一种基于任务可靠性状态的制造系统预测性维修方法与流程

本发明提供了一种基于任务可靠性状态的制造系统预测性维修方法，属于生产管理领域。

背景技术：

作为提高制造系统可靠性与可用性进而保证生产效率、产品质量、企业利润的关键措施，制造系统的维修策略一直是制造型企业关注的重点。据统计，通常设备维修费用占制造成本的15％-40％，并且随着自动化、智能化技术的发展，其年增涨幅度高达10％-15％。因此，制定合理的制造系统预测性维修策略已成为企业降低运营成本，提高市场竞争力的重要手段。

随着信息技术与计算科学的快速发展及其在智能制造领域的广泛应用，工业企业的设备日益复杂化、精密化、智能化，制造系统的维修策略面临着新的机遇和挑战。从系统工程的角度来看，制造系统的直接服务对象是生产任务，稳定运行的制造系统是保证产品质量与交货期的先行条件，制造系统维修策略的制定过程中生产计划和设备任务是不可忽视的，维修活动与生产活动之间存在天然的相互影响关系。现代制造系统多为复杂的多工位制造系统，由于设备在运行过程中时刻发生的磨损老化现象，制造系统本身具有固有多态性特性，加之多变的生产任务要求，使对制造系统生产状态的描述更加困难。此外，制造系统中各设备之间存在着由生产工艺决定的功能结构关系，各设备的维修活动存在任务相关性、经济相关性等复杂关系，这些现象为维修工作带来了巨大的挑战。合理的制造系统维修策略在生产过程中具有举足轻重的地位，是保证企业进行高质量、低成本生产的前提，如何预测制造系统生产状态，进而根据具体生产任务制定针对性的预测性维修策略以适应生产活动的动态调度是制造领域公认的科学难题。

现阶段，事后维修已不能满足生产要求，制造系统维修策略的研究以预防性维修为主，可分为视情维修与周期性(定期)维修。视情维修方法更多的是关注设备本身退化状态，基于设备基本可靠性状态建立制造系统维修策略，这种方法无疑忽略的来自生产任务及产品质量的要求和限制，缺乏实用性；周期性维修则是基于系统运行时间，建立制造系统的最佳预防性维修周期，这种方法在实际生产中被广泛使用，但是忽略方法本身忽略了系统运行状态，常常导致维修过剩造成不必要的经济损失，或者维修不及时影响生产，甚至造成安全事故。针对已有的研究思路不能从系统工程角度综合考虑制造系统的多态性，无法为企业制定切实可行的维修策略的局限性，本专利提出一种基于任务可靠性状态的制造系统预测性维修方法：通过定义制造系统任务可靠性(制造系统在规定条件下和规定时间内完成规定生产任务的能力(即R_d))融合设备性能状态与实际生产任务需求，以科学地描述制造系统的生产状态，进而以最小综合费用为准则，结合任务要求在制造系统各相关工位之间的传递，依次分析了当前制造系统各设备的最佳预测性维修策略。该方法从根本上弥补了传统预防性维修方法不足。本发明给出的一种基于任务可靠性状态的制造系统预测性维修方法，从总体上关注了整个制造系统的生产状态，以此保证企业的生产效益。以这种理论指导制造系统设备维护活动的实施，既能满足提高设备可靠性与可用性、保障生产安全、保证生产任务按时完成的要求，又能降低企业生产费用。

技术实现要素：

(1)本发明的目的：

针对以往基于生产设备本身性能状态或者设备运行时间的制造系统预防性维修策略的不足，本发明提供一种新的制造系统维修策略制定方法——一种基于任务可靠性状态的制造系统预测性维修方法。以给定规划时间段内且明确及具体生产任务的制造系统预测性维修策略的制定为视角，根据制造系统任务可靠性内涵，建立任务可靠性与设备性能退化状态之间的关联关系；进而估算在一定的任务可靠性阈值下，规划时间内的可能产生的由纠正性维修费用、计划维修费用、设备生产能力损失、无法按时完成生产任务导致的间接经济损失以及产品质量损失构成的综合费用，进而得到在不同任务可靠性阈值下，生产规划周期内产生的综合费用的变化曲线，确定设备最佳维修策略。进一步的，基于任务要求在制造系统中的逆向传递，建立多工位制造系统的预测性维修策略。

