王小巧，劉明周，葛茂根，凌 琳，馬 靖，劉從虎

（合肥工業(yè)大學(xué) 機(jī)械與汽車工程學(xué)院，安徽 合肥 230009）

0 引言

隨著全球競爭的加劇，產(chǎn)品呈現(xiàn)出功能多樣化、結(jié)構(gòu)復(fù)雜化等特點(diǎn)，相應(yīng)的產(chǎn)品質(zhì)量的控制難度越來越大。裝配作為產(chǎn)品質(zhì)量形成最重要的一環(huán)，在零部件高精度組裝的基礎(chǔ)上保障產(chǎn)品具有最優(yōu)的整體性能，實(shí)現(xiàn)裝配過程的透明化和智能化控制，是提升企業(yè)競爭力的有效手段，為此學(xué)者們提出了智能制造［1］、云制造［2］、可持續(xù)制造［3］等一系列新的制造模式，這些需求為裝配控制系統(tǒng)的研究和發(fā)展提供了新動力，射頻識別（Radio Frequency IDentification，RFID）技術(shù)的應(yīng)用為其實(shí)現(xiàn)提供了可能［4］。

國內(nèi)外學(xué)者從不同角度對裝配質(zhì)量的控制方法和控制系統(tǒng)進(jìn)行了研究。

在質(zhì)量控制方法方面，CEGLAREK 等以時(shí)間和成本為目標(biāo)，基于誤差流（Stream of Variation，SOV）分析理論對多階段裝配過程的尺寸偏差進(jìn)行建模、分析和控制，以改善裝配質(zhì)量［5］；Chen等闡述了多工位制造過程的復(fù)雜性，構(gòu)建了可靠性鏈模型，用以分析質(zhì)量和可靠性在各工位間復(fù)雜的傳遞關(guān)系［6］；杜世昌等闡述了夾具誤差、基準(zhǔn)誤差、安裝誤差和加工誤差的傳遞與累積過程，構(gòu)建了狀態(tài)空間模型來表達(dá)各種誤差之間的關(guān)系［7］，分析了串并聯(lián)混合式多階段制造系統(tǒng)的誤差傳遞，解決了制造系統(tǒng)中多種偏差流作用下產(chǎn)品的質(zhì)量控制［8］；Xie等考慮多階段制造系統(tǒng)的實(shí)時(shí)數(shù)據(jù)和歷史數(shù)據(jù)，基于粗糙集理論實(shí)現(xiàn)了制造過程產(chǎn)品質(zhì)量的診斷［9］；HEREDIA 等基于回歸分析闡述了質(zhì)量特性之間的關(guān)系，并應(yīng)用統(tǒng)計(jì)過程控制（Statistical Process Control，SPC）技術(shù)闡述制造過程的穩(wěn)定性，以此構(gòu)建了多階段制造過程誤差傳遞模型，實(shí)現(xiàn)了多階段制造過程的產(chǎn)品質(zhì)量控制［10］；張志勝等研究了多工步制造過程中的變異流，基于狀態(tài)空間模型將產(chǎn)品的質(zhì)量特征和過程參數(shù)聯(lián)系起來，描述了質(zhì)量特征變異的傳遞，以此實(shí)現(xiàn)制造質(zhì)量診斷和制造過程優(yōu)化［11］；Huang等利用有限差分、回歸模型等方法分析過程能力的敏感性，基于蒙特卡羅模擬法對其估計(jì)，實(shí)現(xiàn)了多階段裝配過程的質(zhì)量評估［12］；Jiao等基于SOV 理論建立了制造過程偏差模型，實(shí)現(xiàn)了制造過程質(zhì)量的前饋控制和誤差補(bǔ)償［13］。

在裝配質(zhì)量優(yōu)化和預(yù)測方面，TANG 等考慮機(jī)械產(chǎn)品裝配過程中的不確定因素，構(gòu)建了裝配過程模型、作業(yè)控制模型和質(zhì)量數(shù)據(jù)模型，實(shí)現(xiàn)了產(chǎn)品裝配過程的質(zhì)量控制［14］；Huang等綜合考慮制造成本、質(zhì)量損失成本和可靠性指數(shù)等因素，建立了公差優(yōu)化分配模型［15］；Cheng等以公差標(biāo)準(zhǔn)和設(shè)備加工能力為約束，構(gòu)建了以最小制造成本為目標(biāo)的成本—公差模型，并利用拉格朗日乘法和Lambert W 函數(shù)進(jìn)行優(yōu)化求解，實(shí)現(xiàn)了公差優(yōu)化分配［16］；劉明周等研究了質(zhì)量損失與公差的關(guān)系，建立了基于最短路徑的公差帶在線優(yōu)化模型，并以最小損失為目標(biāo)進(jìn)行優(yōu)化，實(shí)現(xiàn)了對質(zhì)量控制點(diǎn)公差帶的在線優(yōu)化［17］；劉明周等以提高復(fù)雜機(jī)械產(chǎn)品的裝配精度和裝配穩(wěn)定性為目標(biāo)，提出一種基于互信息和博弈論裝配過程質(zhì)量控制閾在線優(yōu)化方法［18］；ABELLAN-NEBOT等分析了基于傳感器的夾具優(yōu)化配置、傳感器數(shù)量的優(yōu)化，結(jié)合狀態(tài)空間方程和誤差傳遞理論，實(shí)現(xiàn)了多工位制造過程的產(chǎn)品質(zhì)量預(yù)測和誤差補(bǔ)償［19］；楊靜萍等分析了多工序多階段產(chǎn)品質(zhì)量預(yù)測特點(diǎn)，建立了基于支持向量機(jī)（Support Vector Machine，SVM）的預(yù)測模型，利用粗糙集理論和主成分分析法簡化數(shù)據(jù)處理與模型，實(shí)現(xiàn)了多階段產(chǎn)品質(zhì)量的預(yù)測和改進(jìn)［20］；Su等基于設(shè)計(jì)和裝配過程中的關(guān)鍵因素，構(gòu)建了缺陷率預(yù)測模型，實(shí)現(xiàn)了裝配質(zhì)量的預(yù)測［21］；Liu等將尺寸幾何公差分成確定性約束、微度約束和釋放約束三類，并構(gòu)建了最大相容約束模型，提供了一種質(zhì)量預(yù)測方法［22］。

在裝配質(zhì)量控制系統(tǒng)方面，張映鋒等構(gòu)建了一種基于物聯(lián)技術(shù)的制造過程全方位跟蹤、控制和優(yōu)化分析的制造執(zhí)行系統(tǒng)（Manufacturing Execution System，MES）［23］；鄭力等利用生產(chǎn)歷史信息和過程的實(shí)時(shí)信息及工序之間的相關(guān)性來解決質(zhì)量控制問題［24］；劉曉冰等構(gòu)建了動態(tài)自適應(yīng)控制系統(tǒng)，實(shí)現(xiàn)了產(chǎn)品生產(chǎn)過程質(zhì)量的在線控制［25］；張根保等提出基于MES和計(jì)算機(jī)輔助工藝設(shè)計(jì)（Computer Aided Process Planning，CAPP）的動態(tài)質(zhì)量追溯系統(tǒng)，實(shí)現(xiàn)了對制造過程的質(zhì)量數(shù)據(jù)的追溯，并將數(shù)據(jù)服務(wù)于CAPP［26］；黃剛等針對制造環(huán)境變化和制造過程變化，建立了柔性化和配置化的MES［27］；萬峰等針對復(fù)雜產(chǎn)品制造過程數(shù)據(jù)采集和管理的問題，在研究工作流的基礎(chǔ)上構(gòu)建了動態(tài)數(shù)據(jù)采集和管理模型［28］。

