质量大数据驱动的智能制造
发布时间：2021-12-15 09:16:05 所属栏目：大数据 来源：互联网
导读：未来，可以在大数据收集技术的支撑下，将原先单纯通过主观评价的方式拓展到主客观评价相结合的方法，而且通过大数据的手段可以更好地解决统计调查中存在的精度和系统性误差问题，真实全面反映产品质量水平。 生产流程的智能化实质是在设计、研发、生产等过
|
未来，可以在大数据收集技术的支撑下，将原先单纯通过主观评价的方式拓展到主客观评价相结合的方法，而且通过大数据的手段可以更好地解决统计调查中存在的精度和系统性误差问题，真实全面反映产品质量水平。 生产流程的智能化实质是在设计、研发、生产等过程中，通过数据驱动来提高整个过程的针对性、准确性、灵活性及高效性，最终实现对质量的实时管理和精准控制，生产出高质量的产品，提供高质量的服务。质量大数据驱动的制造可以被视为智能制造的必要条件和必然趋势。 质量大数据的内涵 质量大数据是质量相关数据集的总称，是在工业领域，从客户需求到研发、设计、工艺、制造、售后服务、运维等全生命周期各个环节所产生的各类数据及相关质量工程技术和应用的总称。质量大数据针对工业质量设计、分析评价、智能管控、运维服务等特定工业场景，将贯穿于产品全生命周期的多源、多种类、多模态的数据有效集成，通过分析挖掘，建立有效的质量分析评价、管理控制、运维服务等模型，实现工业装备的质量追溯与优化提升。 质量大数据发展历程 质量大数据主要经历了以下发展阶段。 基于数理统计的质量管控阶段。从20世纪30年代起，以统计过程控制(SPC)为代表的数理统计的质量管控(统计分析、正交设计、统计过程等)开始在各类制造型企业中获广泛应用。通过对生产过程产生的数据进行数理统计分析评价，及时发现系统性异常因素，并采取措施消除其影响，降低波动、稳定质量。 质量特性数据资源建设起始阶段。从20世纪50年代起，以美国为首的世界技术先进国家就已充分认识到质量数据的重要性。美国陆续建立了具有自动进行数据的存取、处理、检索功能的质量与可靠性数据系统。 质量数据智能化应用阶段。数据智能化基本思想是寻求并记录不同工程、设计和产品配置的知识，并且对它加以理解、抽象、描述、使用和维护。质量数据智能化应用的发展大体经历了三个时期：实验性系统时期，从1965年至1974年;MYCIN系统时期，从1975年至1980年;知识工程在产业部门开始应用的时期，时间从1980年至今。 大数据阶段。随着制造业数字化转型、高档数控机床的配置应用和自动化采集设备的广泛应用，工业装备生产产生的质量数据，逐渐被全方位采集和多形式记录，数据量、数据类型、数据传输均得到大幅提升和扩展，不断采集和积累的质量数据将质量管理推进到大数据时代。 质量大数据的特征 质量大数据具有工业大数据的一般特征，即规模性、高速性和多样性。此外，质量大数据由于其来源和应用的特点，与其他工业大数据相比，还具有其它特点，田春华、李闯、刘家扬等所著的《工业大数据分析实践》对这些特点做了归纳。 理论工具等基础较好。质量大数据在管理上，有6-sigma、TQM(Total Quality Management)、Lean Management等管理理念支撑，也有ISO 9000、ISO 9001、ISO 13053等流程标准;在技术上，有SPC (Statistical Process Control)、ANOVA等数理统计方法;在组织上，有工艺、质量管理、设备运维等固有部门支撑;在信息基础上，有EAP(Equipment Automation Program)、DCS (Distributed Control System)、SCADA (Supervisory Control And Data Acquisition)、LIMS (Laboratory Information System)等软件系统支撑。 影响因素多，数据不完备。影响质量的因素众多，不少关键过程量数据没有被采集或难以采集，关键质量指标缺乏全样本数据。关键参数稳定并不等于生产过程稳定，仅靠数据无法完美勾勒出质量物理空间。 存在大量分割的先验知识。大数据分析与先验知识的有机融合在质量大数据中非常重要，但不同人员的知识或经验经常不对称(数据分析人员对工艺与生产管理了解得不够充分，工艺人员和行业咨询师常常对大数据分析技术的能力拿捏不准)，需要一种可以使不同领域专家有效协同的机制，通过数据驱动方式，提高现有质量管控的时效性、预见性和自适应性，从而实现对更大范围要素的优化。 质量大数据驱动智能制造的典型模式 质量大数据的管理模式和应用方法正深刻影响智能制造质量提升的研究与实践，数据思维开始对质量管理机制和执行方式产生显著影响，其典型模式如下。 以产品质量为导向的设计优化 产品复杂度的增加不仅对产品的功能特性提出更高要求，同时强调产品的质量特性。传统的质量工作是根据产品研制工作计划，由产品专业技术人员分阶段进行系统功能架构、逻辑架构、物理结构等功能特性设计，由质量工作人员逐项开展可靠性建模、FMECA(Failure Mode Effects and Criticality Analysis)、FTA(Fault Tree Analysis)、测试性分析等质量特性工作，工作项目众多，数据采集效率低下且数据集成能力薄弱，不同设计分析工作的过程数据与结果数据互不流通，形成信息孤岛，导致工作效果难以保证，工作效率难以提高。 （编辑：PHP编程网 - 湛江站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
站长推荐