一种数据驱动的不可靠装配流水线性能评估方法技术

本发明专利技术提出一种数据驱动的不可靠装配流水线性能评估方法，以不可靠装配流水线为研究对象，首先对历史数据进行挖掘，通过设计概率密度层实现概率密度网络的搭建，用于设备故障数据和修复数据的概率密度和概率质量拟合，构建了基于概率密度层的生成对抗网络模型，用于生成大量的设备健康状态数据。其次结合不可靠装配流水线的结构特性，以状态变更、事件触发、性能统计为系统运行机制，构建了不可靠装配流水线运行逻辑。然后从两个维度定义了装配流水线性能评估指标，基于数据驱动的思想，通过仿真实验获得装配流水线各项性能指标，为装配流水线的长期运行提供性能评估基准。最后以实际数据验证了本发明专利技术在实际应用场景中的准确性与有效性。与有效性。与有效性。

【技术实现步骤摘要】
一种数据驱动的不可靠装配流水线性能评估方法


[0001]本专利技术涉及装配流水线性能评估
，具体为一种数据驱动的不可靠装配流水线性能评估方法。

技术介绍

[0002]随着计算机信息技术的高速发展，全球工业正在向智能化新时代迈进，在国家政策支持下，我国制造行业正在逐步向数字化、智能化转型。以新能源汽车为代表的制造业发展尤其迅猛，由于新能源汽车装配流水线自动化程度好，管理水平高，是良好的“智能工厂”实验田，基本实现了自动化、信息化与数字化，并且打通了传感网络和各信息系统，使得生产数据的获取更加便利，为制造业智能化转型奠定了数据基础。
[0003]通过对装配流水线的现状进行分析梳理，发现仍存在诸多难题和挑战：当前装配流水线相关管理活动普遍依赖人工经验，很多决策分析过程仍靠手工推算，未能充分利用工厂收集到的多源异构数据。尽管大多数数字化生产线的数据采集功能十分完备，采集的数据涉及范围广、数量庞大，但对于已采集的数据仍然存在诸多不足，例如数据价值密度低下、数据质量无法保障，甚至数据完全无法利用等，导致管理者无法有效利用实际生产数据来提高生产效率、释放车间产能、评估系统性能。同时生产车间扰动事件频发，随机扰动耦合性高，导致生产车间存在扰动影响难量化、状态空间难刻画、系统性能难评估等问题。车间管理者的决策通常是基于经验而非基于数据与模型判定的，决策风险未知，使得决策缺少前瞻性和科学性。因此，合理利用车间中多源异构的海量数据进行预测和分析，对提升产品质量、提高车间生产效率、降低生产成本至关重要。性能评估是解决上述难题的重要手段，生产系统性能评估旨在利用数学模型或仿真方法刻画生产过程，揭示系统运行和演化的基本规律，是生产系统效能评价、效益衡量的重要工具，也是生产系统产能提升、精益设计的重要依据，对于生产过程的科学控制与决策具有重要指导意义。
[0004]生产系统性能评估常用方法包括解析方法和仿真方法。解析方法通过建立数学模型，刻画设备可靠性、质量特性以及缓冲区容量等参数与生产线生产率、平均在制品数量等性能指标间的关系。仿真方法适用于复杂的生产线，主要通过建立仿真模型，模拟生产线的运行，得到系统性能指标。随着设备随机故障、产品质检返工/返修/报废、紧急订单插入等扰动事件的发生，使生产系统成为一个随机的、不可靠的复杂系统，不仅影响工位自身的有效产出，还会沿着生产线上游和下游进行扰动影响传播，进而造成系统更大的产出损失。缓冲区虽然可以吸收扰动传播影响，但容量有限导致其不能完全消除扰动传播的影响。扰动事件的随机性与缓冲容量的有限性使得生产系统的输入输出呈现出非线性变化关系，导致系统生产动态难预测、投入产出比难计算等问题。现有的性能评估方法主要集中于解析方法，即通过精确解析方法和近似分析方法探究工位可靠性、缓冲容量等特征参数对系统性能的影响。目前，对数据驱动的系统建模与性能评估问题的研究较少，尤其是基于数据挖掘的不可靠装配流水线建模与性能评估问题，目前相关研究较少。

