CN105426642B - 一种制造工序模型提取方法 - Google Patents

Abstract

本发明提供了一种制造工序模型提取方法，包括以下步骤：S1、搜集每个工序依次反馈的数据得到数据序列S；S2、从数据序列S中任意选择一个数据s_i作为工序的假设起始点；S3、做滑动互相关计算，将互相关函数的函数值最大处的数据s_r设定为循环开始点；S4、判断循环开始点与假设起始点的下标差值是否等于工序数量；S5、如果差值不等于工序数量，返回执行步骤S2；S6、如果差值等于工序数量，根据假设起始点的下标得到实际起始点，以实际起始点作为工序矩阵的起始元素，以所述起始元素s_i‑δ构建工序矩阵形成工序模型。本发明能够可以发现并纠正因为设备突发异常带来的工序数据错误，可以依据提取到的正确模型优化工序，降低生产成本。

Description

一种制造工序模型提取方法

技术领域

本发明设计制造业技术领域，具体涉及一种制造工序模型提取方法。

背景技术

在实际的制造车间中，流水线生产无处不在，怎样寻找一组最佳的工序定时模型来使生产活动达到最佳效率是流水线生产的一个常见问题。要解决这一问题，首先需要提取实际的作业工序模型，而在实际生产线上，尤其在一些作业环境特殊的场景中，很难弄清楚当前时刻流水线上每一个生产模具所处的状态和工序的关系，这将导致作业工序模型难以提取。另外，在某些场景下，例如突发性断电、设备故障等会导致搜集到的工序数据出现错误或遗漏，如果继续按照原有的周期进行计算，必然导致错误。

发明内容

本发明的目的在于提供一种制造工序模型提取方法，能够解决作业工序模型难以提取、工序数据容易出现错误或遗漏的问题。

为达到上述要求，本发明采取的技术方案是：提供一种制造工序模型提取方法，包括以下步骤：

S1、搜集每个工序依次反馈的数据得到数据序列S，其中，S＝s₁,s₂,...,s_n,n＞N×M，N为产品制造数量，M为工序数量；

S2、从数据序列S中任意选择一个数据s_i作为工序的假设起始点，其中，1≤i≤n；

S3、由假设起始点向后做滑动互相关计算，将互相关函数的函数值最大处的数据s_r设定为循环开始点，其中，1≤r≤n；

S4、判断循环开始点的下标r与假设起始点的下标i的差值是否等于工序数量；

S5、如果差值不等于工序数量，返回执行步骤S2；

S6、如果差值等于工序数量，根据假设起始点的下标i计算出偏移量δ从而得到实际起始点，并从数据序列S中找出实际起始点对应的数据s_i-δ作为工序矩阵的起始元素，以所述起始元素s_i-δ构建工序矩阵形成工序模型。

进一步的，步骤S6之后还包括以下步骤：

a、以实际起始点偏移整数倍个周期后的数据s_i-δ+k(N×M)为起始元素构建多个验证工序矩阵，其中k＝1,2,…,n；

b、分别计算工序矩阵与每个验证工序矩阵的相关矩阵；

c、判断所有相关矩阵的所有元素是否都处于门限值和1之间；

d、如果都处于门限值和1之间，则生成指示所述工序模型提取正确的响应。

进一步的，滑动互相关计算公式为其中S1和S2为两个互相关序列，其中，P为互相关序列的长度，Q为滑动的位数。

进一步的，偏移量的计算公式为δ＝(i-1)mod(N×M)。

区别于现有技术的情况，本发明的有益效果是：基于工业大数据分析技术提取制造工序模型，仅靠对数据的分析和计算即可确定当前时刻每个模具处于哪个工序，无需提取实际的作业工序模型，使工序模型的建立更加简便；不用在生产线上增加数据采集设备，降低了生产成本；在特殊情况发生时，可以通过大量周期数据的积累带来的冗余信息来消除产生的数据错误或遗漏，使工序模型更正确。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，在这些附图中使用相同的参考标号来表示相同或相似的部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是本发明实施例制造工序模型提取方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种制造工序模型提取方法，其特征在于，包括以下步骤：

S1、搜集每个工序依次反馈的数据得到数据序列S，其中，S＝s₁,s₂,...,s_n,n＞N×M，N为产品制造数量，M为工序数量；

S2、从所述数据序列S中任意选择一个数据s_i作为工序的假设起始点，其中，1≤i≤n；

S3、由假设起始点向后做滑动互相关计算，将互相关函数的函数值最大处的数据s_r设定为循环开始点，其中，1≤r≤n；滑动互相关计算公式为其中S1和S2为两个互相关序列，其中，P为互相关序列的长度，Q为滑动的位数。

