论文部分内容阅读
摘 要:射孔弹头是一种典型轴类零件,在其加工过程中需检测产品质量特性很多,对所有特性都进行检验存在巨大困难,需从中找寻少数关键的质量特性,对其进行质量控制将事半功倍。本文首先总结现场质量问题,定义关键质量特性并比较现有关键质量特性识别方法,然后使用马氏田口法识别关键质量特性,在减少特性数目的同时也保证了对异常验出的有效性。
关键词:马氏田口法;关键质量特性;特征选择
0 问题的提出
射孔弹头是一种典型的轴类零件,其质量间接影响油气的开采效率。在精加工阶段总共需检测17个质量特性。质量特性过多使得尺寸检测的工作量巨大。为减少检测时间,企业不得不使用自制的“检测门”进行尺寸检测。存在的问题有:
(1)部分质量特性未能被检测到。
(2)质量特性的检测没有重点。部分特性其质量稳定,可考虑减少检测;部分特性其质量常发生波动,从而导致大量不合格品的产生,应重点检测。
为解决问题,应先对历史数据进行分析,了解产品所有特性的质量稳定程度,确定少数的关键质量特性,将检验重点发在常发生波动的质量特性上。
1 射孔弹头关键质量特性的定义及识别方法比较
1.1关键质量特性的定义
参考国家标准《GB/T19030-2009》[1]和波音公司《D1-9000-1 AQS Tools》关于关键质量特性的定义,其原则有三:一是影响安全性及功能丧失的特性;二是顾客角度看影响产品寿命、表现和适合性的特性,通常在设计阶段确定;三是质量易产生波动的特性,通常从废品、缺陷、不合格品的历史数据中寻找。
加工过程中射孔弹头的关键质量特性参考第三条原则定义是合适的。从仓库中的不合格品入手,寻找质量易产生波动的特性,接下来应找寻一种合适的方法来实现。
1.2关键质量特性的识别方法比较
目前比较流行的识别方法有质量功能展开、主成分分析法、数据挖掘以及波音公司先进质量体系中的关键质量特性识别法。其中,质量功能展开多用于设计阶段,周期长,涉及人员多,需反复调研;主成分分析法通过线性变换找出主成分变量,其适用于产品生命周期的各阶段,涉及人员少,成本较低,但仍需要测量所有特性,并不能真正减少特性;数据挖掘中的统计学方法种类丰富,对于寻找关键质量特性有重要意义,但神经网络和遗传算法多用于多维度复杂产品的特征提取和选择;波音先进质量体系中的方法很丰富,其中公差分析、历史数据分析和试验设计,比较适用于车间的实际情况。
进行比较后,本文采用马氏田口方法进行射孔弹头关键质量特性的识别。原因有二:
(1)马氏田口法使用了统计学方法中的马氏距离以及试验设计中的正交表和信噪比。马氏距离考虑了质量特性间的相关性,正交表则避免了穷举法的低效率。
(2)马氏田口法注重历史数据的分析,真正减少变量。根据现场采集正常和异常样本,建立马氏空间,计算马氏距离。不同于特征提取,马氏田口法属于特征选择,可真正减少变量数。
2 马氏田口法的原理和步骤
2.1马氏田口法的原理
(1)马氏距离。判定样本点是否处于正常范围最好的办法就是用距离来衡量,与欧式距离不同,马氏距离考虑到特性间的联系且无纲量。马氏距离公式式(2-1)[2]。式中MDj为第j个样本到样本中心距离,Zij为标准化向量,C-1为相关矩阵逆矩阵,p为变量数。
(2-1)
(2)正交表。利用其均匀分散,整齐可比的特点,找出具有代表性质量特性组合。考虑到变量数为17,因此选用 正交表。
(3)信噪比。可用以评判每个质量特性组合偏离样本中心的程度(异常样本马氏距离的大小)。本文采用望大型信噪比,见式(2-2)。q为组合序号,t为组合所含特性数。
(2-2)
2.1马氏田口法的步骤
(1)构建合适测量表计算马氏距离。测量表即由17个变量组成,收集正常样本后,首先计算特征向量包括均值、方差、相关矩阵,计算马氏距离。
(2)验证测量表的有效性。收集异常样本,并根据正常样本特征向量计算其马氏距离,若其值大于正常样本马氏距离则测量表有效。
(3)选择有效变量,优化测量表。根据正交表选取变量组合,计算每种组合的信噪比η。选择有效变量。ηq表示正交表第q行值为“1”的变量对异常的验出效果。ηq值越大,验出效果越好。对每个变量信噪比的均值进行变量选择。用 代表某变量各水平信噪比的平均值,其中i=1表示选择该变量,i=2表示不选该变量,ki为某水平的重复个数。计算 ,其若大于0,则选择该变量。
