复杂机械范文

复杂机械范文（精选6篇）

复杂机械 第1篇

1 复杂运输机械装备运行的特点

复杂运输机械装备运行系统主要由系统级、部件级、元件级等不同的层次构成的多层次系统。并且在复杂运输机械装备运行系统中, 即使处于同一层次的不同的子系统之间在结构和功能方面的差别也是非常悬殊。系统最终输出的内容是各个子系统经过各种不同方面的相互作用之后得到的结果, 而与此同时各个不同的子子系统相互作用的结果又导致各个子系统之间不同的结果输出。也就是说, 系统从最初的输入状态到后来的结果的输出经过的一系列中间过程, 并没有直接的相互一一对应的关系。即当输入的内容发生改变的时候, 系统最终的输出结果也会经过中间状态的改变最终输出不同的结果。

1.1 系统安全性提高

人类要想取得进一步的发展, 就必须要保障自身的生命以及财产的安全问题, 只有保障安全问题了才能保障人类的生存和发展, 是人类永远不变的话题。也就是说, 人们在日程生活和生产过程中, 都有保障生命财产安全免受伤害的需要。

现代社会中运输机械装备越来越复杂, 运行过程中所需要的能量也逐渐增大。各种型号的汽车、飞机、轮船、火车成为人们日常生活中不可缺少的运输工具, 这些机械的系统动力非常强悍, 在正常运行过程中发动机工作产生的压力和温度非常大, 在这种强负荷的工作状态下传动机构一承受着比平时更加严重的负载。因此我们可以假象一下, 一旦这种设备在运行过程中失去控制将会产生毁灭性的破坏。因此随着运输机械装备复杂性的提高, 对于这些设备的安全性的要求也会逐渐提高。

1.2 广泛应用电子技术

要想使汽车、飞机、火车、轮船等具备更高的安全性, 就必须要提高运输机械设备中检测传感的响应时间进行更加严格的改进。尽可能地缩短检测传感的响应时间, 使得运输机械设备更够适应更加严峻的工作条件。要想满足这些方面的要求, 就需要在机械设备的生产过程中加强电子技术的应用。

1.3 结构逐渐复杂

随着我国社会主义经济的不断发展, 人们的生活水平得到了极大地丰富, 这种丰富的同时使得人们对于生活水平的要求逐渐提高。人们对于交通运输机械设备的要求已经不能满足人们单纯的进行物质、人流转移的需要, 人们更加注重的是在运输过程中的舒适、安全性。这就使得这种先进的交通运输机械比如火车、轮船、飞机等工具在运行过程中不但能够保障运行过程中乘客的人生安全, 并且还能使得在乘坐过程中更加舒适。电子技术的不断发展已经制作材料方面的不断改进、设计理念的不断更新, 都使得现代机械设备的结构越来越复杂, 并且机械设备的各方面性能也都得到不同程度的提高。

2 复杂运输机械装备运行安全因素分析

运输机械设备在工作过程中, 承担的是人们的生命或者财产安全, 这也就导致各种复杂运输机械装备都一个共同的特点, 就是在工作环节中稍微的疏忽或者放松都会引起非常严重的生命或者财产损失。在任何活动中安全都是生产的基础, 没有安全保障的生产没有效益可谈。但是在运输过程中影响机械装备的安全运行的因素有多个方面, 这种安全隐患不仅威胁到乘客的生命安全, 对于国内的社会安定以及国际秩序的维持方面都有非常严重的影响。

2.1 机械方面因素

在现代社会复杂运输机械装备中飞机起着非常重要的作用, 飞机不仅是生产力的主要组成部分, 同时也是保证安全生产过程的主要对象。现代生产技术中, 飞机的生产过车经历了设计、制造、装配、使用以及维护等多个过程。根据近年来飞机失事的事故统计, 在飞机失事的影响因素中存在着多种不同程度的复杂机械因素, 其中飞机机械装备故障可能的来源有一下几个方面:首先, 飞机的设计问题, 就目前世界的科学技术水平来说, 完全不存在设计问题的飞机设计是极少的。其次, 制造问题, 在飞机零部件的制造过程中多少都会存在着不同程度上的缺陷, 比如制造过程中材料的缺陷或者制造过程的误差等。最后, 运行环境, 在飞机的运行过程中通常都会经历从低空到高空之间激烈的环境变化, 其中包括剧烈的气压差、温度差以及风速方面的差异。并且在高空中还会受到强烈的离子辐射, 以及在高空中与空气之间强烈的机械振动、潮湿空气的腐蚀等都会造成飞机零部件的损伤。