S4、判断循环开始点的下标k与假设起始点的下标i的差值是否等于工序数量；

S5、如果差值不等于工序数量，则可能是两个序列中存在异常值，返回执行步骤S2；

S6、如果差值等于工序数量，则说明假设起始点选取合理，根据假设起始点的下标i计算出偏移量δ＝(i-1)mod(N×M)，从而得到实际起始点，并从数据序列S中找出实际起始点对应的数据s_i-δ作为工序矩阵的起始元素，以所述起始元素t₁₁＝s_i-δ构建工序矩阵形成工序模型，工序矩阵可以记为一个N×M矩阵：

进一步的，步骤S6之后还包括以下步骤：

a、以实际起始点偏移整数倍个周期后的数据s_i-δ+k(N×M)为起始元素构建多个验证工序矩阵，其中k＝1,2,…,n，工序矩阵依次记为T₁,T₂,...,T_n；

b、分别计算工序矩阵T与每个验证工序矩阵T₁,T₂,...,T_n的相关矩阵；

c、判断所有相关矩阵的所有元素是否都处于门限值和1之间；门限值一般取0.75，如果工序模型中对时间准确度要求高，门限值可增大，取0.9，根据不同的行业，可以根据实际的经验来设定这个门限值；

d、如果都处于门限值和1之间，则生成指示所述工序模型提取正确的响应。

下面引用实例对上述方法进行解释：

搜集每个工序依次反馈的数据得到数据序列S，且已知产品制造数量M＝5，模具数量N＝4：

S＝[2,3,5,6,7,2,3,4.9,5.8,7.1,2.1,3.02,4.91,5.89,7.0,18.3,none,...,9.91,5.89,7.01,2.2,3.01,5,6.3,7.2,2.1,3.21,5.1,6.1,7.1,...]

数据序列S中的18.3,none,...,9.91是由于设备故障产生的异常值，这导致我们用一般的顺序识别方法会把这个参数识别为错误值，并且我们不确定机器故障发生的时间有多久，我们也不知道异常值有多长，导致异常值后面的序列顺序混乱。

我们选取值2.2，其下标为81，即：

s_i＝s₈₁＝2.2

做滑动相关运算后，容易得知当滑动位数Q＝5时，相关函数的函数值最大为：

则循环开始点为s₈₆，与s₈₁的下标差值为5，说明选取的假设起始点合理，则可以求出偏移量：

δ＝(81-1)mod(4×5)＝0

于是可以确定s₈₁就是实际起始点，以此为起始元素构建工序矩阵即可。

以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (3)

1.一种制造工序模型提取方法，其特征在于，包括以下步骤：

S1、搜集每个工序依次反馈的数据得到数据序列S，其中，S＝s₁,s₂,...,s_n,n＞N×M，N为产品制造数量，M为工序数量；

S2、从所述数据序列S中任意选择一个数据s_i作为工序的假设起始点，其中，1≤i≤n；

S3、由假设起始点向后做滑动互相关计算，将互相关函数的函数值最大处的数据s_r设定为循环开始点，其中，1≤r≤n；所述滑动互相关计算公式为其中S₁和S₂为两个互相关序列，其中，P为互相关序列的长度，Q为滑动的位数；

S4、判断循环开始点的下标r与假设起始点的下标i的差值是否等于工序数量；

S5、如果差值不等于工序数量，返回执行步骤S2；

S6、如果差值等于工序数量，根据假设起始点的下标i计算出偏移量δ从而得到实际起始点，并从数据序列S中找出实际起始点对应的数据s_i-δ作为工序矩阵的起始元素，以所述起始元素s_i-δ构建工序矩阵形成工序模型。

2.根据权利要求1所述的制造工序模型提取方法，其特征在于：所述步骤S6之后还包括以下步骤：

a、以实际起始点偏移整数倍个周期后的数据s_i-δ+k(N×M)为起始元素构建多个验证工序矩阵，其中k＝1,2,…,n；

b、分别计算工序矩阵与每个验证工序矩阵的相关矩阵；

c、判断所有相关矩阵的所有元素是否都处于门限值和1之间；

d、如果都处于门限值和1之间，则生成指示所述工序模型提取正确的响应。

3.根据权利要求1所述的制造工序模型提取方法，其特征在于：所述偏移量的计算公式为δ＝(i-1)mod(N×M)。