面向質量目標的機械產品選配優(yōu)化研究

李德強，王小巧

(合肥工業(yè)大學 機械與汽車工程學院,合肥　230009)

?

面向質量目標的機械產品選配優(yōu)化研究

李德強，王小巧

(合肥工業(yè)大學 機械與汽車工程學院,合肥230009)

摘要：為提高機械產品選配成功率和配合精度，減少裝成品質量波動，考慮零件自身的質量損失和零件配合造成的質量損失，構建了表征產品質量的測度函數(shù)。考慮裝成品質量波動、選配成功率、裝成品配合精度三者之間的協(xié)調性，以最大化綜合選配質量指標Q為目標，建立了基于解構造圖的選配模型。把待選配零件抽象為選配模型的中間節(jié)點，采用蟻群算法，求解待選配零件的較優(yōu)選配組合。最后，以曲柄組件的選配過程為例，驗證了模型的可行性和有效性。

關鍵詞：多元質量損失；選配模型；質量波動；蟻群算法

0引言

在機械產品的裝配過程中，常采用分組裝配法。但由于待選配零件尺寸服從分布不同，分組裝配后不適配零件數(shù)量較多，裝配成功率較低。

針對分組裝配的缺點，國內外學者從不同角度對選配問題進行了研究。文獻[1-2]把選配問題轉化為網絡最大流問題，通過求解網路最大流來得到零件間的最優(yōu)組合；文獻[3]用質量損失衡量產品質量狀況，提出一種獲得最小裝配間隙的選配模型；文獻[4]以批生產效率最大和不適配零件最少為目標，用遺傳算法對批生產選配進行優(yōu)化；文獻[5]用粒子群算法對選配過程進行優(yōu)化，最大限度提高裝配系統(tǒng)效率和裝配成功率；文獻[6]以減少組件裝配公差為目標，用遺傳算法實現(xiàn)組件裝配公差最小。文獻[7]建立了基于信噪比的多元質量裝配模型，并用遺傳算法對模型求解；文獻[8]以總的裝配質量損失最小為目標，在每種待選配零件的多個版本中選擇一個,裝配成質量損失最小的產品；文獻[9]綜合考慮選擇裝配中的匹配率和匹配精度，并用蟻群算法求解。

上述選配方法或從封閉環(huán)間隙度量產品質量，缺乏對其它質量特性影響產品質量的考慮；或把裝配成功率和配合精度作為選配指標，而忽略考慮裝成品的質量波動。因此，本文同時考慮零件封閉環(huán)間隙和其它質量特性對產品質量的影響，構建度量產品質量的測度函數(shù)；把裝成品的質量波動作為選配方案的一個重要指標，同時考慮其與裝配成功率和配合精度這兩個指標間的協(xié)調性，建立基于解構造圖的選配模型。

1產品的質量測度函數(shù)

1.1零件的多元質量損失函數(shù)

對于單一質量特性，田口質量損失函數(shù)描述了質量特性值偏離目標值造成的質量損失[10]。設共有n個質量特性影響零件質量，引用田口博士的二次質量損失函數(shù)和Atiles-leon的質量損失系數(shù)[10-11]。單質量特性的無量綱歸一化質量損失函數(shù)如式(1)、(2)、(3)所示。

(1)

(2)

(3)

其中yi、mi分別為質量特性的實際值、目標值，Δαi、Δβi、Δγi分別為望目特性的容差，望大特性的下規(guī)格線，望小特性的上規(guī)格線。

不同的質量特性對于零件的配合質量有不同的影響權重，零件的多元質量損失函數(shù)為：

(4)

1.2產品的綜合質量測度函數(shù)

產品由零件裝配而成，歷史研究常用零件間配合形成的封閉環(huán)尺寸偏離目標值的程度來度量產品質量。實際上，產品的質量還與組成產品的零件自身質量有關。因此，本文從封閉環(huán)間隙和零件自身質量兩方面構建產品質量的測度函數(shù)。