綜上所述，國內(nèi)外在制造過程質(zhì)量優(yōu)化、控制和預(yù)測方面都進(jìn)行了大量研究，并取得了良好的應(yīng)用效果，為研究裝配過程質(zhì)量控制提供了支持。復(fù)雜機(jī)械產(chǎn)品［17］功能多樣、結(jié)構(gòu)復(fù)雜、裝配工序繁多，裝配質(zhì)量誤差伴隨在制品向下游工序傳遞、累積和放大。上述文獻(xiàn)的誤差流傳遞理論為其研究提供了支持，但裝配質(zhì)量是由多種類型的質(zhì)量特性共同作用的，且存在較強(qiáng)的耦合關(guān)系，如尺寸、力矩、位移、泄漏量等，同時(shí)也受非定量因素的影響，如錯(cuò)裝漏裝、表面劃痕、沙眼缺陷等，另外設(shè)備工況、工序間約束也影響裝配質(zhì)量。目前，考慮定性和定量因素，借助控制系統(tǒng)從系統(tǒng)層面對裝配過程的主動質(zhì)量控制的研究相對較少，鑒于此，本文以國內(nèi)外學(xué)者對裝配質(zhì)量控制的研究為基礎(chǔ)，結(jié)合復(fù)雜機(jī)械產(chǎn)品裝配過程的特點(diǎn)，提出一種裝配過程質(zhì)量門監(jiān)控系統(tǒng)（Quality Gate Monitor and Control System，Q-GMCS）。

質(zhì)量門［29］控制為分階段評估裝配結(jié)果的質(zhì)量和及時(shí)改善質(zhì)量提供了一種方法，該方法在不同裝配工序段實(shí)現(xiàn)產(chǎn)品的不同性能指標(biāo)，各工序段間存在非線性、復(fù)雜的關(guān)系。質(zhì)量門綜合各工序的裝配結(jié)果，從系統(tǒng)層面對裝配質(zhì)量進(jìn)行校驗(yàn)，能夠及時(shí)診斷出裝配過程中的質(zhì)量問題，實(shí)現(xiàn)裝配過程質(zhì)量的主動控制，降低過裝配造成的損失，為裝配質(zhì)量持續(xù)改善提供了一種方法。其中，過裝配指產(chǎn)品在裝配過程中已經(jīng)發(fā)生異常情況，但還繼續(xù)向下游工序流轉(zhuǎn)的裝配。

1 復(fù)雜機(jī)械產(chǎn)品裝配過程分析及質(zhì)量門

1.1 復(fù)雜機(jī)械產(chǎn)品裝配過程分析

復(fù)雜機(jī)械產(chǎn)品裝配具有以下特點(diǎn)：①高精度裝配的關(guān)鍵結(jié)合面必須保持一定的清潔度，并且不能有劃痕，產(chǎn)品內(nèi)壁質(zhì)量問題不易識別；②裝配的零部件繁多、節(jié)拍快，不同型號產(chǎn)品的切換易出現(xiàn)錯(cuò)裝漏裝；③設(shè)備運(yùn)行狀態(tài)影響裝配質(zhì)量；④上下游裝配工序間的約束、裝配誤差的累積會造成裝配的產(chǎn)品雖然能夠滿足裝配工藝規(guī)范，但不是最優(yōu)裝配；⑤裝配全部完成后對裝配性能進(jìn)行綜合判斷，缺乏中間環(huán)節(jié)的控制，難以及時(shí)甄別問題的原因、造成問題的關(guān)鍵區(qū)段及關(guān)鍵工位。

1.2 裝配質(zhì)量門的定義及內(nèi)涵

定義1 裝配質(zhì)量門指以裝配過程質(zhì)量控制為研究對象，以產(chǎn)品裝配質(zhì)量和裝配效率為目標(biāo)，根據(jù)實(shí)時(shí)裝配工況信息、歷史裝配質(zhì)量數(shù)據(jù)和裝配知識庫，結(jié)合相應(yīng)的表面品質(zhì)檢測、空間特征質(zhì)量檢測、防錯(cuò)裝漏裝、質(zhì)量分析和預(yù)測以及統(tǒng)計(jì)分析等質(zhì)量控制方法，對在制品的裝配質(zhì)量進(jìn)行分析，最終給出在制品的控制決策，從而實(shí)現(xiàn)裝配過程的主動質(zhì)量控制。

裝配質(zhì)量門是為了簡化復(fù)雜的裝配過程，根據(jù)產(chǎn)品的裝配工藝和控制要求，將其分成若干個(gè)控制區(qū)域，對每個(gè)區(qū)域設(shè)置相應(yīng)的通過標(biāo)準(zhǔn)，通過相應(yīng)的裝配質(zhì)量控制方法對在制品的裝配性能進(jìn)行評估與預(yù)警，旨在實(shí)現(xiàn)裝配過程質(zhì)量的主動控制，及時(shí)甄別裝配質(zhì)量問題，降低過裝配帶來的損失，提高和改善裝配質(zhì)量及效率。裝配線體在質(zhì)量門（Q-gate）校驗(yàn)點(diǎn)定義了如圖1所示的在線返修環(huán)和如圖2所示的離線返修軌道。

Q-gate的優(yōu)點(diǎn)主要有：①在裝配過程中更早地發(fā)現(xiàn)缺陷，減少返工成本；②在造成產(chǎn)品損壞前發(fā)現(xiàn)缺陷；③為維修人員提供更多的有關(guān)缺陷的信息；④持續(xù)改善裝配質(zhì)量，提高總體質(zhì)量水平；⑤系統(tǒng)具有自學(xué)習(xí)能力，可通過長時(shí)間積累案例和質(zhì)量控制策略提高裝配質(zhì)量的評估與預(yù)警水平。

定義2 Q-gate的相關(guān)指標(biāo)定義：①Q(mào)-gate裝配周期指在制品從進(jìn)入Q-gate到離開Q-gate所花費(fèi)的時(shí)間；②Q-gate直通率指在Q-gate裝配區(qū)內(nèi)的在制品無返修的比率；③Q-gate返修率指該Q-gate出現(xiàn)裝配質(zhì)量問題并返修合格的比率；④Q-gate報(bào)廢率指在Q-gate區(qū)域內(nèi)出現(xiàn)不能修復(fù)的質(zhì)量問題的在制品比率。

2 復(fù)雜機(jī)械產(chǎn)品裝配過程質(zhì)量門監(jiān)控體系

2.1 裝配過程質(zhì)量控制體系

基于上述分析，以裝配過程質(zhì)量主動控制為目標(biāo)建立裝配過程質(zhì)量的主動控制體系架構(gòu)，包括資源標(biāo)識與感知、Q-gate裝配質(zhì)量控制方法和質(zhì)量信息追溯三部分，如圖3所示。

（1）資源標(biāo)識與感知 對裝配過程中涉及的元素進(jìn)行標(biāo)識，使其具備感知或被感知的能力。采用RFID 技術(shù)、二維碼、可擴(kuò)展標(biāo)記語言（eXtensible Markup Language，XML）、數(shù)據(jù)庫等對在制品的實(shí)時(shí)數(shù)據(jù)、零部件信息、裝配質(zhì)量歷史數(shù)據(jù)和圖像信息等進(jìn)行標(biāo)識和存儲。實(shí)時(shí)信息感知是采集并存儲裝配過程中的相關(guān)數(shù)據(jù)，以備Q-gate裝配質(zhì)量控制使用。Q-gate控制策略是通過感知設(shè)備將Q-GMCS系統(tǒng)發(fā)出的質(zhì)量控制策略傳輸至裝配線，并以可視化的形式指導(dǎo)在制品裝配策略及流向，實(shí)現(xiàn)裝配過程的“可觀”和“可控”。

（2）Q-gate裝配質(zhì)量控制方法 從系統(tǒng)層面評估在制品的裝配質(zhì)量并給出控制策略，主要包括基于狀態(tài)空間模型的裝配誤差分析、動態(tài)工序能力評價(jià)、基于粒子群優(yōu)化算法的誤差逆?zhèn)鞑ィ≒article Swarm Optimization Back Propagation，PSO-BP）神經(jīng)網(wǎng)絡(luò)的分層預(yù)測模型、基于分層推理的專家知識系統(tǒng)和基于機(jī)器視覺的防誤等?；诜謱油评淼膶＜蚁到y(tǒng)是Q-gate裝配質(zhì)量控制的核心模塊，將產(chǎn)品裝配過程中的設(shè)備工況信息、裝配誤差分析、工序能力評價(jià)和裝配性能預(yù)測等關(guān)鍵質(zhì)量信息輸入分層智能推理系統(tǒng)進(jìn)行分析、診斷和預(yù)測，結(jié)合機(jī)器視覺的檢測結(jié)果以可視化形式輸出在制品的Q-gate控制策略報(bào)告，達(dá)到對產(chǎn)品裝配過程質(zhì)量主動控制的目標(biāo)。

