 83 1 0 2 3 1 1 正常 1 3 185 2 53 690 1 73 83 1 0 1 2 1 1 正常 1 2 477 1 62 865 1 47 25 3 0 2 3 1 1 正常 1 4 572 3 73 156 1 73 83 1 0 05 1 1 1 正常 1 2 226 1 83 141 1 66 44 2 0 2 3 2 2 正常 1 3 778 2 93 818 1 66 44 2 0 1 2 2 2 正常 1 2 195 1 10 3 434 1 73 83 1 0 1 2 2 2 正常 1 2 812 1 续表 对象 U 粗糙度 Y1 m 切削速度 Vc m m in 进给量 f mm r 切削深度 ap mm 刀具工作 状态 tc 粗糙度 Y2 m 11 3 309 1 73 83 1 0 05 1 2 2 正常 1 2 529 1 12 3 436 1 66 44 2 0 2 3 0 5 3 正常 1 3 128 2 13 3 505 1 47 25 3 0 05 1 0 5 3 正常 1 4 123 3 14 3 793 1 66 44 2 0 1 2 1 1 异常 2 5 053 3 15 2 889 1 47 25 3 0 05 1 1 1 正常 1 4 248 3 16 2 803 1 66 44 2 0 05 1 0 5 3 正常 1 2 474 1 17 6 554 2 47 25 3 0 05 1 0 5 3 正常 1 4 684 3 18 6 209 2 73 83 1 0 2 3 1 1 正常 1 3 148 2 19 3 866 1 73 83 1 0 2 3 1 1 异常 2 6 407 3 20 3 270 1 47 25 3 0 2 3 1 1 异常 2 5 446 3 21 5 960 2 66 44 2 0 1 2 2 2 正常 1 2 383 1 22 5 893 2 66 44 2 0 2 3 1 1 异常 2 4 977 3 23 6 746 2 73 83 1 0 05 1 2 2 异常 2 5 353 3 24 6 382 2 47 25 3 0 1 2 0 5 3 异常 2 6 097 3 25 3 234 1 47 25 3 0 1 2 1 1 正常 1 4 214 3 26 3 429 1 73 83 1 0 1 2 1 1 异常 2 5 962 3 27 3 337 1 66 44 2 0 05 1 2 2 异常 2 4 925 3 对 决 策 表1 计 算 可 知 C X 1 X U IND Y2 C Y1 VC f p tc 说明表 1所示的 决策信息是一致的 确定的 而由此获取的所有决策规 则也都是确定性的 图 3为基于本文提出的模型所开发的生产质量决 策系统对轴加工工序的质量决策运行结果 图 3 制造过程在线监测数据和质量决策 获取的质量控制规则共有 8个 其中质量较好的规则有 1 如果刀具 工作状态 正常 切削 速度等于 66 44m m in 进给量等于 0 1mm r 则粗糙度 Y2较好 2 如果刀 具工作 状态正 常 切 削速 度等 于 66 44m m in 进给量等于 0 05mm r 则粗糙度 Y2较好 3 如果刀具 工作状态 正常 切削 速度等于 73 83m m in 进给量等于 0 1mm r 则粗糙度 Y2较好 100 管理技术 组合机床与自动化加工技术 4 如果刀具 工作状态正 常 切削速 度等于 73 83m m in 进给量等于 0 05mm r 则粗糙度 Y2较 好 其中质量一般的规则有 5 如果刀具 工作状态正 常 切削速 度等于 66 44m m in 进给量等于 0 2mm r 则粗糙度 Y2一般 6 如果刀具 工作状态正 常 切削速 度等于 73 83m m in 进给量等于 0 2mm r 则粗糙度 Y2一般 其中质量较差的规则有 7 如果切削速度等于 47 25 m m in 则粗糙度 Y2 较差 8 如果刀具工作状态异常 则粗糙度 Y2较差 由获取的规则可知 1 上道工序的质量对下道工序的质量无影响 在上道粗加工过程中 为提高生产率 可适当增加进给 量或切削深度 2 造成质量较差的原因有两个 其一是切削速度 较低 第二个是刀具磨损严重 不能正常工作 要想获 取较好的加工质量 必须在保持刀具良好的工作状态 下 选择合适的工艺参数 4 结束语 现代制造工业中 在线监测系统自动地 实时地获 取各种各样反映制造过程状态的信息 这些信息是企 业生产诊断 控制和决策的重要依据 本文基于粗糙 集理论可以有效处理不一致 不完备信息 利用数据本 身提供的信息进行知识的挖掘的思想 建立了制造过 程质量决策的粗糙集模型 获取基于知识表达和模式 解释的生产优化决策规则 实际获取信息的不确定性 以及由其此而产生规则的不确定性 则采用了确定的 数值对其进行描述和评价 模型在实际生产应用中证 明了其正确性和有效性 参考文献 1 杨叔子 吴波 胡春华 等 网络化制造与企业集成 J 中 国机械工程 2000 11 1 2 45 48 2 李晓东 我国企业信息化发展的现状 障碍及对策建议 J 数量经济技术经济研究 2001 18 1 22 26 3 胡寿松 何亚群 粗糙决策理论