[发明专利]一种轴承制造工时定额修正方法

摘要

本发明公开了一种轴承制造工时定额修正方法。首先基于Markov链和Cloud模型对多个修正模型进行过滤，以获取更优秀的修正模型参与轴承制造工时定额的组合修正；采用改进免疫粒子群算法，计算过滤后的修正模型的重要度；根据过滤后的修正模型的重要度，进行组合修正。本发明应用简便，易于实现，以轴承制造中各工序的历史实动工时数据为依据，实现轴承制造工时定额修正。

主权项

一种轴承制造工时定额修正方法，其特征在于，包括如下步骤：步骤1：对多个修正模型进行过滤，获取更优秀的修正模型参与轴承制造工时定额的组合修正。将一个完整的轴承制造过程称为一个制造任务，制造任务由多个工序任务组成。设历史制造任务依次为1,2,…,nhis；待修正制造任务实际上是虚拟的制造任务，设置待修正制造任务为nhis+1,nhis+2,…,nhis+nfo，这里nfo≥1。每个历史制造任务和待修正制造任务均包含npro个工序任务。对于历史制造任务e(e＝1,2,…,nhis)，其包含的工序任务的实动工时依次设为y'(e,1),y'(e,2),…,y'(e,npro)；对于待修正制造任务c(c＝nhis+1,nhis+2,…,nhis+nfo)，其包含的工序任务的预测工时依次为y(c,1),y(c,2),…,y(c,npro)。步骤1.1计算修正模型FMd在历史制造任务区间[1,nhis]上的有效度FIVd。设有nfm个候选修正模型。根据修正模型FMd(d＝1,2,…,nfm)，历史制造任务e的工序任务工时的拟合值依次为y'd(e,1),y'd(e,2),…,y'd(e,npro)，待修正制造任务c的工序任务工时的修正值依次为yd(c,1),yd(c,2),…,yd(c,npro)。修正模型FMd在历史制造任务e(e＝1,2,…,nhis)的工序任务j上的拟合值为y'd(e,j)，那么相对误差RE'd(e,j)和精度P'd(e,j)可分别表示为和于是，可得修正模型FMd在历史制造任务的工序任务j上的有效度FIVd(j)为FIVd(j)＝EXP(P'd(e,j))·(1‑σ(P'd(e,j)))，式中从而算得修正模型FMd在历史制造任务区间[1,nhis]上的有效度步骤1.2基于Markov链对修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的精度范围进行估计。将修正模型FMd在nhis个历史制造任务的同一工序任务j上的精度值划分为nsi(nsi≤nhis)个等距的子区间将每个子区间视为一个精度状态。对于子区间(g＝1,2,…,nsi)，有式中，分别为子区间的下限和上限。特殊地，对于和有和还满足s.t.g≠h,g,h＝1,2,...,nsi。根据修正模型FMd在nhis个历史制造任务的工序任务j上的精度序列{P'd(e,j)}(这里e＝1,2,…,nhis，j＝1,2,…,npro)，确定精度状态发生的总次数为OCg(OCg<nhis)，即在精度序列{P'd(e,j)}中精度值落入子区间的总次数。设从精度状态转移到的转移次数为TRNh,g，从而得到修正模型FMd在该工序任务上从精度状态转移到的转移概率为从而可得修正模型FMd的1步状态转移矩阵为那么q步状态转移矩阵是1步状态转移矩阵的q次方，即构造初始行向量IVd，其元素为修正模型FMd的各精度状态出现的频数。将IVd与q步状态转移矩阵相乘，得新状态矩阵为计算新状态矩阵SMd的各列之和。若第i(i＝1,2,…,nsi)列的元素之和最大，则精度属于精度状态由此估计出修正模型FMd在工序任务j上的精度范围。步骤1.3基于Cloud模型对修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的精度进行估计。