復雜機械產品裝配過程質量門監(jiān)控系統與關鍵技術

王小巧，劉明周，葛茂根，凌 琳，馬 靖，劉從虎

（合肥工業(yè)大學 機械與汽車工程學院，安徽 合肥 230009）

0 引言

隨著全球競爭的加劇，產品呈現出功能多樣化、結構復雜化等特點，相應的產品質量的控制難度越來越大。裝配作為產品質量形成最重要的一環(huán)，在零部件高精度組裝的基礎上保障產品具有最優(yōu)的整體性能，實現裝配過程的透明化和智能化控制，是提升企業(yè)競爭力的有效手段，為此學者們提出了智能制造［1］、云制造［2］、可持續(xù)制造［3］等一系列新的制造模式，這些需求為裝配控制系統的研究和發(fā)展提供了新動力，射頻識別（Radio Frequency IDentification，RFID）技術的應用為其實現提供了可能［4］。

國內外學者從不同角度對裝配質量的控制方法和控制系統進行了研究。

在質量控制方法方面，CEGLAREK 等以時間和成本為目標，基于誤差流（Stream of Variation，SOV）分析理論對多階段裝配過程的尺寸偏差進行建模、分析和控制，以改善裝配質量［5］；Chen等闡述了多工位制造過程的復雜性，構建了可靠性鏈模型，用以分析質量和可靠性在各工位間復雜的傳遞關系［6］；杜世昌等闡述了夾具誤差、基準誤差、安裝誤差和加工誤差的傳遞與累積過程，構建了狀態(tài)空間模型來表達各種誤差之間的關系［7］，分析了串并聯混合式多階段制造系統的誤差傳遞，解決了制造系統中多種偏差流作用下產品的質量控制［8］；Xie等考慮多階段制造系統的實時數據和歷史數據，基于粗糙集理論實現了制造過程產品質量的診斷［9］；HEREDIA 等基于回歸分析闡述了質量特性之間的關系，并應用統計過程控制（Statistical Process Control，SPC）技術闡述制造過程的穩(wěn)定性，以此構建了多階段制造過程誤差傳遞模型，實現了多階段制造過程的產品質量控制［10］；張志勝等研究了多工步制造過程中的變異流，基于狀態(tài)空間模型將產品的質量特征和過程參數聯系起來，描述了質量特征變異的傳遞，以此實現制造質量診斷和制造過程優(yōu)化［11］；Huang等利用有限差分、回歸模型等方法分析過程能力的敏感性，基于蒙特卡羅模擬法對其估計，實現了多階段裝配過程的質量評估［12］；Jiao等基于SOV 理論建立了制造過程偏差模型，實現了制造過程質量的前饋控制和誤差補償［13］。

在裝配質量優(yōu)化和預測方面，TANG 等考慮機械產品裝配過程中的不確定因素，構建了裝配過程模型、作業(yè)控制模型和質量數據模型，實現了產品裝配過程的質量控制［14］；Huang等綜合考慮制造成本、質量損失成本和可靠性指數等因素，建立了公差優(yōu)化分配模型［15］；Cheng等以公差標準和設備加工能力為約束，構建了以最小制造成本為目標的成本—公差模型，并利用拉格朗日乘法和Lambert W 函數進行優(yōu)化求解，實現了公差優(yōu)化分配［16］；劉明周等研究了質量損失與公差的關系，建立了基于最短路徑的公差帶在線優(yōu)化模型，并以最小損失為目標進行優(yōu)化，實現了對質量控制點公差帶的在線優(yōu)化［17］；劉明周等以提高復雜機械產品的裝配精度和裝配穩(wěn)定性為目標，提出一種基于互信息和博弈論裝配過程質量控制閾在線優(yōu)化方法［18］；ABELLAN-NEBOT等分析了基于傳感器的夾具優(yōu)化配置、傳感器數量的優(yōu)化，結合狀態(tài)空間方程和誤差傳遞理論，實現了多工位制造過程的產品質量預測和誤差補償［19］；楊靜萍等分析了多工序多階段產品質量預測特點，建立了基于支持向量機（Support Vector Machine，SVM）的預測模型，利用粗糙集理論和主成分分析法簡化數據處理與模型，實現了多階段產品質量的預測和改進［20］；Su等基于設計和裝配過程中的關鍵因素，構建了缺陷率預測模型，實現了裝配質量的預測［21］；Liu等將尺寸幾何公差分成確定性約束、微度約束和釋放約束三類，并構建了最大相容約束模型，提供了一種質量預測方法［22］。

在裝配質量控制系統方面，張映鋒等構建了一種基于物聯技術的制造過程全方位跟蹤、控制和優(yōu)化分析的制造執(zhí)行系統（Manufacturing Execution System，MES）［23］；鄭力等利用生產歷史信息和過程的實時信息及工序之間的相關性來解決質量控制問題［24］；劉曉冰等構建了動態(tài)自適應控制系統，實現了產品生產過程質量的在線控制［25］；張根保等提出基于MES和計算機輔助工藝設計（Computer Aided Process Planning，CAPP）的動態(tài)質量追溯系統，實現了對制造過程的質量數據的追溯，并將數據服務于CAPP［26］；黃剛等針對制造環(huán)境變化和制造過程變化，建立了柔性化和配置化的MES［27］；萬峰等針對復雜產品制造過程數據采集和管理的問題，在研究工作流的基礎上構建了動態(tài)數據采集和管理模型［28］。

綜上所述，國內外在制造過程質量優(yōu)化、控制和預測方面都進行了大量研究，并取得了良好的應用效果，為研究裝配過程質量控制提供了支持。復雜機械產品［17］功能多樣、結構復雜、裝配工序繁多，裝配質量誤差伴隨在制品向下游工序傳遞、累積和放大。上述文獻的誤差流傳遞理論為其研究提供了支持，但裝配質量是由多種類型的質量特性共同作用的，且存在較強的耦合關系，如尺寸、力矩、位移、泄漏量等，同時也受非定量因素的影響，如錯裝漏裝、表面劃痕、沙眼缺陷等，另外設備工況、工序間約束也影響裝配質量。目前，考慮定性和定量因素，借助控制系統從系統層面對裝配過程的主動質量控制的研究相對較少，鑒于此，本文以國內外學者對裝配質量控制的研究為基礎，結合復雜機械產品裝配過程的特點，提出一種裝配過程質量門監(jiān)控系統（Quality Gate Monitor and Control System，Q-GMCS）。

