微车后桥关键工序生产异常损失评估及预警方法

微车后桥关键工序生产异常损失评估及预警方法/PAPEREDUCN1中国科技论文在线微车后桥关键工序生产异常损失评估及预警方法郭晨，尹超基金项目国家8VIEWOFTHEDIFFICULTIESINEVALUATIONANDEARLYWARNINGOFABNORMALPRODUCTIONLOSSFORMINICARREARAXLEKEYPROCESS,ANABNORMALPRODUCTIONLOSSEVALUATIONANDEARLYWARNINGMETHODWAS20PUTFORWARD,WHICHINTEGRATESREALTIMEACQUISITIONOFABNORMALPRODUCTIONINFORMATIONFORKEYPROCESS,GREYFUZZYEVALUATIONOFPRODUCTIONABNORMALLOSS,EARLYWARNINGOFABNORMALPRODUCTIONLOSSTHEABNORMALEVENTSOFMINICARREARAXLEKEYPROCESSWERECLASSIFIED,ANDANEVALUATIONINDEXSYSTEMOFKEYPROCESSABNORMALPRODUCTIONWASESTABLISHEDTHENTHEKEYTECHNOLOGIESSUCHASEVALUATIONMETHODOFABNORMALPRODUCTIONLOSSBASEDONGREYFUZZYEVALUATIONANDTHEEARLYWARNINGMETHODOF25ABNORMALPRODUCTIONLOSSBASEDONRBFNEURALNETWORKSWERESTUDIEDFINALLY,THERESEARCHRESULTSWERESUCCESSFULLYAPPLIEDINAMINICARREARAXLEPRODUCTENTERPRISE,ANDGOODEFFECTSHAVEBEENACHIEVEDKEYWORDSMINICARREARAXLEKEYPROCESSPRODUCTIONABNORMALLOSSNEURALNETWORKSEVALUATIONEARLYWARNING300引言微车后桥是微车中十分重要的组装件，主要由后桥桥壳总成、主减速器总成、差速器总成、驱动轮半轴总成、驱动轮轮毂总成等部分组合而成，在多数情况下为驱动桥，是一个复杂的多传动系统1。生产异常损失是指在生产过程中由于设备异常、物料异常、质量异常、35工艺异常、人员异常等事件造成的企业有形损失与无形损失。微车后桥生产过程涉及的工序、物料、设备种类繁多，工序间衔接紧密，其关键工序一旦出现生产异常问题，将给企业在后续工序生产、产品品质、客户满意度等方面带来重大的损失，同时也影响微车的质量水平，给人们的生命安全带来极大的隐患。因此，对微车后桥生产过程关键工序生产异常损失进行有效的评估及预警，为关键工序生产异常事件预防控制提供决策支持，已成为微车后桥制造40企业迫切需要解决的核心问题之一。/PAPEREDUCN2中国科技论文在线近年来，国内外专家和学者对生产过程异常事件管理方面的研究主要集中在生产异常事件的监控和预测等方面，如文献2对高频采集到的生产质量数据自相关性进行探索和研究；文献3通过一种智能故障诊断方法对生产线进行故障预测；文献4采用自适应神经模糊推理系统构建半导体生产线设备故障预测模型，并以某半导体生产线制造过程为例进行仿真验45证；文献5提出一种基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法，实现主轴传动系统润滑不良故障的预测；文献E5/百元D1/节拍D2/百元D3/百元D4/百元I1/节拍级35845102168级2,33,55,83,43,56,1015,212,165,8级1,22,33,52,32,34,61,1508,123,5级05,151,21,31,21,22,405,104,081,3级0,050,10,10,10,10,20,050,040,1表2转化等级对评语集中各评语的隶属度取值TAB2MEMBERSHIPVALUEOFCOMMENTSACCORDINGTOTRANSFORMLEVEL转化等级评语集级级级级级1Q很大0510380290140062Q比较大0250320250190123Q一般0120150270210214Q轻微0080100120240265Q无损失00400500702303532基于改进的灰色关联分析方法确定指标权重155本文引入一种改进的灰色关联分析方法确定微车后桥关键工序生产异常损失评价指标权重，该方法对决策者给出的主观权重经验判断矩阵进行充分挖掘，并使权重同时反映主观程度和客观程度，提高评估的科学性与客观性，具体方法如下所示。