一种面向量产的电驱总成NVHEOL检测与闭环管控方法、系统及工艺参数溯源方法与流程
本发明涉及新能源汽车电驱总成nvh(noise、vibration、harshness)检测与质量控制,具体涉及一种面向量产的电驱总成nvh eol检测与闭环管控方法、系统及工艺参数溯源方法。
背景技术:
1、随着新能源汽车产业的快速发展,电驱总成作为核心动力部件,其nvh性能直接影响到整车的驾乘舒适性和产品质量口碑。在电驱总成的量产制造过程中,eol(end ofline,生产线末端)检测系统是拦截nvh检测不合格品、保证出厂质量的关键环节。
2、目前,量产台架多采用固定标准线检测方案,即在检测系统投入使用前,由工程师根据若干台样品的检测结果人工设定一条固定的幅值-转速(或幅值-阶次)判定曲线,所有下线产品均与该固定曲线比较以判定合格与否。该方案的固有缺陷在于:一方面,固定标准线无法适应量产过程中的工艺波动(如零部件批次差异、刀具磨损、工装状态变化等),合格产品的nvh检测值会在一定范围内正常波动,而静态标准无法感知这种波动,容易造成误判和漏判;另一方面,标准线缺乏自优化机制,当设置过严时误判率升高影响生产效率,设置过松时漏判率升高影响产品质量,工程师只能凭经验手动调整,周期长且精度低,缺乏从检测结果反向优化判定标准的闭环能力。
3、与此同时,当前的质量管控呈“点状化”特征,缺乏闭环溯源能力。eol检测系统、mes系统(manufacturing execution system,制造执行系统)与qms系统(qualitymanagement system,质量管理系统)通常相互独立,形成“信息孤岛”。检测数据仅用于单台产品的“合格/不合格”判废操作,无法与前端的齿轮微观工艺参数进行关联分析,导致质量问题无法被追溯至具体生产环节和工艺参数,工艺人员只能凭经验猜测性调整,问题易反复发生。此外,由于数据孤立,当某一批次零部件出现系统性质量问题时,无法及时触发批次预警,往往等到大量不合格品产出后才被发现,造成重大质量损失。
技术实现思路
1、为了解决背景技术存在的技术问题,本发明提出了一种面向量产的电驱总成nvheol检测与闭环管控方法、系统及工艺参数溯源方法。
2、本发明提出的一种面向量产的电驱总成nvh eol检测与闭环管控方法,包括以下步骤:
3、s1、构建自学习动态标准线
4、基于量产合格电驱总成的历史检测数据构建基准样本库;通过统计算法计算核心阶次幅值的统计特征量,并根据统计特征量生成动态标准线;在量产过程中,以预设的迭代周期自动更新该基准样本库,并重新生成动态标准线;
5、s2、多系统数据关联与批次预警
6、将eol检测系统获取的nvh检测数据与mes系统获取的前端工艺参数数据通过产品唯一标识进行关联,并将关联后的数据上传至中间数据平台;qms系统从中间数据平台自动抓取不良记录,当连续多台产品出现同类异常时,触发批次预警;
7、s3、工艺溯源与长效闭环
8、对nvh检测不合格的问题件进行拆解,获取其齿轮微观工艺参数;采用相关性分析算法计算齿轮微观工艺参数与nvh缺陷指标之间的相关系数;根据相关系数的绝对值大小,判定该齿轮微观工艺参数是否为影响nvh性能的关键因子,并基于判定结果对前端工艺进行优化调整。
9、优选地,步骤s1中,核心阶次包括电磁阶次和齿轮啮合阶次;统计特征量包括均值μ和标准差σ;动态标准线采用μ+3σ+d的自学习策略生成,其中,d为经验补偿值。
10、优选地,步骤s1还包括:当动态标准线无法拦截特定问题件时,通过手画线优化方式对动态标准线进行人工干预调整。
11、优选地,步骤s2中,nvh检测数据至少包括:产品序列号sn、合格/不合格判定结果、各项检测值、不良代码、设备编号和检测时间;前端工艺参数至少包括:齿轮批次检测报告、轴承装配游隙、定子压装力和合箱拧紧扭矩。
12、优选地,步骤s3中,齿轮微观工艺参数包括齿形误差、磨削进给量、齿面波纹度和径向跳动中的至少一种;nvh缺陷指标包括振动幅值和/或噪声阶次值。