(4)验证优化后的测量表。选择变量后,分别计算正常样本和异常样本的马氏距离,其值若比原先未选择变量的值大的话则验证成功。
3 实例计算
按照马氏田口法的步骤,分别选取车间品质部68个正常样本和
关键词:马氏田口法;关键质量特性;特征选择
0 问题的提出
射孔弹头是一种典型的轴类零件,其质量间接影响油气的开采效率。在精加工阶段总共需检测17个质量特性。质量特性过多使得尺寸检测的工作量巨大。为减少检测时间,企业不得不使用自制的“检测门”进行尺寸检测。存在的问题有:
(1)部分质量特性未能被检测到。
(2)质量特性的检测没有重点。部分特性其质量稳定,可考虑减少检测;部分特性其质量常发生波动,从而导致大量不合格品的产生,应重点检测。
为解决问题,应先对历史数据进行分析,了解产品所有特性的质量稳定程度,确定少数的关键质量特性,将检验重点发在常发生波动的质量特性上。
1 射孔弹头关键质量特性的定义及识别方法比较
1.1关键质量特性的定义
参考国家标准《GB/T19030-2009》[1]和波音公司《D1-9000-1 AQS Tools》关于关键质量特性的定义,其原则有三:一是影响安全性及功能丧失的特性;二是顾客角度看影响产品寿命、表现和适合性的特性,通常在设计阶段确定;三是质量易产生波动的特性,通常从废品、缺陷、不合格品的历史数据中寻找。
加工过程中射孔弹头的关键质量特性参考第三条原则定义是合适的。从仓库中的不合格品入手,寻找质量易产生波动的特性,接下来应找寻一种合适的方法来实现。
1.2关键质量特性的识别方法比较
目前比较流行的识别方法有质量功能展开、主成分分析法、数据挖掘以及波音公司先进质量体系中的关键质量特性识别法。其中,质量功能展开多用于设计阶段,周期长,涉及人员多,需反复调研;主成分分析法通过线性变换找出主成分变量,其适用于产品生命周期的各阶段,涉及人员少,成本较低,但仍需要测量所有特性,并不能真正减少特性;数据挖掘中的统计学方法种类丰富,对于寻找关键质量特性有重要意义,但神经网络和遗传算法多用于多维度复杂产品的特征提取和选择;波音先进质量体系中的方法很丰富,其中公差分析、历史数据分析和试验设计,比较适用于车间的实际情况。
进行比较后,本文采用马氏田口方法进行射孔弹头关键质量特性的识别。原因有二:
(1)马氏田口法使用了统计学方法中的马氏距离以及试验设计中的正交表和信噪比。马氏距离考虑了质量特性间的相关性,正交表则避免了穷举法的低效率。
(2)马氏田口法注重历史数据的分析,真正减少变量。根据现场采集正常和异常样本,建立马氏空间,计算马氏距离。不同于特征提取,马氏田口法属于特征选择,可真正减少变量数。
2 马氏田口法的原理和步骤
2.1马氏田口法的原理
(1)马氏距离。判定样本点是否处于正常范围最好的办法就是用距离来衡量,与欧式距离不同,马氏距离考虑到特性间的联系且无纲量。马氏距离公式式(2-1)[2]。式中MDj为第j个样本到样本中心距离,Zij为标准化向量,C-1为相关矩阵逆矩阵,p为变量数。
(2-1)
(2)正交表。利用其均匀分散,整齐可比的特点,找出具有代表性质量特性组合。考虑到变量数为17,因此选用 正交表。
(3)信噪比。可用以评判每个质量特性组合偏离样本中心的程度(异常样本马氏距离的大小)。本文采用望大型信噪比,见式(2-2)。q为组合序号,t为组合所含特性数。
(2-2)
2.1马氏田口法的步骤
(1)构建合适测量表计算马氏距离。测量表即由17个变量组成,收集正常样本后,首先计算特征向量包括均值、方差、相关矩阵,计算马氏距离。
(2)验证测量表的有效性。收集异常样本,并根据正常样本特征向量计算其马氏距离,若其值大于正常样本马氏距离则测量表有效。
(3)选择有效变量,优化测量表。根据正交表选取变量组合,计算每种组合的信噪比η。选择有效变量。ηq表示正交表第q行值为“1”的变量对异常的验出效果。ηq值越大,验出效果越好。对每个变量信噪比的均值进行变量选择。用 代表某变量各水平信噪比的平均值,其中i=1表示选择该变量,i=2表示不选该变量,ki为某水平的重复个数。计算 ,其若大于0,则选择该变量。
(4)验证优化后的测量表。选择变量后,分别计算正常样本和异常样本的马氏距离,其值若比原先未选择变量的值大的话则验证成功。
3 实例计算
按照马氏田口法的步骤,分别选取车间品质部68个正常样本和