質量門［29］控制為分階段評估裝配結果的質量和及時改善質量提供了一種方法，該方法在不同裝配工序段實現產品的不同性能指標，各工序段間存在非線性、復雜的關系。質量門綜合各工序的裝配結果，從系統層面對裝配質量進行校驗，能夠及時診斷出裝配過程中的質量問題，實現裝配過程質量的主動控制，降低過裝配造成的損失，為裝配質量持續(xù)改善提供了一種方法。其中，過裝配指產品在裝配過程中已經發(fā)生異常情況，但還繼續(xù)向下游工序流轉的裝配。

1 復雜機械產品裝配過程分析及質量門

1.1 復雜機械產品裝配過程分析

復雜機械產品裝配具有以下特點：①高精度裝配的關鍵結合面必須保持一定的清潔度，并且不能有劃痕，產品內壁質量問題不易識別；②裝配的零部件繁多、節(jié)拍快，不同型號產品的切換易出現錯裝漏裝；③設備運行狀態(tài)影響裝配質量；④上下游裝配工序間的約束、裝配誤差的累積會造成裝配的產品雖然能夠滿足裝配工藝規(guī)范，但不是最優(yōu)裝配；⑤裝配全部完成后對裝配性能進行綜合判斷，缺乏中間環(huán)節(jié)的控制，難以及時甄別問題的原因、造成問題的關鍵區(qū)段及關鍵工位。

1.2 裝配質量門的定義及內涵

定義1 裝配質量門指以裝配過程質量控制為研究對象，以產品裝配質量和裝配效率為目標，根據實時裝配工況信息、歷史裝配質量數據和裝配知識庫，結合相應的表面品質檢測、空間特征質量檢測、防錯裝漏裝、質量分析和預測以及統計分析等質量控制方法，對在制品的裝配質量進行分析，最終給出在制品的控制決策，從而實現裝配過程的主動質量控制。

裝配質量門是為了簡化復雜的裝配過程，根據產品的裝配工藝和控制要求，將其分成若干個控制區(qū)域，對每個區(qū)域設置相應的通過標準，通過相應的裝配質量控制方法對在制品的裝配性能進行評估與預警，旨在實現裝配過程質量的主動控制，及時甄別裝配質量問題，降低過裝配帶來的損失，提高和改善裝配質量及效率。裝配線體在質量門（Q-gate）校驗點定義了如圖1所示的在線返修環(huán)和如圖2所示的離線返修軌道。

Q-gate的優(yōu)點主要有：①在裝配過程中更早地發(fā)現缺陷，減少返工成本；②在造成產品損壞前發(fā)現缺陷；③為維修人員提供更多的有關缺陷的信息；④持續(xù)改善裝配質量，提高總體質量水平；⑤系統具有自學習能力，可通過長時間積累案例和質量控制策略提高裝配質量的評估與預警水平。

定義2 Q-gate的相關指標定義：①Q-gate裝配周期指在制品從進入Q-gate到離開Q-gate所花費的時間；②Q-gate直通率指在Q-gate裝配區(qū)內的在制品無返修的比率；③Q-gate返修率指該Q-gate出現裝配質量問題并返修合格的比率；④Q-gate報廢率指在Q-gate區(qū)域內出現不能修復的質量問題的在制品比率。

2 復雜機械產品裝配過程質量門監(jiān)控體系

2.1 裝配過程質量控制體系

基于上述分析，以裝配過程質量主動控制為目標建立裝配過程質量的主動控制體系架構，包括資源標識與感知、Q-gate裝配質量控制方法和質量信息追溯三部分，如圖3所示。

（1）資源標識與感知 對裝配過程中涉及的元素進行標識，使其具備感知或被感知的能力。采用RFID 技術、二維碼、可擴展標記語言（eXtensible Markup Language，XML）、數據庫等對在制品的實時數據、零部件信息、裝配質量歷史數據和圖像信息等進行標識和存儲。實時信息感知是采集并存儲裝配過程中的相關數據，以備Q-gate裝配質量控制使用。Q-gate控制策略是通過感知設備將Q-GMCS系統發(fā)出的質量控制策略傳輸至裝配線，并以可視化的形式指導在制品裝配策略及流向，實現裝配過程的“可觀”和“可控”。

（2）Q-gate裝配質量控制方法 從系統層面評估在制品的裝配質量并給出控制策略，主要包括基于狀態(tài)空間模型的裝配誤差分析、動態(tài)工序能力評價、基于粒子群優(yōu)化算法的誤差逆?zhèn)鞑ィ≒article Swarm Optimization Back Propagation，PSO-BP）神經網絡的分層預測模型、基于分層推理的專家知識系統和基于機器視覺的防誤等?；诜謱油评淼膶＜蚁到y是Q-gate裝配質量控制的核心模塊，將產品裝配過程中的設備工況信息、裝配誤差分析、工序能力評價和裝配性能預測等關鍵質量信息輸入分層智能推理系統進行分析、診斷和預測，結合機器視覺的檢測結果以可視化形式輸出在制品的Q-gate控制策略報告，達到對產品裝配過程質量主動控制的目標。

（3）質量信息追溯 針對全裝配過程的質量數據、設備工況數據、Q-gate校驗信息等進行系統的追溯，全面全程地記錄了可能引起質量問題的各種因素，為分層推理系統及裝配質量改善提供全方位的質量信息支持。主要包括Q-gate校驗信息、裝配工藝信息、設備工況信息、工序質量信息、裝配失效信息、防誤信息和推理案例等內容的追溯。

2.2 復雜機械產品Q-GMCS系統

以質量門控制體系為基礎，構建了Q-GMCS系統（如圖4），包括產品裝配質量校驗執(zhí)行層、傳輸及處理層、Q-gate校驗層、裝配過程Q-gate服務層、接口層、企業(yè)信息系統層、校驗服務中心和校驗信息實時發(fā)布八個部分。