技术实现思路

[0005]为了有效应对现有技术存在的问题与挑战，本专利技术针对考虑设备健康状态的连续移动式不可靠装配流水线，提出了一种数据驱动的不可靠装配流水线性能评估方法，基于数据驱动的思想，深度挖掘企业实际生产数据，利用概率密度拟合和数据生成网络挖掘历史数据的潜在规律，以装配流水线建模与性能评估为主线，为客观决策提供可行的性能评估工具，同时为数据驱动的生产控制、决策、优化等相关研究提供一种可靠的、高效的装配流水线性能评估方法。
[0006]本专利技术的技术方案为：
[0007]所述一种数据驱动的不可靠装配流水线性能评估方法，包括以下步骤：
[0008]步骤1：收集不可靠装配流水线多源异构数据并进行预处理；
[0009]步骤2：根据步骤1预处理后的不可靠装配流水线多源异构数据，构建不可靠装配流水线设备健康状态数据生成模型；
[0010]步骤3：构建不可靠装配流水线运行逻辑模型；
[0011]步骤4：根据步骤3得到的逻辑模型，并利用步骤2得到的数据生成模型生成设备健康状态数据，通过仿真实验获得装配流水线的性能指标。
[0012]有益效果
[0013]本专利技术依托新能源汽车装配流水线，围绕企业实际需求和痛点，重点对系统建模和性能评估进行研究，提出了一种数据驱动的不可靠装配流水线性能评估方法。基于数据驱动的思想，深度挖掘企业实际生产数据，利用概率密度拟合和数据生成网络挖掘历史数据的潜在规律，以装配流水线建模与性能评估为主线，为科学决策提供可行的性能评估工具，同时为数据驱动的生产控制、决策、优化等相关研究提供一种可靠的、高效的装配流水线性能评估方法。
[0014]为保证所提方法在实际应用场景中的准确性与有效性，本专利技术以新能源汽车总装车间装配流水线为研究对象进行案例分析，结合新能源汽车总装车间的实际数据，通过设备健康状态数据生成模型构建、运行逻辑构建、设计总装车间仿真实验对所提方法进行仿真验证。对总装车间参数化，其中装配线体数量n＝9，装配线体参数用线体工位数M
num
和线体节拍M
cycle
表示：
[0015]M
num
＝[18,20,20,19,12,19,25,24,12][0016]M
cycle
＝[94,94,94,94,94,94,96,96,102][0017]仿真实验定义8小时为一个班次，共模拟五个班次，总运行时间t
total
为144000s，步进时间t
step
为0.1s，其它参数设置情况见具体实施方式中案例分析小节的运行逻辑构建及仿真实验部分。通过导入由PDL
‑
GAN模型生成的设备健康状态数据，形成数据驱动的仿真建模机制，基于仿真实验获得流水线各项性能指标，仿真结果取五个班次实验的平均值，并与真实性能指标进行对比，平均每个班次的性能指标如下表所示，其中基于仿真实验预测的平均产量与实际产量仅相差1.6％，验证了本专利技术的准确性与有效性。
[0018]平均每班次的性能指标
[0019][0020]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0021]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0022]图1不可靠装配流水线。
[0023]图2张量构建示意图。
[0024]图3概率密度层前向传播过程。
[0025]图4概率密度网络模型。
[0026]图5PDL
‑
GAN框架图。
[0027]图6装配线体状态变更示意图。
[0028]图7装配线体事件触发示意图。
[0029]图8缓冲线体状态变更示意图。
[0030]图9缓冲线体SISO移动模式事件触发示意图。
[0031]图10缓冲线体FIFO移动模式事件触发示意图。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据驱动的不可靠装配流水线性能评估方法，其特征在于：包括以下步骤：步骤1：收集不可靠装配流水线多源异构数据并进行预处理；步骤2：根据步骤1预处理后的不可靠装配流水线多源异构数据，构建不可靠装配流水线设备健康状态数据生成模型；步骤3：构建不可靠装配流水线运行逻辑模型；步骤4：根据步骤3得到的逻辑模型，并利用步骤2得到的数据生成模型生成设备健康状态数据，通过仿真实验获得装配流水线的性能指标。2.根据权利要求1所述一种数据驱动的不可靠装配流水线性能评估方法，其特征在于：步骤1中不可靠装配流水线多源异构数据包括布局数据集、状态数据集、生产计划数据集和设备数据集；其中布局数据集包括流水线上的机器数量、缓冲区容量、缓冲区分布、生产节拍、工厂布置、工艺路线及生产流程；状态数据集包括流水线装配过点信息、生产日志、加工进度、缓冲区实时容量；生产计划数据集包括计划产品类型、计划产品批次、计划产品数量、计划产品顺序；设备数据集包括设备故障履历、设备维护履历、设备更换报修日志。3.根据权利要求1或2所述一种数据驱动的不可靠装配流水线性能评估方法，其特征在于：步骤1中进行预处理包括数据清洗和设备状态数据分类；数据清洗包括剔除冗余数据、剔除空缺数据、剔除异常数据、剔除规律性数据；设备状态数据分类将数据分为四类：正常态数据、故障态数据、满停态数据、缺停态数据；并将故障态数据按照时间轴分为三部分：训练数据、测试数据、实时数据。4.根据权利要求3所述一种数据驱动的不可靠装配流水线性能评估方法，其特征在于：步骤2中，构建不可靠装配流水线设备健康状态数据生成模型的过程包括：步骤2.1：基于人工神经网络设计概率密度层，基于所述概率密度层能够将输入的一维数据映射到二维复平面上，通过自身操作训练出对应的概率密度函数，输出概率最高的值记为该值的概率质量；步骤2.2：基于概率密度层构建概率密度网络模型；所述网络模型将一维输入值拓展到二维复平面，训练出每组输入值的概率密度；同时将输入值按照一定间隔统计成频率直方图，并压缩成真实概率密度；通过对比训练出的概率密度和真实概率密度二者差异计算损失值，以Adam优化器进行网络权重参数优化，最终输出预测的概率质量函数；步骤2.3：构建基于概率密度层的生成对抗网络模型：原有的生成对抗网络前添加概率密度层用于模拟编码过程，用于将输入的数据转换成潜在空间内的概率密度张量，再以概率密度张量作为生成器的输入，通过生成器完成解码过程，让生成器学习...

【专利技术属性】
技术研发人员：王军强，熊攀，袁航，宋云蕾，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：