A quality improvement method for small batch parts machining process driven by DMAIC is presented. The logical process includes five stages: definition, measurement, analysis, improvement and control. The definition stage mainly determines the object and target of quality improvement activities, and finds out all the factors related to the machining process. In the key control process, a digital information acquisition network based on CPS is built to collect processing data in real-time. In the analysis phase, an assignment error transfer network is constructed to find out the key factors related to quality problems by calculating the sensitivity of quality characteristic errors. In the control stage, the quality characteristic error prediction model is constructed to control the product quality effectively. This method can effectively improve and optimize the processing process of small batch parts, forming a continuous improvement function for the quality of small batch parts.
【技术实现步骤摘要】
一种DMAIC驱动的小批量零件加工工艺过程质量改进方法
本专利技术属于生产过程管理中的质量改进与管理领域,特别涉及一种DMAIC驱动的小批量零件加工工艺过程质量改进方法。技术背景当前,工业产品需求越来越多样化、个性化,现代制造企业的生产模式由传统的单一型、大批量生产模式逐渐转变为多品种、小批量柔性生产。企业的产品质量改进和管理方法也亟需适应这种新的生产模式。具体来说,(1)小批量生产模式下,零部件的种类繁多,工艺规程复杂多变,对于出现质量问题的产品,很难分析造成缺陷的原因,导致了质量改进环节不能准确找到问题所在,质量改进措施的制定也具有一定的盲目性;(2)传统的基于统计过程控制(StatisticalProcessControl,SPC)技术的质量控制方法是建立在质量特征值相互独立、服从同一分布的假设基础之上,而且需要采集充足的样本以实施控制图,但是在小批量加工过程中,这些假设都不能满足。针对小批量零件加工工艺过程的质量改进,国内外学者较多采用鱼骨图、Pareto图等工具分析造成质量问题的可能性因素,但是却忽略了这些工具的使用特点,例如鱼骨图较多的依赖经验知识,主观性较强,不具备量化分析;而Pareto图则需要大量的历史质量缺陷统计数据,对于小批量加工过程质量改进不具备实用性;除此之外,也有学者将批量加工过程中使用的质量监测方法加以改进并应用到小批量生产过程中,如基于小样本的Bootstrap法、Bayes预测模型等,但是,这些方法没有深入研究“因样本数量过少而导致无法获得较准确的参数估计”问题,对参数的先验分布上存在一定程度的主观性,从而影响了这些方 ...
【技术保护点】
1.一种DMAIC驱动的小批量零件加工工艺过程质量改进方法,其特征在于,包括以下步骤:(1)定义阶段:明确现有小批量零件加工过程的工艺水平,制定适合的阶段改进目标,并通过对流程的全面分析,绘制供应商(S)‑输入(I)‑流程(P)‑输出(O)‑客户(C)(以下简称SIPOC)图,为后续的各阶段打下基础;(2)测量阶段:在进行生产之前,提取出工艺过程中影响零件最终质量特征的某些关键工序。由于工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系,使得加工过程中的误差传递呈现网络特性,据此可构建误差传递网络,通过对网络指标的计算,可得到小批量零件加工工艺过程的关键工序。为增强对质量误差诱因和改进机会的定量化认识,需在这些关键工序设置数据采集点,由此提出基于信息物理系统的数字化加工过程信息采集网络,并通过此网络采集零件加工过程中的工况信息以及质量特征数据,为后续的分析阶段提供数据支持;(3)分析阶段:定量分析小批量零件加工过程中的误差传递关系,针对加工关键工序构建赋值型误差传递网络,在此基础上进行质量特征误差灵敏度分析、建模与解算,以得到影响零件质量特征的关键因素;(4)改进阶段:是 ...
【技术特征摘要】
1.一种DMAIC驱动的小批量零件加工工艺过程质量改进方法,其特征在于,包括以下步骤:(1)定义阶段:明确现有小批量零件加工过程的工艺水平,制定适合的阶段改进目标,并通过对流程的全面分析,绘制供应商(S)-输入(I)-流程(P)-输出(O)-客户(C)(以下简称SIPOC)图,为后续的各阶段打下基础;(2)测量阶段:在进行生产之前,提取出工艺过程中影响零件最终质量特征的某些关键工序。由于工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系,使得加工过程中的误差传递呈现网络特性,据此可构建误差传递网络,通过对网络指标的计算,可得到小批量零件加工工艺过程的关键工序。为增强对质量误差诱因和改进机会的定量化认识,需在这些关键工序设置数据采集点,由此提出基于信息物理系统的数字化加工过程信息采集网络,并通过此网络采集零件加工过程中的工况信息以及质量特征数据,为后续的分析阶段提供数据支持;(3)分析阶段:定量分析小批量零件加工过程中的误差传递关系,针对加工关键工序构建赋值型误差传递网络,在此基础上进行质量特征误差灵敏度分析、建模与解算,以得到影响零件质量特征的关键因素;(4)改进阶段:是指针对分析出的关键影响因素,提出相对应的改进措施,并通过实验的方法验证改进效果;(5)控制阶段:利用分析阶段的赋值型误差传递网络,构建质量特征误差预测模型,通过基于特征加权的支持向量回归机(WeightedFeatureSupportVectorRegressionMachine,WF-SVRM)进行回归预测,并采用差分进化(DifferentialEvolution,DE)算法进行权重系数以及核函数相关参数的优化以提高预测精度,最终以成熟度指标来评价质量特征误差预测模型的优劣;该优化的流程描述如下:1)获取训练样本;2)权重系数、惩罚因子、核参数初始化,确定种群规模、交叉概率、变异概率、初始化种群;3)导入训练样本,调用WF-SVRM主程序进行模型训练;4)判断误差是否满足终止条件,若满足则转6),不满足则转5);5)通过差分矢量对个体进行变异操作,之后进行交叉操作,并通过选择适应度较高的个体产生新一代种群,重复4);6)得到最优参数,即得到了优化后的质量特征误差预测模型;7)将对应的信息导入即可获得零件质量特征的预测值,结束。8)为了保证质量特征误差预测模型的预测质量,采用成熟度来衡量上述模型的优劣,当成熟度满足设定的指标值时,即证明该模型已经经过了足够的样本训练,可以进行质量特征预测。模型成熟度用下式表示:式中,pi为第i个零件的质量特征预测结果,ti为第i个零件的质量特征实际值,N为已加工零件的数量。2.根据权利要求1所述的一种DMAIC驱动的小批量零件加工工艺过程质量改进方法,其特征在于,步骤二所述的工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系,具体如下:加工特征:零件的几何特征和加工过程中完成该几何特征所使用的加工方法的组合,表示为FE=fe1,fe2,…,fen,其中FE为加工特征的集合,fei为第i个加工特征,n为加工特征的总数。加工要素:加工过程中使用的机床、刀具、夹具等工装设备,表示为ME=MA∪TO∪FI,其中ME为加工要素的集合,MA=ma1,ma2,…,maj表示机床的集合,mai表示第i个机床,j为机床的总数;TO=to1,to2,…,tok表示刀具的集合,toi表示第i个刀具,k为刀具的总数;FI=fi1,fi2,…,fil表示夹具的集合,fii表示第i个...
【专利技术属性】
技术研发人员:江平宇,李普林,郑镁,张光耀,刘加军,
申请(专利权)人:西安交通大学,
类型:发明
国别省市:陕西,61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。