其中：①產品裝配質量校驗執(zhí)行層是Q-GMCS系統物理執(zhí)行層，通過標識元件、感知元件、控制元件和執(zhí)行元件實現Q-gate質量校驗，根據校驗結果控制裝配過程的執(zhí)行。②傳輸及處理層是連接裝配過程與質量校驗處理中心的介質，它將感知的多源數據通過現場總線、以太網等方式傳輸至Q-gate校驗處理層，并將校驗結果反饋至裝配執(zhí)行層。③質量門校驗層是將感知的Q-gate內各工位的多源質量數據和統計分析信息進行分類與融合分析，作為質量校驗的數據源；應用質量控制方法執(zhí)行校驗流程，給出校驗決策結果，如合格（OK）、不合格（NG）、在線返修（onROK）、離線返修（offROK）等；統計分析模塊對校驗執(zhí)行結果進行統計分析，更新校驗知識庫、各類統計信息及Q-gate的相關指標。④裝配過程Q-gate服務層提供可視化校驗流程、裝配性能趨勢分析、返修及異常統計分析、多源信息統計分析、設備實時監(jiān)控、機器視覺標準圖像及缺陷庫等功能。⑤接口層是從企業(yè)信息系統層接收Q-GMCS系統需求的校驗基本信息，如裝配工藝路線、裝配規(guī)范、物料清單（Bill of Material，BOM）等。⑥企業(yè)信息系統層完成對企業(yè)整體信息的管理，主要包括生產計劃信息、生產工藝信息、供應商信息等。⑦校驗服務中心為Q-gate校驗提供實時的數據、信息和知識服務，如Q-gate組態(tài)建模信息、歷史履歷信息、實時數據庫、校驗信息發(fā)布、校驗知識庫、校驗決策庫等。⑧校驗信息實時發(fā)布主要將各Q-gate的在制品校驗結果、相關統計指標實時發(fā)送給生產管理人員、產品設計人員等，主要包括Q-gate和整線的直通率、返修率、裝配周期、報廢率等。

3 Q-GMCS關鍵使能技術

3.1 裝配資源標識

實現Q-gate裝配質量主動控制的關鍵是對裝配過程中涉及的元素進行標識，使其具備感知或被感知的能力。Q-gate的標識主要由定義資源標識結構、配置質量校驗數據塊（Data Block，DB）、DB存儲和更新三部分組成，如圖5所示。

首先，對Q-gate中的元素進行統一描述、分類及編碼，主要包括在制品、物料、設備、歷史統計數據和標準圖像等資源的定義：①定義在制品、物料、工位裝配結果、校驗結果等信息的RFID 標簽存儲格式；②定義一維碼、二維碼標識零部件的質量信息；③采用XML描述質量門校驗規(guī)范、產品工藝規(guī)范、設備統計信息、物料統計信息；④利用數據庫技術存儲機器視覺校驗需求的標準圖像。然后，定義產品Pi裝配過程中經過的工位S=｛s1，s2，…，sn｝，配置工位下的設備Eij、防誤Wij、工藝Xij、知識庫Kij、物料Mij等信息，并規(guī)范在制品Pi的RFID標簽（RFID-TAG）的存儲格式，在產品上線工位對RFID-TAG 進行初始化。最后，將定義的各DB輸入至Q-gate校驗流程，對在制品進行質量校驗，并對在制品的各類數據進行實時監(jiān)控和采集，統計分析實時工況信息更新配置的DB信息，優(yōu)化Q-gate校驗的流程及內容。

3.2 質量控制點數據采集和Q-gate校驗技術

裝配過程監(jiān)控和數據采集為Q-gate提供數據基礎，如圖6所示為Q-gate校驗和數據采集處理流程。在相應的工位配置RFID 讀寫器、RFID 標簽、掃碼槍、機器視覺等數據采集元件，通過OPC、RS232串口、以太網等軟硬件，實現開發(fā)的數據采集軟件實時與設備可編輯邏輯控制器（Programmable Logic Controller，PLC）及各類傳感器進行交互，獲得產品裝配過程中的設備狀態(tài)及裝配性能測試數據，如擰緊扭矩、壓裝位移、泄漏量、扭矩、發(fā)動機的選瓦數據等。對于零部件的質量數據，則通過一維碼、二維碼的掃碼槍獲得，并與產品標識碼綁定。

根據獲得的關鍵數據，Q-gate校驗流程如圖6所示。

步驟1 在制品進入Q-gate，判斷是否為上線工位。若是上線工位，則校驗主裝配體的機加工數據和歷史統計數據并判斷是否允許裝配，若可裝配則讀取生產計劃，根據計劃信息執(zhí)行RFID-TAG 初始化程序，結束流程；若不是上線工位，則轉步驟2。

步驟2 讀取在制品的TAG 信息，如產品出生證P、產品型號T 等，獲取工位S=｛s1，s2，…，sn｝的裝配質量數據、設備信息、裝配結果及前Q-gate的校驗結果。

步驟3 對在制品的質量數據進行分類和過濾，根據P從知識庫中獲得的相應的裝配過程信息判斷裝配過程中是否有返修。若無返修，則轉校驗流程步驟4；若有返修，則讀取出歷史返修信息，判斷返修是否合格，不合格則給出NG 放行信號，轉步驟6，合格則將返修信息輸入步驟4。

步驟4 根據P和T 獲取關鍵質量校驗點的校驗標準，并調用各工位和校驗點的裝配約束、基礎配置及知識庫信息。利用機器視覺系統對產品的清潔度、錯裝漏裝等問題進行檢測，反饋檢測結果F1。采用裝配質量控制方法對裝配質量進行評估與預測，反饋產品控制策略F2。

步驟5 根據步驟4中的質量評估結果，得出判定結果R=F1×F2，并給出決策，如OK，NG，on-ROK 等?？梢暬@示校驗過程及詳細分析報告，同時記錄關鍵信息至數據庫，更新各類統計分析、知識庫和Q-gate四類指標信息。Q-gate校驗及數據采集程序為產品裝配質量分析和改善提供數據支持。