把組成產品所有零件的質量損失之和與零件間配合形成的封閉環(huán)尺寸偏離目標值造成的質量損失相加，作為產品質量的測度函數(shù)。設產品p由e1,e2,…,en共n個零件組成，配合過程中形成t個封閉環(huán)，ωi、ωj分別表示ei和第j個封閉環(huán)對產品質量的影響權重，L(ei)、L(fj)分別表示ei的多元質量損失和封閉環(huán)fj偏離目標值造成的質量損失，產品p的綜合質量測度函數(shù)見式(5)。

(5)

2產品選配模型及選配指標

選擇選配是一個組合優(yōu)化問題，綜合考慮裝配成功率、配合精度、產品質量波動的協(xié)調性，建立衡量選配方案的綜合選配指標Q。

2.1選配指標的確立

(1)裝配成功率。N表示不考慮封閉環(huán)尺寸約束能裝配的產品數(shù)量，S表示某一裝配方案的合格品數(shù)量。裝配成功率[9]φ：

φ=S/N

(6)

(2)配合精度。若裝成品共形成n個封閉環(huán)，yi、mi、Δi分別表示封閉環(huán)的實際值、目標值、允許容差。配合精度ξ：

(7)

(8)

(4)綜合選配指標Q。由于φ、ξ、ζ均期望取得最大值。設c1、c2、c3、分別表示φ、ξ、ζ的權重，綜合選配指標Q用于衡量裝配成功率、配合精度、裝成品質量波動的協(xié)調性。最大Q值對應的選配方案為最優(yōu)選配方案，選配問題的優(yōu)化目標如式(9)。

MaxQ=φc1ξc2ζc3

(9)

2.2產品的選配模型

產品p由e1,e2,…,en共n種不同的零件裝配在一起，每種零件的待裝品數(shù)量為N。如圖1所示，把選配過程抽象為解構造圖[9]。假設存在虛擬出發(fā)點e0和終點ed，將n種零件抽象為n層，同種零件在圖的同一層上，eij表示零件ei的第j個實例。

圖1　產品多零件選配解構造圖

從e0開始，在每一層上依次選一個節(jié)點eij，到ed結束，節(jié)點e0到ed所代表的零件就構成一個選配序列θm。所有選配序列的集合構成一個選配方案。因一個零件只能被裝配到一個產品中，故所有選配序列在圖的同一層上不能有相同的節(jié)點。

3用蟻群算法優(yōu)化選配模型

蟻群算法ACA(Ant Colony Algorithm)具有不斷學習和全局優(yōu)化的優(yōu)點。本文采用信息素分布為節(jié)點模式的蟻群算法[9]。

如圖1所示，M只具有記憶功能的螞蟻，在t-1時刻選擇下一個零件并在t時刻到達。稱M只螞蟻在(t-1,t)時間段內做的M次運動為一次迭代。螞蟻的訪問順序只能是從上到下逐層訪問。當螞蟻位于節(jié)點e(i-1)j(1≤i≤n-1,1≤j≤N)，其可行鄰域為χ(e(i-1)j)={eih|1≤h≤N}。M只螞蟻從起點e0開始，經過n次迭代到達終點ed為一次周游。第m只螞蟻從e0開始到ed結束的訪問路徑就是一個選配序列θm。

(1)狀態(tài)轉移概率。第m只螞蟻從節(jié)點e(i-1)j轉移到節(jié)點eih的概率為:

(10)

其中，τ[i,h](t)、η[i,h](t)分別為節(jié)點eih上的信息素濃度和先驗知識能見度，α、β為信息素和先驗知識能見度的權重。

τ[i,h](t+n)=ρτ[i,h]+Δτ[i,h]

(11)

(12)

t到t+n時刻，若第m只螞蟻經過節(jié)點eih，Δτ[i,h]m等于Q0/│fm-fm0│；反之，Δτ[i,h]m等于0。M只螞蟻經過n次迭代，當從e0出發(fā)的所有螞蟻都到達ed時，進行信息素的全局更新。

