一种面向实时混线生产制造产线的可靠性检测方法

本发明涉及可靠性检测，特别是涉及一种面向实时混线生产制造产线的可靠性检测方法。

背景技术：

1、在智能制造转型升级与柔性混线生产模式普及的背景下，多品种、小批量的实时混线生产制造模式已成为离散制造业提质增效、适配个性化生产需求的核心生产方式，广泛应用于精密机械、汽车零部件、高端装备等工业领域。混线生产制造产线集成电气、数控、液压、冷却、主轴、进给等多类异构子系统，各设备与工序深度耦合、联动运行，生产过程具备工况动态多变、工艺链路复杂、设备交互频繁的典型特征。随着产线自动化、集成化程度不断提升，生产节拍持续加快，产线运行状态的实时可靠性检测与风险预判，已成为保障混线生产连续性、规避批量生产质量缺陷、降低设备停机损耗的核心关键。在实时混线生产工况下，各子系统微小故障易沿工艺链条交叉传播、逐级扩散，单点隐性异常极易演变为整线故障停机、生产节拍紊乱、产品加工超差等问题，传统依赖人工点检、事后故障复盘的运维模式已无法适配高精度、高实时性的混线生产管控需求。如何精准解耦多工序耦合干扰、量化产线失效传播规律、实时辨识潜在故障风险，并实现设备故障溯源与整线可靠性的动态评估，已成为实时混线生产制造产线可靠性检测领域亟需解决的关键技术问题。

2、目前，针对混线生产制造产线的可靠性检测与故障分析，现有技术主要以故障树分析、马尔可夫状态评估、单层贝叶斯网络以及传统机器学习诊断方法为主，相关技术方案已广泛应用于产线设备状态监测与故障排查工作。现有常规方案大多通过构建单一故障分析模型、依托专家经验定义故障逻辑或基于运行数据拟合故障特征，实现对产线设备显性故障的识别与简单状态评估。这类方法在单一设备、固定工序的专线生产场景中，能够基础实现故障告警与状态判断，一定程度上提升了产线运维的基础效率，但在实时混线生产复杂工况下存在显著技术缺陷。另外，现有技术普遍采用单层建模架构，无法区分设备子系统内部失效演化与跨工序整线故障传播的双层逻辑，难以有效解耦多系统、多工序的耦合干扰因素，对隐性、早期的潜在失效因素辨识精度较低。同时，现有方案无法量化刻画跨子系统的故障传播路径、传播概率与耦合影响强度，难以动态推演产线整体风险演化趋势，故障根因定位精准度不足。此外，传统模型泛化能力弱，无法适配混线生产频繁换型、工序动态调整的场景，实时推理效率难以满足在线检测需求，且普遍缺乏分层化、精细化的可靠性量化评估能力，无法为混线生产制造产线的事前预警、预防性运维和生产调度优化提供全面、精准的量化决策支撑。

3、在现有的混线生产制造产线可靠性检测方法当中，普遍采用单层建模、单一故障分析的技术模式开展产线状态评估与故障诊断，难以适配实时混线生产多工序耦合、工况动态多变、故障链式传播的复杂场景，使得产线可靠性检测精度低、故障溯源能力弱、动态风险管控缺失，无法满足智能化、实时化的产线运维管控需求。原因在于：首先，现有技术多采用单层贝叶斯网络、故障树、机器学习等扁平建模方式，未区分设备子系统内部失效演化与跨工序整线故障传播的层级逻辑，多设备、多工序的耦合干扰无法有效解耦，导致模型无法精准甄别主次失效因子，隐性故障、早期潜在风险难以被有效识别；其次，现有建模方案割裂了混线生产制造产线各子系统之间的工艺耦合关联，仅能针对单设备、单系统进行独立故障分析，无法具象化、量化刻画故障的跨系统传播路径、传播概率与耦合影响强度，不能推演故障随生产工序扩散的动态演化规律，故障根因定位模糊、风险范围无法预判；最后，现有常规模型拓扑结构固定、参数适配性差，面对混线生产频繁换型、工序动态调整的工况，需要整体重构模型拓扑与参数，泛化能力与实时推理效率不足，难以实现产线可靠性的在线实时检测，且缺乏分层量化的风险评估机制，无法为产线事前预警、预防性运维、生产调度优化提供精准、全面的量化决策依据，极易因风险预判不及时引发整线停机、批量生产质量缺陷等问题。