（3）質(zhì)量信息追溯 針對全裝配過程的質(zhì)量數(shù)據(jù)、設(shè)備工況數(shù)據(jù)、Q-gate校驗(yàn)信息等進(jìn)行系統(tǒng)的追溯，全面全程地記錄了可能引起質(zhì)量問題的各種因素，為分層推理系統(tǒng)及裝配質(zhì)量改善提供全方位的質(zhì)量信息支持。主要包括Q-gate校驗(yàn)信息、裝配工藝信息、設(shè)備工況信息、工序質(zhì)量信息、裝配失效信息、防誤信息和推理案例等內(nèi)容的追溯。

2.2 復(fù)雜機(jī)械產(chǎn)品Q-GMCS系統(tǒng)

以質(zhì)量門控制體系為基礎(chǔ)，構(gòu)建了Q-GMCS系統(tǒng)（如圖4），包括產(chǎn)品裝配質(zhì)量校驗(yàn)執(zhí)行層、傳輸及處理層、Q-gate校驗(yàn)層、裝配過程Q-gate服務(wù)層、接口層、企業(yè)信息系統(tǒng)層、校驗(yàn)服務(wù)中心和校驗(yàn)信息實(shí)時(shí)發(fā)布八個(gè)部分。

其中：①產(chǎn)品裝配質(zhì)量校驗(yàn)執(zhí)行層是Q-GMCS系統(tǒng)物理執(zhí)行層，通過標(biāo)識元件、感知元件、控制元件和執(zhí)行元件實(shí)現(xiàn)Q-gate質(zhì)量校驗(yàn)，根據(jù)校驗(yàn)結(jié)果控制裝配過程的執(zhí)行。②傳輸及處理層是連接裝配過程與質(zhì)量校驗(yàn)處理中心的介質(zhì)，它將感知的多源數(shù)據(jù)通過現(xiàn)場總線、以太網(wǎng)等方式傳輸至Q-gate校驗(yàn)處理層，并將校驗(yàn)結(jié)果反饋至裝配執(zhí)行層。③質(zhì)量門校驗(yàn)層是將感知的Q-gate內(nèi)各工位的多源質(zhì)量數(shù)據(jù)和統(tǒng)計(jì)分析信息進(jìn)行分類與融合分析，作為質(zhì)量校驗(yàn)的數(shù)據(jù)源；應(yīng)用質(zhì)量控制方法執(zhí)行校驗(yàn)流程，給出校驗(yàn)決策結(jié)果，如合格（OK）、不合格（NG）、在線返修（onROK）、離線返修（offROK）等；統(tǒng)計(jì)分析模塊對校驗(yàn)執(zhí)行結(jié)果進(jìn)行統(tǒng)計(jì)分析，更新校驗(yàn)知識庫、各類統(tǒng)計(jì)信息及Q-gate的相關(guān)指標(biāo)。④裝配過程Q-gate服務(wù)層提供可視化校驗(yàn)流程、裝配性能趨勢分析、返修及異常統(tǒng)計(jì)分析、多源信息統(tǒng)計(jì)分析、設(shè)備實(shí)時(shí)監(jiān)控、機(jī)器視覺標(biāo)準(zhǔn)圖像及缺陷庫等功能。⑤接口層是從企業(yè)信息系統(tǒng)層接收Q-GMCS系統(tǒng)需求的校驗(yàn)基本信息，如裝配工藝路線、裝配規(guī)范、物料清單（Bill of Material，BOM）等。⑥企業(yè)信息系統(tǒng)層完成對企業(yè)整體信息的管理，主要包括生產(chǎn)計(jì)劃信息、生產(chǎn)工藝信息、供應(yīng)商信息等。⑦校驗(yàn)服務(wù)中心為Q-gate校驗(yàn)提供實(shí)時(shí)的數(shù)據(jù)、信息和知識服務(wù)，如Q-gate組態(tài)建模信息、歷史履歷信息、實(shí)時(shí)數(shù)據(jù)庫、校驗(yàn)信息發(fā)布、校驗(yàn)知識庫、校驗(yàn)決策庫等。⑧校驗(yàn)信息實(shí)時(shí)發(fā)布主要將各Q-gate的在制品校驗(yàn)結(jié)果、相關(guān)統(tǒng)計(jì)指標(biāo)實(shí)時(shí)發(fā)送給生產(chǎn)管理人員、產(chǎn)品設(shè)計(jì)人員等，主要包括Q-gate和整線的直通率、返修率、裝配周期、報(bào)廢率等。

3 Q-GMCS關(guān)鍵使能技術(shù)

3.1 裝配資源標(biāo)識

實(shí)現(xiàn)Q-gate裝配質(zhì)量主動控制的關(guān)鍵是對裝配過程中涉及的元素進(jìn)行標(biāo)識，使其具備感知或被感知的能力。Q-gate的標(biāo)識主要由定義資源標(biāo)識結(jié)構(gòu)、配置質(zhì)量校驗(yàn)數(shù)據(jù)塊（Data Block，DB）、DB存儲和更新三部分組成，如圖5所示。

首先，對Q-gate中的元素進(jìn)行統(tǒng)一描述、分類及編碼，主要包括在制品、物料、設(shè)備、歷史統(tǒng)計(jì)數(shù)據(jù)和標(biāo)準(zhǔn)圖像等資源的定義：①定義在制品、物料、工位裝配結(jié)果、校驗(yàn)結(jié)果等信息的RFID 標(biāo)簽存儲格式；②定義一維碼、二維碼標(biāo)識零部件的質(zhì)量信息；③采用XML描述質(zhì)量門校驗(yàn)規(guī)范、產(chǎn)品工藝規(guī)范、設(shè)備統(tǒng)計(jì)信息、物料統(tǒng)計(jì)信息；④利用數(shù)據(jù)庫技術(shù)存儲機(jī)器視覺校驗(yàn)需求的標(biāo)準(zhǔn)圖像。然后，定義產(chǎn)品Pi裝配過程中經(jīng)過的工位S=｛s1，s2，…，sn｝，配置工位下的設(shè)備Eij、防誤Wij、工藝Xij、知識庫Kij、物料Mij等信息，并規(guī)范在制品Pi的RFID標(biāo)簽（RFID-TAG）的存儲格式，在產(chǎn)品上線工位對RFID-TAG 進(jìn)行初始化。最后，將定義的各DB輸入至Q-gate校驗(yàn)流程，對在制品進(jìn)行質(zhì)量校驗(yàn)，并對在制品的各類數(shù)據(jù)進(jìn)行實(shí)時(shí)監(jiān)控和采集，統(tǒng)計(jì)分析實(shí)時(shí)工況信息更新配置的DB信息，優(yōu)化Q-gate校驗(yàn)的流程及內(nèi)容。

3.2 質(zhì)量控制點(diǎn)數(shù)據(jù)采集和Q-gate校驗(yàn)技術(shù)

裝配過程監(jiān)控和數(shù)據(jù)采集為Q-gate提供數(shù)據(jù)基礎(chǔ)，如圖6所示為Q-gate校驗(yàn)和數(shù)據(jù)采集處理流程。在相應(yīng)的工位配置RFID 讀寫器、RFID 標(biāo)簽、掃碼槍、機(jī)器視覺等數(shù)據(jù)采集元件，通過OPC、RS232串口、以太網(wǎng)等軟硬件，實(shí)現(xiàn)開發(fā)的數(shù)據(jù)采集軟件實(shí)時(shí)與設(shè)備可編輯邏輯控制器（Programmable Logic Controller，PLC）及各類傳感器進(jìn)行交互，獲得產(chǎn)品裝配過程中的設(shè)備狀態(tài)及裝配性能測試數(shù)據(jù)，如擰緊扭矩、壓裝位移、泄漏量、扭矩、發(fā)動機(jī)的選瓦數(shù)據(jù)等。對于零部件的質(zhì)量數(shù)據(jù)，則通過一維碼、二維碼的掃碼槍獲得，并與產(chǎn)品標(biāo)識碼綁定。

根據(jù)獲得的關(guān)鍵數(shù)據(jù)，Q-gate校驗(yàn)流程如圖6所示。

步驟1 在制品進(jìn)入Q-gate，判斷是否為上線工位。若是上線工位，則校驗(yàn)主裝配體的機(jī)加工數(shù)據(jù)和歷史統(tǒng)計(jì)數(shù)據(jù)并判斷是否允許裝配，若可裝配則讀取生產(chǎn)計(jì)劃，根據(jù)計(jì)劃信息執(zhí)行RFID-TAG 初始化程序，結(jié)束流程；若不是上線工位，則轉(zhuǎn)步驟2。