步驟6 將校驗結果寫入RFID-TAG，校驗流程結束。

3.3 基于分層推理的專家知識系統

3.3.1 專家知識系統

Q-gate專家知識系統是以裝配質量主動控制為目標，將質量控制專家的知識經驗、先驗知識等信息以知識庫的形式存入計算機，模仿專家解決問題的推理方式和思維過程，運用這些知識和經驗對裝配過程中的問題做出判斷和決策，依次從工序、Qgate和產品三個層次分別對產品裝配過程的質量數據進行規(guī)則推理（Rule-Based Reasoning，RBR）和案例推理（Case-Based Reasoning，CBR）。RBR是對具有明確閾值和裝配質量問題進行的知識推理，裝配過程的復雜性決定了其裝配質量問題具有不確定性和模糊性，因此RBR 無法進行準確推理，可以通過融合CBR 技術，識別隱含于案例及案例與案例間的裝配質量問題和規(guī)律性知識，輔助RBR 進行準確推理，最后結合RBR 的明確裝配質量診斷結果和CBR 的相似案例診斷結果，得出較為可信的質量問題診斷結論。由此可見，RBR 和CBR 技術互為補充［30］、相輔相成，兩者融合一方面可較好地解決裝配過程的質量診斷問題，另一方面隨著專家系統的使用，可逐步完善裝配過程診斷知識庫，提高診斷的可靠性，減少虛警率，同時對出現的故障提供維修策略，實現快速在線返修和離線返修。

綜合上述分析，構建了如圖7所示的Q-GMCS系統的基于分層推理的專家系統。其中：①結構庫、模式庫、規(guī)則庫和案例庫等組成了專家系統知識庫的主體；②模式識別機是對輸入的裝配質量問題進行識別的集合；③解釋器向用戶輸出關于推理過程和最終結果的解釋；④Q-gate專家知識系統是融合RBR 和CBR的分層智能推理機，分別對產品裝配過程的關鍵質量數據、動態(tài)工序能力分析和基于PSO-BP神經網絡的分層裝配性能預測結果進行的知識表達和問題診斷算法，包括工序級推理、Q-gate級推理和產品級推理；⑤知識學習是對規(guī)則、案例和裝配質量問題自學習的管理操作。本文采用產生式規(guī)則表示法R＃ifPthenH，其中R＃為規(guī)則號，H為由條件P引出的結論，用邏輯與門and和邏輯或門or表示邏輯關系。例如發(fā)動機冷測試時的最大扭矩判斷規(guī)則ifTp〈TlorTp〉Tuthen前序裝配不滿足產品性能要求，此時系統進行預警提示，其中Tp，Tl和Tp分別為最大扭矩的最大值、最小值和預測值。

3.3.2 基于狀態(tài)空間模型的裝配誤差分析技術

裝配過程中除了裝配零部件的影響外，還受到工藝、設備、人員、工裝夾具等噪聲的干擾。模型假設一個工位裝配一個零部件，裝配誤差傳遞的狀態(tài)空間模型［7-8］如下：

式中：i為第i個裝配零部件；x（i）∈Rn×1為第i個裝配工序的狀態(tài)向量，即累積誤差；u（i）∈Rm×1為第i個零部件的輸入向量，這里運用微分運動矢量作為各裝配工序誤差狀態(tài)的統一表達方式；y（i）為裝配質量的輸出向量；w（i）∈Rn×1為裝配過程中的噪聲，v（i）∈Rn×1為測量噪聲，兩者都是零均值、白噪聲信號；A∈Rn×n，B∈Rn×m，C∈R1×n和D∈Rn×m四個矩陣為待定矩陣，如圖8所示。

將裝配過程理解為線性定常系統，其物理意義如下：

A為標識系數矩陣，描述狀態(tài)量本身對狀態(tài)量變化的影響；B為輸入（控制）矩陣，描述輸入量對狀態(tài)量變化的影響；C為輸出矩陣，描述狀態(tài)量對輸出量變化的影響；D為直接轉移矩陣，描述輸入量對輸出量（裝配質量）的直接影響。

輸出量是從系統外部能測量到的某些信息，可能是狀態(tài)分量中的一部分，也可以是一些狀態(tài)分量和控制量的線性組合；狀態(tài)變量則是完全描述系統動態(tài)行為的一組量，在許多實際系統中往往難以直接從外部測量得到。輸出量的恰當選擇要根據實際情況確定，但其數量不會超過狀態(tài)分量的個數。

以上述狀態(tài)空間模型為基礎，首先假設Δu（i）=0，確定裝配誤差傳遞函數G（X）。裝配質量誤差傳遞的狀態(tài)空間模型是一個離散多輸入多輸出（Multiple-Input Multiple-Output，MIMO）系統。確定裝配誤差傳遞函數的基本方法是取Z變換，將基于狀態(tài)空間模型的裝配誤差分析結果作為專家知識系統的輸入，然后輸出裝配誤差的分析結果，以此判斷裝配誤差是否符合后續(xù)裝配工序的要求。專家知識系統可以較好地彌補裝配過程中的噪聲w（i）和v（i），因此在計算過程中不予考慮，將裝配誤差函數轉化為：

由Z變換進行推導：

可以得到

因為裝配的初始值x0=0，所以

定義裝配誤差傳遞函數矩陣為

3.3.3 動態(tài)工序能力分析

動態(tài)工序能力分析指Q-gate根據實時采集的裝配質量特性參數數據，采用休哈特控制圖進行SPC分析，將分析結果輸入Q-gate專家系統，結合先驗知識進行推理分析，給出當前Q-gate裝配區(qū)域的裝配質量控制狀態(tài)?？刂茍D［31］是裝配工序質量控制的方法之一，在裝配過程中，產品質量特性會發(fā)生波動，正常的波動影響很小且難以避免，異常的波動對產品裝配質量影響較大，根據先驗知識，可以通過動態(tài)工序能力分析進行預測和預防，從而有效地減少批量在線返修、離線返修、報廢等情況的發(fā)生。

SPC將μ±3σ作為控制界限進行質量控制，可以有效分析較大波動的情況，但對波動較小的狀態(tài)識別率不高。鑒于此，可以通過多種控制圖對裝配工序能力進行聯合分析，如累積和控制圖、指數加權移動均值控制圖等。

