[发明专利]一种数控机床部件装配质量分析方法

摘要

本发明公开了一种数控机床部件装配质量分析方法，首先采用主成分分析法来实现众多质量检验指标的降维，形成一定程度上彼此相互独立的主成分，然后将数控机床部件装配的执行过程视作一个不确定性信息系统，引入证据理论来对该信息系统的“不确定性”进行分析，从而实现数控机床部件装配中质量影响因素的辨识。本发明充分考虑数控机床部件装配过程中大规模质量检验指标数据的冗余性和不确定性信息系统的特征，实现数控机床部件装配过程质量影响因素的辨识，从而有效克服主流的制造或装配过程质量分析方法的不足。

主权项

一种数控机床部件装配质量分析方法，其特征在于，包括如下步骤：步骤1：对数控机床部件装配过程的质量检验指标进行主成分分析法降维处理。所述主成分分析法降维处理的具体步骤如下：步骤1.1对于某型数控机床的装配过程，设其某部件装配的质量检验指标在用主成分分析法降维处理前共有p个。根据n个生产批次中该部件装配过程的质量记录，统计p个质量检验指标的合格率或平均值数据。将每个生产批次作为一个样本，则得到样本数据矩阵X＝(xi,t)n×p为其中xi,t表示第t(t＝1,2,…,p)个质量检验指标在第i(i＝1,2,…,n)批次中的数据，用合格率或平均值表示。对X＝(xi,t)n×p进行规范化处理，即步骤1.2对规范化后的样本数据矩阵X'＝(x'i,t)n×p，计算其相关系数矩阵COR＝(corr,j)p×p，其中步骤1.3求出相关系数矩阵COR＝(corr,j)p×p的特征值并按大小顺序排列，即ev1、ev2、…、evp，所对应的特征向量依次为Ev1、Ev2、…、Evp，其中Evt＝(Evt1,Evt2,...,Evtp),t＝1,2,...,p。步骤1.4依次计算第t(t＝1,2,…,p)个质量检验指标的贡献率cont，有步骤1.5根据贡献率大小，选取累计贡献率达到85％以上的前k(k≤p)个成分作为主成分,以ev1、ev2、…、evk对应的特征向量Ev1、Ev2、…、Evk构造p×k维的矩阵EV；令X”＝X'·EV，从而将n×p维的规范化样本数据矩阵X'转化为n×k维的新矩阵X”。X”中仅保留了k个主成分，从而实现了质量检验指标的降维处理。步骤2：建立数控机床部件装配过程中影响装配质量的可能性因素集Y＝{y1,y2,…,yN}，有N＝11：y1＝人员的生理特征状况；y2＝求快心理；y3＝辅助设备故障等级；y4＝温度湿度因素；y5＝量具精度误差；y6＝规程遵守状况；y7＝疲劳程度；y8＝岗位技术熟练程度；y9＝量具老旧磨损程度；y10＝侥幸心理；y11＝混入杂质状况。按类别分为四类：人为因素＝{y1,y2,y7,y8,y10}；设备因素＝{y3,y5,y9}；管理因素＝{y6}；环境因素＝{y4,y11}。按性质分为两类：定量类因素＝{y4,y5,y9}；定性类因素＝{y1,y2,y3,y6,y7,y8,y10,y11}。步骤3：基于证据理论进行数控机床部件装配过程质量影响因素辨识。以数控机床部件装配过程为对象，将影响质量的所有可能性因素的集合定为辨识框架，即Θ＝{y1,y2,...,yN}，其中yi(i＝1,2,…,N)为第i个影响因素。Θ上的所有可能集合用幂集合2Θ来表示，当Θ中的元素有N个且各个元素互不相容时，Θ的幂集合2Θ的元素个数为2N。数控机床部件装配过程质量影响因素辨识中的证据就是已知的装配过程中出现的质量状况，由步骤1获得的降维后的质量检验指标数据构成。所述数控机床部件装配过程质量影响因素辨识的具体步骤如下：步骤3.1对n个生产批次对应的影响因素值进行规范化处理，得到矩阵Env＝(envi,t)n×N，envi,t表示生产批次i(i＝1,2,…,n)的影响因素yt(t＝1,2,…,N)值。