工业大数据分析螺栓拧紧工艺质量方法

摘要

　　螺栓拧紧工艺广泛应用于制造业等领域,其工艺完成的质量直接影响产品的良品率,为了保证产品的质量和企业声誉,需要对螺栓拧紧工艺建立一套深入完善的评价方法。螺栓拧紧工艺涉及到扭矩、转角等多种、大量的数据,传统的数理统计方法对此分析有很大的局限性,难以保证企业对质量管理的更高要求,借助工业大数据分析方法可以建立一套深度质量评价方法。

　　本文首先建立了工业大数据分析方案。在数据采集装置和分析平台之间建立数据接口,以此完成数据集的获取;对样本数据进行数据清洗、去除离群点等数据预处理;进一步的,对数据进行特征提取,建立数据模型,形成一套完整的工业大数据分析方案。

　　针对螺栓拧紧数据的特点,分析机器学习算法,选择了聚类算法作为主要If宄手段。针对具体的两类螺栓拧紧数据特点分别选择K-means和DBSCAN两种聚类算法并对己有数据进行深度分析,为最终质量评价方法的建立打下基础。

　　最后,在介绍了基于大数据分析的等级评价方法之后,结合质量控制的6sigma体系对工业实例中内燃机生产工厂的高强度螺栓和普通螺栓拧紧数据分别建立了质量评价方法。通过这一基于大数据分析的螺栓抒紧质量评价方法的建立,一定程度地对企业实际生产具有质量分级、提高良品率和降低生产成本的作用,也对大数据分析和质量评价方法的结合应用研宄有着一定指导借鉴意义。

　　关键词：螺栓拧紧;大数据分析;聚类算法;质量评价方法;6 sigma

ABSTRACT

　　Bolt tightening technology is widely used in the manufacturing industry and other fields. TTie quality of a product is directly affected by the quality of this technology. In order to ensure the quality of a product, as well as the reputation of the enterprise, a set of thorough and accurate evaluation methods for the bolt tightening process is needed. The bolt tightening process involves analyzing vasts amounts of data, such as torque, turning angle, and more. The traditional statistical analysis method is limited for this application since it is difficult to meet the high quality standards set by the enterprise.

　　However, a complete set of accurate and thorough evaluation methods can be established with the help of industrial big data analysis.

　　In this paper, we first set up an industrial data analysis plan. A data interface is established between the data collection device and the analysis platform to allow for the acquisition of data sets. These sets are then cleaned and any outlying data is removed. Further, the data model is set up using the extracted data, forming a complete industrial big data analysis scheme.

　　Looking to imitate the characteristics of bolt tightening data, multiple machine learning algorithms are analyzed, and ultimately a clustering algorithm is selected as the main research method. After analyzing the characteristics of two kinds of bolt tightening data, two clustering algorithms, K-means and DBSCAN, are selected for further investigation. The depth analysis of the existing data using these algorithms is carried out, laying the foundation for the establishment of the final quality evaluation method.

　　Finally, after introducing the hierarchical evaluation method based on the big data analysis, and combining that with a 6 sigma system of quality control, the quality evaluation method is established. This method is used to evaluate an industrial case, analyzing tightening data of high strength bolts, as well as ordinary bolts, from an internal combustion engine production plant. Through the establishment and application of a rigorous bolt tightening quality evaluation method based on big data analysis, an enterprise can simultaneously increase quality production while decreasing production costs. It also has major significance for the combined application of big data analysis and quality evaluation methods.

