• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      基于馬爾科夫鏈模型的脈動裝配線運行狀態(tài)預測*

      2017-05-12 08:45:36
      航空制造技術(shù) 2017年5期
      關(guān)鍵詞:裝配線馬爾科夫頻數(shù)

      (中國航空制造技術(shù)研究院數(shù)字化制造技術(shù)航空科技重點實驗室,北京 100024)

      傳統(tǒng)飛機總裝存在裝配生產(chǎn)周期長、質(zhì)量低、成本高、應(yīng)變能力低等問題,要解決此問題,需要在總裝配環(huán)節(jié)采用先進的技術(shù)和生產(chǎn)模式,國外航空公司在飛機總裝生產(chǎn)模式方面率先進行探索,并取得一定應(yīng)用成果。

      波音公司1999年建立波音737移動式裝配生產(chǎn)線,總裝時間由22天減少為11天,最終縮短至8天,并且工作流程產(chǎn)品存貨降低50%,儲備存貨降低59%。 隨著飛機總裝移動式裝配生產(chǎn)線的優(yōu)勢日益明顯,波音公司在波音737、波音757、波音777等機型移動式裝配生產(chǎn)線的基礎(chǔ)上,為波音787建立了先進的脈動裝配線。波音公司的成功經(jīng)驗帶動了各大飛機制造商,其中洛克希德·馬丁飛機制造公司在2003~2004年建成了F-35總裝脈動裝配線,大大縮短飛機總裝時間,到2016年F-35的總裝脈動裝配線已達到每天交付一架的水平[1]。

      脈動式移動裝配生產(chǎn)線簡稱脈動裝配線,是連續(xù)式移動裝配線的過渡階段。與傳統(tǒng)裝配方式相比,脈動裝配線有以下優(yōu)勢[2]:(1)改善裝配現(xiàn)場環(huán)境,縮小廠房占用面積,減少飛機生產(chǎn)投入;(2)裝配作業(yè)標準化、專業(yè)化的分工更易于保證飛機的質(zhì)量和性能的穩(wěn)定;(3)規(guī)范和拉動整個飛機的生產(chǎn)供應(yīng)鏈的協(xié)同;(4)采用新工藝方法和新裝備技術(shù),能夠促進飛機裝配技術(shù)的發(fā)展。

      根據(jù)我國航空企業(yè)的管理模式、工藝水平、技術(shù)現(xiàn)狀以及產(chǎn)能需求,目前脈動裝配線更加符合我國國情。中航工業(yè)西安飛機工業(yè)(集團)有限責任公司建立了國內(nèi)第一條總裝脈動裝配線,從立項到最終建成,經(jīng)歷了5年的調(diào)研論證與動工建設(shè),2010年5月基本建成并投入使用,實現(xiàn)國內(nèi)飛機制造水平的顯著提升。目前各大主機廠對脈動裝配線規(guī)劃和管控系統(tǒng)進行設(shè)計,但是對脈動裝配線狀態(tài)預測技術(shù)還未開展研究。狀態(tài)預測技術(shù)能夠提前發(fā)現(xiàn)問題,減少脈動裝配線出問題的頻率,降低對裝配線關(guān)鍵指標的影響,因此對脈動裝配線狀態(tài)預測技術(shù)進行研究十分必要。

      1 基于脈動裝配線的狀態(tài)預測必要性研究

      1.1 脈動裝配線特點和影響因素分析

      脈動裝配線具有以下特點:(1)工人位置固定、分工明確精細、動作標準化,同時可移動、自動化程度高的輕便工裝代替?zhèn)鹘y(tǒng)固定式工裝,生產(chǎn)效率較高;(2)配備專業(yè)供給線,物料配套準確、配送精確到位;(3)對設(shè)備實現(xiàn)集中、高效、安全智能管理;(4)收集和回饋生產(chǎn)線的生產(chǎn)管理信息及報警信息,建立問題快速響應(yīng)機制。基于對脈動裝配線特點的分析,影響脈動裝配線運行狀態(tài)因素包括:人員、物料、設(shè)備、工序、工具等,例如物料配套準確率、配送準時率、設(shè)備故障率、工序交檢合格率等都會對脈動裝配線節(jié)拍、產(chǎn)能等關(guān)鍵指標產(chǎn)生影響。