13、优选地,步骤s3中,相关性分析算法为pearson相关系数公式;判定标准为:
14、当相关系数的绝对值大于第二预设值时,判定该工艺参数为强相关关键因子;
15、当相关系数的绝对值大于第一预设值且小于等于第二预设值时,判定该工艺参数为弱相关因子,纳入持续监控;
16、当相关系数的绝对值小于等于第一预设值时,判定该工艺参数无显著线性关联。
17、优选地,第一预设值为0.3,第二预设值为0.7。
18、本发明提出的一种电驱总成nvh eol检测与闭环管控系统,包括:
19、nvh检测模块,用于对电驱总成进行nvh下线检测并获取nvh检测数据;
20、自学习标准线生成模块,与nvh检测模块连接,用于基于量产合格电驱总成的历史检测数据构建基准样本库,通过统计算法计算核心阶次幅值的统计特征量并生成动态标准线,并以预设的迭代周期自动更新基准样本库及重新生成动态标准线;
21、数据互联模块,用于将nvh检测数据与mes系统的前端工艺参数数据通过产品唯一标识进行关联,并存储至中间数据平台;
22、批次预警模块,与数据互联模块连接,用于从中间数据平台自动抓取不良记录,并在连续多台产品出现同类异常时触发批次预警;
23、工艺分析模块,用于对nvh检测不合格的问题件进行拆解后获取其齿轮微观工艺参数,采用相关性分析算法计算齿轮微观工艺参数与nvh缺陷指标之间的相关系数,并根据相关系数的绝对值大小判定该齿轮微观工艺参数是否为影响nvh性能的关键因子。
24、本发明提出的一种基于nvh检测数据的电驱总成工艺参数溯源方法,包括以下步骤:
25、s1、对nvh检测不合格的问题电驱总成进行拆解,获取其齿轮微观工艺参数;
26、s2、采用相关性分析算法计算齿轮微观工艺参数与nvh缺陷指标之间的相关系数;
27、s3、根据计算所得的相关系数的绝对值大小,判定该齿轮微观工艺参数是否为影响nvh性能的关键因子。
28、优选地,齿轮微观工艺参数包括齿形误差、磨削进给量、齿面波纹度和径向跳动中的至少一种;nvh缺陷指标包括振动幅值和/或噪声阶次值。
29、优选地,判定该齿轮微观工艺参数是否为影响nvh性能的关键因子的判定标准为:
30、当绝对值大于第二预设值时,判定该工艺参数为诱发nvh问题的关键因子;
31、当绝对值大于第一预设值且小于等于第二预设值时,判定该工艺参数为弱相关因子,纳入持续监控;
32、当绝对值小于等于第一预设值时,判定该工艺参数无显著线性关联。
33、优选地,第一预设值为0.3,第二预设值为0.7。
34、优选地,相关性分析算法采用pearson相关系数公式。
35、本发明通过构建自学习动态标准线系统,以量产批量合格产品的检测数据为基准,采用统计学习策略自动生成并迭代更新标准线,使检测标准能够自适应量产工艺的正常波动,彻底改变了传统静态标准的弊端,在确保问题件高拦截率的同时大幅降低误判率,兼顾了量产生产效率与检测精度;通过打通eol检测系统、mes系统、qms系统的数据链路,构建系统数据关联与批次预警,实现了从“单点判废”到“批次预警”的升级,能够快速识别并遏制批次性质量风险,避免大规模返工或客户投诉;通过引入相关系数进行定量分析,将nvh问题的解决从经验性的“现象描述”推进到了数据驱动的“根因定位”层面,精准定位引发nvh缺陷的前端工艺偏差,构建从“终端检测”到“根源分析”再到“工艺优化”的长效质量闭环,从制造端系统性降低电驱总成nvh异响质量问题的复发概率,大幅减少总成返修与整车售后返修成本。综上所述,本发明通过实现检测标准的自适应优化,并构建全流程数据关联与批次预警机制,从而在量产生产中兼顾效率与检测精度;同时,能够准确定位工艺源头,最终形成长效质量闭环,全面提升了电驱总成nvh eol检测与管控能力。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com