一种基于运行数据融合的多态制造系统运行风险建模方法技术方案

本发明专利技术提供一种基于运行数据融合的多态制造系统运行风险建模方法。具体步骤为：一、考虑生产任务和在制品及生产设备本身对过程的影响，确定运行风险的量化因素和框架；二、构造设备输入输出状态参数及其性能状态分布；三、量化设备的基本风险值；四、分解任务，得到生产任务的显性风险值；五、描述在制品的关键质量特性在各工位的传递；六、确定在制品的隐性风险值；七、利用模糊映射确定基本概率分配；八、融合三个不同源的运行风险指标，输出系统运行状态；九、进行运行风险建模的有效性分析，克服不同源数据直接融合时的模糊性，使该模型提供更准确直观的运行风险状态，在系统健康预测方面有很好的实用价值。

【技术实现步骤摘要】
一种基于运行数据融合的多态制造系统运行风险建模方法
本专利技术提供了一种基于运行数据融合的多态制造系统运行风险建模的方法，属于制造系统预测性分析和健康诊断

技术介绍
新一代信息技术和人工智能的发展为制造业的发展注入了活力，从而产生了新的制造模式，如云制造和服务型制造。预测性健康分析和诊断是智能制造的基本功能要素，与传统制造相比，智能制造的核心目标是通过准确的过程状态跟踪和完整的实时数据提取来获取丰富的信息，从而为制造过程管理控制提供额外的科学决策支持。数据的价值隐藏于交互信息和其结构中，因此充分利用运行数据对于制造系统的建模和健康诊断尤为重要。运行数据的分析和利用常见于故障诊断、设备维修、和成本控制等领域。数据驱动的可靠性评估是对系统制造过程进行建模的常用方法。它不需要对失效机理的充分理解，特别是在生产性能和效率随着退化而变化的多状态系统中。因此直接凭借各种传感器和仪器，获得监测数据以建立与系统运行状态的映射关系，从而更新动态的健康状况更具优势。现有研究主要局限于单独的制造设备，且侧重于部分具体指标，比如设备剩余使用寿命和故障率，缺少对整个系统健康状况进行整体分析。因此最近的研究开始强调系统级的可靠性评估，涉及产品或处理的任务级别，及它们与设备之间的交互。这种新兴的系统模型旨在通过整体方法分析和量化制造系统。从产品质量和部件可靠性的角度来看，自QR协同效应提出以来，系统之间的复杂传播和传播已逐步深入阐述；另一方面，考虑到分配给设备和制造模式的生产要求，其状态和设备之间是相互依赖和相互影响的。所以在此基础上，将生产任务这个衡量条件引入可靠性评估中，定义一个新的任务可靠性概念，即设备性能状态在其合理变化趋势内能够满足实时任务需求的能力，以便通过有效运行数据的提取、分类进行相应量化。事实上，对制造过程运行数据的关注符合全面质量管理的要求，进而实现后续的生产、质量控制、维护和结构设计的联合分析和设计。考虑到ISO9001：2015对生产质量管理中风险控制的倡导，制造系统运行期间风险的建模和监控是实现健康预测预测的核心，也是瓶颈问题。当代表整个制造系统时，可靠性更强调最终定量结果是否符合预期目标，忽略了不同类型的特定数据无法直接融合性质，中间指标没有被充分利用。与可靠性相比，风险强调避免潜在损失，即制造过程的每个涉及部分是否存在意外的偏差。而制造系统的健康指的是当系统涉及的组件处于可接受的风险危险率以内，一种有效执行不同生产任务并生产合格产品的能力。所以，基于健康的扩展内涵，对运行风险进行如下定义：运行风险可以看作为整个制造系统的潜在退化及其影响的组合，其中运行数据包含了大量有关设备、生产任务和在制品质量的信息，需要被充分利用以实现预测性诊断。因此，需要一个制造系统运行状态的整体数据融合模型，可以解决一系列内部关系和不确定性量化问题。因此，针对上述不足，本专利技术给出了一种基于运行数据融合的多态制造系统运行风险建模的方法。首先提出了运行风险的特殊层次模型，以充分利用和处理操作数据，尤其是每个站点产生的大量偏差数据；其次，基于系统任务可靠性提出了运行数据量化框架，揭示了生产产品，生产任务和制造系统之间的内在联系；最后，模糊证据理论为这些异源风险因素提供了合理而充分的融合基础，从而可以获得客观的运行风险程度，实现准确的系统故障预测与健康诊断，为后续预测性维修策略提供决策支持。