      1.2 狀態(tài)預測的必要性

      脈動裝配線在運行過程中經(jīng)常會出現(xiàn)問題,為了不影響節(jié)拍、產(chǎn)能等關(guān)鍵指標,發(fā)揮脈動裝配線優(yōu)勢,需要預先綜合分析人員、物料、設(shè)備、工序等因素對運行狀態(tài)造成的影響,對脈動裝配線進行狀態(tài)預測。狀態(tài)預測的目的是根據(jù)脈動裝配線狀態(tài)變化規(guī)律和當前狀態(tài),預測未來運行狀態(tài),提前發(fā)現(xiàn)問題,利用或改進未來狀態(tài),最大程度降低對脈動裝配線造成的影響。本文利用馬爾科夫方法對脈動裝配線運行狀態(tài)進行預測,馬爾科夫方法基于狀態(tài)變化的規(guī)律性和關(guān)聯(lián)性,利用事物過去的變化規(guī)律推測出未來的變化趨勢[3],預測的關(guān)鍵是建立馬爾科夫鏈模型。

      2 基于馬爾科夫鏈模型的脈動裝配線狀態(tài)預測研究與應(yīng)用

      2.1 馬爾科夫鏈模型的適用性

      影響因素之間存在錯綜復雜的聯(lián)系,很難運用結(jié)構(gòu)化的模型解釋,數(shù)據(jù)之間的相互依存關(guān)系是研究對象的重要特性,因此根據(jù)數(shù)據(jù)的變動規(guī)律建立時間序列模型是一種有效的方法。馬爾科夫鏈是一種時間序列,通過分析數(shù)據(jù)之間的關(guān)系,形成狀態(tài)轉(zhuǎn)移矩陣,進而分析事件的發(fā)展趨勢。馬爾科夫鏈具有無后效性,將來取值只與現(xiàn)在的取值有關(guān),即某個階段的狀態(tài)一旦確定,此后過程的演變不再受此前各種狀態(tài)及決策的影響。脈動裝配線的運行狀態(tài)是一個有限非平穩(wěn)時間序列,具有趨勢性與隨機性,生產(chǎn)線在每個時段所處的狀態(tài)是隨機的,狀態(tài)之間按照一定的概率進行轉(zhuǎn)移,下個時段的狀態(tài)由當前狀態(tài)以及轉(zhuǎn)移概率決定,狀態(tài)指標參數(shù)量值在時間軸上是離散的,因此構(gòu)成了典型的馬爾科夫鏈[4]。在脈動裝配線運行狀態(tài)變化的過程中,通過輸入某一時刻狀態(tài)分布,利用馬爾科夫鏈模型預測出下一周期狀態(tài)分布。

      2.2 馬爾科夫鏈模型概述

      通常情況下,一個馬爾科夫鏈模型由3元素表示,即λ=(X,π,A),其中:X用來表示模型中的狀態(tài),狀態(tài)的數(shù)量用N表示,即X={x1,x2,…,xN},N個狀態(tài)之間根據(jù)具體的實際問題而存在一定聯(lián)系;π={πi},i=1,2,…,N,π表示狀態(tài)空間的初始狀態(tài)分布,具體的含義是初始條件下處于各個狀態(tài)的數(shù)量;用A=(pij)N×N來表示狀態(tài)轉(zhuǎn)移矩陣,其中pij表示在時刻t-1時,模型的狀態(tài)為xi,在時刻t時模型的狀態(tài)轉(zhuǎn)移到xj,此時pij=p(xj|xi)且轉(zhuǎn)移矩陣A的每一行元素之和等于1,即為由于整個模型中有N種可能的狀態(tài),因此轉(zhuǎn)移矩陣是N階的方陣。

      馬爾科夫鏈模型如圖1所示。

      圖1 馬爾科夫鏈模型Fig.1 Model of Markov chain

      時間和狀態(tài)都是離散的馬爾科夫過程稱為馬爾科夫鏈,即Xn=X(n),n=0,1,2,…,K。馬爾科夫鏈是隨機變量X1,X2,X3,…,Xn的一個序列,這些變量所有可能取值的集合構(gòu)成狀態(tài)空間,則Xn的值是時間為n的狀態(tài)。馬爾科夫性質(zhì)描述為Xn+1對于過去狀態(tài)的條件概率分布僅是Xn的一個函數(shù),x為過程中的某個狀態(tài),如式(1)所示。