(3)啟發(fā)式信息。受目標函數(shù)的影響，螞蟻在訪問下一個節(jié)點的啟發(fā)式信息η[i,h](t)由ηd(t)和ηl(t)兩部分組成。ηd(t)考慮第m只螞蟻t-1時刻已訪問零件的累積尺寸偏差與下一節(jié)點eih零件的尺寸偏差之和偏離封閉環(huán)目標值的程度；ηl(t)考慮第m只螞蟻t-1已訪問零件的累積質量損失和下一節(jié)點eih的質量損失之和偏離目標質量損失的程度。計算如式(13)、(14)、(15)所示。

(13)

(14)

η[i,h](t)=ηd(t)·ηl(t)

(15)

ym(t-1)、Lm(t-1)分別表示t-1時刻螞蟻已訪問零件的累積尺寸偏差和累積質量損失，y[i,h]、L[i,h]分別表示零件eih的尺寸偏差和質量損失。Lp表示產品p的期望質量損失。

4實例驗證

圖2　曲柄組件選配過程解構造圖

面向質量目標的曲柄組件選配過程如下：

Step1:如圖3所示，找出影響曲柄組件質量的質量特性，按(5)式計算出曲軸和缸體的質量損失L(e1j)和L(e2j)，結果如表3所示。初始化M=100,α=2,β=1.5,ρ=0.5,q0=0.6,Q0=100,NCmax=100。

圖3　影響曲柄組件配合質量的多元質量特性

Step2：把M只螞蟻放在起始點e0，按本文3節(jié)所述的狀態(tài)轉移規(guī)則逐層向下訪問。當螞蟻位于曲軸的第k檔時，只能選擇缸體的第k檔訪問。

Step3：當所有螞蟻完成一次周游到達終點ed時，每只螞蟻訪問過的節(jié)點代表的零件組成M個封閉環(huán)，根據(jù)式(19)計算封閉環(huán)尺寸fm，用fm表示第m只螞蟻迭代一次的行程距離。

Step4:剔除fm不在(0.018,0.042)范圍內的路徑，篩選出所有符合封閉環(huán)間隙的路徑。

Step5: 因某些節(jié)點可能被多個螞蟻重復選擇，而每個零件只能存在于一個尺寸鏈中。以最大化綜合選配質量指標Q為目標，確定被重復選擇的節(jié)點歸屬那一個封閉環(huán)。

Step6：若周游次數(shù)未達到最大迭代次數(shù)NCmax，對所有節(jié)點進行信息素更新，轉到Step2。反之停止迭代，比較每次迭代得出的Q值，以最大Q值對應的選配序列組成的集合為最優(yōu)選配方案。

對傳統(tǒng)分組選配方法和本文的選配方法均取λe1=λe2=1/3，λ1=λ2=λ3=λ4=λ5=1/15。按傳統(tǒng)的分組裝配方法，只能選配出3套曲柄組件，其余兩套零件因需求的瓦的分組號與剩余瓦的分組號不匹配，不能配合在一起。3套曲柄組件的選配指標分別為：φ=0.6，ξ=0.844，ζ=0.848，綜合選配質量指標Q=0.430，選配結果如表4所示。

用本文的選配方法，在100次迭代后，最大的Q值對應的匹配率φ=1，配合精度ξ=0.957，ζ=0.985，綜合選配質量指標Q=0.943，選配結果如表5所示。

實驗結果表明，在裝配成功率、配合精度、產質量波動三個指標上，本文提出的選擇裝配方法在一定程度上優(yōu)于傳統(tǒng)的分組裝配方法。對于綜合選配指標Q，本文的選擇裝配方法明顯優(yōu)于傳統(tǒng)的分組裝配方法。

5結論

本文考慮零件自身的多元質量損失和零件間配合形成的封閉環(huán)偏離目標值造成的質量損失，構建了度量產品質量的測度函數(shù)，更全面地表征了產品質量。同時為把裝成品質量波動作為選配的指標之一提供了支持。

