[发明专利]一种DMAIC驱动的小批量零件加工工艺过程质量改进方法

摘要

一种DMAIC驱动的小批量零件加工工艺过程质量改进方法，其逻辑过程主要有定义、测量、分析、改进与控制五个阶段，定义阶段主要确定质量改进活动的对象和目标，找出与加工过程相关的所有因素；测量阶段通过确定加工过程的关键控制工序，搭建基于CPS的数字化信息采集网络，实时采集生产过程中的加工数据；分析阶段构建了赋值型误差传递网络，通过对质量特征误差灵敏度的计算，找出与质量问题相关的关键因素；改进阶段针对出现质量问题的原因，制定对应的措施对工艺参数等加以改进；控制阶段构建了质量特征误差预测模型，对产品质量进行有效控制。该方法可以有效改进和优化小批量零件的加工工艺过程，形成对小批量零件加工过程质量的持续改进功能。

主权项

1.一种DMAIC驱动的小批量零件加工工艺过程质量改进方法，其特征在于，包括以下步骤：(1)定义阶段：明确现有小批量零件加工过程的工艺水平，制定适合的阶段改进目标，并通过对流程的全面分析，绘制供应商(S)‑输入(I)‑流程(P)‑输出(O)‑客户(C)(以下简称SIPOC)图，为后续的各阶段打下基础；(2)测量阶段：在进行生产之前，提取出工艺过程中影响零件最终质量特征的某些关键工序。由于工艺中的加工特征和加工要素之间存在着基准关系、演变关系和影响关系，使得加工过程中的误差传递呈现网络特性，据此可构建误差传递网络，通过对网络指标的计算，可得到小批量零件加工工艺过程的关键工序。为增强对质量误差诱因和改进机会的定量化认识，需在这些关键工序设置数据采集点，由此提出基于信息物理系统的数字化加工过程信息采集网络，并通过此网络采集零件加工过程中的工况信息以及质量特征数据，为后续的分析阶段提供数据支持；(3)分析阶段：定量分析小批量零件加工过程中的误差传递关系，针对加工关键工序构建赋值型误差传递网络，在此基础上进行质量特征误差灵敏度分析、建模与解算，以得到影响零件质量特征的关键因素；(4)改进阶段：是指针对分析出的关键影响因素，提出相对应的改进措施，并通过实验的方法验证改进效果；(5)控制阶段：利用分析阶段的赋值型误差传递网络，构建质量特征误差预测模型，通过基于特征加权的支持向量回归机(Weighted Feature Support Vector Regression Machine,WF‑SVRM)进行回归预测，并采用差分进化(Differential Evolution,DE)算法进行权重系数以及核函数相关参数的优化以提高预测精度，最终以成熟度指标来评价质量特征误差预测模型的优劣；该优化的流程描述如下：1)获取训练样本；2)权重系数、惩罚因子、核参数初始化，确定种群规模、交叉概率、变异概率、初始化种群；3)导入训练样本，调用WF‑SVRM主程序进行模型训练；4)判断误差是否满足终止条件，若满足则转6)，不满足则转5)；5)通过差分矢量对个体进行变异操作，之后进行交叉操作，并通过选择适应度较高的个体产生新一代种群，重复4)；6)得到最优参数，即得到了优化后的质量特征误差预测模型；7)将对应的信息导入即可获得零件质量特征的预测值，结束。8)为了保证质量特征误差预测模型的预测质量，采用成熟度来衡量上述模型的优劣，当成熟度满足设定的指标值时，即证明该模型已经经过了足够的样本训练，可以进行质量特征预测。模型成熟度用下式表示：式中，pi为第i个零件的质量特征预测结果，ti为第i个零件的质量特征实际值，N为已加工零件的数量。