      馬爾科夫鏈滿足兩個條件:(1)t+1時刻系統(tǒng)狀態(tài)的概率分布只與t時刻的狀態(tài)有關(guān),與t時刻以前的狀態(tài)無關(guān);(2)從t時刻到t+1時刻的狀態(tài)轉(zhuǎn)移與t值無關(guān)。

      本文研究的是離散狀態(tài)空間的馬爾科夫模型,則狀態(tài)轉(zhuǎn)移矩陣即為條件概率 :

      對于一個離散狀態(tài)空間,對于一步狀態(tài)轉(zhuǎn)移,得到下一步狀態(tài)為:

      2.3 基于馬爾科夫模型的生產(chǎn)線狀態(tài)預測應(yīng)用

      通過對某飛機制造廠某型號飛機現(xiàn)場調(diào)研,在生產(chǎn)過程中通過對裝配過程中采集到的工序完工率、交檢合格率以及物料配套正確率等數(shù)據(jù)進行綜合分析,預測脈動線運行狀態(tài)。對工序進度、工序完成情況、工序報警等信息進行統(tǒng)計與存儲,統(tǒng)計出一定時間內(nèi)的工序完工率以及交檢合格率。根據(jù)物料報警信息,可以統(tǒng)計一定時間內(nèi)的物料配套正確率。本文研究所用算例將脈動裝配線分成13個站位,基于現(xiàn)場調(diào)研和結(jié)合生產(chǎn)情況,通過采集6個周期的運行數(shù)據(jù),進行狀態(tài)劃分,求取狀態(tài)轉(zhuǎn)移矩陣,進而對運行狀態(tài)進行預測。

      2.3.1 狀態(tài)劃分

      工序的按時完工率、物料配套的正確率、工序質(zhì)量合格率3個指標參數(shù)的平均值作為脈動裝配線運行狀態(tài)的指標參數(shù)yj,同時也作為馬爾科夫鏈狀態(tài)劃分的依據(jù)。依據(jù)指標參數(shù)yj的數(shù)值,將狀態(tài)分為S1,S2,S3,S44種,S1表明運行狀態(tài)很好,狀態(tài)指標參數(shù)范圍為[0.85,1];S2表明運行狀態(tài)較好,狀態(tài)指標參數(shù)范圍為[0.7,0.85);S3表明運行狀態(tài)一般,狀態(tài)指標參數(shù)范圍為[0.6,0.7);S4表明運行狀態(tài)較差,狀態(tài)指標參數(shù)范圍為[0,0.6)。

      2.3.2 脈動裝配線運行狀態(tài)預測的馬爾科夫鏈模型

      本文建立具有4個狀態(tài)的馬爾科夫鏈模型,任一個狀態(tài)只能向其自身或之后的狀態(tài)轉(zhuǎn)化,如圖2所示。13個站位狀態(tài)指標參數(shù)如表1所示。

      以第5周期狀態(tài)為初始分布狀態(tài),對前5周期數(shù)據(jù)進行統(tǒng)計,利用3種方法求取狀態(tài)轉(zhuǎn)移矩陣,即基于頻數(shù)統(tǒng)計的方法、基于平均值方法和基于優(yōu)化的方法。根據(jù)狀態(tài)指標參數(shù),得到相鄰兩個周期之間狀態(tài)轉(zhuǎn)移頻數(shù),如表2所示。

      (1)基于頻數(shù)統(tǒng)計方法的狀態(tài)轉(zhuǎn)移矩陣[5]。

      圖2 脈動裝配線運行狀態(tài)預測馬爾科夫鏈模型Fig.2 Model of Markov chain about prediction on pulse production line running state

      表1 不同站位狀態(tài)指標參數(shù) %

      表2 相鄰周期狀態(tài)轉(zhuǎn)移頻數(shù)