步驟2 讀取在制品的TAG 信息，如產(chǎn)品出生證P、產(chǎn)品型號T 等，獲取工位S=｛s1，s2，…，sn｝的裝配質(zhì)量數(shù)據(jù)、設(shè)備信息、裝配結(jié)果及前Q-gate的校驗(yàn)結(jié)果。

步驟3 對在制品的質(zhì)量數(shù)據(jù)進(jìn)行分類和過濾，根據(jù)P從知識庫中獲得的相應(yīng)的裝配過程信息判斷裝配過程中是否有返修。若無返修，則轉(zhuǎn)校驗(yàn)流程步驟4；若有返修，則讀取出歷史返修信息，判斷返修是否合格，不合格則給出NG 放行信號，轉(zhuǎn)步驟6，合格則將返修信息輸入步驟4。

步驟4 根據(jù)P和T 獲取關(guān)鍵質(zhì)量校驗(yàn)點(diǎn)的校驗(yàn)標(biāo)準(zhǔn)，并調(diào)用各工位和校驗(yàn)點(diǎn)的裝配約束、基礎(chǔ)配置及知識庫信息。利用機(jī)器視覺系統(tǒng)對產(chǎn)品的清潔度、錯(cuò)裝漏裝等問題進(jìn)行檢測，反饋檢測結(jié)果F1。采用裝配質(zhì)量控制方法對裝配質(zhì)量進(jìn)行評估與預(yù)測，反饋產(chǎn)品控制策略F2。

步驟5 根據(jù)步驟4中的質(zhì)量評估結(jié)果，得出判定結(jié)果R=F1×F2，并給出決策，如OK，NG，on-ROK 等?？梢暬@示校驗(yàn)過程及詳細(xì)分析報(bào)告，同時(shí)記錄關(guān)鍵信息至數(shù)據(jù)庫，更新各類統(tǒng)計(jì)分析、知識庫和Q-gate四類指標(biāo)信息。Q-gate校驗(yàn)及數(shù)據(jù)采集程序?yàn)楫a(chǎn)品裝配質(zhì)量分析和改善提供數(shù)據(jù)支持。

步驟6 將校驗(yàn)結(jié)果寫入RFID-TAG，校驗(yàn)流程結(jié)束。

3.3 基于分層推理的專家知識系統(tǒng)

3.3.1 專家知識系統(tǒng)

Q-gate專家知識系統(tǒng)是以裝配質(zhì)量主動控制為目標(biāo)，將質(zhì)量控制專家的知識經(jīng)驗(yàn)、先驗(yàn)知識等信息以知識庫的形式存入計(jì)算機(jī)，模仿專家解決問題的推理方式和思維過程，運(yùn)用這些知識和經(jīng)驗(yàn)對裝配過程中的問題做出判斷和決策，依次從工序、Qgate和產(chǎn)品三個(gè)層次分別對產(chǎn)品裝配過程的質(zhì)量數(shù)據(jù)進(jìn)行規(guī)則推理（Rule-Based Reasoning，RBR）和案例推理（Case-Based Reasoning，CBR）。RBR是對具有明確閾值和裝配質(zhì)量問題進(jìn)行的知識推理，裝配過程的復(fù)雜性決定了其裝配質(zhì)量問題具有不確定性和模糊性，因此RBR 無法進(jìn)行準(zhǔn)確推理，可以通過融合CBR 技術(shù)，識別隱含于案例及案例與案例間的裝配質(zhì)量問題和規(guī)律性知識，輔助RBR 進(jìn)行準(zhǔn)確推理，最后結(jié)合RBR 的明確裝配質(zhì)量診斷結(jié)果和CBR 的相似案例診斷結(jié)果，得出較為可信的質(zhì)量問題診斷結(jié)論。由此可見，RBR 和CBR 技術(shù)互為補(bǔ)充［30］、相輔相成，兩者融合一方面可較好地解決裝配過程的質(zhì)量診斷問題，另一方面隨著專家系統(tǒng)的使用，可逐步完善裝配過程診斷知識庫，提高診斷的可靠性，減少虛警率，同時(shí)對出現(xiàn)的故障提供維修策略，實(shí)現(xiàn)快速在線返修和離線返修。

綜合上述分析，構(gòu)建了如圖7所示的Q-GMCS系統(tǒng)的基于分層推理的專家系統(tǒng)。其中：①結(jié)構(gòu)庫、模式庫、規(guī)則庫和案例庫等組成了專家系統(tǒng)知識庫的主體；②模式識別機(jī)是對輸入的裝配質(zhì)量問題進(jìn)行識別的集合；③解釋器向用戶輸出關(guān)于推理過程和最終結(jié)果的解釋；④Q-gate專家知識系統(tǒng)是融合RBR 和CBR的分層智能推理機(jī)，分別對產(chǎn)品裝配過程的關(guān)鍵質(zhì)量數(shù)據(jù)、動態(tài)工序能力分析和基于PSO-BP神經(jīng)網(wǎng)絡(luò)的分層裝配性能預(yù)測結(jié)果進(jìn)行的知識表達(dá)和問題診斷算法，包括工序級推理、Q-gate級推理和產(chǎn)品級推理；⑤知識學(xué)習(xí)是對規(guī)則、案例和裝配質(zhì)量問題自學(xué)習(xí)的管理操作。本文采用產(chǎn)生式規(guī)則表示法R＃ifPthenH，其中R＃為規(guī)則號，H為由條件P引出的結(jié)論，用邏輯與門and和邏輯或門or表示邏輯關(guān)系。例如發(fā)動機(jī)冷測試時(shí)的最大扭矩判斷規(guī)則ifTp〈TlorTp〉Tuthen前序裝配不滿足產(chǎn)品性能要求，此時(shí)系統(tǒng)進(jìn)行預(yù)警提示，其中Tp，Tl和Tp分別為最大扭矩的最大值、最小值和預(yù)測值。

3.3.2 基于狀態(tài)空間模型的裝配誤差分析技術(shù)

裝配過程中除了裝配零部件的影響外，還受到工藝、設(shè)備、人員、工裝夾具等噪聲的干擾。模型假設(shè)一個(gè)工位裝配一個(gè)零部件，裝配誤差傳遞的狀態(tài)空間模型［7-8］如下：

式中：i為第i個(gè)裝配零部件；x（i）∈Rn×1為第i個(gè)裝配工序的狀態(tài)向量，即累積誤差；u（i）∈Rm×1為第i個(gè)零部件的輸入向量，這里運(yùn)用微分運(yùn)動矢量作為各裝配工序誤差狀態(tài)的統(tǒng)一表達(dá)方式；y（i）為裝配質(zhì)量的輸出向量；w（i）∈Rn×1為裝配過程中的噪聲，v（i）∈Rn×1為測量噪聲，兩者都是零均值、白噪聲信號；A∈Rn×n，B∈Rn×m，C∈R1×n和D∈Rn×m四個(gè)矩陣為待定矩陣，如圖8所示。

將裝配過程理解為線性定常系統(tǒng)，其物理意義如下：

A為標(biāo)識系數(shù)矩陣，描述狀態(tài)量本身對狀態(tài)量變化的影響；B為輸入（控制）矩陣，描述輸入量對狀態(tài)量變化的影響；C為輸出矩陣，描述狀態(tài)量對輸出量變化的影響；D為直接轉(zhuǎn)移矩陣，描述輸入量對輸出量（裝配質(zhì)量）的直接影響。

輸出量是從系統(tǒng)外部能測量到的某些信息，可能是狀態(tài)分量中的一部分，也可以是一些狀態(tài)分量和控制量的線性組合；狀態(tài)變量則是完全描述系統(tǒng)動態(tài)行為的一組量，在許多實(shí)際系統(tǒng)中往往難以直接從外部測量得到。輸出量的恰當(dāng)選擇要根據(jù)實(shí)際情況確定，但其數(shù)量不會超過狀態(tài)分量的個(gè)數(shù)。

