论文部分内容阅读
制造企业数控加工现场需要利用数控加工工时来确定产品交货期、制定生产计划、核算成本、分析数控加工设备的产能与负荷,因此数控加工工时的准确性对制造企业现场管理有着重要的作用。随着智能制造、制造物联网技术的发展,制造企业可以从数控加工设备中采集和获取零部件制造过程中产生的具有典型大数据特征的海量数据(简称制造大数据),充分利用这些数据可以更好的对数控加工工时进行预测,从而为提升定额的准确性带来新的可能。本文从工序工时影响因素入手分析,提出并探索基于大数据分析的数控加工工时预测方法,以提高数控加工工时预测精度,进一步推动定额管理的科学化和精细化。首先,对工序工时的直接影响因素包括加工工种、本道工序的零件材料去除量以及切削参数等进行分析,根据影响因素确定制造大数据的主要来源和分类,提出基于大数据分析技术的工时预测总体框架和技术架构。其次,针对收集到的制造大数据中存在的问题,定义工序编码的规则,制定制造大数据清洗策略,对制造大数据进行编码以及清洗;并基于分布式文件系统(Hadoop Distributed File System,HDFS)和结构化数据库对预处理完毕的制造大数据进行存储。再次,基于反向传播(Back Propagation,BP)神经网络建立工时预测模型的结构,分析工时预测模型的训练过程。针对工时预测模型训练过程中存在的容易陷入局部极小值、部分区域收敛速度慢的问题,用列文伯格-马夸尔特算法(Levenberg-Marquardt,LM)算法优化工时预测模型,经过案例分析证明LM-BP工时预测模型具有更好的预测性能;针对制造大数据的数据量大时,工时预测模型训练效率较低的问题,提出了基于MapReduce框架的LM-BP算法并行化设计方案,经过案例分析证明并行化LM-BP工时预测模型训练消耗时间较少,提高了工时预测模型的训练效率。最后,对数控加工工时预测的原型系统进行设计和开发,在某车间现场的应用案例初步证明了方法的可行性和有效性。