以修正模型FMd在nhis个历史制造任务的工序任务j的精度序列{P'd(e,j)}为输入，基于反向Cloud算法将{P'd(e,j)}映射为正态Cloud模型，模型输出为期望Exd、熵End、超熵Hed，详细算法为Exd＝EXP(P'd(e,j))；Hed=1nhis-1Σe=1nhis(P′d(e,j)-Exd)2-(End)2.]]>构造一个正向Cloud发生器，其输入为Exd、End、Hed，同时以步骤1.1中估计出的精度范围为约束，用正向Cloud模型定量估计精度，先产生一个以End为期望、以Hed为方差的正态随机数En'd＝NORM(End,Hed)，然后再产生一个以Exd为期望、以En'd为方差的正态随机数NORM(Exd,En'd)，即为修正模型FMd在待修正制造任务区间内工序任务j上的估计精度Pd(c,j)。步骤1.4基于综合有效度对修正模型进行过滤。在整个制造任务区间[1,nhis]∪[nhis+1,nhis+nfo]上，修正模型FMd的综合有效度为CVd＝Coe·FIVd+(1‑Coe)·FOVd，式中：FIVd是修正模型FMd在历史制造任务区间[1,nhis]上的有效度，由步骤1.1算得；FOVd是修正模型FMd在待修正制造任务区间[nhis+1,nhis+nfo]上的有效度，这里FOVd(j)为修正模型FMd在待修正制造任务的工序任务j的有效度，FOVd(j)＝EXP(Pd(c,j))·(1‑σ(Pd(c,j)))，根据步骤1.3算得的Pd(c,j)算得FOVd(j)，进而算得FOVd。系数Coe(0≤Coe≤1)表示决策者对FIVd的重视程度，由决策者来确定。Coe越大，FIVd越受重视，FOVd越不受重视，这里取Coe＝0.5，即认为两者同样重要。算得所有修正模型的综合有效度后，采用各修正模型综合有效度的平均值作为修正模型过滤的阈值，如果修正模型FMd将被筛选出来参加参与轴承制造工时定额的组合修正，否则将被过滤掉。实际应用中，也可根据实际情况或决策者的经验对过滤阈值进行调整。步骤2：采用改进免疫粒子群算法，计算过滤后的修正模型的重要度。设从nfm个修正模型中过滤出了nsfm(nsfm<nfm)个更优秀的修正模型，将过滤出的修正模型用SFMi(i＝1,2,…,nsfm)表示。历史制造任务e(e＝1,2,…,nhis)的工序任务j(j＝1,2,…,npro)的实动工时为y'(e,j)，修正模型SFMi对其的拟合值为y”i(e,j)，nsfm个修正模型对其的组合拟合值为ωi为修正模型SFMi的重要度。以组合拟合误差的平方和最小为目标，即目标函数为步骤2.1初始化。假设粒子位置向量x的各分量均处于区间[0,1]之内，速度向量v的各分量均处于区间[‑vmax,vmax]之内，最大迭代次数为itermax，迭代次数初始值为k＝0。随机生成的初始粒子群PO由npa个粒子组成，即粒子PAl(l＝1,2,…,npa)的位置xl和速度vl分别用nsfm维向量表示，其中位置xl的每一维对应一个过滤后的修正模型的重要度。粒子PAl(l＝1,2,…,npa)的初始位置为初始速度为步骤2.2求解粒子PAl的Gbest(k)和Gbest(k),分别表示经过iterk次迭代后粒子PAl寻找到的最优位置、在第iterk次迭代中粒子PAl寻找到的最优位置、经过iterk次迭代后粒子群寻找到的最优位置和经过iterk次迭代后粒子PAl的适应度。将目标函数作为适应度，即这里表示经过iterk次迭代后粒子PAl的位置向量中第i维的值。每个粒子都在解空间中移动，移动方向由其速度决定。