(2)技术方案：

本发明是一种基于任务可靠性状态的制造系统预测性维修方法，提出的基本假设如下：

假设1制造系统每台加工设备后都有一个检测工位，且检测结果是绝对可靠的；

假设2只有质量检测合格的在制品能够进入下一工位；

假设3制造系统各设备之间相互独立；

假设4设备发生故障时立即进行纠正性维修，采用最小维修方式，其作用是恢复设备运行，不影响设备性能的变化趋势；

假设5预测性维修为提前设定的不完美的计划维修，能够改善设备性能但不能使设备恢复如新；

假设6设备在规划时间开始时为全新状态，且设备的故障率服从威布尔分布；

假设7设备发生的各类型故障模式的比例是恒定的，并且各类型故障的修复时间与设备当前的性能状态无关；

基于上述假设，本发明提出的一种基于任务可靠性状态的制造系统预测性维修方法，其步骤如下：

步骤1、建立制造系统基础数据库；

步骤2、利用基础数据对设备性能变化趋势及各相关参数进行分析，并分析任务可靠与设备性能退化之间的关联关系；

步骤3、预测设备在规划时间段内的纠正性维修费用；

步骤4、预测设备在规划时间段内的计划维修费用；

步骤5、预测设备在规划时间段内的加工能力损失费用；

步骤6、预测设备在规划时间段内的间接损失费用；

步骤7、预测设备在规划时间段内的产品质量损失费用；

步骤8、预测设备在规划时间段内的综合费用，确定该设备任务可靠性阈值，进而确定最佳预测性维修策略；

步骤9、根据步骤8的结果，确定上一台设备任务要求，重复步骤2-8，直至完成整个制造系统预测性维修策略的制定；

步骤10、结果分析。

其中，在步骤1中所述的“建立制造系统基础数据库”，是指根据产品关键质量特性的分解映射识别制造系统相关设备，然后基于工业生产大数据，收集各相关设备的基础数据，包括设备故障数据、历史维修数据、质量检测数据以及运行检测数据等。在智能制造背景下，该类数据可轻易从网络云端获取。

其中，在步骤2中所述的“利用基础数据对设备性能变化趋势及各相关参数进行分析”，是指根据基础数据确定设备故障率变化趋势λ_k+1(t)＝b_kλ_k(t+a_kt_k)，这里a_k表示寿命递减因子，0＜a_k＜1；b_k表示故障增加因子，b_k＞1；t_k表示第k次预测性维修周期时间。根据基础数据确定合格率变化趋势ρ_k(t)＝ρ₀-γλ_k(t)，这里ρ₀表示全新状态下设备的制造合格率，γ表示一个常数系数。那么，设备在第k次预测性维修周期内的制造合格率期望可表示为：

其中，在步骤2中所述的“分析任务可靠性与设备性能退化之间的关联关系”，是指根据制造系统任务可靠性内涵建立任务可靠性与设备性能(累积故障概率)之间的关联关系，并提出基于任务可靠性状态的设备维修机理，如图1所示；制造系统任务可靠性与加工能力状态分布及概率直接相关，加工能力状态分布及概率与设备累积故障概率之间的关系可表示为：

${\stackrel{\‾}{A}}_{k+1}\left(t\right)=downtimewithin\[0,t\]/t=\underset{x=1,2...M}{\Σ}{P}_{ix}\·(C_{iM}-C_{ix})/C_{iM}=\mathrm{\τ}{\∫}_0^t{\mathrm{\λ}}_{k+1}\left(t\right)dt$

这里，表示设备不可用度，C_iM表示最大加工能力状态，P_ix表示设备加工能力状态为C_ix的概率，τ表示单次纠正性维修时间期望这里δ_(i,e)表示故障模式e发生的概率，故障模式e的维修时间。

其中，在步骤3中所述的“预测设备在规划时间段内的纠正性维修费用”，是指根据某一给定的任务可靠性阈值，计算在规划时间段内设备发生故障而进行纠正性维修所产生的费用c₁，表示式为这里c_c表示单次纠正维修费用的期望值，E表示规划时间段(0，T)内预测性维修周期数，ε表示最后一次预测性(计划)维修结束到规划时间段末端的剩余时间这里N_k＝1，τ′表示单次计划维修所用时间。

其中，在步骤4中所述的“预测设备在规划时间段内的计划维修费用”，是指基于任务可靠性阈值，计算在规划时间段内的计划维修次数，进而计算计划维修所产生的费用c₂，表达式为这里c_p表示单次计划维修费用的期望值。

其中，在步骤5中所述的“预测设备在规划时间段内的加工能力损失费用”，是指估算设备由于维修活动导致停机所产生的损失c₃，表达式为这里l_p表示单次计划维修造成的生产力能损失，θ表示单位生产能力降低对应的损失成本。

其中，在步骤6中所述的“预测设备在规划时间段内的间接损失费用”，是指由生产任务不能按时完成所造成的企业间接经济损失c₄，包括逾期赔付、企业信誉下降导致订单减少等。表达式为：