技术实现思路

1、本发明的目的是提供一种面向实时混线生产制造产线的可靠性检测方法，以解决上述技术问题。为此，本发明采用的技术方案如下：

2、一种面向实时混线生产制造产线的可靠性检测方法，包括以下步骤：

3、s1、获取混线生产制造产线的历史工况与故障数据，分析统计关键失效因素，进而分层构建底层设备子系统失效贝叶斯子网络与上层整线工序传播贝叶斯主网络；

4、s2、基于双层贝叶斯网络的概率推理能力动态动态实时更新设备子系统与整线失效概率；

5、s3、根据设备子系统与整线失效概率对混线生产制造产线的可靠性进行评估。

6、在一实施例中，s1中，历史工况与故障数据为1年的失效点表数据。

7、在一实施例中，所述底层设备子系统失效贝叶斯子网络由失效根因、失效模式和顶事件节点构成，所述失效根因为失效列表中记录的内容与问题溯源，所述失效模式为由多个失效根因导致的子系统部分失效的情况，所述顶事件节点为直接引发的子系统失效行为。

8、在一实施例中，所述失效模式包括机械失效、调度通信失效、感知定位失效、对接失效、任务调度失效、通信失效、数据采集失效、数据一致性失效和质量管理失效。

9、在一实施例中，所述机械失效的瞬时失效率为：

10、，

11、其中，为尺度参数；为形状参数；

12、所述调度通信失效的平均失效率为：

13、，

14、其中，为最终可暴露故障总量，为故障暴露速率，为时间长度；

15、感知定位系统的瞬时失效率为：

16、，

17、，

18、其中，为基线尺度参数，为基线形状参数，协变量为，速度，为负载，为灰尘水平，为反光强度，为定位残差，协变量系数为；

19、对接失效的平均失效概率为：

20、，

21、其中，协变量，其中，为靠位误差，为姿态偏差，为对接频率，为夹具一致性偏差，为地标识别偏差，为对接容差变化量；

为尺度参数；为趋势参数；为时间长度；为协变量系数向量。

22、在一实施例中，所述顶事件节点的失效概率根据最大似然估计mle进行条件概率表cpt计算。

23、在一实施例中，根据最大似然估计mle进行条件概率表cpt计算具体包括：

24、构建cpt的初始结构：确定每个节点的父节点并确定cpt表的维度；

25、计算似然函数：对于每个cpt，计算在给定参数下观测数据出现的概率，似然函数是所有观测数据点的联合概率的乘积：；其中，为给定参数时，全部历史观测数据出现的似然函数；为历史观测样本的总数量；为第个观测样本的索引；为第个样本中目标节点的父节点状态组合；为第个样本中目标节点的观测状态；为在父节点状态为的条件下，标节点处于状态的条件概率；为贝叶斯网络条件概率表中的待估计参数集合；

26、求解最大化似然函数：调整cpt中的参数，使得似然函数最大化：，其中，为似然函数对应的对数似然函数，；为通过最大似然估计得到的最优条件概率参数。

27、在一实施例中，所述设备子系统的失效概率与所述顶事件节点的失效概率计算方法相同。

28、在一实施例中，s2中，整线失效概率表示为：

29、，

30、其中，表示第i个子系统对于工作状态的参与情况，0表示未参与，1表示参与；表示第i个子系统的失效概率。

31、在一实施例中，s3包括：

32、采用指数加权移动平均方法对各节点的实时失效概率序列进行平滑处理：

33、，

34、其中，为节点在时刻的实时失效概率，为平滑后的失效概率，为平滑系数；

35、计算实时失效概率与平滑结果之间的残差：

36、，

37、当残差绝对值超过根据历史正常运行数据确定的残差阈值时，判定该节点出现失效概率突增或异常跳变，用于识别短时间内突然发生的风险变化；

38、采用累积和趋势检测方法对残差序列进行累积计算：

39、，

40、其中，为时刻的累积趋势统计量，为允许的正常波动参数，当超过预设趋势阈值时，判定该节点的失效概率存在持续上升趋势；

41、基于各节点历史正常运行阶段的失效概率分布设置自适应风险阈值，对于第i个节点，其风险阈值表示为：

42、

43、其中，表示该节点历史失效概率序列的第分位数；

44、将节点当前失效概率、累积和趋势检测结果及残差异常结果进行综合判断。

45、本发明采用上述技术方案，具有以下优点：

46、本发明能够有效规避传统单层模型维度爆炸、建模混杂、精度不足的缺陷，可自适应混线生产频繁换型、工序动态调整的复杂工况，大幅提升模型的泛化能力与在线实时推理效率，能够在不增加人工分析成本的前提下，全面覆盖显性故障与早期隐性风险，精准定位故障本源诱因。相比于现有技术，本发明实现了从“单点故障事后告警”到“分层风险事前预判、全过程量化管控”的技术升级，有效降低混线生产制造产线故障误检、漏检率，减少产线非计划停机损耗与批量生产质量缺陷，显著提升混线生产制造产线的运行可靠性、故障治理精度与智能运维自动化水平。