尹 超，郭 晨，趙 旭

（重慶大學(xué) 機(jī)械傳動國家重點(diǎn)實(shí)驗(yàn)室，重慶 400030）

0 引言

微車后橋是微車中十分重要的組裝件，主要由后橋橋殼總成、主減速器總成、差速器總成、驅(qū)動輪半軸總成、驅(qū)動輪輪轂總成等部分組合而成，在多數(shù)情況下為驅(qū)動橋，是一個(gè)復(fù)雜的多傳動系統(tǒng)［1］。生產(chǎn)異常損失是指在生產(chǎn)過程中由于設(shè)備異常、物料異常、質(zhì)量異常、工藝異常和人員異常等事件造成的企業(yè)有形損失和無形損失。微車后橋生產(chǎn)過程涉及的工序、物料、設(shè)備種類繁多，工序間銜接緊密，其關(guān)鍵工序一旦出現(xiàn)生產(chǎn)異常問題，將給企業(yè)在后續(xù)工序生產(chǎn)、產(chǎn)品品質(zhì)、客戶滿意度等方面帶來重大損失，同時(shí)也影響微車的質(zhì)量水平，給人們的生命安全帶來極大的隱患。因此，對微車后橋生產(chǎn)過程關(guān)鍵工序的生產(chǎn)異常損失進(jìn)行有效的評估和預(yù)警，為關(guān)鍵工序生產(chǎn)異常事件預(yù)防控制提供決策支持，已成為微車后橋制造企業(yè)迫切需要解決的核心問題之一。

近年來，國內(nèi)外專家和學(xué)者對生產(chǎn)過程異常事件管理方面的研究主要集中在生產(chǎn)異常事件的監(jiān)控和預(yù)測等方面，例如：文獻(xiàn)［2］對高頻采集到的生產(chǎn)質(zhì)量數(shù)據(jù)自相關(guān)性進(jìn)行了探索和研究；文獻(xiàn)［3］通過一種智能故障診斷方法對生產(chǎn)線進(jìn)行了故障預(yù)測；文獻(xiàn)［4］采用自適應(yīng)神經(jīng)模糊推理系統(tǒng)構(gòu)建半導(dǎo)體生產(chǎn)線設(shè)備故障預(yù)測模型，并以某半導(dǎo)體生產(chǎn)線制造過程為例進(jìn)行了仿真驗(yàn)證；文獻(xiàn)［5］提出一種基于故障先兆判定模型和動態(tài)置信度匹配的主軸潤滑故障預(yù)測方法，實(shí)現(xiàn)了主軸傳動系統(tǒng)潤滑不良故障的預(yù)測；文獻(xiàn)［6］針對汽車安全氣囊生產(chǎn)線物料種類繁多與質(zhì)量追蹤困難的問題，建立了基于條碼追蹤技術(shù)的關(guān)鍵工序質(zhì)量追蹤系統(tǒng)；文獻(xiàn)［7］為解決航空發(fā)動機(jī)氣路參數(shù)偏差值時(shí)間序列中突變值難以預(yù)測的問題，提出一種分式非線性聚合過程神經(jīng)網(wǎng)絡(luò)模型。綜上可見，國內(nèi)外在車間生產(chǎn)異常事件的監(jiān)控和預(yù)測等方面進(jìn)行了一定的研究，并取得了良好的應(yīng)用效果，但結(jié)合后橋生產(chǎn)的過程關(guān)鍵工序生產(chǎn)各影響因素，對關(guān)鍵工序生產(chǎn)異常損失進(jìn)行有效評估及預(yù)警的研究還不多。

筆者所在課題組對生產(chǎn)過程異常事件管理方面進(jìn)行了一定的探索，文獻(xiàn)［8］提出一種可支持異常事件信息動態(tài)采集、實(shí)時(shí)傳遞、快速處理和綜合查詢的車間生產(chǎn)異常事件實(shí)時(shí)管理系統(tǒng)，但只是對異常事件管理進(jìn)行了定性研究，也沒有對所采集的異常事件進(jìn)行詳細(xì)分類說明；文獻(xiàn)［9］提出一種復(fù)雜機(jī)電產(chǎn)品關(guān)鍵裝配工序物料的質(zhì)量損失評估及預(yù)警方法，但針對關(guān)鍵裝配工序物料的質(zhì)量損失評估所需采集的數(shù)據(jù)未予探討。