　　Keywords: Screw Tightening; Big Data Analysis; Clustering Algorithm; Quality Evaluation Method; 6 sigma

　　“工业4.0”通常被定义为第四代工业革命,在2013年汉诺威工业博览会上,德国政府提出了　“工业4.0”的术语及其定义[1],来建立最终实现智能制造的智能工厂。相似地,美国针对“智能制造”提出了专注于“数字制造”和“设计创新”的国家战略来与其他工业国家竞争。在类似的国家战略中,数据都以资源的身份重新被人们所重视,现有技术条件下,我们从海量的数据中可以分析和提炼出很多有用的信息。特别地,在我国目前“互联网+”的战略实施下,传统企业闲置的大量数据将被充分利用,“先进制造”、“智能制造”的理念也将很大程度上依附于工业大数据技术。

　　《中国制造2025》技术路线图指出,到2020年,中国聚焦生产效率提升与服务型制造升级,自主设计的“云端”��“终端”工业大数据平台在重点领域的使用普及率不低于40%,然而在大数据平台层W,无论是信息基础设施技术还是工业实时数据库,国外公司在市场的占有率都很高。

　　螺栓在工业产品中是十分常见的零件,并且螺栓拧紧质量直接关系到机械整体的质量等级,所以对螺栓拧紧工艺的过程数据进行分析,利用数据挖掘方法对拧紧工艺的质量进行深层次的评价,为企业提高质量管理水平提供关键的数据支撑依据。在汽车、内燃机等行业产品中,存在大量关键部件,其连接形式需要通过螺纹连接方式来实现。例如,内燃机气缸盖高强度螺栓拧紧质量关乎着气缸套与气缸盖间的气密性,这对柴油机稳定性和行车安全至关重要。气缸盖螺栓的预紧力过大、过小或散差过大,会造成气缸盖的非弹性形变、受力不均匀,造成漏油、漏气等故障。结合时代背景,如何在工业4.0的新时代中建立更加行之有效的螺栓质量评价方法事关产品良品率和企业盈利率。论文对国内相关企业调研的基础上,在进行相关数据分析的基础上,建立合理的深度质量评价方法,能够帮助企业完善产品生产环节、售后跟踪反馈、提高良品率,从而降低损失、提高利润。

　　大数据为巨量数据集合,指无法通过常规软件、传统数理统计方法进行处理的海量数据。如何从海量复杂的数据资源中分析出对传统企业经营管理有所改善的决策信息,是国内外学界今年主要关注的问题之一。大数据的定义存在着一定误区,数据的规模和量级在理论上或许重要,但目前为止并不是唯一起关键作用的方面。不同文献对此有着不一样的释义。结合工业4.0带来的机遇和挑战,全球着名的独立咨询公司Gartner IT Group提出了新的广义定义:大数据就是高量级、高速率和高变换的信息资产,这是有成本效益的创新信息处理方式增强了决策者洞察力和决策能力。Gandomi和Haider针对结构化数据(例如预测分析)和非结构化数据(例如文本,音频和视频)进行大数据分析。在大数据的应用中,其流程严重依赖于不同的大数据分析技术,包括模式识别,关联性分析,预测分析和图标报告生产。

　　在工业具体应用方面,企业每时需要面对的挑战是必须将损耗控制在最低水平。与此同时,重要的不仅仅是维持产品的质量本身,各个零件稳定性的维护同样重要。企业能维持自身的竞争力的方法之一便是充分了解企业生产过程及过程中产生的大量信息。在当今数字时代,信息化的生产环境中的企业每天会产生关于产品、机器、处理、材料、股票、组装、维护、计划和管理的海量数据[2]。然而由于数据的数量级过大,要存储、分析、处理并用数据来创造价值是非常困难的。这种状况经常导致“富足数据”但“贫乏信息”。从产品加工中收集而来的数据经常包含着非常重要的信息和知识,这不仅仅用来改进和提高生产本身,而且事关全公司利润。如果每次都针对相关质量问题对整体海量数据进行一次分析,就严重影响了大数据分析的初衷和企业实际运转时的效率。