设有N个评价指标，首先由M个专家同时对各个指标的权重做出经验判断，从而组成各个指标权重的经验判断数据列，表示为12,TNXXXX。从12,NXXX中分别160挑选一个最大值作组成0X，记00001,2,XXXXM，求X各向量与0X的距离01020,NDDDD，其中2001MIIKDXKXK6，1,2,IN。则各个指标权重可表示为011IIWD，1,2,IN,对IW进行归一化/PAPEREDUCN7中国科技论文在线1IINIIWWW6（1）最终求得指标权重向量为12,NWWWW。1654微车后桥关键工序生产异常损失评估本章利用三角白化权函数的灰色评估方法，构建二级指标模糊隶属度矩阵，对关键工序异常损失进行模糊综合评价，从而为微车后桥关键工序生产异常事件预警提供支持。41利用灰色聚类理论构造灰色模糊隶属度矩阵根据评语集将某个关键工序的异常事件集合对第I个一级指标下的第J个二级指标影响170情况进行评估，得到隶属向量为125,IJIJIJXXX。根据三角白化权函数的灰色评估方法，建立KK1，5个灰类的白化权函数121112220,KKJJKJKKKJJJKKJJKJKKJJKKJJXAAXAFXXAAAXXAA6666666666666666（2）将指标取数域延拓至070,10JJAA，取1234561,2,4,6,8,9JJJJJJAAAAAA，112KKKJJJAA。利用白化权函数构造某第I个一级指标影响的模糊隶属度矩阵175125111125222125IIIIIIIINININ66（3）其中N为第I个一级指标下二级指标总数，KIJ为影响因素对第I个一级指标下第J个二级指标的影响属于K类的综合聚类系数，1NKKKKIJJIJJJFX6，1KJKJMKJJ6。42对一级评价指标进行灰色模糊综合评价根据计算公式（4）即求出一级评价指标对评语集中各评语的隶属度向量IN180IIINW（4）1,2,3,4,5IWI为第I个一级指标下二级评价指标的权重向量。43对关键工序异常损失进行模糊综合评价以一级指标评价结果12345,TNNNNNN作为评价矩阵，由模糊综合评价公式/PAPEREDUCN8中国科技论文在线MWN计算关键工序生产异常损失对评语集中各评语的隶属度向量18512345,MMMMMM。12345,WWWWWW为一级评价指标权重向量，根据公式（5）可得到微车后桥关键工序生产异常损失值51MAXMAXIIIIITMVVVMV6（5）5基于RBF神经网络的生产异常损失预警基于RBF神经网络的生产异常损失预测模型，对微车后桥关键工序生产异常损失时间190序列值进行预测并建立预警图，为微车后桥关键工序生产异常事前预防控制提供决策支持。51微车后桥关键工序生产异常损失RBF预测模型建立建立RBF神经网络结构模型。RBF神经网络由三层组成，其结构如图4所示。1X2X1NXNX1X2X1PXPX1W2W1PWPWY图4RBF神经网络结构模型195FIG4STRUCTUREOFRBFNEURALNETWORK第I个隐含层输出为IIIXRHB，1IP，取高斯函数22EXP2RRB，IR、IB分别为第I个RBF的中心、宽度，为欧式2范数，X为输入向量；隐含层输出为1PIIIIYHW6，IW为第I个隐含层单元与输出层的连接权值。200用正交最小二乘算法（OLS）对RBF进行训练。记1MIIIYNPNWEN6，12,TNYYYY为期望输出序列，12,NPPPP为隐层输出序列；1,TNWWW为输出权阵；1,2,EN为误差序列。对P进行奇异分解PCA，A是NN阶奇异矩阵，C是NN阶正交矩阵，可得YN的解为TITIICYGCC，且AWG（6）205（1）K1，计算1IICP，1111/IITITIGCYCC，2/IIITITKKKKERRGCCYY为误差/PAPEREDUCN9中国科技论文在线下降速率，选择，111MAXIICERRP；（2）当K1时，计算/ITTJKJIJJCPCC，1JK，11KIIKIJKJJCPC6，/IITITIKKKKGCCC，2/IIITITKKKKERRGCCYY，选择11MAXKKKKIIKKIJJJCERRPC6；（3）知道第6步，如果1JERR6，1KK，其中01，为事先给定的网络训练精度，重复步骤（2），否则转步骤（4）；（4）210KC即为RBF中心，则权值矩阵可由（6）式得出，停止学习。52微车后桥关键工序生产异常损失预警应用RBF神经网络预测模型，建立关键工序生产异常损失时间序列预警图，如图5。图5微车后桥关键工序生产异常损失预警图215FIG5WARNINGFIGUREOFABNORMALPRODUCTIONLOSSOFMINICARREARAXLEKEYPROCESS在图5中，将微车后桥关键工序生产异常损失模糊综合评价值划分为五个区间，并用不同的颜色标注，以表示生产异常损失的不同级别。