$c_4=\mathrm{\σ}\left(\frac{\underset{k=1}{\overset{E}{\mathrm{\Σ}}}{N}_k{t}_k}{T-\underset{k=1}{\overset{E}{\mathrm{\Σ}}}{N}_k{\mathrm{\τ}}^{\′}}\right(1-R_{iT})+\frac{\mathrm{\ϵ}}{T-\underset{k=1}{\overset{E}{\mathrm{\Σ}}}{N}_k{\mathrm{\τ}}^{\′}}(1-R_{i\mathrm{\ϵ}}\left)\right)$

这里，σ表示间接损失期望，与具体生产任务相关，由专家评测后给出；R_iT表示设备(i)的任务可靠性阈值，R_iε表示在剩余时间ε内的任务可靠性。

其中，在步骤7中所述的“预测设备在规划时间段内的产品质量损失费用”，是指估算由于产品质量缺陷导致的生产损失c₅，表达式为：

这里，d表示生产任务要求(单位时间内输出的合格产品数量)，表示预测性预测周期内设备(i)的制造合格率期望，表示剩余时间段ε内设备(i)的制造合格率期望，表示单个缺陷产品对应的生产损失。

其中，在步骤8中所述的“预测设备在规划时间段内的综合费用”，确定该设备任务可靠性阈值，进而确定最佳预测性维修策略，是指借助MATLAB软件计算不同任务可靠性阈值下的综合费用c＝c₁+c₂+c₃+c₄+c₅，以综合费用最低为原则确定最佳任务可靠性阈值，进而得到预测性维修策略(t₁，t₂，t₃，…，t_E-1)。

其中，在步骤9中所述的“根据步骤8的结果，确定上一台设备任务要求，重复步骤2-8，直至完成整个制造系统预测性维修策略的制定”，是指根据当前设备的任务可靠性阈值，确定当前设备在规划时间段内的制造合格率期望利用(带有返工操作的设备)得到当前设备的输入要求，即为上一台生产设备的输出要求，依次完成每台相关设备的预测性维修策略的制定。

其中，在步骤10中所述的“结果分析”，是将本方法所得结果与传统视情维修、周期性维修方法的结果作对比。

通过以上步骤，建立了基于任务可靠性状态的多工位制造系统预测性维修方法，达到了设备性能状态结合实际生产任务的工程目的，解决了传统视情维修仅关注设备自身状态而忽略实际生产状态的问题以及周期性维修的盲目性问题，进而降低生产活动中由于决策偏差导致的经济损失，提升企业生产效益与竞争力。

(3)本发明所述的一种基于任务可靠性状态的制造系统预测性维修方法，其使用方法如下：

步骤1、根据产品的关键质量特性，利用质量功能展开进行关键质量特性的分解映射，识别相关工艺及生产设备，进而建立面向该生产任务的制造系统基础数据库；

步骤2、对设备基础数据进行分析，估算各参数的取值；

步骤3、计算不同任务可靠性阈值下的纠正性维修费用；

步骤4、计算不同任务可靠性阈值下的计划维修费用；

步骤5、计算不同任务可靠性阈值下设备加工能力损失；

步骤6、计算不同任务可靠性阈值下的间接损失；

步骤7、计算不同任务可靠性阈值下的产品质量损失；

步骤8、计算综合费用，确定综合费用最小时对应的任务可靠性阈值，并计算执行计划维修的时间节点。

步骤9、基于任务要求在制造系统中的逆向传递，确定前一工位的任务要求，然后重复步骤2-8。

步骤10、利用美国MATLAB软件仿真，对本专利方法与传统预防性维修方法对比。

(4)优点和功效：

本发明是一种基于任务可靠性状态的制造系统预测性维修方法，其优点是：

1>.本发明着重考虑了制造系统的多态性问题，突破了传统视情维修和周期性维修的片面性与盲目性问题。

2>.本发明充分考虑了多工位制造系统各设备之间的功能关系，利用任务要求的逆向传递，给出了多工位制造系统的预测性维修策略制定方法。

3>.本发明以具体生产任务要求为出发点，具有极高的针对性、科学性和实用性。

附图说明

图1是基于任务可靠性状态的设备维修机理。

图2是本发明所述方法流程图。

图3是纠正性维修费用随任务可靠性阈值的变化趋势图。

图4是计划维修费用随任务可靠性阈值的变化趋势图。

图5是设备产能损失费用随任务可靠性阈值的变化趋势图。

图6是间接损失费用随任务可靠性阈值的变化趋势图。

图7是产品质量损失费用随任务可靠性阈值的变化趋势图。

图8是综合费用随任务可靠性阈值的变化趋势图。

图9是综合费用随预防性维修周期阈值的变化趋势图。

图10是设备相关总体费用随设备累积故障概率阈值的变化趋势图。

图中符号说明如下：

是指设备i的输入载荷；

是指设备i的输出合格品数；

具体实施方式

下面结合附图和实例对本发明做进一步详细说明。

本发明是一种基于任务可靠性状态的制造系统预测性维修方法，见图2所示，其实施步骤如下：

步骤1收集某型号四缸柴油发动机气缸盖的产品质量信息。利用质量功能展开进行关键质量特性的分解映射，识别发动机气缸盖制造系统相关关键工艺及生产设备，见下表1。然后分别搜集各相关加工设备的故障、维修、质量检测以及运行检测等数据。