3.3.4 基于PSO-BP神經網絡的分層裝配性能預測

鑒于BP神經網絡具有較強的自學習、自組織、自適應等特點，并能以任意精度逼近任何非線性連續(xù)函數，且容錯性較好，本文提出基于BP神經網絡的裝配性能預測來降低人為因素的影響。本文采用PSO 算法優(yōu)化BP 神經網絡各層的連接權值，克服了傳統BP神經網絡收斂速度慢、易陷入局部最優(yōu)解和泛化能力低等缺點，較好地提高了裝配性能的預測能力［32］。裝配過程的質量控制分為工序、Qgate和產品的質量控制，鑒于此，構建了分層的裝配性能預測模型，如圖9所示。

（1）裝配質量特征參數處理

由于不同的裝配質量特征參數有不同的量綱和單位，為了使不同量綱、不同數量級的數據作為PSO-BP神經網絡的輸入能有更好的預測效果，應將質量特征參數進行無量綱化處理［33］。質量特征參數通常分為越大越優(yōu)、越小越優(yōu)和中間型三類，各類指標的相對隸屬度計算公式分別為：

越大越優(yōu)型

越小越優(yōu)型

中間型

式中：ximax，ximin和分別表示裝配質量特征參數i的最大特征值、最小特征值和中間目標特征值；xij和分別表示裝配質量特征參數的實際值和歸一化值。經過無量綱化處理后，指標的最大值為1，最小值為0，越接近1，說明該指標越接近最優(yōu)水平。

（2）粒子及種群的構造

圖10所示為本文構建的PSO-BP算法流程圖，BP神經網絡模型如圖9所示，其包括輸入層、隱含層和輸出層。在準確反映輸入輸出關系的前提下，應盡量選擇較少的神經元數目，進而提高網絡的運算速度和泛化能力。隱含層數目，其中：lhid表示隱含層神經元數；lin為輸入層神經元數；lout為輸出層神經元數；b為常數，取值范圍通常取［0，10］。

選擇裝配質量特征參數訓練樣本為粒子種群，建立BP 神經網絡連接權重與PSO 粒子維度之間的映射，網絡中的一個連接權重對應每個粒子的維度分量。則PSO 粒子的維度空間為r=lin×lhid+lout×lhid+lhid+lout，對應網絡的權重和閾值。

（3）適應度函數

PSO 算法的適應度函數采用網絡輸出的均方誤差（Mean Square Error，MSE）：

式中：GMSE表示均方誤差；Yk，j（Xj）為神經網絡的實際輸出；Ok，j為訓練樣本j在k輸出端的期望輸出。

（4）基于PSO 算法的BP神經網絡算法流程圖

PSO-BP神經網絡的實現步驟如下：

步驟1 確定三層BP網絡結構，設定輸入層、隱含層、輸出層的神經元個數，并構建學習函數及訓練函數。

步驟2 初始化粒子位置、速度以及粒子個體極值和全局最優(yōu)值，根據微粒群規(guī)模，按照個體結構隨機產生一定數目的微粒組成種群。

步驟3 計算每個粒子的適應度，先輸入一個粒子，每一個樣本都可以按BP 網絡的前向計算方法計算出一個網絡的輸出值，并計算其誤差；按該方法計算出所有樣本的均方差，即該粒子的適應度。依次類推，可計算出所有粒子的適應度值。通常為了保證所訓練的神經網絡具有較強的泛化能力，在網絡訓練中將樣本分為訓練樣本和測試樣本，每進行一次訓練，都要對給定的樣本進行分類，以保障每次訓練時具有不同的訓練樣本集。

步驟4 比較適應度值，確定每個粒子的個體極值點和全局最優(yōu)極值點：if：Ppre＜Pbest，Pbest=Ppre，Pbest=xi；else，Pbest不變；ifPpre＜gbest，gbest=Ppre，gbest=xi；else，gbest不變。其中：Ppre為當前粒子的適應度；Pbest為粒子的個體極值；gbest為全局最優(yōu)值。

步驟5 更新每個粒子的位置和速度。按照式（12）和式（13）更新粒子的位置和速度，并保證更新后的位置和速度在限定的范圍內。

式中：w為慣性常數；分別為t時刻粒子i的速度向量和位置向量的第r維分量；w1和w2為學習因子；r1和r2為（0，1）區(qū)間的隨機數；為動量部分，使其依據自身速度進行慣性運動；）反映粒子自身的思考和進化能力；）代表粒子間的相互協作與信息共享。

步驟6 計算算法誤差，通常采用在線性能準則或離線性能準則進行算法誤差評估，如式（14）所示，本文采用離線性能準則評估網絡的性能。

式中：iter為算法當前的迭代次數，為第i次迭代的全局最優(yōu)值的適應度。

步驟7 比較是否達到最大迭代次數或式（14）的值是否滿足精度，若滿足預設精度，則算法收斂，最后一次迭代的全局最優(yōu)值gbest中每一維的權值和閾值即為所求；否則返回步驟2，繼續(xù)算法的迭代。

3.4 基于機器視覺的防誤技術

基于機器視覺的防誤不受外部環(huán)境、主觀因素和防誤對象的影響，根據配置的校驗標準能夠快速、準確地識別出產品裝配中的缺陷，提高在制品裝配問題的識別率，主要包括表面品質檢測（產品或物料表面凹陷、劃痕、裂紋及磨損）、空間特征檢測（形狀檢測、位置檢測、方向檢測）、在制品防錯裝漏裝等內容，根據防誤的不同內容，在處理過程中需要采用不同的處理方案，其中對關鍵特征的提取主要包括圓形度、面積、灰度分布、灰度統計值等。Q-gate設置機器視覺防誤系統，不僅滿足了質量控制要求，而且節(jié)約了成本和時間。機器視覺將計算機圖像處理和模式識別理論結合，綜合了計算機技術、數據結構、圖像處理、軟件工程等相關知識。圖11所示描述了基于機器視覺的Q-gate防誤處理流程，主要由系統啟動與工件判別、機器視覺自適應定位、圖像匹配和結果反饋等組成。