本文將借鑒國內(nèi)外的研究成果，結(jié)合微車后橋生產(chǎn)過程關(guān)鍵工序生產(chǎn)異常事件的構(gòu)成和特點(diǎn)，探索和研究一種微車后橋生產(chǎn)過程關(guān)鍵工序生產(chǎn)異常損失評估和預(yù)警方法，并在企業(yè)進(jìn)行應(yīng)用驗(yàn)證，從而為微車后橋關(guān)鍵工序生產(chǎn)異常問題的事前預(yù)防提供支持。

1 微車后橋關(guān)鍵工序生產(chǎn)異常事件信息分類

微車后橋關(guān)鍵工序生產(chǎn)異常事件的有效分類是微車后橋關(guān)鍵工序生產(chǎn)異常損失評估和預(yù)警的重要前提。本文基于生產(chǎn)實(shí)踐將微車后橋關(guān)鍵工序生產(chǎn)異常事件分為偶然事件和概率事件兩類。偶然事件是指無法預(yù)測的事件，事件的發(fā)生無一定的規(guī)律性，例如由操作人員主觀大意造成的異常事件；概率事件是指事件的發(fā)生有一定的概率性，可以通過預(yù)測進(jìn)行識別。對于偶然事件引起的損失，可以通過增強(qiáng)工作人員的主觀意識來減少此類損失。本文提出的方法主要對由概率事件引起的損失進(jìn)行評估和預(yù)警。

按照微車后橋生產(chǎn)過程的特點(diǎn)和需求，對微車后橋關(guān)鍵工序生產(chǎn)異常事件的概率事件進(jìn)行分類，包括差速器殼體機(jī)加異常、后橋殼體機(jī)加異常、減速器殼體機(jī)加異常、差減速器裝配異常和后橋總成裝配異常五類。每類異常事件又可以關(guān)鍵工序?yàn)閱挝?，依?jù)關(guān)鍵工序的生產(chǎn)特點(diǎn)進(jìn)行細(xì)分，如關(guān)鍵工序差殼內(nèi)臺孔精車包括半軸過孔內(nèi)徑尺寸超差、半軸齒輪安裝孔尺寸超差、物料供應(yīng)異常、機(jī)床控制系統(tǒng)異常、工藝參數(shù)不當(dāng)?shù)犬惓Ｊ录☆?。圖1為微車后橋關(guān)鍵工序生產(chǎn)異常事件的分類情況。

2 微車后橋關(guān)鍵工序生產(chǎn)異常損失評估及預(yù)警方法總體思路

微車后橋關(guān)鍵工序生產(chǎn)異常損失評估及預(yù)警方法的總體思路為：通過部署在生產(chǎn)車間的信息采集裝置，采集后橋生產(chǎn)過程異常事件信息；建立微車后橋關(guān)鍵工序生產(chǎn)異常損失指標(biāo)體系，通過基于改進(jìn)的灰色關(guān)聯(lián)分析方法確定指標(biāo)權(quán)重；利用改進(jìn)的灰色模糊評判方法對微車后橋關(guān)鍵工序生產(chǎn)異常損失進(jìn)行評估，建立關(guān)鍵工序生產(chǎn)異常損失的時(shí)間序列值；應(yīng)用徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)對微車后橋關(guān)鍵工序生產(chǎn)異常損失時(shí)間序列進(jìn)行預(yù)測，建立生產(chǎn)異常損失預(yù)警圖，為微車后橋關(guān)鍵工序生產(chǎn)異常的事前預(yù)防提供支持，具體如圖2所示。

（1）在傳統(tǒng)的微車后橋生產(chǎn)過程中，車間生產(chǎn)異常信息采集一直沿用傳統(tǒng)的手工紙質(zhì)采集方式，采集效率低下、信息準(zhǔn)確性較差。利用筆者所在課題組前期發(fā)明的多功能交互式信息終端（專利號ZL02113585.1），通過USB接口與IC 卡讀卡器、條碼掃描槍等各種外接設(shè)備集成，根據(jù)第1章中異常事件的分類與信息采集方法，實(shí)現(xiàn)對微車后橋關(guān)鍵工序生產(chǎn)異常信息的實(shí)時(shí)動態(tài)采集，彌補(bǔ)了生產(chǎn)過程關(guān)鍵工序生產(chǎn)異常信息采集方式存在的缺陷［10］。

信息采集的準(zhǔn)確性將直接影響微車后橋關(guān)鍵工序生產(chǎn)異常損失評估和預(yù)警效果，由于本文提出的方法主要是對由關(guān)鍵工序生產(chǎn)異常事件中的概率事件引起的損失進(jìn)行評估和預(yù)警，本文只對關(guān)鍵工序概率事件信息進(jìn)行采集。每個(gè)關(guān)鍵工序所采集的異常事件信息是不同的，以差殼機(jī)加生產(chǎn)線半軸齒輪安裝孔尺寸超差異常事件為例，工作人員通過終端對該異常事件進(jìn)行結(jié)構(gòu)化與非結(jié)構(gòu)化描述，結(jié)構(gòu)化部分包括原因、超差尺寸值、現(xiàn)狀、后續(xù)影響等，非結(jié)構(gòu)化部分包括相應(yīng)的圖片與文檔。