以上述狀態(tài)空間模型為基礎(chǔ)，首先假設(shè)Δu（i）=0，確定裝配誤差傳遞函數(shù)G（X）。裝配質(zhì)量誤差傳遞的狀態(tài)空間模型是一個(gè)離散多輸入多輸出（Multiple-Input Multiple-Output，MIMO）系統(tǒng)。確定裝配誤差傳遞函數(shù)的基本方法是取Z變換，將基于狀態(tài)空間模型的裝配誤差分析結(jié)果作為專家知識系統(tǒng)的輸入，然后輸出裝配誤差的分析結(jié)果，以此判斷裝配誤差是否符合后續(xù)裝配工序的要求。專家知識系統(tǒng)可以較好地彌補(bǔ)裝配過程中的噪聲w（i）和v（i），因此在計(jì)算過程中不予考慮，將裝配誤差函數(shù)轉(zhuǎn)化為：

由Z變換進(jìn)行推導(dǎo)：

可以得到

因?yàn)檠b配的初始值x0=0，所以

定義裝配誤差傳遞函數(shù)矩陣為

3.3.3 動態(tài)工序能力分析

動態(tài)工序能力分析指Q-gate根據(jù)實(shí)時(shí)采集的裝配質(zhì)量特性參數(shù)數(shù)據(jù)，采用休哈特控制圖進(jìn)行SPC分析，將分析結(jié)果輸入Q-gate專家系統(tǒng)，結(jié)合先驗(yàn)知識進(jìn)行推理分析，給出當(dāng)前Q-gate裝配區(qū)域的裝配質(zhì)量控制狀態(tài)。控制圖［31］是裝配工序質(zhì)量控制的方法之一，在裝配過程中，產(chǎn)品質(zhì)量特性會發(fā)生波動，正常的波動影響很小且難以避免，異常的波動對產(chǎn)品裝配質(zhì)量影響較大，根據(jù)先驗(yàn)知識，可以通過動態(tài)工序能力分析進(jìn)行預(yù)測和預(yù)防，從而有效地減少批量在線返修、離線返修、報(bào)廢等情況的發(fā)生。

SPC將μ±3σ作為控制界限進(jìn)行質(zhì)量控制，可以有效分析較大波動的情況，但對波動較小的狀態(tài)識別率不高。鑒于此，可以通過多種控制圖對裝配工序能力進(jìn)行聯(lián)合分析，如累積和控制圖、指數(shù)加權(quán)移動均值控制圖等。

3.3.4 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的分層裝配性能預(yù)測

鑒于BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的自學(xué)習(xí)、自組織、自適應(yīng)等特點(diǎn)，并能以任意精度逼近任何非線性連續(xù)函數(shù)，且容錯(cuò)性較好，本文提出基于BP神經(jīng)網(wǎng)絡(luò)的裝配性能預(yù)測來降低人為因素的影響。本文采用PSO 算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)各層的連接權(quán)值，克服了傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最優(yōu)解和泛化能力低等缺點(diǎn)，較好地提高了裝配性能的預(yù)測能力［32］。裝配過程的質(zhì)量控制分為工序、Qgate和產(chǎn)品的質(zhì)量控制，鑒于此，構(gòu)建了分層的裝配性能預(yù)測模型，如圖9所示。

（1）裝配質(zhì)量特征參數(shù)處理

由于不同的裝配質(zhì)量特征參數(shù)有不同的量綱和單位，為了使不同量綱、不同數(shù)量級的數(shù)據(jù)作為PSO-BP神經(jīng)網(wǎng)絡(luò)的輸入能有更好的預(yù)測效果，應(yīng)將質(zhì)量特征參數(shù)進(jìn)行無量綱化處理［33］。質(zhì)量特征參數(shù)通常分為越大越優(yōu)、越小越優(yōu)和中間型三類，各類指標(biāo)的相對隸屬度計(jì)算公式分別為：

越大越優(yōu)型

越小越優(yōu)型

中間型

式中：ximax，ximin和分別表示裝配質(zhì)量特征參數(shù)i的最大特征值、最小特征值和中間目標(biāo)特征值；xij和分別表示裝配質(zhì)量特征參數(shù)的實(shí)際值和歸一化值。經(jīng)過無量綱化處理后，指標(biāo)的最大值為1，最小值為0，越接近1，說明該指標(biāo)越接近最優(yōu)水平。

（2）粒子及種群的構(gòu)造

圖10所示為本文構(gòu)建的PSO-BP算法流程圖，BP神經(jīng)網(wǎng)絡(luò)模型如圖9所示，其包括輸入層、隱含層和輸出層。在準(zhǔn)確反映輸入輸出關(guān)系的前提下，應(yīng)盡量選擇較少的神經(jīng)元數(shù)目，進(jìn)而提高網(wǎng)絡(luò)的運(yùn)算速度和泛化能力。隱含層數(shù)目，其中：lhid表示隱含層神經(jīng)元數(shù)；lin為輸入層神經(jīng)元數(shù)；lout為輸出層神經(jīng)元數(shù)；b為常數(shù)，取值范圍通常取［0，10］。

選擇裝配質(zhì)量特征參數(shù)訓(xùn)練樣本為粒子種群，建立BP 神經(jīng)網(wǎng)絡(luò)連接權(quán)重與PSO 粒子維度之間的映射，網(wǎng)絡(luò)中的一個(gè)連接權(quán)重對應(yīng)每個(gè)粒子的維度分量。則PSO 粒子的維度空間為r=lin×lhid+lout×lhid+lhid+lout，對應(yīng)網(wǎng)絡(luò)的權(quán)重和閾值。

（3）適應(yīng)度函數(shù)

PSO 算法的適應(yīng)度函數(shù)采用網(wǎng)絡(luò)輸出的均方誤差（Mean Square Error，MSE）：

式中：GMSE表示均方誤差；Yk，j（Xj）為神經(jīng)網(wǎng)絡(luò)的實(shí)際輸出；Ok，j為訓(xùn)練樣本j在k輸出端的期望輸出。

（4）基于PSO 算法的BP神經(jīng)網(wǎng)絡(luò)算法流程圖

PSO-BP神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟如下：

步驟1 確定三層BP網(wǎng)絡(luò)結(jié)構(gòu)，設(shè)定輸入層、隱含層、輸出層的神經(jīng)元個(gè)數(shù)，并構(gòu)建學(xué)習(xí)函數(shù)及訓(xùn)練函數(shù)。

步驟2 初始化粒子位置、速度以及粒子個(gè)體極值和全局最優(yōu)值，根據(jù)微粒群規(guī)模，按照個(gè)體結(jié)構(gòu)隨機(jī)產(chǎn)生一定數(shù)目的微粒組成種群。

步驟3 計(jì)算每個(gè)粒子的適應(yīng)度，先輸入一個(gè)粒子，每一個(gè)樣本都可以按BP 網(wǎng)絡(luò)的前向計(jì)算方法計(jì)算出一個(gè)網(wǎng)絡(luò)的輸出值，并計(jì)算其誤差；按該方法計(jì)算出所有樣本的均方差，即該粒子的適應(yīng)度。依次類推，可計(jì)算出所有粒子的適應(yīng)度值。通常為了保證所訓(xùn)練的神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)的泛化能力，在網(wǎng)絡(luò)訓(xùn)練中將樣本分為訓(xùn)練樣本和測試樣本，每進(jìn)行一次訓(xùn)練，都要對給定的樣本進(jìn)行分類，以保障每次訓(xùn)練時(shí)具有不同的訓(xùn)練樣本集。

步驟4 比較適應(yīng)度值，確定每個(gè)粒子的個(gè)體極值點(diǎn)和全局最優(yōu)極值點(diǎn)：if：Ppre＜Pbest，Pbest=Ppre，Pbest=xi；else，Pbest不變；ifPpre＜gbest，gbest=Ppre，gbest=xi；else，gbest不變。其中：Ppre為當(dāng)前粒子的適應(yīng)度；Pbest為粒子的個(gè)體極值；gbest為全局最優(yōu)值。

步驟5 更新每個(gè)粒子的位置和速度。按照式（12）和式（13）更新粒子的位置和速度，并保證更新后的位置和速度在限定的范圍內(nèi)。

式中：w為慣性常數(shù)；分別為t時(shí)刻粒子i的速度向量和位置向量的第r維分量；w1和w2為學(xué)習(xí)因子；r1和r2為（0，1）區(qū)間的隨機(jī)數(shù)；為動量部分，使其依據(jù)自身速度進(jìn)行慣性運(yùn)動；）反映粒子自身的思考和進(jìn)化能力；）代表粒子間的相互協(xié)作與信息共享。

