行业4.0和数字制造革革命都是关于收集的,更重要的是,实时采用组装过程收集的数据。当数据来自传感器,视觉系统,紧固工具和其他电子设备时,这一切都很好,良好。但是,工程师如何在主要的手动组装过程中收集实时数据,例如线束组装?
为了解决这个问题,我们开发了一个基于软件和传感器的系统来测量线束装配线上的活动时间和性能。为了确保装配性能与不同产品复杂性之间的实时连接,我们的系统依赖于夹具传感器和室内定位系统(IPS)。我们的目标是创建一个系统,该系统可以连续地估计组成线束组装的各种基本活动所消耗的时间。我们的系统创建一个任务模型,将估计的活动时间与汇编器的实际性能进行比较,并在它们的生产率下降时生成早期预警。
为了可靠地和成本有效地测量装配时间,我们开发了在汇编器将组件插入夹具时开始定时活动的传感器。由于汇编程序的活动取决于内置组件的类型和数量,因此IPS跟踪生产流程。为了本地化组件并确定传送带系统的状态,我们使用超宽带IPS技术,因为它的低能量需求对广泛带宽(更高500 Megahertz)传输信息的低能量需求及其定位对象的能力30到50厘米。(这明显优于基于蓝牙低能量的系统的1米精度。)
为了集成来自IPS的测量数据,我们集成了不同数量(10到100个)的主动或被动夹具传感器和其他信息源,并开发了多传感器数据融合算法。多个传感器提供冗余,从而实现了对装配程序未测量的主要活动时间的稳健递归估计。为了将模型参数约束在可靠区域内,并结合重要的活动时间先验知识,通过二次规划将估计参数最优投影到一组线性约束上。这种中心估计增强了标称模型的置信度,提高了基于局部测量调和的故障检测性能。
为了确保我们的结果是完全可复制的,在我们的案例研究开发过程中只使用了关于线束制造技术的公开可用信息。为了促进进一步的研究,我们的制造系统模型的算法以及产品和传感器放置的详细信息在我们的网站上公开:https://www.abonyilab.com/soft-sensors。
我们的模型
在我们的研究中,我们研究了用于机动车辆的大型、复杂线束的大批量生产。线束组装板悬挂在头顶的传送带上。传送带的运动是有节奏的、循环的。这条线路按照开放车站的概念运行。当一个装配工没有完成他的工作时,他可以把产品转移到下一个工位,以减少积压。当装配人员在分配的周期时间结束前完成任务时,他就可以提前工作。当延迟超过临界限制时,生产停止。(相比之下,在封闭工位的操作理念下,即使发生微小的延迟,装配工也必须停止输送。)
预计活动时间是根据装具材料清单估计的。制造是模块化的,这意味着产品(p1p2p…Np)由模块组构建(m1,米2m…纳米).产品的结构由一个p矩阵定义,由N组成p行和N米列和元素p我,J.(P)的值为1我产品包含一个mj模块(否则为0)。基于哪个活动(a)估计理论活动时间的计算1,一个2…Na)需要进行和哪些组件(c1c2c…数控)应该组装在哪个工作站(W1w2w……西北).
此信息在逻辑矩阵M中表示,该M包含生成给定产品所需的活动。如表1所示,C矩阵存储在每个活动期间组装哪些组件,而W Matrix将活动分配给工作站。影响它们的特定活动时间和影响它们的因素是基于专家知识确定的,如表2所示.T矩阵提供有关活动类别的信息,描述如何将活动分类为活动类型(T1t2t…Nt).这些乘积的序列由这些类型的标签的π向量表示,因此π (k) = pj指出产品pj在生产周期K期间开始生产。
在我们的研究中,产品类型的数量Np假设为64,并定义为7个模块的组合:基本模块m1,左转或右转2,正常或混合m3.,卤素灯或LED灯4,汽油或柴油发动机m5,四门或五门6,手动或自动变速箱m7.活动次数N一个定义为654,分为16种类型。这些活动的时间消耗使用与主要活动直接成比例的方法来近似。在生产基束的活动中,115种组件类型Nc组装。这些包括Ct(162终端),Cb(63个磁带包装),cc(25个剪辑)和cw(89线)。传送带由10个工作站组成,每个工作站有一个装配工。
术语主要活动时间表示执行某种类型的活动所需的估计平均时间,而术语本地活动时间是指特定组装人员在特定工作站上执行有关活动所需的时间。
我们所提出的基于矩阵的数学制定是有益的,因为它允许在每个循环步骤中紧凑地估计各个活动时间:ŷ我w(k) = (t我c我x]w(k)。I活动的时间消耗取决于应执行给定类型的基本活动(表示为T.我,即矩阵T的第i行),内建分量的数量(行向量c我是矩阵C的i行)和汇编器x的效率w(k),为估计的局部活动时间向量。因此,我们研究的目的是提供这个状态向量及其工作站无关的x(k)版本的连续局部估计,为分离与汇编程序无关的问题提供参考价值和机会。
时间测量
为了测量活动时间,我们设计了基于夹具的活动传感器。这些传感器在将部件插入到夹具中时会产生时间戳。
基于如何分配工作站的可衡量活动的定位夹具。例如,传感器f1当汇编器插入组件C时发送时间戳1,表示第一个活动a的开始时间1.
