基于知识挖掘的航天产品装配工时定额和管理系统

来源 :计算机集成制造系统 | 被引量 : 0次 | 上传用户:jifengrgj
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
工时是企业安排计划、指导生产的依据,合理的工时定额和管理方法可以提高工人的工作效率。针对航天产品装配过程中存在的工时定额不准确、工时管理不规范的问题,提出一种基于多元知识模型的工时定额方法和面向装配车间的工时管理模型。首先构建了包含零件、工艺和设备知识的装配工时知识模型,并通过知识挖掘技术构建知识特征矩阵,使用回归分析法构建工时知识特征和工时的关系模型,实现工时准确估算。然后提出了面向航天产品柔性装配车间的工时定额分配和实做工时采集方法,将工时管理与航天企业生产流程相结合。最后,开发了航天产品装配工时定额
其他文献
为充分利用车间产生的质量数据,解决车间综合质量管理问题,建立了智能车间质量数据集成及可视化分析平台。首先针对平台的整体建设目标设计了系统功能架构;其次,利用基于模板的自然语言生成技术为传统的可视化图表添加文本描述,并在文本中嵌入可视化图表,通过文本与图表之间的交互帮助用户进行数据的可视化探索,减少用户在两者之间频繁切换的问题;最后以某企业制造车间工程质量管理为例,对智能车间质量数据集成及可视化分析平台进行应用验证,结果表明该平台实现了以质量为核心的智能制造,且文本和可视化彼此丰富增强了可视化效果。
以智能工厂应用场景为例,为提高广泛应用于智能制造领域的二维不规则件的排样性能,提出了基于启发式和蚁群的不规则件排样优化算法。首先提取不规则件的几何特征,对零件进行组合操作预处理,使两个或多个不规则零件组合为矩形件或近似矩形件并对其包络矩形,然后利用蚁群学习算法对预处理后的零件进行排样,确定零件排放的最佳位置,不断更新得到最优排样结果。仿真实验结果表明,综合考虑板材利用率以及耗时情况,所提算法取得了较好的结果,能够满足实际生产的需求。