（2）由于不同關(guān)鍵工序的生產(chǎn)異常事件對關(guān)鍵工序生產(chǎn)異常損失在不同維度上有不同的影響，需要建立一套科學(xué)有效的微車后橋關(guān)鍵工序生產(chǎn)異常損失評價(jià)指標(biāo)體系，本文建立了后橋工廠直接經(jīng)濟(jì)損失、異常事件處理成本、后續(xù)工序影響、后橋品質(zhì)損失、客戶滿意度損失五維度模糊綜合評價(jià)指標(biāo)體系，并利用改進(jìn)的灰色關(guān)聯(lián)分析方法確定各級指標(biāo)權(quán)重，使微車后橋關(guān)鍵工序生產(chǎn)異常損失評價(jià)結(jié)果更具有客觀性和有效性。

（3）本文引入一種灰色模糊綜合評價(jià)方法，利用改進(jìn)的灰色關(guān)聯(lián)方法確定各個(gè)指標(biāo)權(quán)重，并根據(jù)灰色聚類理論構(gòu)造白化權(quán)函數(shù)，從而構(gòu)建模糊隸屬度矩陣，最終對微車后橋關(guān)鍵工序生產(chǎn)異常損失進(jìn)行評估，使其更具合理性［11-12］。

（4）RBF神經(jīng)網(wǎng)絡(luò)是一種新穎有效的前饋式神經(jīng)網(wǎng)絡(luò)，具有最佳逼近和全局最優(yōu)的性能，適用于非線性時(shí)間序列的預(yù)測。本文在對微車后橋關(guān)鍵工序生產(chǎn)異常損失進(jìn)行評估的基礎(chǔ)上，應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)對關(guān)鍵工序生產(chǎn)損失的時(shí)間序列值進(jìn)行預(yù)測，并建立損失預(yù)警圖，實(shí)現(xiàn)微車后橋生產(chǎn)過程關(guān)鍵工序生產(chǎn)異常問題的事前預(yù)警。

3 微車后橋關(guān)鍵工序生產(chǎn)異常損失指標(biāo)體系及指標(biāo)權(quán)重的確定

微車后橋關(guān)鍵工序生產(chǎn)異常事件一旦發(fā)生，會影響后續(xù)工序生產(chǎn)，損害后橋品質(zhì)，同時(shí)也會降低客戶滿意度，增加企業(yè)自身經(jīng)濟(jì)損失。參考文獻(xiàn)［9］和文獻(xiàn)［13］，結(jié)合微車后橋關(guān)鍵工序生產(chǎn)異常損失的構(gòu)成和特點(diǎn)，進(jìn)一步凝煉課題組的前期研究成果，建立了一套系統(tǒng)的微車后橋關(guān)鍵工序生產(chǎn)異常損失評價(jià)指標(biāo)體系。

3.1 微車后橋關(guān)鍵工序生產(chǎn)異常損失指標(biāo)體系構(gòu)建

微車后橋關(guān)鍵工序生產(chǎn)異常損失評價(jià)指標(biāo)體系如圖3所示。

微車后橋關(guān)鍵工序生產(chǎn)異常損失的評價(jià)包括后橋工廠直接經(jīng)濟(jì)損失E、異常事件處理成本D、后續(xù)工序影響I、后橋品質(zhì)損失Q和客戶滿意度損失C五個(gè)一級指標(biāo)。為更有效地對關(guān)鍵工序生產(chǎn)異常損失進(jìn)行評估，將二級指標(biāo)分為定性指標(biāo)與定量指標(biāo)，如圖3所示。各一級評價(jià)指標(biāo)包含的二級指標(biāo)具體如下：

（1）后橋工廠直接經(jīng)濟(jì)損失E關(guān)鍵工序生產(chǎn)異常事件的發(fā)生將直接給企業(yè)帶來經(jīng)濟(jì)損失，包括廢品成本損失、返修成本損失、停工工時(shí)損失、產(chǎn)品延期交付損失和其他成本損失。

（2）異常事件處理成本D在對關(guān)鍵工序生產(chǎn)異常事件進(jìn)行處理的過程中，檢測設(shè)備使用成本、處理工時(shí)成本、處理過程管理成本和處理過程配送成本都將對生產(chǎn)異常損失帶來重大影響。