主动传感器在输送机的k个周期中记录的与活动相关的时间戳序列用向量s(k) = [s表示1(k)……j(k)……Ns(k)]T,作为性能监控算法的原始输入。
任何两次邮票扣钩一组活动。因此,z我w(k) =β(i)w(k)̶sα(我)w(k)任意两个时间标记之间的差异提供了位于两个传感器之间的活动时间的总和。如果时间戳sα(我)w(k)测量w工作站第一次活动的开始时间,该工作站的站时可以测量为z我w(k) =α(我)w(k + 1)̶sα(我)w(k).根据这个概念,可以为工作站z定义一组测量值我w(k) = [z1w(k)…z我w(k)…zlww(k)]T,与原始测量值的s(k)值相比,这是有关活动时间监测的更易于解释和适用的信息。
放Z.w(k)进入上下文中,在每个站组装有关哪些产品的信息以及分配给测量的时间间隔z的活动的细节我w(k)是必需的。
活动的分配和测量的时间间隔用一组逻辑矩阵S表示w(见表1)。在模块化生产的情况下,活动集Q一个= MppT应根据生产的第p个产品中包含哪些模块(表示为pp哪个是产品-模块矩阵p的p行),哪些活动需要产生这些模块(这些信息存储在关系矩阵M中)我w(k)区间由操作diag(q一个)w.
TT诊断接头(问一个)w根据活动类型组分组活动,而在特定时间间隔内安装的组件数量计算为C. CT诊断接头(问一个)w,也可以按照活动类型进行分组(TTb) CT诊断接头(qa)w.基于所提出的矩阵类型表示,W工作站的估计时间间隔可以计算为:zw(k) = (TT诊断接头(问一个)w, (TTb) CT诊断接头(qa)wx]w(k) = Hw(k) xw(k)。
模型方程zw(k) = Hw(k) xw(k) + ew和相关的测量zw(k)可用于连续估计汇编效率的载体(即,估计的本地活动时间),xw(k),其中ew(k)假定为观测误差序列不相关的白噪声向量,其协方差矩阵为Rw(k)。
作为h.w(k)取决于实际产品,在w工作站生产的产品必须被跟踪。为了产品的国产化和输送机系统状态的识别,采用了IPS技术。
与室外环境相比,在室内环境中感知位置信息需要更高的精度,由于各种物体对信号的反射和分散,这是一项更具挑战性的任务。超宽带(UWB)是室内定位领域的新兴技术,表现出了比其他技术更好的性能。根据定位技术,可以使用到达角、信号强度或时延信息进行定位。接收信号强度定位方法也可分为基于到达时间、到达角度和接收信号强度的系统。
工作站识别产品的概念从物料清单和其他结构化信息源中提取信息,广泛用于支持生产管理、价值流图和工业物联网项目。在我们的系统中,IPS信标被安装在扁平线束上,然后对接收器的原始信号进行处理,将电缆分配到工作站。
基于融合的递归估计
多个传感器提供冗余,这使得对汇编程序的未测量的主要活动时间进行稳健的递归估计成为可能。因此,将估计问题定义为传感器融合任务。我们的传感器融合算法结合了所有的传感器和生产数据,因此,与单独使用这些源相比,活动时间的估计具有更少的不确定性。监视系统的元素结构如图6所示。
融合中心接收并同步所有测量到的时间间隔和相关的时间变量回归量,即从工作站采集到的所有数据都按输送机的k周期进行时间标记和排列:z(k) = [z1(k)…z西北(k)],h(k)= [h1(k)…H西北(k)]。
我们的生产监控模型的线性结构足以满足我们的分析,因为活动的时间消耗线性地取决于应该执行多少基本活动和必须组装多少组件。当采用线性传感器融合模型时,线性时变模型可以表示为z(k) = H(k)x(k) + e(k),其中融合观测值的e(k)噪声向量由e组成w(k)工作站观测误差序列非相关白噪声矢量,e(k) = [(e1(k))T…(eNw (k))T]T.
假设工作站观测误差独立时,e(k)噪声矢量的协方差为块对角矩阵,定义为R = diag(R1R……西北).