数控机床部件装配过程中影响装配质量的可能性因素分为定量类影响因素和定性类影响因素。定量类影响因素的值可根据实际情况获得。定性类影响因素的值由决策者综合考察实际情况后给出具体的评价值。预设5个评价等级：{G1,G2,G3,G4,G5}＝{很差，差，一般，好，很好}，其中G1和G5分别为某装配质量影响因素的最低极限值D1和最高极限值D5所对应的评价等级。在该影响因素上，等价于评价等级的属性值依次为{D1,D2,D3,D4,D5}。设评价等级G1,G2,G3,G4,G5对应的效用值分别为：E(G1)＝0，E(G2)＝0.25，E(G3)＝0.5，E(G4)＝0.75，E(G5)＝1。每个生产批次对应一组影响因素的实际值，这里的实际值有点值、区间值、定性值三种形式。n个批次的影响因素值经规范化处理后可用矩阵Env＝(envi,t)n×N表示，envi,t表示批次i(i＝1,2,…,n)的影响因素yt(t＝1,2,…,N)值。定量类影响因素的规范化处理为：用βj来表示影响因素值属于评价等级Gj的隶属程度。当影响因素值为点值a时，若Dj≤a≤Dj+1(j＝1,2,…,4)，则envi,t＝βj·E(Gj)+βj+1·E(Gj+1)，其中βj+1＝1‑βj。当影响因素值为区间值[a,b]时：若Dj≤a≤b≤Dj+1(j＝1,2,…,4)，则envi,t＝βj·E(Gj)+βj+1·E(Gj+1)，其中βj+1＝1‑βj；若Dj≤a≤Dj+1且Dj+1≤b≤Dj+2(j＝1,2,…,3)，则envi,t＝βj·E(Gj)+βj+1·E(Gj+1)+βj+2·E(Gj+2)，其中若Dj≤a≤Dj+1且Dq≤b≤Dq+1(j＝1,2,…,4，q＝1,2,…,4，j<q‑1)，则envi,t＝βj·E(Gj)+...+βq+1·E(Gq+1)，其中定性类影响因素的评价等级效用值根据影响因素值对应直接求得。步骤3.2将Env＝(envi,t)n×N与X”＝(x”i,j)n×k进行合成，计算各主成分下影响因素的效用值矩阵P＝(pt,j)N×k，其中步骤3.3引入影响因素权重，以权重调整对影响因素的关注程度，假设各影响因素的对应权重为ωt，ωt∈(0,1)，权重值越大说明决策者对该影响因素的信任程度越高，不确定性越低。基于此，对所有焦元的基本概率分配值进行加权归一化处理，进行不同决策属性下的概率分配，进而获得所有焦元的加权基本概率分配值即其中l<2N。步骤3.4以作为证据输入，进行证据融合，即其中K为归一化常数，有解得各影响因素的综合基本概率分配值m(Ai)。步骤3.5用基于信任区间的多属性决策规则进行数控机床部件装配过程质量影响因素的辨识。在数控机床部件装配过程质量影响因素辨识框架Θ上，分别计算所有影响因素的信任函数值Bel(Ai)和似然函数值Pl(Ai)，其中信任函数值表示对Ai的总信任度，似然函数值表示对Ai的不确定度，这里构造信任区间[Bel(Ai),Pl(Ai)]。以各影响因素的信任区间为依据进行辨识，获取可能性最大的影响因素。具体辨识规则为：设影响因素Ai重要于影响因素Aj的程度为P(Ai>Aj)，如果Ai和Aj的信任区间分别为[Bel(Ai),Pl(Ai)]和[Bel(Aj),Pl(Aj)]，则有其中P(Ai>Aj)∈[0,1]。那么，影响因素偏序关系为：如果P(Ai>Aj)>0.5，则Ai比Aj重要，记为如果P(Ai>Aj)<0.5，则Ai没有Aj重要，记为如果P(Ai>Aj)＝0.5，则Ai与Aj没有差别，记为Ai～Aj；对于任意三个影响因素Ai、Aj和Ak，若P(Ai>Aj)>0.5且P(Aj>Ak)>0.5，则Ai比Ak重要，记为