其中绿色表示安全级，蓝色表示基本安全级，黄色表示过度级，橙色表示低警戒级、红色表示警戒级。管理人员根据本图可以判断出220未来一个时间段内该关键工序的生产异常损失值，提前分析原因并采取相应的预防措施8。6案例论文研究成果已应用于重庆某集团后桥生产工厂。该集团是重庆市年产值突破100亿元的几家民营企业之一，公司主营产业有微车及微车发动机、后桥、减震器等零部件。其中后225桥生产过程涉及的工序、物料、设备种类繁多，造成后桥生产过程中生产异常事件频发，而该后桥工厂缺乏一种科学有效的微车后桥关键工序生产异损失评估与预警方法，无法对关键工序生产异常事件进行有效评估与预警，大大增加了企业生产成本，降低了产品市场竞争力。企业通过应用了本文的研究成果并取得了良好的应用效果。下面以桥壳机加生产线总成校直关键工序为例，对微车后桥关键工序生产异损失评估与预警过程进行阐述，具体如下230/PAPEREDUCN10中国科技论文在线61指标体系及权重确定根据微车后桥关键工序生产异常损失指标体系，采用改进的灰色关联分析方法确定指标权重，利用（1）式求出二级指标权重1W（044，016，014，011，015），2W（018，045，019，018），3W（051，030，011，008），4W（027，025，020，028），5W（020，015，031，034），一级指标的权重W（031，025，020，013，011）。23562生产异常损失时间序列表建立针对一个评价周期（一周）内的总成校直关键工序生产异常事件信息，利用灰色聚类理论构造总成校直关键工序各个评价指标的灰色模糊隶属度，表3为2012年8月6日至2013年6月17日一个评价周期的总成校直关键工序生产异常损失隶属度。240表3总成校直关键工序生产异常损失隶属度TAB3MEMBERSHIPOFABNORMALPRODUCTIONLOSSOFONEASSEMBLYPROCESSEDIE1E2E3E4E5D1D2D3D41IJ0110000060050040030040080242IJ0150060120090050150060190293IJ0410190160160260440170200254IJ0230270270400350260250250195IJ010048039030030012048028003IQCII1I2I3I4Q1Q2Q3Q4C1C2C3C41IJ0040030050030050000060190000000030052IJ0050060090070100050120310120130140103IJ0180160170160170100240230180200450104IJ0310320320460460270260160270260270405IJ042043037028022058032011043041011035对评价周期内总成校直关键工序生产异常损失评估根据二级指标的权重及表1确定的隶属度矩阵I，对一级指标进行模糊综合评价，得出其隶属度向量IN（I1,2,3,4,5），确定该周期内总成校直工序生产异常损失的灰色模糊评价矩阵N。2451234500683010980289802787025340081801423023870241002962003730059001713032610406300787015030183302885029920026401209023910312703009NNNNNN66/PAPEREDUCN11中国科技论文在线根据式（5）可得出总成校直工序生产损失对评语集中各个评语的隶属度向量12345,MMMMMM（01707,01726,01477,01690,01600），M12345,MMMMM，根据（6）式可得出总成校直工序生产异常损失综合模糊评价值为0465。建立2012年4月9日至2013年6月17日之间60生产异常损失时间序列，如表4所示。250表4总成校直工序生产异常损失时间序列TAB4TIMESERIESOFABNORMALPRODUCTIONLOSSOFONEASSEMBLYPROCESS周期12345678910值0465044304620517049505610649070708030721周期11121314151617181920值0667059305140427043503610312022801660251周期21222324252627282930值0323040605020587062505910689074808310751周期31323334353637383940值0704064205860541047203950332025201910288周期41424344454647484950值0269036704860541057206750683075208630770周期51525354555657585960值067906320561051204420386029202020271036763生产异常损失预警255本例中总成校直生产异常损失的时间序列呈现长度约为19，故本例的RBF输入神经元选择为1914，取前55组作为训练样本，后5组作为验证数据。