中央估计增强了标称模型的置信度,这提高了基于局部测量的和解的故障检测的性能。
线束案例研究
为了验证模型的可靠性,我们研究了从实际生产线收集的作业时间分布。数据的直方图表明,传感器交付处理时间的分布可以分解为正态分布函数。
当只生产一种产品时,H(k)不随时间变化。在这种情况下,给定产品的可识别参数集可以通过H(k)(或H)的QR分解来确定w(k)需要当地估计数)。当产生不同的产品时,H(k)的变化显着增加了可用信息,因此生产序列的优化可以高度影响模型识别问题的能力。
研究了1000个脊束的生产。生产顺序包含所有64种产品,平均批次大小为10个产品。
当供应商改变成本切割或质量改善项目中的原料,设计或部件的处理时,这种变化可能影响组装器的活动时间。当较短长度的电线增加铺设和布置电缆时,这种汇编的性能损失可能会发生。
在我们的案例研究中,监测这些效果。C之间的新电线87.和c8组件被引入,它们比规定的要短一些。组件c87.(终端上的密封)影响活动t10.在模块中4,这增加了相关的主要活动时间x10.(k)在第200个乘积时增加15%,而组分c8(较短的电线)影响活动t5在模块米2,这增加了相关的主要活动时间x5(k)在第300次产品后20%。但是,500次产品后质量检验时间减少。
我们的系统能够跟踪减速和加快的活动。我们约束算法的好处清晰可见:估计变量会更快地收敛并始终可靠。
我们还研究了检测装配工性能损失和传感器故障(由于延迟注册和互联网通信)的方法。
在故障检测方面,我们的算法可以用来生成一个可解释且易于跟踪的单变量时间序列,反映了模型的全局性能。模型的整体性能由e问(k) = [z(k)̶H(k)x]Tq [z(k)̶h(k)x]。
基于对H等级的分析w(k)基质,确定可观察的活动集。例如,在工作站2,六个主要活动的时间是可观察到的。我们的算法能够检测与这些活动相关的汇编程序依赖性问题。更重要的是,通过监控e问(k),可以确定传感器故障是否发生。总误差检测算法的参数可以通过Monte Carlo仿真进行微调,详细分析建模误差的分布。
我们的计算也可用于估计所有工作站的期望操作时间,检查过程的平衡程度如何,以及产品的复杂性如何影响工作站的工作负载。通过我们的模型,可以立即计算活动时间的变化的影响,可以立即计算汇编器的TAB时间和有效性。凭借初级活动持续时间的良好估计,借助基于IIOT的产品相关信息的融合,可以提供整体设备有效性计算的实时数据。
基于模型的工作负载分析
监视汇编程序的活动基于测量活动和站时间与靶向模型的估计的比较。目标模型广泛用于工艺绩效管理。当可以从先前的操作推导出预期的性能时使用基于先例的目标模型(例如,每天或之前的日期)。该程序的一个弱点是它假设在两次间隔内的情况比较。更有问题的问题是在过程和产品中发生重大变化时会发生什么。对于此类应用,基于先例的目标模型可以超薄。当已知的性能明确驱动程序时,基于活动的靶向特别合适。
自动监控和定位方案试图在很短的时间间隔(分钟)内比较性能,这对于故障检测非常理想。生产系统最重要的关键性能指标是站次,它反映了生产线的平衡情况。
由于产品的多样性,平衡模块化生产系统是一个具有挑战性的工业问题。由于工作站时间是制造产品的功能,所以产品在给定的工作站上组装时,必须遵循哪一个。工作站时间的计算类似于计算估计的两个夹具传感器之间的活动时间之和,即夹具传感器记录的时间戳之间的差异。
表1:性能监视的逻辑矩阵
符号 | 节点 | 描述 | 大小 |
一个 | 产品(p) -活性(a) | 生产产品所需的活动 | NpX N.一个 |
W | 活动(a) - 工作站(w) | 为某个活动分配的工作站 | N一个X N.w |
B | 产品(P) - 组分(C) | 生产产品所需的组件/部分 | NpX N.c |
P | Product (p) - module (m) | 生产产品所需的模块/部件族 | NpX N.米 |
C | 活动(a) -组成部分(c) | 活动中内置或处理的组件/部件 | N一个X N.c |
米 | 活动(a) - 模块(m) | 生成模块所需的活动 | N一个X N.米 |
T | 活动(a) - 活动类型(t) | 活动类别 | N一个X N.t |
年代w | 活动(a) -测量的时间间隔(zw(k)) | 涉及测量时间间隔的活动 | N一个X L.w |
表2.线束装配活动及其时代的类型
ID | 活动 | 时间(秒) |
T1. | 底盘上的点对点布线 | 4.6 |
T2. | 铺设在U频道 | 4.4 |
T3. | 平躺电缆 | 7.7 |
T4. | 将电线铺设在Harness Jig上 | 6.9 |
T5. | 将电缆连接器(一端)铺设在Harness Jig上 | 7.4 |
T6. | 束缚电缆和切割端 | 16.6 |
T7. | 在活动 | 1.5 |
T8. | 录音活动 | 6.8 |
T9. | 插入管或袖子 | 3. |
t10 | 接线端子连接 | 22.8 |
t11 | 端子螺丝紧固 | 17.1 |
病人 | 端子的螺丝和螺母紧固 | 24.7 |
t13 | 圆形连接器 | 11.3 |
t14 | 矩形连接器 | 24. |
t15 | 夹安装 | 8 |
t16.1 | 视觉检测 | 120. |