綜合考慮裝成品質量波動、選配成功率、配合精度三指標的協(xié)調性，建立了衡量選配方案的綜合選配指標Q，并用蟻群算法對選配過程進行優(yōu)化，滿足了用多指標衡量選配方案的需要。

表1　上軸瓦和下瓦厚度(單位:mm)

表2　曲軸主軸頸直徑和發(fā)動機主軸承孔直徑

表3　曲軸和缸體多元質量損失

表4　傳統(tǒng)分組選配結果

續(xù)表

表5　面向質量目標的優(yōu)化選配結果

[參考文獻]

[1] 劉明周,郭嘉,李旗號. 機械產品精密配合中的選配方法研究[J]. 機械工程學報,2004,40(6):165-168.

[2] 劉明周, 郭嘉, 李旗號. 基于網絡流規(guī)劃的內燃機曲軸與軸瓦選配方法[J]. 農業(yè)機械學報，2005, 36(8):23-26.

[3] Kannan S M,Jeevanantham. Modelling and analysis of selective assembly using Taguchi's loss function [J]. International Journal of production Research, 2008, 46(15):4309-4330.

[4] M Victor Raj,S Saravana Sankar. Genetic algorithm to optimize manufacturing system efficiency in batch selective assembly [J]. International Journal of Advanced Manufacturing Technology, 2011, 57:795-810.

[5] M Victor Raj,S Saravana Sankar. Maximising manufacturing system efficiency for multi-characteristic linear assembly by using particle swarm optimisation in batch selective assembly [J]. International Journal of production Research, 2011, 49(21):6491-6516.

[6] M Victor Raj,S Saravana Sankar. Optimization of assembly tolerance variation and manufacturing system efficiency by using genetic algorithm in batch selective assembly [J]. International Journal of Advanced Manufacturing Technology, 2011, 55(9/12):1193-1208.

[7] 艾延廷. 基于多元質量損失與遺傳算法的裝配質量優(yōu)化技術研究[J]. 中國機械工程,2012, 23(10):1161-1164.

[8] 劉明周,張鳳琴,吳俊峰,等.基于田口質量觀的機械產品選配方法[J].機械工程學報,2006,42(10):127-132.

[9] 徐知行，劉向勇，周曉勤.基于蟻群算法的選擇裝配[J].現(xiàn)代制造工程，2007(9):83-85.

[10] 彭和平，劉曉軍.基于現(xiàn)值質量損失的并行公差技術研究[J].組合機床與自動化加工技術，2012(7):1-5.

[11] Artiles-leon.A pragmatic approach to multi-response problems using loss functions[J].Quality Engineering,2007,9(2):213-220.

(編輯李秀敏)

Research on the Mechanical products Selective Assembly Optimization

for Assuring Assembly Quality

LI De-qiang, WANG Xiao-qiao

(School of Mechanical and Automotive Engineering, Hefei University of Technology, Hefei 230009, China)

Abstract：To improve selective assembly success rate and assembly precision, reduce the quality fluctuation of mechanical products. Considering the parts own quality loss and the quality loss between parts, a quality function of products was put forward. Concerning the coordination of products quality fluctuation, assembly success rate and assembly precision, with the goal of maximizing the multi-assembly index Q, a new selective model was established. Optional parts was abstracted as nodes of matching model, the Ant Colony Algorithm was used to optimize the selective assembly problem. Finally, an example of crank was taken to verify the feasibility and effectiveness of the model.

Key words：multivariate quality loss; selective assembly model; quality fluctuation; ant colony algorithm

中圖分類號：TH166；TG506

文獻標識碼：A

作者簡介：李德強(1989—)，男，四川宜賓人，合肥工業(yè)大學碩士研究生，研究方向為裝配質量控制，(E-mail)18056938800@189.cn。

收稿日期：2015-03-02；修回日期：2015-03-26

文章編號：1001-2265(2016)01-0157-04

DOI:10.13462/j.cnki.mmtamt.2016.01.043