经过iterk(iterk＝1,2,…,iterMax)次迭代后，粒子PAl(l＝1,2,…,npa)的位置和速度分别为粒子的速度和位置根据和不断更新，式中，和分别是粒子PAl在第iterk次迭代时的速度和位置；LF1和LF2是学习因子；和分别表示个体和群体最佳位置；是三个随机数；为粒子PAl第iterk次迭代的扰动变量，体现一种不可预测的随机行为，称为扰动项。这里，有式中βmin是扰动因子最小值；F(·)是适应度函数；分别是粒子PAl第iterk‑1,iterk‑1‑θ,iterk‑1‑ρ次迭代寻找到的最优位置。步骤2.3获取新粒子。粒子速度根据以下规则进行调整：假设第iterk次迭代时，粒子PAl的个体适应值为PFl(k)，最优粒子的个体适应值为粒子群的平均适应值为对优于的个体适应值求均值得到用来评价第iterk次迭代粒子群的收敛程度。本章根据粒子个体适应值的不同，将种群分为三个子群：和对其搜索速度分别采取不同的操作：这些粒子是种群中较为优秀的个体，已经比较接近全局最优，应缩小其搜索速度，避免因速度过大而跳出全局最优点，其搜索速度调整公式为这些粒子是种群中一般的个体，具有良好的全局寻优能力和局部寻优能力，故不改变其搜索速度。这些离子是种群中较差的个体，其搜索速度调整公式为其中η1,η2>0，η1用来控制的上限，η1越大，的上限就越大。这里取η1＝η2＝4，△(k)≥0，因此新一代粒子的位置和速度可通过步骤2.3中的和算得，式中相关参数与步骤2.3中相同。新速度需保证不超出允许的范围，即当时，取当时，取步骤2.4检查新粒子。若粒子所在的位置是不可行解，即的某分量不在区间[‑vmax,vmax]之内，该粒子将被记忆粒子替代。另外，为保持粒子多样性，随机产生napa个满足要求的粒子，按照抗体与抗原的亲和力和浓度从npa+napa个粒子中重新选出npa个粒子。当粒子的亲和力强或浓度较低时会得到促进，反之得到抑制，粒子PAl被选中的概率为PROl＝χ·PROl1+(1‑χ)·PROl2，其中表示由亲和力决定的选择概率，AFl表示粒子PAl的亲和力；表示由浓度决定的选择概率，CONl表示PAl的浓度；χ表示PROl1的权重，1‑χ表示PROl2的权重，0≤χ≤1。步骤2.5接种。从npa个新粒子中随机抽取一个粒子，再从的前t‑1个分量中随机抽取一个分量与被抽取粒子在对应位置进行调换，根据被抽取粒子的前t‑1个分量，计算粒子的第t个分量，即完成一次接种。步骤2.6免疫选择。通过计算接种后粒子的适应度进行免疫选择，如果接种后其适应度不如父代，则取消疫苗接种，否则保留该粒子。步骤2.7对步骤2.4、2.5循环执行r次。即接种r次，得到新一代的npa个粒子。步骤2.8判断算法是否停止。通常将最大迭代次数和所需达到的预测精度作为算法停止条件。若已经达到条件，寻优停止；若没有达到条件，则k＝k+1，转步骤2.2继续执行。步骤3：根据过滤后的修正模型的重要度，进行组合修正。根据步骤2算得的过滤后的修正模型的重要度，其中修正模型SFMi(i＝1,2,…,nsfm)的重要度为ωi，SFMi对某待修正制造任务c(c＝nhis+1,nhis+2,…,nhis+nfo)的工序任务j(j＝1,2,…,npro)的工时修正值为yi(c,j)，那么待修正制造任务c的工序任务j的组合修正值为依次算得待修正制造任务c其他工序任务的组合修正值。同样再依次算得其他待修正制造任务的所有工序任务的组合修正值。将nfo(nfo≥1)个待修正制造任务：nhis+1,nhis+2,…,nhis+nfo的工序任务j的组合修正值：y(nhis+1,j),y(nhis+2,j),…,y(nhis+nfo,j)进行算术平均，即nfo个待修正制造任务的工序任务j的平均组合修正值为依次算得nfo个待修正制造任务其他工序任务的平均组合修正值，从而得到轴承制造工时定额的修正结果。当只设置1个待修正制造任务，其所有工序任务的组合修正值就是修正结果，不需进行算术平均。