步驟6 計(jì)算算法誤差，通常采用在線性能準(zhǔn)則或離線性能準(zhǔn)則進(jìn)行算法誤差評估，如式（14）所示，本文采用離線性能準(zhǔn)則評估網(wǎng)絡(luò)的性能。

式中：iter為算法當(dāng)前的迭代次數(shù)，為第i次迭代的全局最優(yōu)值的適應(yīng)度。

步驟7 比較是否達(dá)到最大迭代次數(shù)或式（14）的值是否滿足精度，若滿足預(yù)設(shè)精度，則算法收斂，最后一次迭代的全局最優(yōu)值gbest中每一維的權(quán)值和閾值即為所求；否則返回步驟2，繼續(xù)算法的迭代。

3.4 基于機(jī)器視覺的防誤技術(shù)

基于機(jī)器視覺的防誤不受外部環(huán)境、主觀因素和防誤對象的影響，根據(jù)配置的校驗(yàn)標(biāo)準(zhǔn)能夠快速、準(zhǔn)確地識別出產(chǎn)品裝配中的缺陷，提高在制品裝配問題的識別率，主要包括表面品質(zhì)檢測（產(chǎn)品或物料表面凹陷、劃痕、裂紋及磨損）、空間特征檢測（形狀檢測、位置檢測、方向檢測）、在制品防錯(cuò)裝漏裝等內(nèi)容，根據(jù)防誤的不同內(nèi)容，在處理過程中需要采用不同的處理方案，其中對關(guān)鍵特征的提取主要包括圓形度、面積、灰度分布、灰度統(tǒng)計(jì)值等。Q-gate設(shè)置機(jī)器視覺防誤系統(tǒng)，不僅滿足了質(zhì)量控制要求，而且節(jié)約了成本和時(shí)間。機(jī)器視覺將計(jì)算機(jī)圖像處理和模式識別理論結(jié)合，綜合了計(jì)算機(jī)技術(shù)、數(shù)據(jù)結(jié)構(gòu)、圖像處理、軟件工程等相關(guān)知識。圖11所示描述了基于機(jī)器視覺的Q-gate防誤處理流程，主要由系統(tǒng)啟動與工件判別、機(jī)器視覺自適應(yīng)定位、圖像匹配和結(jié)果反饋等組成。

具體步驟為：

（1）啟動機(jī)器視覺系統(tǒng)，初始化并回到原點(diǎn)位置，啟動RFID-TAG 讀程序，獲得T 和P 等信息。根據(jù)獲得的信息判斷該區(qū)域是否需要校驗(yàn)，若無校驗(yàn)則結(jié)束，否則進(jìn)入校驗(yàn)流程。

（2）根據(jù)T 調(diào)用該Q-gate的校驗(yàn)流程及標(biāo)準(zhǔn)，拍攝Q-gate的工件圖像并輸入機(jī)器視覺位置處理程序，結(jié)合機(jī)器的當(dāng)前位置坐標(biāo)轉(zhuǎn)換成機(jī)器動作坐標(biāo)，向機(jī)器發(fā)出動作指令。

（3）機(jī)器運(yùn)行至指定坐標(biāo)，每隔時(shí)間t對工件相應(yīng)的位置拍攝n幀圖像，將圖像傳輸至Q-GMCS系統(tǒng)進(jìn)行處理并提取關(guān)鍵特征，將其與標(biāo)準(zhǔn)圖像進(jìn)行比對，主要包括工件錯(cuò)裝漏裝、清潔度、劃痕和加工鑄造缺陷等內(nèi)容，依次完成所有校驗(yàn)內(nèi)容。返回校驗(yàn)結(jié)果集，若不符合裝配規(guī)范，則將工件與缺陷信息綁定后存儲。

其中，圖像匹配按所選的基元分為基于圖像灰度分布的匹配和基于圖像特征的匹配。前者以圖像的灰度信息為基礎(chǔ)，用灰度相關(guān)性和相似性作相關(guān)匹配判決，該類方法對景物表面結(jié)構(gòu)、光照反射和成像幾何十分敏感；后者通過選擇能表示景物自身特性的特征，通過更多強(qiáng)調(diào)空間景物的結(jié)構(gòu)信息解決匹配的歧義性，匹配特征主要為點(diǎn)狀特征、線狀特征、角特征、區(qū)域特征和統(tǒng)計(jì)特征。

4 應(yīng)用實(shí)例及分析

4.1 企業(yè)需求分析

以某型1.5TGDI直列4缸渦輪增壓汽油發(fā)動機(jī)為研究對象，基于Java 2 平臺企業(yè)版（Java 2 Platform Enterprise Edition，J2EE）架構(gòu)構(gòu)建并開發(fā)了Q-GMCS 系統(tǒng)，Q-gate裝配質(zhì)量控制融合了基于狀態(tài)空間模型的裝配誤差分析、基于PSO-BP神經(jīng)網(wǎng)絡(luò)的裝配性能預(yù)測模型、動態(tài)工序能力分析等質(zhì)量控制方法。裝配線設(shè)計(jì)生產(chǎn)節(jié)拍為42s／臺，雙班年產(chǎn)量30萬臺，可裝配5種型號發(fā)動機(jī)。裝配過程需經(jīng)過裝配、檢測和輔助等共109個(gè)工序，質(zhì)量控制點(diǎn)358個(gè)，其中擰緊工序52個(gè)，包括290個(gè)質(zhì)量控制點(diǎn)。由于裝配工序繁多，前期是發(fā)動機(jī)裝配完成后在測試線測試發(fā)動機(jī)的裝配性能，若符合出廠規(guī)范則入庫，若不符合性能規(guī)范則返修，其中發(fā)動機(jī)因測試時(shí)間長（15min左右）而返修成本較高。

4.2 Q-gate發(fā)動機(jī)裝配質(zhì)量控制

根據(jù)發(fā)動機(jī)的裝配工藝規(guī)范和歷史裝配數(shù)據(jù)，將其總成裝配線分為9個(gè)Q-gate，并對發(fā)動機(jī)的缸體清洗、曲軸清洗、活塞連桿分裝、缸蓋分裝及發(fā)動機(jī)測試線分別設(shè)置了Q-gate，圖12 定義了Q-gate設(shè)置點(diǎn)及Q-gate包含的工序。本文闡述了發(fā)動機(jī)的裝配過程Q-gate質(zhì)量控制的應(yīng)用流程，在各Qgate應(yīng)用程序中嵌入基于狀態(tài)空間模型的裝配誤差分析、動態(tài)工序能力分析及基于PSO-BP 神經(jīng)網(wǎng)絡(luò)的裝配性能預(yù)測等智能方法，對發(fā)動機(jī)的裝配過程質(zhì)量進(jìn)行主動控制，初始以500臺合格發(fā)動機(jī)樣本進(jìn)行訓(xùn)練，獲得Q-GMCS系統(tǒng)的初始知識庫，后期隨著裝配發(fā)動機(jī)的累積，對知識庫進(jìn)行補(bǔ)充和更新。如圖13所示為以Q-gate3為例進(jìn)行的分析。

具體步驟如下：

步驟1 根據(jù)每種產(chǎn)品質(zhì)量控制的關(guān)鍵工位，分別定義在制品的機(jī)器視覺防誤匹配圖像（如圖13①）。

步驟2 依據(jù)發(fā)動機(jī)裝配線體和設(shè)備，組態(tài)配置各個(gè)設(shè)備相應(yīng)的監(jiān)控程序，將實(shí)體設(shè)備進(jìn)行集成，實(shí)時(shí)監(jiān)控設(shè)備的運(yùn)行和故障信息（如圖13②）。

步驟3 根據(jù)產(chǎn)品類型定義產(chǎn)品裝配過程質(zhì)量控制的Q-gate，并為Q-gate配置質(zhì)量規(guī)范、設(shè)備、機(jī)器視覺、防誤、工位裝配物料等信息（如圖13③）。