技术实现思路
(1)本专利技术的目的：考虑到对多态制造系统中运行风险的理解和思考，本专利技术利用任务可靠性建立了运行风险模型——一种基于运行数据融合的多态制造系统运行风险模型，以量化制造运行健康状态随时间的变化。给出运行风险的内涵和具体层次模型，包含了制造设备的基本风险、生产任务执行的显性风险和在制品质量导致的隐形风险因素，以充分利用和处理操作数据，尤其是每个站点产生的大量偏差数据；基于系统的任务可靠性提出运营数据融合框架，即风险因素的建模过程，在量化过程中体现生产产品，生产任务和制造系统之间的内在联系，更侧重于显性和隐性风险的系统效应；选择适当的数据融合理论为这些异质风险因素提供了合理而充分的融合基础，从而获得客观的系统运行风险程度，达到对多态制造系统预测性健康诊断的目的。(2)技术方案：本专利技术是一种基于运行数据融合的多态制造系统运行风险建模方法，提出的基本假设如下：假设1、制造系统为串联结构，生产模式为流水线加工、存货式生产，每个机器相互独立，其输出产品都经过严格的质检环节，且检测结果是绝对可靠的；假设2、系统涉及n台设备，每个设备的退化都服从马尔可夫过程，其可能的N个状态中，si,1分别代表着设备i最差和最好的运行状态；假设3、产品关键质量特性在统计上和物理上彼此独立，在制品的质量状态可以通过一个关键质量特性代表，一旦其偏差超过可接受的范围，即不合格；假设4、每个具有可修复缺陷的在制品仅返工一次，如果重新加工后该在制品仍然不合格，则应该将其丢弃，即视为报废状态MSi3；基于上述假设，本专利技术一种基于运行数据融合的多态制造系统运行风险建模方法，其步骤如下：步骤1、考虑到生产任务和产品，以及制造设备本身对制造过程的影响，确定制造系统运行风险的相关量化因素和框架；步骤2、构造各设备的输入输出状态参数和性能状态分布；步骤3、量化制造设备带来的基本风险值；步骤4、进行任务分解，得到各生产任务带来的显性风险值；步骤5、描述在制品的关键质量特性在各工作站的传递过程；步骤6、确定由在制品带来的隐性风险值；步骤7、利用模糊映射确定运行风险指标融合的基本概率分配；步骤8、融合三个不同源的运行风险指标，输出制造系统运行状态；步骤9、进行运行风险建模的有效性分析。其中，在步骤1中所述的“考虑到生产任务和产品，以及制造设备本身对制造过程的影响，确定制造系统运行风险的相关量化因素和框架”，是指从系统工程的角度出发，深入分析除了设备的基本运行故障外，生产任务执行情况和在制品质量偏差对系统整体运行状态的影响关系；运行风险的内在机理为：借助制造过程运行数据的提取，在实现简单的基础设备风险控制的基础上，量化较为直观的生产任务执行情况这一显性风险因素和测量层面在制品的关键质量特性偏差这一隐形风险因素，达到系统在不同维度下状态的实时监测；探索在这三个综合因素下制造系统的动态评估和生产质量风险控制。其中，在步骤2中所述的“构造各设备的输入输出状态参数和性能状态分布”，是指根据模型中基本和显性运行风险的含义，对涉及的物料加工量Msij、设备质量状态Sij、在制品中Sij状态占输入总量的比例ρsij及占输出总量的比例等参数进行定义，以详细描述物料在经过设备前后的变化和各设备所处的状态；其中，i为机器编号，j为三种在制品状态，即1为合格，2为需要返工，3为不合格；同时，推导在统计学理论的基础下，各个设备输出的能成功进入下个加工步骤的合格产品占总产品的概率ρsij为式中x为抽样试验样本中合格品数量，n为抽样实验样本数量，a、b为已证明的加工合格率所服从的标准Beta分布的参数；然后按照假定的设备马尔可夫退化过程，基于参考系统历史数据可知的状态转移强度利用Kolmogorov(柯尔莫哥洛夫)微分方程组求解各个设备的性能状态分布，式中pi(t)为t时刻设备处于各状态的概率向量。其中，在步本文档来自技高网...