（3）后續(xù)工序影響I關(guān)鍵工序生產(chǎn)異常事件對其后續(xù)工序帶來重大影響，包括后工序生產(chǎn)進(jìn)度影響、后工序物料延期管理影響、后工序人員調(diào)整影響和后工序設(shè)備調(diào)整影響。

（4）后橋品質(zhì)損失Q關(guān)鍵工序生產(chǎn)異常事件的發(fā)生造成的后橋品質(zhì)損失包括后橋性能損失和后橋壽命損失、后橋可靠性損失、后橋安全性損失。

（5）客戶滿意度損失C根據(jù)ACSIM（American customer satisfaction index model）模型，可以從履行合同能力損失、客戶期望損失、客戶忠誠度損失、客戶收貨延期抱怨值考慮。

應(yīng)用該指標(biāo)體系對生產(chǎn)異常損失進(jìn)行評估，首先應(yīng)計(jì)算二級評價(jià)指標(biāo)對生產(chǎn)異常損失評語的隸屬度向量。定義評語集V=｛v1～非常大，v2～比較大v3～一般，v4～輕微，v5～無損失｝，各評語分別表示生產(chǎn)異常損失的嚴(yán)重程度。對各個(gè)評語集賦予相應(yīng)的量化值，以實(shí)現(xiàn)關(guān)鍵工序生產(chǎn)異常損失從定性描述到定量描述的轉(zhuǎn)變：V=｛v1，v2，v3，v4，v5｝=（9，7，5，3，1）。

對于定性二級指標(biāo)，可由專家打分確定其隸屬度向量，而定量二級指標(biāo)的隸屬度向量可通過查表確定：根據(jù)取值區(qū)間劃分為不同的轉(zhuǎn)化等級，如表1所示；根據(jù)關(guān)鍵工序生產(chǎn)異常事件處理歷史數(shù)據(jù)與管理經(jīng)驗(yàn)，給出各轉(zhuǎn)化等級對評語集中各評語的隸屬度向量，如表2所示。

表1 定量型二級評價(jià)指標(biāo)和轉(zhuǎn)換等級的關(guān)系

續(xù)表1

表2 轉(zhuǎn)化等級對評語集中各評語的隸屬度取值

由于專家的能力與偏好不同，導(dǎo)致評價(jià)指標(biāo)隸屬度帶有一定灰度。為了提高方法的有效性，引入一種灰色模糊評判方法，根據(jù)灰色聚類理論構(gòu)造白化權(quán)函數(shù)，并根據(jù)二級指標(biāo)的隸屬度向量構(gòu)建二級指標(biāo)模糊隸屬度矩陣，具體方法將在第4 章進(jìn)行討論。

3.2 基于改進(jìn)的灰色關(guān)聯(lián)分析方法確定指標(biāo)權(quán)重

本文引入一種改進(jìn)的灰色關(guān)聯(lián)分析方法，確定微車后橋關(guān)鍵工序生產(chǎn)異常損失評價(jià)指標(biāo)權(quán)重。該方法可對決策者給出的主觀權(quán)重經(jīng)驗(yàn)判斷矩陣進(jìn)行充分挖掘，并使權(quán)重同時(shí)反映主觀程度和客觀程度，提高評估的科學(xué)性與客觀性。具體方法如下：

設(shè)有n個(gè)評價(jià)指標(biāo)，首先由m個(gè)專家同時(shí)對各個(gè)指標(biāo)的權(quán)重做出經(jīng)驗(yàn)判斷，從而組成各個(gè)指標(biāo)權(quán)重的經(jīng)驗(yàn)判斷數(shù)據(jù)列，表示為X=（X1，X2，…，Xn）T。從X1，X2，…，Xn中分別挑選一個(gè)最大值組成X0，記X0=（x0（1），x0（2），…，x0（m）），求X各向量與X0的距離D=（D01，D02，…，D0n），其中D0i，i=（1，2，…，n）。則各個(gè)指標(biāo)權(quán)重可表示為，對wi進(jìn)行歸一化：

4 基于改進(jìn)灰色模糊評判方法的微車后橋關(guān)鍵工序生產(chǎn)異常損失評估

利用三角白化權(quán)函數(shù)的灰色評估方法，構(gòu)建二級指標(biāo)模糊隸屬度矩陣，對關(guān)鍵工序異常損失進(jìn)行模糊綜合評價(jià)，從而為微車后橋關(guān)鍵工序生產(chǎn)異常事件預(yù)警提供支持。