具體步驟為：

（1）啟動機器視覺系統，初始化并回到原點位置，啟動RFID-TAG 讀程序，獲得T 和P 等信息。根據獲得的信息判斷該區(qū)域是否需要校驗，若無校驗則結束，否則進入校驗流程。

（2）根據T 調用該Q-gate的校驗流程及標準，拍攝Q-gate的工件圖像并輸入機器視覺位置處理程序，結合機器的當前位置坐標轉換成機器動作坐標，向機器發(fā)出動作指令。

（3）機器運行至指定坐標，每隔時間t對工件相應的位置拍攝n幀圖像，將圖像傳輸至Q-GMCS系統進行處理并提取關鍵特征，將其與標準圖像進行比對，主要包括工件錯裝漏裝、清潔度、劃痕和加工鑄造缺陷等內容，依次完成所有校驗內容。返回校驗結果集，若不符合裝配規(guī)范，則將工件與缺陷信息綁定后存儲。

其中，圖像匹配按所選的基元分為基于圖像灰度分布的匹配和基于圖像特征的匹配。前者以圖像的灰度信息為基礎，用灰度相關性和相似性作相關匹配判決，該類方法對景物表面結構、光照反射和成像幾何十分敏感；后者通過選擇能表示景物自身特性的特征，通過更多強調空間景物的結構信息解決匹配的歧義性，匹配特征主要為點狀特征、線狀特征、角特征、區(qū)域特征和統計特征。

4 應用實例及分析

4.1 企業(yè)需求分析

以某型1.5TGDI直列4缸渦輪增壓汽油發(fā)動機為研究對象，基于Java 2 平臺企業(yè)版（Java 2 Platform Enterprise Edition，J2EE）架構構建并開發(fā)了Q-GMCS 系統，Q-gate裝配質量控制融合了基于狀態(tài)空間模型的裝配誤差分析、基于PSO-BP神經網絡的裝配性能預測模型、動態(tài)工序能力分析等質量控制方法。裝配線設計生產節(jié)拍為42s／臺，雙班年產量30萬臺，可裝配5種型號發(fā)動機。裝配過程需經過裝配、檢測和輔助等共109個工序，質量控制點358個，其中擰緊工序52個，包括290個質量控制點。由于裝配工序繁多，前期是發(fā)動機裝配完成后在測試線測試發(fā)動機的裝配性能，若符合出廠規(guī)范則入庫，若不符合性能規(guī)范則返修，其中發(fā)動機因測試時間長（15min左右）而返修成本較高。

4.2 Q-gate發(fā)動機裝配質量控制

根據發(fā)動機的裝配工藝規(guī)范和歷史裝配數據，將其總成裝配線分為9個Q-gate，并對發(fā)動機的缸體清洗、曲軸清洗、活塞連桿分裝、缸蓋分裝及發(fā)動機測試線分別設置了Q-gate，圖12 定義了Q-gate設置點及Q-gate包含的工序。本文闡述了發(fā)動機的裝配過程Q-gate質量控制的應用流程，在各Qgate應用程序中嵌入基于狀態(tài)空間模型的裝配誤差分析、動態(tài)工序能力分析及基于PSO-BP 神經網絡的裝配性能預測等智能方法，對發(fā)動機的裝配過程質量進行主動控制，初始以500臺合格發(fā)動機樣本進行訓練，獲得Q-GMCS系統的初始知識庫，后期隨著裝配發(fā)動機的累積，對知識庫進行補充和更新。如圖13所示為以Q-gate3為例進行的分析。

具體步驟如下：

步驟1 根據每種產品質量控制的關鍵工位，分別定義在制品的機器視覺防誤匹配圖像（如圖13①）。

步驟2 依據發(fā)動機裝配線體和設備，組態(tài)配置各個設備相應的監(jiān)控程序，將實體設備進行集成，實時監(jiān)控設備的運行和故障信息（如圖13②）。

步驟3 根據產品類型定義產品裝配過程質量控制的Q-gate，并為Q-gate配置質量規(guī)范、設備、機器視覺、防誤、工位裝配物料等信息（如圖13③）。

步驟4 為發(fā)動機裝配線布置相關的主動和被動感知元件，如RFID 標簽、RFID 讀寫器等。根據裝配資源標識規(guī)范生成發(fā)動機總成RFID-TAG，將所涉及裝配元素的統計信息生成規(guī)范的XML 格式的DB（如圖13④）。

步驟5 利用機器視覺技術防錯裝漏裝（如圖13⑤為防主軸承蓋錯裝），判斷主軸承蓋上的箭頭和數字。

步驟6 預測產品關鍵質量特性，分析關鍵裝配過程誤差，并輸入專家系統，判斷是否符合規(guī)范，如曲軸回轉力矩預測和曲軸徑向跳動分析（如圖13⑥）。

步驟7 根據Q-gate校驗知識庫對發(fā)動機的裝配過程質量進行嚴格校驗，可視化顯示校驗過程，進行裝配產品的趨勢分析和設備狀態(tài)的實時監(jiān)控（如圖13⑦為Q-gate校驗點）。

步驟8 統計分析質量檢驗點和產品的關鍵質量數據，根據不同方式查詢和追溯產品裝配過程關鍵數據，依據歷史裝配數據及Q-gate校驗數據生成知識庫，實現對裝配過程的改善（如圖13⑧）。

4.3 效果對比

該發(fā)動機裝配線于2014年1月開始批量生產，并實施了Q-GMCS系統。對前7個月生產情況進行的統計結果如表1所示。從表1可以看出：

（1）Q-gate裝配過程主動質量控制的方法，降低了該發(fā)動機裝配過程的返修率，減少了發(fā)動機的過裝配問題，提高了發(fā)動機裝配質量主動控制的能力和穩(wěn)定性。

（2）上游Q-gate的裝配過程的質量控制大幅降低了下游Q-gate的返修率，及時返修也降低了過裝配造成的不必要的損失，同時降低了發(fā)動機的裝配成本和生產周期。

