考虑缓冲区大小及在制品数量的多工序生产系统预测维护方法研究

In order to solve the limits of production line predictive maintenance which based on the single stage processing status, the predictive maintenance decision-making mechanism is presented based on system-level analytical approach. Analyze the production bottleneck station under buffer and WIP data, and quick analyze states switch of buffers and identify bottleneck station based data-driven methods, the function of buffer capacity and bottlenecks of production line is shown accurately. Considering the buffer size, the reliability module of production line is established, and functions of reliability are built. Combined WIP quantity and buffer size, and predict maintenance time of each device, analyze the mutual constraint relations of different maintenance time windows, the stochastic model is presented based on the bottlenecks and reliability. Construct an integrated maintenance decision model including production tasks, processes, device deterioration, cost economical balance, and design the collaborative optimization decision algorithm of production process and maintenance operations based multi-objective optimization, and develop the corresponding integrated operation simulation system to verify. Increase the utilization of device and maintenance resources; reduce failure time and decrease parts production time, improve enterprise efficiency.

以多工序生产系统的预测维护为研究对象，为了解决以单设备的运行状态为基础进行整线预测维护方法存在的不足，从系统层面以解析的方式求解维护策略，提出多工序生产系统的预测维护决策机制。基于数据驱动技术从缓冲区和在制品数据中自动构建瓶颈工位定位模型，可实时区分、检测系统瓶颈的迁移，精确得到生产系统的瓶颈位置和缓冲区容量之间的函数关系；建立考虑缓冲区大小的生产线可靠性模型，分析不同缓冲区容量和在制品数量下的系统可靠性；分析多个维护时机窗口的相互约束关系，提出基于瓶颈和系统可靠性的维护时机窗口的随机模型；构建基于生产运行数据的维护决策模型，设计基于多目标优化的生产过程与维护操作的并行优化决策算法，开发相应的集成运行仿真系统进行验证。研究成果为制造系统的优化运行提供有力的支持，解决如何通过预测维护提高系统可靠性，提升生产线及其设备的可靠性。

复杂生产系统往往是一个串/并行相结合的多工序系统，产品的生产需要经过多道工序才能完成。产品的加工工艺、设备劣化过程、车间维护计划、维护资源等因素对系统的产品质量、生产成本、可靠运行产生很大的影响。因此，需要发展一种能够通过合理的维护计划以保证系统的产品质量以及良好的设备加工状态的方法。.本项目的研究解决了单工位设备故障诊断过程中存在数据不完备的问题，提出了基于数据驱动的单工位设备故障诊断方法，包括了信号采集特征构造、基于振动数据的纵向故障诊断以及基于相似工况数据的横向故障诊断三个部分。.多工序生产系统的加工过程依赖刀具，刀具的可靠性是多工序生产系统可靠性的重要组成部分。基于机床功率和进给电流信号实现刀具磨损量监测。对功率和进给电流信号进行时域特征提取，基于相关系数计算法选取对刀具磨损敏感的特征。采用稀疏贝叶斯学习（Sparse Bayesian Learning， SBL）方法建立刀具磨损量RP-SBL模型，实现多工序生产线的设备刀具磨损量的预测。.提出考虑能耗的表面粗糙度预测方法。采集加工过程功率信号，针对功率信号的噪声与干扰，基于防脉冲干扰滑动平均算法对采集的功率信号进行滤波处理，截取加工阶段切削功率信号并计算能耗特征。研究基于考虑能耗的表面粗糙度预测方法，为了解决支持向量机（SVM）的鲁棒性不足问题，利用粒子群算法（PSO）与SVM模型耦合，采用能耗特征-切削比能（SCEC）作为PSO-SVM预测模型的输入，实现了表面粗糙度的准确预测。.提出了将生产过程和维护操作协同优化的改进遗传算法，该算法同时考虑生产工艺、设备状态和设备维护操作。为了避免出现不可行解，基于OP图设计了新的交叉和变异算子。.将本项目的研究在企业进行了验证，结果表明研究成果的可行性和有效性，为企业生产运行提供优化的解决方案，提高设备利用率、提高生产线可靠性，最终提高产品质量和生产效率。