【技术保护点】
1.一种基于运行数据融合的多态制造系统运行风险建模方法，提出的基本假设如下：假设1、制造系统为串联结构，生产模式为流水线加工、存货式生产，每个机器相互独立，其输出产品都经过严格的质检环节，且检测结果是绝对可靠的；假设2、系统涉及n台设备，每个设备的退化都服从马尔可夫过程，其可能的N个状态

【技术特征摘要】
1.一种基于运行数据融合的多态制造系统运行风险建模方法，提出的基本假设如下：假设1、制造系统为串联结构，生产模式为流水线加工、存货式生产，每个机器相互独立，其输出产品都经过严格的质检环节，且检测结果是绝对可靠的；假设2、系统涉及n台设备，每个设备的退化都服从马尔可夫过程，其可能的N个状态中，si,1分别代表着设备i最差和最好的运行状态；假设3、产品关键质量特性在统计上和物理上彼此独立，在制品的质量状态通过一个关键质量特性代表，一旦其偏差超过可接受的范围，即不合格；假设4、每个具有可修复缺陷的在制品仅返工一次，如果重新加工后该在制品仍然不合格，则应该将其丢弃，即视为报废状态MSi3；基于上述假设，其特征在于：其步骤如下：步骤1、考虑到生产任务和产品，以及制造设备本身对制造过程的影响，确定制造系统运行风险的相关量化因素和框架；步骤2、构造各设备的输入输出状态参数和性能状态分布；步骤3、量化制造设备带来的基本风险值；步骤4、进行任务分解，得到各生产任务带来的显性风险值；步骤5、描述在制品的关键质量特性在各工作站的传递过程；步骤6、确定由在制品带来的隐性风险值；步骤7、利用模糊映射确定运行风险指标融合的基本概率分配；步骤8、融合三个不同源的运行风险指标，输出制造系统运行状态；步骤9、进行运行风险建模的有效性分析。2.根据权利要求1所述的一种基于运行数据融合的多态制造系统运行风险建模方法，其特征在于：在步骤1中所述的考虑到生产任务和产品，以及制造设备本身对制造过程的影响，确定制造系统运行风险的相关量化因素和框架，是指从系统工程的角度出发，深入分析除了设备的基本运行故障外，生产任务执行情况和在制品质量偏差对系统整体运行状态的影响关系；运行风险的内在机理为：借助制造过程运行数据的提取，在实现简单的基础设备风险控制的基础上，量化为直观的生产任务执行情况这一显性风险因素和测量层面在制品的关键质量特性偏差这一隐形风险因素，达到系统在不同维度下状态的实时监测；探索在这三个综合因素下制造系统的动态评估和生产质量风险控制。3.根据权利要求1所述的一种基于运行数据融合的多态制造系统运行风险建模方法，其特征在于：在步骤2中所述的构造各设备的输入输出状态参数和性能状态分布，是指根据模型中基本和显性运行风险的含义，对涉及的物料加工量Msij、设备质量状态Sij、在制品中Sij状态占输入总量的比例ρsij及占输出总量的比例诸参数进行定义，以详细描述物料在经过设备前后的变化和各设备所处的状态；其中，i为机器编号，j为三种在制品状态，即1为合格，2为需要返工，3为不合格；同时，推导在统计学理论的基础下，复数个设备输出的能成功进入下个加工步骤的合格产品占总产品的概率ρsij为式中x为抽样试验样本中合格品数量，n为抽样实验样本数量，a、b为已证明的加工合格率所服从的标准Beta分布的参数；然后按照假定的设备马尔可夫退化过程，基于参考系统历史数据能知的状态转移强度利用Kolmogorov微分方程组求解复数个设备的性能状态分布，式中pi(t)为t时刻设备处于各状态的概率向量。4.根据权利要求1所述的一种基于运行数据融合的多态制造系统运行风险建模方法，其特征在于：在步骤3中所述的量化制造设备带来的基本风险值，是指每台机器的性能风险能概括为当前处理的工作量对应的失效概率，通过和设备最理想状态时的加工量比较得出式中si,1为对设备状态进行随机划分后设备i能承受的最大加工处理量，pi为参考同种类设备历史故障数据得出的系数；加工量越接近...

【专利技术属性】
技术研发人员：何益海，赵依潇，刘枫棣，周迪，张安琪，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京,11