（3）前期Q-gate3的返修率較高，研究后發(fā)現其原因是難以保證曲軸的回轉力矩，與曲軸的軸向間隙相關性較大。后將止推墊片進行了選配，于是大幅度降低了返修率。

（4）從表1中的分析數據可以看出，目前發(fā)動機裝配質量控制還未達到3σ要求，隨著Q-GMCS系統的持續(xù)推進和知識庫的積累，會進一步改善裝配過程的質量控制。

表1 2014年應用Q-GMCS系統7個月后各Q-gate返修率對比 %

5 結束語

本文通過對復雜機械產品裝配工藝進行分析，以裝配過程質量主動控制為目標，從定性和定量的質量控制角度提出了Q-gate控制方法。研究了裝配過程質量門監(jiān)控體系，構建了Q-GMCS系統并闡述了其關鍵技術，通過實例驗證了其有效性和可行性，實現了裝配過程質量主動控制，降低了返修率，提高了裝配的穩(wěn)定性?？梢灶A期，隨著系統應用的成熟及裝配過程質量控制知識的積累，將會進一步改善裝配質量。

然而，動載荷作用下的裝配質量控制、質量控制閾優(yōu)化等還有待進一步研究，設備運行狀態(tài)、人員勝任能力與裝配質量之間的關系等也是后期研究的重點。

［1］GU Xinjian，DAI Feng，CHEN Jixi，et al.Relationship between smarter manufacturing and smarter city［J］.Computer Integrated Manufacturing Systems，2013，19（5）：1127-1133（in Chinese）.［顧新建，代 風，陳芨熙，等.智慧制造與智慧城市的關系研究［J］.計算機 集成制 造系統，2013，19（5）：1127-1133.］

［2］LI Bohu，ZHANG Lin，WANG Shilong，et al.Cloud manufacturing：a new service-oriented networked manufacturing model［J］.Computer Integrated Manufacturing Systems，2010，16（1）：1-7，16（in Chinese）.［李伯虎，張 霖，王時龍，等.云制造—面向服務的網絡化制造新模式［J］.計算機集成制造系統，2010，16（1）：1-7，16.］

［3］XU Binshi，DONG Shiyun，SHI Peijing.States and prospects of China characterized quality guarantee technology system for remanufactured parts［J］.Journal of Mechanical Engineering，2013，49（20）：84-90（in Chinese）.［徐濱士，董世運，史佩京.中國特色的再制造零件質量保證技術體系現狀及展望［J］.機械工程學報，2013，49（20）：84-90.］

［4］LI Wenchuan，JING Yi，WANG Xu.RFID operation mode for discrete manufacturing enterprises based on adoption process perspective［J］.Computer Integrated Manufacturing Systems，2013，19（7）：1684-1691（in Chinese）.［李文川，景熠，王 旭.基于采納過程視角的離散制造企業(yè)無線射頻識別運行模式［J］.計算機集成制造系統，2013，19（7）：1684-1691.］

［5］CEGLAREK D，HUANG W，ZHOU S，et al.Time-based competition in multistage manufacturing：stream-of-variation analysis（SOVA）methodology—review［J］.International Journal of Flexible Manufacturing Systems，2004，16（1）：11-44.

［6］CHEN Y，JIN J.Quality-reliability chain modeling for manu-facturing processes［J］.IEEE Transaction on Reliability，2005，54（3）：475-488.

［7］DU Shichang，XI Lifeng，PAN Ershun.Modeling and controlling of dimensional variation in multi-stage manufacturing system［J］.Journal of Shanghai Jiaotong University，2006，40（4）：583-587（in Chinese）.［杜世昌，奚立峰，潘爾順.多階段制造系統中尺寸偏差建模與控制［J］.上海交通大學學報，2006，40（4）：583-587.］

［8］DU Shichang，XI Lifeng，PAN Ershun.Modeling &controlling of product quality in serial-parallel hybrid multi-stage manufacturing systems［J］.Computer Integrated Manufacturing Systems，2006，12（7）：1068-1073（in Chinese）.［杜世昌，奚立峰，潘爾順.串并聯混合式多階段制造系統產品質量建模與控制［J］.計算機集成制造系統，2006，12（7）：1068-1073.］

［9］XIE N，CHEN L，LI A.Fault diagnosis of multistage manufacturing systems based on rough set approach［J］.International Journal of Advanced Manufacturing Technology，2010，48（9）：1239-1247.

［10］HEREDIA J A，GRAS M.Statistical estimation of variation transmission model in a manufacturing process［J］.International Journal of Advanced Manufacturing Technology，2010，52（5）：789-795.

［11］ZHANG Zhisheng，HE Boxia，SHI Jinfei，et al.A survey of stream of variation in multistage manufacturing process［J］.China Mechanical Engineering，2010，21（6）：733-741（in Chinese）.［張志勝，何博俠，史金飛，等.多工步制造過程的變異流研究進展［J］.中國機械工程，2010，21（6）：733-741.］

［12］HUANG W，KONG Z.Process capability sensitivity analysis for design evaluation of multistage assembly processes［J］.IEEE Transaction on Automation Science and Engineering，2010，7（4）：736-745.

［13］JIAO Y，DJURDJANOVIC D.Compensability of errors in product quality in multistage manufacturing processes［J］.Journal of Manufacturing Systtems，2011，30（4）：204-213.

［14］TANG Xiaoqing，WANG Bo，WANG Shuchun.Quality assurance model in mechanical assembly［J］.International Journal of Advanced Manufacturing Technology，2010，51（9）：1121-1138.

［15］HUANG Y M，SHIAU C S.An optimal tolerance allocation model for assemblies with consideration of manufacturing cost，quality loss and reliability index［J］.Assembly Automation，2009，29（3）：220-229.

［16］CHENG K M，TSAI J C.Optimal statistical tolerance allocation for reciprocal exponential cost-tolerance function［J］.Journal of Engineering Manufacture，2013，227（5）：650-656.