4.1 利用灰色聚類理論構(gòu)造灰色模糊隸屬度矩陣

根據(jù)評語集將某個(gè)關(guān)鍵工序的異常事件集合對第i個(gè)一級指標(biāo)下的第j個(gè)二級指標(biāo)影響情況進(jìn)行評估，得到隸屬向量根據(jù)三角白化權(quán)函數(shù)的灰色評估方法，建立k（k=1，…，5）個(gè)灰類的白化權(quán)函數(shù)：

式中：n為第i個(gè)一級指標(biāo)下的二級指標(biāo)總數(shù)為影響因素對第i個(gè)一級指標(biāo)下第j個(gè)二級指標(biāo)的影響屬于k類的綜合聚類系數(shù)

4.2 對一級評價(jià)指標(biāo)進(jìn)行灰色模糊綜合評價(jià)

根據(jù)式（4）即可求出一級評價(jià)指標(biāo)對評語集中各評語的隸屬度向量

式中Wi（i=1，2，3，4，5）為第i個(gè)一級指標(biāo)下二級評價(jià)指標(biāo)的權(quán)重向量。

4.3 對關(guān)鍵工序異常損失進(jìn)行模糊綜合評價(jià)

以一級指標(biāo)評價(jià)結(jié)果N=［N1，N2，N3，N4，N5］T作為評價(jià)矩陣，由模糊綜合評價(jià)公式M=W·N計(jì)算關(guān)鍵工序生產(chǎn)異常損失對評語集中各評語的隸屬度向量M=（m1，m2，m3，m4，m5）。W=（w1，w2，w3，w4，w5）為一級評價(jià)指標(biāo)權(quán)重向量，根據(jù)式（5）可得到微車后橋關(guān)鍵工序生產(chǎn)異常損失值

5 基于RBF神經(jīng)網(wǎng)絡(luò)的生產(chǎn)異常損失預(yù)警

基于RBF神經(jīng)網(wǎng)絡(luò)的生產(chǎn)異常損失預(yù)測模型，對微車后橋關(guān)鍵工序生產(chǎn)異常損失時(shí)間序列值進(jìn)行預(yù)測并建立預(yù)警圖，為微車后橋關(guān)鍵工序生產(chǎn)異常問題事前預(yù)防控制提供決策支持。

5.1 微車后橋關(guān)鍵工序生產(chǎn)異常損失RBF預(yù)測模型建立

建立RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型。RBF 神經(jīng)網(wǎng)絡(luò)由三層組成，其結(jié)構(gòu)如圖4所示。

第i個(gè)隱含層輸出為，1≤i≤p，φ（·）取高斯函數(shù)，ri和bi分別為第i個(gè)RBF的中心和寬度，‖·‖為歐式2范數(shù)，X為輸入向量；隱含層輸出為為第i個(gè)隱含層單元與輸出層的連接權(quán)值。

用正交最小二乘算法（Orthogonal Oeast Squares，OOS）對RBF 進(jìn)行訓(xùn)練。記y（n）=，y=［y1，y2，…，yn］T為期望輸出序列，p=［p1，p2，…，pn］為隱層輸出序列；w=［w1，…，wn］T為輸出權(quán)陣；E=［ε（1），ε（2），…，ε（n）］為誤差序列。對P進(jìn)行奇異分解：P=C·A，A為n×n階奇異矩陣，C為n×n階正交矩陣，可得y（n）的解為，且

具體步驟如下：

（1）當(dāng)K=1 時(shí)，令，計(jì)算誤差下降速率yTy，選擇

（2）當(dāng)K＞1時(shí)，計(jì)算：，1≤j≤k，選擇

（3）直到第χ步，如果，則k=k+1，其中0＜ρ＜1，ρ為事先給定的網(wǎng)絡(luò)訓(xùn)練精度，重復(fù)步驟（2），否則轉(zhuǎn)步驟（4）。

（4）ck即為RBF中心，則權(quán)值矩陣可由式（6）得出，停止學(xué)習(xí)。

5.2 微車后橋關(guān)鍵工序生產(chǎn)異常損失預(yù)警

應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)預(yù)測模型，建立關(guān)鍵工序生產(chǎn)異常損失時(shí)間序列預(yù)警圖，如圖5所示。

在圖5中，將微車后橋關(guān)鍵工序生產(chǎn)異常損失模糊綜合評價(jià)值劃分為Q1，Q2，Q3，Q4，Q5五個(gè)等級。其中Q1（0～0.2）表示安全級，Q2（0.2～0.4）表示基本安全級，Q3（0.4～0.6）表示過度級，Q4（0.6～0.8）表示低警戒級，Q5（0.8～1）表示警戒級。管理人員根據(jù)圖5便可以判斷出未來一個(gè)時(shí)間段內(nèi)該關(guān)鍵工序的生產(chǎn)異常損失值，提前分析原因并采取相應(yīng)的預(yù)防措施［8］。