　　对于工业大数据的国内外高校科研机构都展开了广泛的应用研宄。芬兰的学者EsaHSmSlainen利用大数据对企业消减故障、节能减排、降低生产成本,更加关注过程工业和应用集成,擅长对工业数据提取价值。韩国高丽大学的学者Byung Cho　Kim针对数据量级的降维,应用到企业经营规划中[5]。印度的学者Dr.　SuchithraR和Sivaramakrishnan　R　Guruvayur详细论证了机器学习算法的详细分类和原理介绍,并阐述了对工业数据应用中可行性。澳洲的墨尔本大学的Koch　FL教授对大数据应用于企业产品的分析进行了前沿性研究[e]。美国的田纳西州立大学的Abdulla　Al-Salah,　Saleh　Zein-Sabatto等对飞机上四个螺栓的海量数据进行聚类等多种机器学习算法分析,从而监测飞机结构健康状况,取得了明显的成效[7]。在国内,随着国家互联网战略的实施,学界也有很多学者对数据十分重视并展开了研究。在原理相关领域,北京邮电大学的周志宏等学者应用机器学习对工业大数据进行数据归集和降维的研究[8]。

工业大数据分析螺栓拧紧工艺质量方法：

高强度螺栓拧紧数据可视化

普通螺栓最终扭矩-转角可视化

角度分窗示意图

类别一

类别二

目录

　　摘要
　　ABSTRACT
　　第1章 绪论
　　　　1.1 研究背景及研究意义
　　　　1.2 工业大数据及质量评价方法的研究现状
　　　　　　1.2.1 大数据及质量评价的相关应用
　　　　　　1.2.2 工业大数据及质量评价在国内外的研究现状
　　　　1.3 本文的主要工作
　　　　　　1.3.1 工业大数据分析方案的建立
　　　　　　1.3.2 应用机器学习算法对螺栓数据的分析处理
　　　　　　1.3.3 对6sigma质量评价方法的研宄
　　　　1.4 论文的组织结构
　　第2章 基础介绍
　　　　2.1 相关业务介绍
　　　　　　2.1.1 螺栓拧紧的工艺过程介绍
　　　　　　2.1.2 螺栓类型介绍
　　　　2.2 相关技术介绍
　　　　　　2.2.1 大数据技术
　　　　　　2.2.2 机器学习技术
　　　　　　2.2.3 6sigma管理技术与3sigma准则
　　　　2.3 本章小结
　　第3章 数据预处理与聚类算法分析
　　　　3.1 数据预处理
　　　　　　3.1.1 大数据分析环境的建立
　　　　　　3.1.2 故障螺栓数据的处理
　　　　　　3.1.3 建立数据模型
　　　　3.2 聚类算法分析及实现
　　　　　　3.2.1 聚类算法的原理
　　　　　　3.2.2 聚类算法的分类原则和方法对比
　　　　　　3.2.3 K-means聚类算法介绍及实现
　　　　　　3.2.4 DBSCAN聚类算法介绍及实现
　　　　　　3.2.5 聚类算法的适用性分析
　　　　3.3 本章小结
　　第4章 基于大数据分析的质量等级评价方法
　　　　4.1 基于大数据分析的等级评价方法的创建
　　　　4.2 基于3　sigma准则的质量等级划分方法
　　　　4.3 决策树在等级确立中的应用
　　　　4.4 本章小节
　　第5章 工业案例分析
　　　　5.1 工业案例描述
　　　　　　5.1.1 内燃机相关螺栓的拧紧问题描述
　　　　　　5.1.2 两种螺栓拧紧数据的算法选择分析
　　　　5.2 K-means在高强度螺栓数据中的应用分析
　　　　　　5.2.1 高强度螺栓拧紧流程及现状
　　　　　　5.2.2 基于K-means的高强度螺栓大数据分析方案
　　　　　　5.2.3 高强度螺栓基于6　sigma质量评价方法的分析
　　　　5.3　DBSCAN在普通螺栓数据中的应用分析
　　　　　　5.3.1 普通螺栓抒紧流程及现状
　　　　　　5.3.2 基于DBSCAN的普通螺栓大数据分析方案
　　　　　　5.3.3 普通螺栓基于6　sigma质量评价方法的分析
　　　　5.4 本章小结
　　第6章 结论与展望
　　　　6.1 结论
　　　　6.2 展望
　　参考文献
　　致谢
　　攻读学位期间发表的学术论文目录

（如您需要查看本篇毕业设计全文，请您联系客服索取）