      通過對前5周期狀態(tài)轉(zhuǎn)移頻數(shù)求和,得到前5周期狀態(tài)轉(zhuǎn)移頻數(shù),如表3所示。

      表3 前5周期狀態(tài)轉(zhuǎn)移頻數(shù)

      通過統(tǒng)計各個狀態(tài)間轉(zhuǎn)移的頻數(shù),得狀態(tài)轉(zhuǎn)移概率矩陣:

      (2)基于平均值方法的狀態(tài)轉(zhuǎn)移矩陣。

      通過表2統(tǒng)計出相鄰周期的狀態(tài)轉(zhuǎn)移矩陣:

      通過求取平均值得平均狀態(tài)轉(zhuǎn)移矩陣:

      (3)基于優(yōu)化方法的狀態(tài)轉(zhuǎn)移矩陣[6]。

      現(xiàn)假定q(t)=(pt(1),pt(2),···,pt(n))是在t時刻的狀態(tài)分布,其中t=0,1,2,…,m,由于外在因素的影響,一步狀態(tài)轉(zhuǎn)移矩陣在相鄰時間不完全相同,因此得到的q(t+1)和q(t)之間必然存在誤差,要使誤差降到最低,可構(gòu)造下面的優(yōu)化模型:

      以狀態(tài)轉(zhuǎn)移概率矩陣與理論誤差平方和最小為原則,建立狀態(tài)轉(zhuǎn)移矩陣的優(yōu)化模型。設(shè)一步狀態(tài)轉(zhuǎn)移矩陣為:

      定義P01、P02、P03、P04分別為:

      目標函數(shù)為:

      優(yōu)化模型的狀態(tài)轉(zhuǎn)移矩陣為:

      2.4 結(jié)果分析

      第5周期的狀態(tài)數(shù)λ5=(2,6,5,0)為初始狀態(tài),利用公式(3)得到頻數(shù)統(tǒng)計模型、平均值模型、優(yōu)化模型對第6周期狀態(tài)分布的預測結(jié)果λcount=(1.2727,5.3939,4.1111,2.2222)、λmean=(1.0417,5.5833,3.6667,2.7083)、λ60=(1.0152,5.6960,2.9703,3.3185)。

      第6周期真實的狀態(tài)數(shù)為λ6=(1,6,3,3),將預測結(jié)果與真實狀態(tài)數(shù)進行對比,如圖3所示,誤差如表4所示。由圖3得出,利用優(yōu)化模型得出的狀態(tài)分布與真實狀態(tài)分布相似度最高;由表4得知,優(yōu)化模型的相對誤差整體最小,因此利用優(yōu)化模型對生產(chǎn)線運行狀態(tài)進行預測準確率相對較高。

      圖3 預測結(jié)果分析Fig.3 Analysis of prediction results

      表4 預測模型誤差比較

      2.5 建模方法評價

      基于頻數(shù)統(tǒng)計方法建立模型的前提是將頻率等同于概率,在基于大量試驗數(shù)據(jù)的前提下,頻率近似等于概率,由于本文研究數(shù)據(jù)樣本較小,利用頻數(shù)統(tǒng)計方法建立模型結(jié)果誤差偏大。通過對多個狀態(tài)轉(zhuǎn)移矩陣求平均值,能夠得到一步狀態(tài)轉(zhuǎn)移矩陣近似情況,不能準確反映實際情況。在基于平均值模型的基礎(chǔ)上,以理論狀態(tài)概率向量與實際狀態(tài)概率向量平方和最小為原則,建立優(yōu)化預測模型,發(fā)現(xiàn)優(yōu)化預測模型相對誤差較小,預測結(jié)果相對準確。

      3 總結(jié)與展望

      論文利用馬爾科夫方法建立馬爾科夫鏈預測模型,并對脈動裝配線運行狀態(tài)進行預測,模型算法簡單,預測結(jié)果較為準確,今后將開展進一步研究工作。

      (1)本文利用一個算例提出了脈動裝配線運行狀態(tài)預測方法,在實際生產(chǎn)中要對該方法進行檢驗,同時需要進一步研究狀態(tài)劃分方法,更加準確地對脈動裝配線運行狀態(tài)進行劃分,并且根據(jù)運行狀態(tài)的波動性,對模型進行修正調(diào)整。