6 案例

本文研究成果已應(yīng)用于重慶某集團(tuán)后橋生產(chǎn)工廠。該集團(tuán)是重慶市年產(chǎn)值突破100億元的幾家民營企業(yè)之一，公司主營產(chǎn)業(yè)有微車及微車發(fā)動機(jī)、后橋、減震器等零部件。其中后橋生產(chǎn)過程涉及的工序、物料、設(shè)備種類繁多，造成后橋生產(chǎn)過程中生產(chǎn)異常事件頻發(fā)，而該后橋工廠缺乏一種科學(xué)有效的微車后橋關(guān)鍵工序生產(chǎn)異損失評估和預(yù)警方法，無法對關(guān)鍵工序生產(chǎn)異常事件進(jìn)行有效評估與預(yù)警，大大增加了企業(yè)生產(chǎn)成本，降低了產(chǎn)品市場競爭力。企業(yè)通過應(yīng)用本文的研究成果取得了良好的應(yīng)用效果。下面以橋殼機(jī)加生產(chǎn)線總成校直關(guān)鍵工序?yàn)槔?，對微車后橋關(guān)鍵工序生產(chǎn)異損失評估與預(yù)警過程進(jìn)行闡述。

6.1 指標(biāo)體系及權(quán)重確定

根據(jù)微車后橋關(guān)鍵工序生產(chǎn)異常損失指標(biāo)體系，采用改進(jìn)的灰色關(guān)聯(lián)分析方法確定指標(biāo)權(quán)重，利用式（1）求出二級指 標(biāo)權(quán)重W1=（0.44，0.16，0.14，0.11，0.15），W2=（0.18，0.45，0.19，0.18），W3=（0.51，0.30，0.11，0.08），W4=（0.27，0.25，0.20，0.28），W5=（0.20，0.15，0.31，0.34），一級指標(biāo)的權(quán)重W=（0.31，0.25，0.20，0.13，0.11）。

6.2 生產(chǎn)異常損失時(shí)間序列表建立

針對一個(gè)評價(jià)周期（一周）內(nèi)的總成校直關(guān)鍵工序生產(chǎn)異常事件信息，利用灰色聚類理論構(gòu)造總成校直關(guān)鍵工序各個(gè)評價(jià)指標(biāo)的灰色模糊隸屬度，表3為2012年8月6日～2013年6月17日一個(gè)評價(jià)周期的總成校直關(guān)鍵工序生產(chǎn)異常損失隸屬度。

表3 總成校直關(guān)鍵工序生產(chǎn)異常損失隸屬度

對評價(jià)周期內(nèi)總成校直關(guān)鍵工序生產(chǎn)異常損失評估：根據(jù)二級指標(biāo)的權(quán)重和表1確定的隸屬度矩陣σi，對一級指標(biāo)進(jìn)行模糊綜合評價(jià)，得出其隸屬度向量Ni（i=1，2，3，4，5），確定該周期內(nèi)總成校直工序生產(chǎn)異常損失的灰色模糊評價(jià)矩陣

根據(jù)式（5）可得出總成校直工序生產(chǎn)損失對評語集中各個(gè)評語的隸屬度向量M（m1，m2，m3，m4，m5）=（0.170 7，0.172 6，0.147 7，0.169 0，0.160 0），M＊=（m＊1，m＊2，m＊3，m＊4，m＊5），根據(jù)式（6）可得出總成校直工序生產(chǎn)異常損失綜合模糊評價(jià)值φ為0.465。

建立2012年4月9日～2013年6月17日之間的60次生產(chǎn)異常損失時(shí)間序列，如表4所示。

6.3 生產(chǎn)異常損失預(yù)警

本例中總成校直生產(chǎn)異常損失的時(shí)間序列呈現(xiàn)長度約為19，故本例的RBF 輸入神經(jīng)元選擇為19［14］，取前55組作為訓(xùn)練樣本，后5組作為驗(yàn)證數(shù)據(jù)。采用MATLAB 神經(jīng)網(wǎng)絡(luò)工具箱，為避免過擬合，這里選擇允許誤差為訓(xùn)練精度ρ=0.005，根據(jù)表4對RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練至第15步時(shí)滿足精度要求，均方誤差MSE=4.823e-003，訓(xùn)練效果如圖6所示。

