江苏龙网

  1. 首页 > 人文 > >

一种基于制造大数据的产品工艺自适应设计方法

一、前言
大数据、云计算等新兴信息技术快速兴起 ， 与现代工业技术迅速结合 ， 产生了众多新型生产制造模式 ， 如智能制造、数字孪生等 [1] ， 数据驱动成为解决复杂问题的有效途径与重要手段 。 随着数控机床、传感器、数据采集器和其他设备器件的大量应用 ， 制造企业在生产过程中积累了大量的制造数据 [2] 。 这些制造数据呈现出典型的大数据特性 [3] ， 数据背后隐含的关联规则与制造知识尚待发现 ， 需要进行数据挖掘以有效指导产品工艺的迭代和优化设计 ， 进而提高产品工艺设计对制造环境的适应性 。
传统的产品工艺设计方法较多基于仿真与实验来进行 [4~6] ， 产品工艺设计与数据驱动的典型流程如图 1 所示 。 具体而言 ， 在新的设计任务出现后 ， 设计人员借助设计软件进行产品工艺的设计与规划；在实际生产之前试制产品并进行试验验证 ， 确定最终设计方案后进行实际制造；在实际制造过程中 ， 收集机器、刀具、工件等实时数据监控生产状态 [7]；对生产出来的产品进行质量检测 [8] ， 产生产品检测数据 。 制造数据的挖掘过程就是通过分析处理制造数据 ， 探索出产品质量与工艺参数间的关系和规律；新发现的知识可运用知识库技术进行规范化表达与结构化存储 ， 辅助设计优化决策 [9] ， 改进产品设计 ， 实现产品工艺的“后向设计” 。 目前基于实验与仿真的产品工艺设计方法在制造企业中应用相对成熟 ， 而制造大数据驱动的“后向设计”有所不足 ， 亟需解决产品设计对制造系统环境自适应差、产品迭代与版本更新滞后等问题 。
一种基于制造大数据的产品工艺自适应设计方法文章插图
图 1 产品工艺设计与数据驱动流程图
注：MES 表示制造企业生产过程执行管理系统 。
数据挖掘兴起于 20 世纪 90 年代 ， 究其本质在于从海量数据中提取、分析和发现知识 [10,11] 。 近年来 ， 研究者非常重视制造大数据的应用 。 K?ksal 等 [8] 综述了 1997—2007 年数据挖掘在产品质量改进方面的应用情况 ， Ferrerio 等 [7] 将数据挖掘应用于飞机零部件钻孔工艺的优化决策 ， Zhang等 [12] 通过挖掘分析用户评论数据以优化产品创新、更新产品市场 ， Kretschmer 等 [13] 研究了数据挖掘在装配工艺设计决策中的应用 ， Tao 等 [14,15] 提出了基于大数据的数字孪生驱动的产品设计框架 ， Ma 等 [16] 提出了由数据驱动的产品族设计方法并在产品族设计实例中应用 ，Fu 等 [17] 举证分享了数据驱动产品创新的指导意见 ， Yu等 [18]讨论了大数据世代产品设计的新模式 。
传统的数据挖掘技术多是针对结构化数据展开的 ， 而在海量、多源、异构的制造大数据场景下进行应用略显不足 ， 需要运用新兴技术进行数据融合、处理和分析 。 为此 ， 本文提出一种新型的“数据 + 知识 + 决策”产品工艺自适应设计模式 ， 以发挥制造大数据在产品设计中的驱动作用 。
二、产品工艺自适应设计方法分析
随着数控机床、传感器在生产车间中的广泛使用以及物联网、人工智能等技术的快速发展 ， 制造企业收集到的制造数据越来越多 ， 数据增加速度也越来越快 。 如何充分发挥制造数据的价值成为企业发展面临的难题和机遇 。 “数据 + 知识 + 决策”的产品工艺自适应设计模式是解决这一问题的有效手段 ， 可以充分挖掘制造数据的潜在价值 ， 驱动产品工艺的自适应设计 ， 促进产品服务和产品质量的提升 。
数据驱动的产品工艺自适应设计模式的数据挖掘过程如图 2 所示 ， 具体步骤为：①从制造系统产生的数据出发形成制造大数据 ， 分为结构化数据和非结构化数据 ， 其中非结构化数据通过特征提取与信息提取等方式进行结构化处理来实现异构数据融合；②对海量数据进行选择与抽样 ， 使抽样样本既能体现整体的分布情况 ， 又不增加数据分析计算的复杂度；③对抽样后的数据进行清洗与预处理；④通过数据变换使数据降维 ， 成为低维数据；⑤进行数据挖掘计算 ， 挖掘数据中隐含的规律、模式和模型；⑥以数据可视化方式辅助设计决策 ， 推动产品的自适应设计 。


推荐阅读


上一篇：iPhone12全系详细参数对比

下一篇：韩国大规模弃用5G，三星终于想到向华为求助了