      (2)在實際生產(chǎn)中,影響脈動裝配線運行因素很多,并且不同的用戶關(guān)注的影響因素不同,因此通過引入隱馬爾科夫模型,將影響因素組成可觀測序列輸入到模型中,通過改變可觀測序列的元素以及長度來實現(xiàn)輸入不同影響因素的目的。脈動裝配線運行狀態(tài)作為隱狀態(tài),影響因素作為可觀測序列,建立可觀測序列與隱狀態(tài)之間的對應(yīng)關(guān)系以及各個狀態(tài)模型。通過輸入一系列可觀測序列,預測出脈動裝配線運行狀態(tài)以及診斷造成該狀態(tài)的原因,依據(jù)診斷結(jié)果進行檢修或優(yōu)化,提前改進脈動裝配線運行狀態(tài)。

      [1]范玉青.波音787飛機總裝配線及其特點[J].航空制造技術(shù),2011(23/24):38-42.FAN Yuqing. Boeing 787 final assembly line and its characterics[J].Aeronautical Manufacturing Technology, 2011(23/24): 38-42.

      [2]薛良昌.飛機總裝脈動生產(chǎn)線及其信息管理系統(tǒng)的應(yīng)用與研究[J].航空制造技術(shù), 2014(18):89-91.XUE Liangchang. Application and research of pulsating aircraft assembly production line and its information management system[J].Aeronautical Manufacturing Technology, 2014(18):89-91.

      [3]程衛(wèi)民,馮長根,辛嵩.系統(tǒng)安全預測的本質(zhì)與組合預測[J].中國安全科學學報, 2001,11(4):73-76.CHENG Weimin, FENG Changgen, XIN Song. Essence of system safety prediction and combined prediction[J]. China Safety Science Journal,2001,11(4): 73-76.

      [4]孟銀鳳,李榮華.股票價格的馬氏鏈預測模型[J].數(shù)學理論與應(yīng)用, 2010, 30(3):53-57.MENG Yinfeng, LI Ronghua. Stock price prediction model by Markov chain[J]. Mathematical Theory and Application, 2010,30(3):53-57.

      [5]高惠璇. 應(yīng)用多元統(tǒng)計分析[M].北京:北京大學出版社,2005.GAO Huixuan. Applied multivariate statistical analysis[M]. Beijing:Peking University Press, 2005.

      [6]何江宏,陳啟明.基于Markov鏈的最優(yōu)化預測模型及其應(yīng)用研究[J].合肥學院學報(自然科學版),2006(3):11-13.HE Jianghong, CHEN Qiming. A research on optimal forecasting model and its application based on Markov chain[J]. Journal of Hefei University (Natural Science), 2006(3):11-13.

      猜你喜歡
      裝配線馬爾科夫頻數(shù)
      基于疊加馬爾科夫鏈的邊坡位移預測研究
      汽車零部件自動化裝配線防錯設(shè)計
      汽車工藝師(2021年7期)2021-07-30 08:03:26
      基于改進的灰色-馬爾科夫模型在風機沉降中的應(yīng)用
      基于SPS模式的轉(zhuǎn)向架軸箱裝配線仿真研究
      中考頻數(shù)分布直方圖題型展示
      學習制作頻數(shù)分布直方圖三部曲
      馬爾科夫鏈在教學評價中的應(yīng)用
      頻數(shù)和頻率
      混流裝配線第二類平衡問題優(yōu)化研究
      盜汗病治療藥物性味歸經(jīng)頻數(shù)分析
      砀山县| 茂名市| 搜索| 张家川| 封丘县| 永胜县| 封开县| 象州县| 诏安县| 东安县| 琼海市| 寿宁县| 广州市| 四会市| 广灵县| 盐池县| 葵青区| 彰化市| 江华| 习水县| 兰州市| 广州市| 白沙| 儋州市| 会昌县| 永济市| 天镇县| 南充市| 厦门市| 普洱| 正安县| 镇原县| 潮安县| 邯郸市| 衡阳县| 马公市| 邹平县| 日土县| 邳州市| 若尔盖县| 尚义县|