表4 總成校直工序生產(chǎn)異常損失時(shí)間序列

利用訓(xùn)練樣本預(yù)測第56～60個(gè)評價(jià)周期的生產(chǎn)異常損失分別為：0.398，0.298，0.221，0.285，0.354，預(yù)測的均方誤差MSE=2.218 0e-004。用BP神經(jīng)網(wǎng)絡(luò)和逐步回歸時(shí)間序列分析法［15-16］對樣本預(yù)測，求其均方誤差MSE和效率系數(shù)EA 并與本文方法比較，其中：，o（i）為實(shí)測值，p（i）為預(yù)測值為實(shí)測值的平均數(shù)。結(jié)果如表5所示。

表5 模型對比結(jié)果

由表5可知，本文采用的RBF神經(jīng)網(wǎng)絡(luò)模型可靠性強(qiáng)于其他兩種模型，具有較好的預(yù)測能力。應(yīng)用訓(xùn)練好的預(yù)測模型得到第61～63個(gè)周期的總成校直工序生產(chǎn)異常損失值分別為0.425，0.501，0.632。其中第63個(gè)周期的生產(chǎn)異常損失值達(dá)到了警戒級。通過分析發(fā)現(xiàn)，造成這一現(xiàn)象的主要原因是總成校直工序的數(shù)控機(jī)床主軸傳動系統(tǒng)潤滑不良導(dǎo)致的某元件磨損，企業(yè)應(yīng)當(dāng)及時(shí)對該元器件進(jìn)行返修或更換，從而有效避免由于該元件的磨損，降低總成校直工序生產(chǎn)異常問題造成的損失。

7 結(jié)束語

本文針對微車后橋關(guān)鍵工序生產(chǎn)異常損失評估和預(yù)警困難等問題，提出一套微車后橋關(guān)鍵工序生產(chǎn)異常損失評估和預(yù)警方法，在對微車后橋關(guān)鍵工序生產(chǎn)異常事件進(jìn)行系統(tǒng)性分類的基礎(chǔ)上，建立了關(guān)鍵工序生產(chǎn)異常損失的評價(jià)指標(biāo)體系，并對基于灰色模糊評判的生產(chǎn)異常損失評估、基于RBF神經(jīng)網(wǎng)絡(luò)的生產(chǎn)異常損失預(yù)警等關(guān)鍵技術(shù)進(jìn)行了研究。通過在重慶某集團(tuán)后橋生產(chǎn)工廠的實(shí)際應(yīng)用，驗(yàn)證了以上研究成果的可行性和實(shí)用性，表明該研究成果能對微車后橋生產(chǎn)過程關(guān)鍵工序生產(chǎn)異常損失進(jìn)行有效的評估及預(yù)警，為關(guān)鍵工序生產(chǎn)異常事件預(yù)防控制提供決策支持。

［1］QI Fan.Study of strategy of the fault diagnosis on main reducer of micro-vehicle drive axle［D］.Wuhan：Wuhan University of Technology，2012（in Chinese）.［祁 帆.微車后橋主減速器故障診斷策略研究［D］.武漢：武漢理工大學(xué)，2012.］

［2］LIU Mingzhou，ZHAO Zhibiao，GE Maogen，et al.Research of correlation-model between qualities attributes and quality control points in assembly process of the complex product based on network flow［J］.Advanced Materials Research，2012（11）：403-408：3015-3021.

［3］WANG Wenjiang，SUN Huilai，LIN Shuzhong，et al.Failure prediction and intelligent troubleshooting in the application of the coin cell production line［J］.International Journal of Advancements in Computing Technology，2012，4（6）：149-156.

［4］CAO Zhengcai，ZHAO Huidan，WU Qidi.Failure prediction&maintenance scheduling for semiconductor wafer fabrication based on adaptive neuro-fuzzy inference system［J］.Computer Integrated Manufacturing Systems，2010，16（10）：2181-2186（in Chinese）.［曹政才，趙會丹，吳啟迪.基于自適應(yīng)神經(jīng)模糊推理系統(tǒng)的半導(dǎo)體生產(chǎn)線故障預(yù)測及維護(hù)調(diào)度［J］.計(jì)算機(jī)集成制造系統(tǒng)，2010，16（10）：2181-2186.］

［5］GAO Tianrong，YU Dong，YUE Dongfeng，et al.Spindle lubrication fault prediction based on fault symptom decision model and dynamic confidence matching［J］.Journal of Mechanical Engineering，2012，48（17）：75-82（in Chinese）.［高甜容，于東，岳東峰，等.基于故障先兆判定模型和動態(tài)置信度匹配的主軸潤滑故障預(yù)測方法［J］.機(jī)械工程學(xué)報(bào)，2012，48（17）：75-82.］

［6］SHI X J，LI F T，ZHANG Y，et al.Quality control and tracing system of automotive airbag flexible assembly line［C］／／Proceedings of the 14th Conference of China University Society on Manufacturing Automation—Manufacturing Automation Technology Development.DOI：10.4028／www.scientific.net／KEM.455.66.