［17］LIU Mingzhou，ZHAO Zhibiao，LING Xianjiao，et al.Research on online tolerance optimization for complex mechanical products assembly process based on shortest path［J］.Journal of Mechanical Engineering，2012，48（10）：173-177（in Chinese）.［劉明周，趙志彪，凌先姣，等.基于最短路徑的復雜機械產品裝配過程質量控制點公差帶在線優(yōu)化方法［J］.機械工程學報，2012，48（10）：173-177.］

［18］LIU Mingzhou，WANG Xiaoqiao，MA Jing，et al.Research and applications on online control threshold optimization for complex mechanical products assembly process based on the mutual information and game theory［J］.Computer Integrated Manufacturing Systems，2014，20（11）：2798-2807（in Chinese）.［劉明周，王小巧，馬 靖，等.基于互信息和博弈論的復雜機械產品裝配質量控制閾在線優(yōu)化方法及應用［J］.計算機集成制造系統，2014，20（11）：2798-2807.］

［19］ABELLAN-NEBOT J V，LIU J，ROMERO SUBIRóN F.Quality prediction and compensation in multi-station machining processes using sensor-based fixtures［J］.Robotics and Computer Integrated Manufacturing，2012，28（2）：208-219.

［20］YANG Jingping，WANG Wanlei，KANG Jing，et al.Research on multi-phased product quality predictive control method based on PSO-SVM［J］.Journal of Dalian Nationalities University，2013，15（1）：37-41（in Chinese）.［楊靜萍，王萬雷，康 晶，等.基于PSO-SVM 的多階段產品質量預測控制方法研究［J］.大連民族學院學報，2013，15（1）：37-41.］

［21］SU Q，LIU L，LAI S.Measuring the assembly quality from the operator mistake view：a case study［J］.Assembly Automation，2009，29（4）：332-340.

［22］LIU W，LIU J，NING R，et al.Unified dimension and tolerance modeling for mechanical precision predicting［J］.International Journal of Advanced Manufacturing Technology，2011，57（1）：307-323.

［23］ZHANG Yingfeng，ZHAO Xibin，SUN Shudong，et al.Implementing method and key technologies for IoT-based manufacturing execution system［J］.Computer Integrated Manufacturing Systems，2012，18（12）：2634-2642（in Chinese）.［張映鋒，趙曦濱，孫樹棟，等.一種基于物聯技術的制造執(zhí)行系統實現方法與關鍵技術［J］.計算機集成制造系統，2012，18（12）：2634-2642.］

［24］ZHENG Li，JIANG Pingyu，QIAO Lihong，et al.Challenges and frontiers of manufacturing systems［J］.Journal of Mechanical Engineering，2010，46（21）：124-136（in Chinese）.［鄭力，江平宇，喬立紅，等.制造系統研究的挑戰(zhàn)和前沿［J］.機械工程學報，2010，46（21）：124-136.］

［25］LIU Xiaobing，LIU Caiyan，MA Yue，et al.Research on dynamic quality control system based on MES［J］.Computer Integrated Manufacturing Systems，2005，11（1）：133-137（in Chinese）.［劉曉冰，劉彩燕，馬 躍，等.基于制造執(zhí)行系統的動態(tài)質量控制系統研究［J］.計算機集成制造系統，2005，11（1）：133-137.］

［26］ZHANG Genbao，REN Xianlin，LI Ming，et al.Dynamic quality traceable system based on MES and CAPP［J］.Computer Integrated Manufacturing Systems，2010，16（2）：349-355（in Chinese）.［張根保，任顯林，李 明，等.基于MES和CAPP的動態(tài)質量可追溯系統［J］.計算機集成制造系統，2010，16（2）：349-355.］

［27］HUANG Gang，LI Jinhang，WU Jieyu，et al.Research and realization of adaptable manufacturing execution system oriented to discrete manufacturing industry［J］.Computer Integrated Manufacturing Systems，2011，17（10）：2137-2143（in Chinese）.［黃 剛，李晉航，巫婕妤，等.離散制造業(yè)可適應制造執(zhí)行系統的研究與實現［J］.計算機集成制造系統，2011，17（10）：2137-2143.］

［28］WAN Feng，LIU Jianhua，NING Ruxin，et al.Data collection and management method for discrete assembly process of complex product［J］.Computer Integrated Manufacturing Systems，2012，18（8）：1819-1828（in Chinese）.［萬 峰，劉檢華，寧汝新，等.面向復雜產品離散裝配過程的數據采集和管理方法［J］.計算機集成制造系統，2012，18（8）：1819-1828.］

［29］CNR Changchun Railway Car Limited by Share Ltd China.Quality gates management system for changchun Railway Vehicles Co.，Ltd.［J］.Enterprise Management，2010（5）：60-63（in Chinese）.［中國北車長春軌道客車有限股份公司.長客股份的“質量門”管理體系［J］.企業(yè)管理，2010（5）：60-63.］

［30］WANG Yuanhang，DENG Chao，WU Jun，et al.Mixed-expert-system-based fault diagnosis for heavy machine［J］.Computer Integrated Manufacturing Systems，2010，16（10）：2139-2147（in Chinese）.［王遠航，鄧 超，吳 軍，等.基于混合型專家系統的重型機床故障診斷［J］.計算機集成制造系統，2010，16（10）：2139-2147.］

［31］CAO Jun，YIN Chao，LIU Fei，et al.Research and application on dynamic statistical process control of key process in multi-varieties and small-batch machining workshop［J］.China Mechanical Engineering，2011，22（23）：2822-2827（in Chinese）.［曹 軍，尹 超，劉 飛，等.多品種小批量機加工車間關鍵工序動態(tài)SPC 研究及應用［J］.中國機械工程，2011，22（23）：2822-2827.］

［32］PAN Hao，HOU Qinglan.A BP neural networks learning algorithm research based on particle swarm optimizer［J］.Computer Engineering and Application，2006，42（6）：41-43，66（in Chinese）.［潘 昊，侯清蘭.基于粒子群優(yōu)化算法的BP網絡學習研究［J］.計算機工程與應用，2006，42（6）：41-43，66.］

［33］ZHANG Huiying，WANG Guihua.Improve the method of multi-criteria eomprehensice evaluation［J］.College Mathematics，2009，25（4）：199-202（in Chinese）.［張慧穎，王桂花.多指標綜合評價方法的改進［J］.大學數學，2009，25（4）：199-202.］