步驟4 為發(fā)動機(jī)裝配線布置相關(guān)的主動和被動感知元件，如RFID 標(biāo)簽、RFID 讀寫器等。根據(jù)裝配資源標(biāo)識規(guī)范生成發(fā)動機(jī)總成RFID-TAG，將所涉及裝配元素的統(tǒng)計(jì)信息生成規(guī)范的XML 格式的DB（如圖13④）。

步驟5 利用機(jī)器視覺技術(shù)防錯(cuò)裝漏裝（如圖13⑤為防主軸承蓋錯(cuò)裝），判斷主軸承蓋上的箭頭和數(shù)字。

步驟6 預(yù)測產(chǎn)品關(guān)鍵質(zhì)量特性，分析關(guān)鍵裝配過程誤差，并輸入專家系統(tǒng)，判斷是否符合規(guī)范，如曲軸回轉(zhuǎn)力矩預(yù)測和曲軸徑向跳動分析（如圖13⑥）。

步驟7 根據(jù)Q-gate校驗(yàn)知識庫對發(fā)動機(jī)的裝配過程質(zhì)量進(jìn)行嚴(yán)格校驗(yàn)，可視化顯示校驗(yàn)過程，進(jìn)行裝配產(chǎn)品的趨勢分析和設(shè)備狀態(tài)的實(shí)時(shí)監(jiān)控（如圖13⑦為Q-gate校驗(yàn)點(diǎn)）。

步驟8 統(tǒng)計(jì)分析質(zhì)量檢驗(yàn)點(diǎn)和產(chǎn)品的關(guān)鍵質(zhì)量數(shù)據(jù)，根據(jù)不同方式查詢和追溯產(chǎn)品裝配過程關(guān)鍵數(shù)據(jù)，依據(jù)歷史裝配數(shù)據(jù)及Q-gate校驗(yàn)數(shù)據(jù)生成知識庫，實(shí)現(xiàn)對裝配過程的改善（如圖13⑧）。

4.3 效果對比

該發(fā)動機(jī)裝配線于2014年1月開始批量生產(chǎn)，并實(shí)施了Q-GMCS系統(tǒng)。對前7個(gè)月生產(chǎn)情況進(jìn)行的統(tǒng)計(jì)結(jié)果如表1所示。從表1可以看出：

（1）Q-gate裝配過程主動質(zhì)量控制的方法，降低了該發(fā)動機(jī)裝配過程的返修率，減少了發(fā)動機(jī)的過裝配問題，提高了發(fā)動機(jī)裝配質(zhì)量主動控制的能力和穩(wěn)定性。

（2）上游Q-gate的裝配過程的質(zhì)量控制大幅降低了下游Q-gate的返修率，及時(shí)返修也降低了過裝配造成的不必要的損失，同時(shí)降低了發(fā)動機(jī)的裝配成本和生產(chǎn)周期。

（3）前期Q-gate3的返修率較高，研究后發(fā)現(xiàn)其原因是難以保證曲軸的回轉(zhuǎn)力矩，與曲軸的軸向間隙相關(guān)性較大。后將止推墊片進(jìn)行了選配，于是大幅度降低了返修率。

（4）從表1中的分析數(shù)據(jù)可以看出，目前發(fā)動機(jī)裝配質(zhì)量控制還未達(dá)到3σ要求，隨著Q-GMCS系統(tǒng)的持續(xù)推進(jìn)和知識庫的積累，會進(jìn)一步改善裝配過程的質(zhì)量控制。

表1 2014年應(yīng)用Q-GMCS系統(tǒng)7個(gè)月后各Q-gate返修率對比 %

5 結(jié)束語

本文通過對復(fù)雜機(jī)械產(chǎn)品裝配工藝進(jìn)行分析，以裝配過程質(zhì)量主動控制為目標(biāo)，從定性和定量的質(zhì)量控制角度提出了Q-gate控制方法。研究了裝配過程質(zhì)量門監(jiān)控體系，構(gòu)建了Q-GMCS系統(tǒng)并闡述了其關(guān)鍵技術(shù)，通過實(shí)例驗(yàn)證了其有效性和可行性，實(shí)現(xiàn)了裝配過程質(zhì)量主動控制，降低了返修率，提高了裝配的穩(wěn)定性?？梢灶A(yù)期，隨著系統(tǒng)應(yīng)用的成熟及裝配過程質(zhì)量控制知識的積累，將會進(jìn)一步改善裝配質(zhì)量。

然而，動載荷作用下的裝配質(zhì)量控制、質(zhì)量控制閾優(yōu)化等還有待進(jìn)一步研究，設(shè)備運(yùn)行狀態(tài)、人員勝任能力與裝配質(zhì)量之間的關(guān)系等也是后期研究的重點(diǎn)。

［1］GU Xinjian，DAI Feng，CHEN Jixi，et al.Relationship between smarter manufacturing and smarter city［J］.Computer Integrated Manufacturing Systems，2013，19（5）：1127-1133（in Chinese）.［顧新建，代 風(fēng)，陳芨熙，等.智慧制造與智慧城市的關(guān)系研究［J］.計(jì)算機(jī) 集成制 造系統(tǒng)，2013，19（5）：1127-1133.］

［2］LI Bohu，ZHANG Lin，WANG Shilong，et al.Cloud manufacturing：a new service-oriented networked manufacturing model［J］.Computer Integrated Manufacturing Systems，2010，16（1）：1-7，16（in Chinese）.［李伯虎，張 霖，王時(shí)龍，等.云制造—面向服務(wù)的網(wǎng)絡(luò)化制造新模式［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（1）：1-7，16.］

［3］XU Binshi，DONG Shiyun，SHI Peijing.States and prospects of China characterized quality guarantee technology system for remanufactured parts［J］.Journal of Mechanical Engineering，2013，49（20）：84-90（in Chinese）.［徐濱士，董世運(yùn)，史佩京.中國特色的再制造零件質(zhì)量保證技術(shù)體系現(xiàn)狀及展望［J］.機(jī)械工程學(xué)報(bào)，2013，49（20）：84-90.］

［4］LI Wenchuan，JING Yi，WANG Xu.RFID operation mode for discrete manufacturing enterprises based on adoption process perspective［J］.Computer Integrated Manufacturing Systems，2013，19（7）：1684-1691（in Chinese）.［李文川，景熠，王 旭.基于采納過程視角的離散制造企業(yè)無線射頻識別運(yùn)行模式［J］.計(jì)算機(jī)集成制造系統(tǒng)，2013，19（7）：1684-1691.］

［5］CEGLAREK D，HUANG W，ZHOU S，et al.Time-based competition in multistage manufacturing：stream-of-variation analysis（SOVA）methodology—review［J］.International Journal of Flexible Manufacturing Systems，2004，16（1）：11-44.

［6］CHEN Y，JIN J.Quality-reliability chain modeling for manu-facturing processes［J］.IEEE Transaction on Reliability，2005，54（3）：475-488.

［7］DU Shichang，XI Lifeng，PAN Ershun.Modeling and controlling of dimensional variation in multi-stage manufacturing system［J］.Journal of Shanghai Jiaotong University，2006，40（4）：583-587（in Chinese）.［杜世昌，奚立峰，潘爾順.多階段制造系統(tǒng)中尺寸偏差建模與控制［J］.上海交通大學(xué)學(xué)報(bào)，2006，40（4）：583-587.］

［8］DU Shichang，XI Lifeng，PAN Ershun.Modeling &controlling of product quality in serial-parallel hybrid multi-stage manufacturing systems［J］.Computer Integrated Manufacturing Systems，2006，12（7）：1068-1073（in Chinese）.［杜世昌，奚立峰，潘爾順.串并聯(lián)混合式多階段制造系統(tǒng)產(chǎn)品質(zhì)量建模與控制［J］.計(jì)算機(jī)集成制造系統(tǒng)，2006，12（7）：1068-1073.］

［9］XIE N，CHEN L，LI A.Fault diagnosis of multistage manufacturing systems based on rough set approach［J］.International Journal of Advanced Manufacturing Technology，2010，48（9）：1239-1247.

［10］HEREDIA J A，GRAS M.Statistical estimation of variation transmission model in a manufacturing process［J］.International Journal of Advanced Manufacturing Technology，2010，52（5）：789-795.