［7］ZHONG Shishegn，CUI Zhiquan，WANG Tichun.Prediction of engine gas path parameter deviation based on fractional aggregation process neural network［J］.Computer Intergrated Manufacturing Systems，2013，19（5）：1071-1077（in Chinese）.［鐘詩勝，崔智全，王體春.基于分布聚合過程神經(jīng)網(wǎng)絡(luò)的發(fā)動機(jī)氣路參數(shù)偏差值預(yù)測［J］.計(jì)算機(jī)集成制造系統(tǒng)，2013，19（5）：1071-1077.］

［8］YIN Chao，MA Chunbin，LIU Fei，et al.Real time management system for abnormal production-events in workshop［J］.Computer Integrated Manufacturing Systems，2009，15（4）：719-725（in Chinese）.［尹 超，馬春斌，劉 飛，等.車間生產(chǎn)異常事件實(shí)時(shí)管理系統(tǒng)研究［J］.計(jì)算機(jī)集成制造系統(tǒng)，2009，15（4）：719-725.］

［9］LIANG Zhongquan，YIN Chao.Evaluation and early warningmethod of key assembly process materials quality loss for complex electromechanical products［EB／OL］.［2013-04-01］.http：／／www.paper.edu.cn／releasepaper／content／201304-37（in Chinese）.［梁忠權(quán)，尹 超.復(fù)雜機(jī)電產(chǎn)品關(guān)鍵裝配工序物料質(zhì)量損失評估及預(yù)警方法［EB／OL］.［2013-04-01］.http：／／www.paper.edu.cn／releasepaper／content／201304-37.］

［10］LIU Fei，YAN Pin，HE Deqiang.Multi-function interactive information terminal in networked mfg system：China，ZL02113585.1［P］.2003-10-22（in Chinese）.［劉 飛，鄢萍，賀德強(qiáng).網(wǎng)絡(luò)化制造系統(tǒng)中的多功能交互式信息終端：中國，ZL02113585.1［P］.2003-10-22.］

［11］CUI Jie，DANG Yaoguo，LIU Sifeng.An improved approach for determining weights of attributes in decision making based on grey incidence［J］.Chinese Journal of Management Scienc，2008，16（5）：141-145（in Chinese）.［崔 杰，黨耀國，劉思峰.基于灰色關(guān)聯(lián)度求解指標(biāo)權(quán)重的改進(jìn)方法［J］.中國管理科學(xué)，2008，16（5）：141-145.］

［12］LI Lixin，LIU Lin，WANG Qiang.Fuzzy comprehensive evaluation base on grey clustering theory and its application in safety assessment of the structure of the construction phase［J］.Journal of Shenyang Jianzhu University：Natural Science，2008，24（4），577-580（in Chinese）.［李立新，劉 琳，王 強(qiáng).模糊灰色綜合評價(jià)方法的構(gòu)建及應(yīng)用［J］.沈陽建筑大學(xué)學(xué)報(bào)：自然科學(xué)版，2008，24（4）：577-580.］

［13］GAO J S，XU J H，ZHOU Z B，et al.Customer satisfaction evaluation for mobile commerce based on fuzzy comprehensive evaluation［C］／／Proceedings of International Symposium on Electronic Commerce and Security.Washington，D.C.，USA：IEEE Computer Society，2008：679-682.

［14］ZHANG Dongqing，NING Xuanxi，LIU Xueni.Time series on-line prediction based on RBF-HMM model［J］.Journal of Systems Engineering，2010，25（1）：17-23（in Chinese）.［張冬青，寧宣熙，劉雪妮.基于RBF-HMM 模型的時(shí)間序列在線預(yù)測［J］.系統(tǒng)工程學(xué)報(bào)，2010，25（1）：17-23.］

［15］YANG Z P，LU W X，LONG Y Q.Application and comparison of two prediction models for groundwater levels：a case study in Western Jilin Province，China［J］.Journal of Arid Environments，2009，73（4／5）：487-492.

［16］LI Ruiying，KANG Rui.Failure rate forecasting method based on neural networks［J］.Acta Aeronautica Et Astronautica Sinica，2008，29（2）：357-363（in Chinese）.［李瑞瑩，康 銳.基于神經(jīng)網(wǎng)絡(luò)的故障率預(yù)測方法［J］.航空學(xué)報(bào)，2008，29（2）：357-363.］