表1.关键质量特性及其制造工艺信息

步骤2对设备a₅的基础数据进行分析，根据基于任务可靠性的设备维修机理，如图1所示，估算各相关参数的取值。

故障率服从威布尔分布：λ₁(t)＝(m/η)(t/η)^m-1，这里m＝3，η＝100，t表示预测性维修后的设备运行时间；寿命递减因子a₁＝a₂＝…＝a_E＝0.1，故障递增因子b₁＝b₂＝…＝b_E＝1.1；

制造合格率：ρ_k(t)＝ρ₀-γλ_k(t)，这里ρ₀＝0.99，γ＝0.03；

加工能力状态分布及概率：

S_x＝{0,20,40,60,80,100,120,140,160,180,200}，

P_x＝{P₀,P₁,P₂,P₃,P₄,P₅,P₆,P₇,P₈,P₉,P₁₀}，

由各类故障发生概率可得：P₀＝P₁＝P₂＝3P₃＝5P₄＝7P₅＝7P₆＝10P₇＝12P₈＝17P₉且

时间参数：纠正性维修耗时期望τ＝0.424；计划维修τ′＝0.4；

成本参数：c_c＝300,l_p＝80,c_p＝50,θ＝0.8,σ＝2000；

生产任务：d＝150/天；

规划时间段：T＝150天。

步骤3计算不同任务可靠性阈值下的纠正性维修费用。由不可用度等式可知，设备累积故障概率与设备加工能力分布概率一一对应，这样在给定具体任务要求时，任务可靠性状态与设备累积故障概率则呈一一对应关系，在本案例中，基于步骤2中所得到的各参数的取值，得到两参数数值之间存在关系：此式不具物理意义。取任务可靠性阈值优化范围为(0.5,1)，纠正性维修费用的变化趋势如图3所示。

步骤4计算不同任务可靠性阈值下的计划维修费用。取任务可靠性阈值优化范围为(0.5,1)，计划维修费用的变化趋势如图4所示。

步骤5计算不同任务可靠性阈值下设备产能损失费用。取任务可靠性阈值优化范围为(0.5,1)，产能损失费用的变化趋势如图5所示。

步骤6计算不同任务可靠性阈值下的间接损失费用。取任务可靠性阈值优化范围为(0.5,1)，间接损失费用的变化趋势如图6所示。

步骤7计算不同任务可靠性阈值下的产品质量损失费用。取任务可靠性阈值优化范围为(0.5,1)，产品质量损失费用的变化趋势如图7所示。

步骤8计算综合费用，取任务可靠性阈值优化范围为(0.5,1)，其部分计算结果如下表2所示。综合费用的变化趋势如图8所示。

表2.部分计算结果

优化结果为：当设备a₅的任务可靠性阈值取0.958时，设备a₅针对该生产任务的综合费用最低，为c＝965.54，这种情况下，在规划时间段内需进行4次计划维修，分别是：t₁＝39.15；t₂＝34.02；t₃＝29.52；t₄＝25.60

步骤9根据设备a₅的预测性维修策略，可得设备a₄为满足最终任务要求，其分任务要求d₄＝151.8，然后重复步骤1-8，以此类推最终结果如表3所示。

表3.优化结果

步骤10利用MATLAB软件仿真，对本专利方法与传统预防性维修方法对比。以设备a₅为例，使用定期预防维修方法，其综合费用随计划维修周期的变化趋势如图9所示。使用基于设备性能的视情维修方法，不考虑具体生产状态，此时设备相关总体费用仅包括纠正性维修、计划维修和设备产能损失三种，其设备相关总体费用随设备累积故障概率的变化趋势如图10所示。

进一步分析这三种维修方法所得的三个最优维修策略，并对比三个最优维修策略对应的综合费用，如表4所示。

表4.优化结果对比

本发明方法较现有的两种预防性维修方法具有明显的优势，这是因为本发明是在充分认识制造系统多态性的基础上提出的，并以具体生产任务要求为出发点，较其他两周方法具有更好的针对性、科学性和实用性，能够指导企业制定合理的设备维修策略，降低企业生产成本。