螺旋管厂家的建模和管理-天津市朋展钢管有限公司

螺旋管厂家的建模和管理

浏览：100 发表时间：2020-05-28 15:58:55

螺旋管厂家核心是图过进的分析法数第三个方向上的典型应用是反向工程，即从问题的结果出发，利用知识反向推出问题发生的原因和过程；或是从产品最终的结果出发反向推出产品的设计和制造过程，以及这样去设计和制造的原因。这不仅需要知识，还需要了解知识之间的相关性和逻辑关系。在接下来的一节里将着重分析每一个方向上的实施路径。14大数据推动智能制造的三个方向制造系统中的问题可分为可见的问题和不可见的问题”，我们对待问题的方式是既可以在问题发生后去解决，也可以在问题发生前去避免。我们所心向往之的智能制造是建立在对可见伋不可见恫题全面了解基础上的避免，实现无忧虑的制造环境。但是在这之前，我们还有3个必须要完成的方向（见图1-3）。第一个是在解决可见问题的过程中积累经验和知识，从而去避免这些问题。这个过程中美国、日本、德国都用各自的方式完成了积累，其中美国积累的主要载体是数据，日本的载体是人，德国的载体是装备，形成了各自制造系统的特色和优势，之后我会在下一个章节里详细分析。第二个方向则需要依靠数据去分析问题产生的隐性线索（ evidence）、关联性和根本原因等，利用预测分析将不可见问题显性化，从而实现解决不可见问题的目的。完成这个过程后制造系统将不再有 surprise（意外），能对不可见问题发展过程进行有效预测，使得所有不可见问题在变成可见问题和产生影响之前都提前解决掉。第三个方向是通过对知识的深度挖掘，建立知i和问题之间的相关性，从旧知识中产生新知识，并能够利用新知识对实体进行精确的建模，产生能够指导制造系统实体活动的镜像模型，从设计和制造流程的设计端避免可见及不可见问题的发生。这三个方向都可以通过大数据的路径实现，接下来我们就来介绍一下大数据在这三个方向上所起的作用。

第一个方向：螺旋管厂家将问题的产生过程利用数据进行分析、建模和管理，从解决可见的问题到避免可见的问题在20世纪80年代，美国制造受到了德国和日本的巨大冲击，尤其是在汽车制造行业，德国和日本的汽车以更优的质量和要好的舒适度迅速占领了美国市场。令美国厂商百思不得其解的是，美国在生产技术、装备、设计和工艺方面并不比德国和日本差，在汽车制造领域积累的时间甚至超过他们，但是为什么美国汽车的质量和精度就是赶不上人家？在那个时候，质量管理已经在汽车制造领域十分普及了。光学测量被应用在产品线上以后，在零部件生产和车身装配的各个工序已积累大量的测量数据。但问题是，即便测量十分精准，在各个工序和零部件生产和车身装配都进行严格的质量控制，但是在组装完毕后依然有较大的误差。于是美国的汽车厂商不得不花大量时间反复修改和匹配工艺参数，最终的质量却依然不稳定，时常出现每一个工序都在质量控制范围内，但最终的产品质量依然不能达标。于是在20世纪90年代初，我们与美国密西根大学吴贤铭教授一起发起和推动了"2mm"工程，目的是利用统计科学对这些庞大的测量数据进行分析，对质量误差的积累过程迸行分析和建模，从而解释误差的来源并进行控制，使车身波动降低到所有关键尺寸质量的6- sigma值必须小于2mm（2mm是当时理论上的精度控制极限值）2mm工程"用到的主要技术是误差流分析（ stream of variation,So∨）在多级制造过程中的应用，通过对复杂产品流所产生的数据流进行建模，分析多级制造过程中的质量波动和误差传递的相关性。

螺旋管厂家许多工作站组成装配组件，许多装配组件又组成车身装配过程的装配线，每个工作站在每个装配组件中有一个尺寸波动，每个装配组件转移到下一个工作站来装配更多的部件时造成的误差传递关系就是需要通过测量数据进行分析的对象。一个工作流所产生的数据流之中包含看3个维度的相关性：①质量属性与生产线不同阶段的相关性；②同一个生产阶段中质量属性的相互影响关系；③质量属性随时间变化的关系〔由设备随时间的衰退产生）。在这3个维度的基础上，建立关键控制特征（ key control characteristics,KcC）与关键产品量特（keyproductqualitcharacteristics,KPC）之间的关系，并有针对性地通过控制KCC来改进和控制质量的波动在引入数据分析对质量进行管理和控制的方法后，产品的设计周期和成本得以大幅降低，并且产品质量的精密度和稳定性也得以明显提升。如图1-4所示，在达到相同精度要求（5mm）的情况下，产品投入市场所用的时间减少到原来的1/3，产品质量提高了25倍。这个方法并不需要大量的硬件投入和生产线的改变，螺旋管厂家实施的成本非常低亷，且产生的效果十分显著，因而被广泛推广到飞机制造、发动机制造和能源装备等各类制造领域。