采用MARLAB神经网络工具箱，为避免过拟合，这里选择允许误差为训练精度0005，根据表4对RBF神经网络进行训练，训练至第15步时满足精度要求，均方误差MSE4823E003，训练效果如图6。260图6RBF神经网络的误差变化曲线/PAPEREDUCN12中国科技论文在线FIG6THECURVEOFERROROFRBFNEURALNETWORK利用训练样本预测第56至第60个评价周期的生产异常损失分别为0398、0298、0221、2650285、0354，预测的均方误差MSE22180E004。用BP神经网络和逐步回归时间序列分析法15,16对样本预测，求其均方误差MSE和效率系数EA并与本文方法比较，其中21MSEOIPIN6，221OIPIEAOIO66，OI为实测值，PI为预测值，O为实测值的平均数。结果如表5所示。270表5模型对比结果TAB5COMPARISONOFMODELS方法MSECERBF神经网络9906E0040965BP神经网络6762E0030935逐步回归时间序列模型1231E0020879由表5可知本文采用RBF神经网络模型可靠行强于其它两种模型，具有较好预测能力。应用训练好的预测模型得到第61至第63个周期的总成校直工序生产异常损失值分别为2750425、0501、0632。其中第63个周期的生产异常损失值达到了警戒级。通过分析发现，造成这一现象的主要原因是由于总成校直工序的数控机床主轴传动系统润滑不良导致的某元件磨损所致，企业应当即使对该元器件进行返修或更换，从而有效避免由于该元件的磨损从而降低总成校直工序生产异常问题给企业造成的损失。2807结束语论文针对微车后桥关键工序生产异常损失评估及预警困难等问题，提出了一套微车后桥关键工序生产异常损失评估及预警方法，在对微车后桥关键工序生产异常事件进行系统性分类的基础上，建立了关键工序生产异常损失的评价指标体系，并对基于灰色模糊评判的生产异常损失评估、基于RBF神经网络的生产异常损失预警等关键技术进行了研究。通过在重285庆某集团后桥生产工厂的实际应用，验证了以上研究成果的可行性和实用性，能对微车后桥生产过程关键工序生产异常损失进行有效的评估及预警，为关键工序生产异常事件预防控制提供决策支持。参考文献REFERENCES2901祁帆微车后桥主减速器故障诊断策略研究D湖北武汉理工大学,20122LIUMINGZHOU,ZHAOZHIBIAO,GEMAOGEN,ETALRESEARCHOFCORRELATIONMODELBETWEENQUALITIESATTRIBUTESANDQUALITYCONTROLPOINTSINASSEMBLYPROCESSOFTHECOMPLEXPRODUCTBASEDONNETWORKFLOWJADVANCEDMATERIALSRESEARCH,2012,403408301530213WANGWENJIANG,SUNHUILAI,LINSHUZHONG,ETALFAILUREPREDICTIONANDINTELLIGENTTROUBLESHOOTINGINTHE295/PAPEREDUCN13中国科技论文在线APPLICATIONOFTHECOINCELLPRODUCTIONLINEJINTERNATIONALJOURNALOFADVANCEMENTSINCOMPUTINGTECHNOLOGYIJACT,2012,461491564曹政才,赵会丹,吴启迪基于自适应神经模糊推理系统的半导体生产线故障预测及维护调度J计算机集成制造系统,2010,1610218121865高甜容,于东,岳东峰等基于故障先兆判定模型和动态置信度匹配的主轴润滑故障预测方法J机械300工程学报,2012,481775826SHIXJ,LIFT,ZHANGYETALQUALITYCONTROLANDTRACINGSYSTEMOFAUTOMOTIVEAIRBAGFLEXIBLEASSEMBLYLINEC/ZHAOBMANUFACTURINGAUTOMATIONTECHNOLOGYDEVELOPMENT14THCONFERENCEOFCHINAUNIVERSITYSOCIETYONMANUFACTURINGAUTOMATIONJIAOZUOPEOPLES