［11］ZHANG Zhisheng，HE Boxia，SHI Jinfei，et al.A survey of stream of variation in multistage manufacturing process［J］.China Mechanical Engineering，2010，21（6）：733-741（in Chinese）.［張志勝，何博俠，史金飛，等.多工步制造過程的變異流研究進(jìn)展［J］.中國機(jī)械工程，2010，21（6）：733-741.］

［12］HUANG W，KONG Z.Process capability sensitivity analysis for design evaluation of multistage assembly processes［J］.IEEE Transaction on Automation Science and Engineering，2010，7（4）：736-745.

［13］JIAO Y，DJURDJANOVIC D.Compensability of errors in product quality in multistage manufacturing processes［J］.Journal of Manufacturing Systtems，2011，30（4）：204-213.

［14］TANG Xiaoqing，WANG Bo，WANG Shuchun.Quality assurance model in mechanical assembly［J］.International Journal of Advanced Manufacturing Technology，2010，51（9）：1121-1138.

［15］HUANG Y M，SHIAU C S.An optimal tolerance allocation model for assemblies with consideration of manufacturing cost，quality loss and reliability index［J］.Assembly Automation，2009，29（3）：220-229.

［16］CHENG K M，TSAI J C.Optimal statistical tolerance allocation for reciprocal exponential cost-tolerance function［J］.Journal of Engineering Manufacture，2013，227（5）：650-656.

［17］LIU Mingzhou，ZHAO Zhibiao，LING Xianjiao，et al.Research on online tolerance optimization for complex mechanical products assembly process based on shortest path［J］.Journal of Mechanical Engineering，2012，48（10）：173-177（in Chinese）.［劉明周，趙志彪，凌先姣，等.基于最短路徑的復(fù)雜機(jī)械產(chǎn)品裝配過程質(zhì)量控制點(diǎn)公差帶在線優(yōu)化方法［J］.機(jī)械工程學(xué)報(bào)，2012，48（10）：173-177.］

［18］LIU Mingzhou，WANG Xiaoqiao，MA Jing，et al.Research and applications on online control threshold optimization for complex mechanical products assembly process based on the mutual information and game theory［J］.Computer Integrated Manufacturing Systems，2014，20（11）：2798-2807（in Chinese）.［劉明周，王小巧，馬 靖，等.基于互信息和博弈論的復(fù)雜機(jī)械產(chǎn)品裝配質(zhì)量控制閾在線優(yōu)化方法及應(yīng)用［J］.計(jì)算機(jī)集成制造系統(tǒng)，2014，20（11）：2798-2807.］

［19］ABELLAN-NEBOT J V，LIU J，ROMERO SUBIRóN F.Quality prediction and compensation in multi-station machining processes using sensor-based fixtures［J］.Robotics and Computer Integrated Manufacturing，2012，28（2）：208-219.

［20］YANG Jingping，WANG Wanlei，KANG Jing，et al.Research on multi-phased product quality predictive control method based on PSO-SVM［J］.Journal of Dalian Nationalities University，2013，15（1）：37-41（in Chinese）.［楊靜萍，王萬雷，康 晶，等.基于PSO-SVM 的多階段產(chǎn)品質(zhì)量預(yù)測控制方法研究［J］.大連民族學(xué)院學(xué)報(bào)，2013，15（1）：37-41.］

［21］SU Q，LIU L，LAI S.Measuring the assembly quality from the operator mistake view：a case study［J］.Assembly Automation，2009，29（4）：332-340.

［22］LIU W，LIU J，NING R，et al.Unified dimension and tolerance modeling for mechanical precision predicting［J］.International Journal of Advanced Manufacturing Technology，2011，57（1）：307-323.

［23］ZHANG Yingfeng，ZHAO Xibin，SUN Shudong，et al.Implementing method and key technologies for IoT-based manufacturing execution system［J］.Computer Integrated Manufacturing Systems，2012，18（12）：2634-2642（in Chinese）.［張映鋒，趙曦濱，孫樹棟，等.一種基于物聯(lián)技術(shù)的制造執(zhí)行系統(tǒng)實(shí)現(xiàn)方法與關(guān)鍵技術(shù)［J］.計(jì)算機(jī)集成制造系統(tǒng)，2012，18（12）：2634-2642.］

［24］ZHENG Li，JIANG Pingyu，QIAO Lihong，et al.Challenges and frontiers of manufacturing systems［J］.Journal of Mechanical Engineering，2010，46（21）：124-136（in Chinese）.［鄭力，江平宇，喬立紅，等.制造系統(tǒng)研究的挑戰(zhàn)和前沿［J］.機(jī)械工程學(xué)報(bào)，2010，46（21）：124-136.］

［25］LIU Xiaobing，LIU Caiyan，MA Yue，et al.Research on dynamic quality control system based on MES［J］.Computer Integrated Manufacturing Systems，2005，11（1）：133-137（in Chinese）.［劉曉冰，劉彩燕，馬 躍，等.基于制造執(zhí)行系統(tǒng)的動態(tài)質(zhì)量控制系統(tǒng)研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2005，11（1）：133-137.］

［26］ZHANG Genbao，REN Xianlin，LI Ming，et al.Dynamic quality traceable system based on MES and CAPP［J］.Computer Integrated Manufacturing Systems，2010，16（2）：349-355（in Chinese）.［張根保，任顯林，李 明，等.基于MES和CAPP的動態(tài)質(zhì)量可追溯系統(tǒng)［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（2）：349-355.］

［27］HUANG Gang，LI Jinhang，WU Jieyu，et al.Research and realization of adaptable manufacturing execution system oriented to discrete manufacturing industry［J］.Computer Integrated Manufacturing Systems，2011，17（10）：2137-2143（in Chinese）.［黃 剛，李晉航，巫婕妤，等.離散制造業(yè)可適應(yīng)制造執(zhí)行系統(tǒng)的研究與實(shí)現(xiàn)［J］.計(jì)算機(jī)集成制造系統(tǒng)，2011，17（10）：2137-2143.］

［28］WAN Feng，LIU Jianhua，NING Ruxin，et al.Data collection and management method for discrete assembly process of complex product［J］.Computer Integrated Manufacturing Systems，2012，18（8）：1819-1828（in Chinese）.［萬 峰，劉檢華，寧汝新，等.面向復(fù)雜產(chǎn)品離散裝配過程的數(shù)據(jù)采集和管理方法［J］.計(jì)算機(jī)集成制造系統(tǒng)，2012，18（8）：1819-1828.］

［29］CNR Changchun Railway Car Limited by Share Ltd China.Quality gates management system for changchun Railway Vehicles Co.，Ltd.［J］.Enterprise Management，2010（5）：60-63（in Chinese）.［中國北車長春軌道客車有限股份公司.長客股份的“質(zhì)量門”管理體系［J］.企業(yè)管理，2010（5）：60-63.］

［30］WANG Yuanhang，DENG Chao，WU Jun，et al.Mixed-expert-system-based fault diagnosis for heavy machine［J］.Computer Integrated Manufacturing Systems，2010，16（10）：2139-2147（in Chinese）.［王遠(yuǎn)航，鄧 超，吳 軍，等.基于混合型專家系統(tǒng)的重型機(jī)床故障診斷［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（10）：2139-2147.］

［31］CAO Jun，YIN Chao，LIU Fei，et al.Research and application on dynamic statistical process control of key process in multi-varieties and small-batch machining workshop［J］.China Mechanical Engineering，2011，22（23）：2822-2827（in Chinese）.［曹 軍，尹 超，劉 飛，等.多品種小批量機(jī)加工車間關(guān)鍵工序動態(tài)SPC 研究及應(yīng)用［J］.中國機(jī)械工程，2011，22（23）：2822-2827.］

［32］PAN Hao，HOU Qinglan.A BP neural networks learning algorithm research based on particle swarm optimizer［J］.Computer Engineering and Application，2006，42（6）：41-43，66（in Chinese）.［潘 昊，侯清蘭.基于粒子群優(yōu)化算法的BP網(wǎng)絡(luò)學(xué)習(xí)研究［J］.計(jì)算機(jī)工程與應(yīng)用，2006，42（6）：41-43，66.］

［33］ZHANG Huiying，WANG Guihua.Improve the method of multi-criteria eomprehensice evaluation［J］.College Mathematics，2009，25（4）：199-202（in Chinese）.［張慧穎，王桂花.多指標(biāo)綜合評價(jià)方法的改進(jìn)［J］.大學(xué)數(shù)學(xué)，2009，25（4）：199-202.］