2.2 人为因素

人为因素在飞机运行过程中也发挥着非常关键的作用, 属于航空复杂系统中最具有弹性并且适应性最强的影响因素。在飞机失事事件中, 由人为的因素导致的意外事故中通常归咎为人为疏失, 其中主要包括驾驶员、操作人员以及维修人员出现的操作失误。在运输机械装备运行安全系统中认为的影响因素非常复杂, 首先是是因为参与整个运输机械设备的运行过程中人员的多样性, 航空系统的工作人员主要包括:飞机在运行过程中的操作人员、维修人员、空中交通管制人员、航行情报员、气候报道员、机场维护、油料运输等于航空器的正常运行有关的工作人员。由于人员规模庞大, 所以这些人员的素质以及专业水平就不能够得到非常有力的保障。

3 建立复杂运输机械装备运行安全知识管理系统

3.1 系统设计原则

面对越来越多的技术选择, 在对复杂运输机械装备运行安全的指使管理系统的建设过程中应该慎重考虑采用什么样的技术。在对系统进行设计过程中不是说软件模块的功能越多越好, 应该对众多的技术手段进行筛选, 从中选出对于安全管理系统有用的并且可进行拓展的技术手段。

3.2 设计目标

对复杂运输机械装备运行安全管理系统进行设计是为了首先, 将企业中知识安全资源进行整合, 在企业范围内提高对于安全知识的重视程度, 从根本上保障机械设备生产过程中的安全性。其次, 通过安全管理系统的建设实现安全知识的扩散和共享, 使得知识能够在分享过程中实现增值, 提高企业在机械生产过程中的安全管理效率。再者, 通过安全管理系统的设计及其工作人员的工作热情, 促使员工学习能力的提高。最后, 通过这种网络技术的运用降低企业中方进行知识共享以及知识处理过程中所需要的成本。

3.3 设计过程中需要的技术来源

在社会各种阶段中知识的转化过程是相互依存、相互联系的, 正是由于这种相互关联性社会才能不断创造出新型的知识, 整个社会的知识库储备量才能不断扩大。其中可以从几下几个方面得到技术支持:建立起知识专家地图;通过信息网络技术建立起方便人们进行交流的平台。

4 总结

复杂运输机械装备运行安全是一个非常巨大的开放性的系统, 其中涉及到的运输机械装备比如飞机、轮船、汽车等与人们的生活息息相关, 对于整个社会的影响非常严重, 因此在实际的工作中对于这些机械装备的要求非常严格, 监控系统在整个运行过程中所起的作用也逐渐增大。在这种大环境下, 对于复杂运输机械装备运行安全问题的研究就显得十分有必要。

参考文献

[1]彭苏勉.我国粮食储运安全管理与运行机制构建研究[J].山东社会科学, 2014, (6) :34-35.

[2]管晓宏.多类型煤炭海运运输库存管理一体化模型[J].西安交通大学学报, 2014, 48 (6) :67-68.

复杂网络研究与复杂现象 第2篇

复杂网络研究与复杂现象

复杂网络研究为探讨复杂系统的性质提供了一个新的视角.简述了复杂网络的`基本概念,对网络的结构与功能作了概略的介绍,包括小世界网和无标度网的结构特点.通过对小世界网络中小世界特征的度量,讨论了复杂网络对复杂系统研究的启示,并对生物进化过程中生物的复杂性增加在蛋白质相互作用网络中的体现做了尝试性的说明,以此为基础,对随机性与规则性之间可能产生的复杂现象进行了初步讨论.

作 者：郑金连 狄增如 ZHENG Jin-Lian DI Zeng-ru 作者单位：北京师范大学,北京,100875刊 名：系统辩证学学报 PKU英文刊名：JOURNAL OF SYSTEMIC DIALECTICS年，卷(期)：13(4)分类号：N941.4关键词：随机性 复杂性 复杂网络 小世界网络 无标度网络

复杂机械 第3篇

为了重构一个合适的相空间,必须选择一个合适的延迟时间τ和嵌入维数m。人们从不同的角度出发,已经提出了很多种选取的方法。目前在参数的选取过程中,主要存在两种观点:

第一种观点认为两者互不相关,即m和τ的选取是独立进行的。一般情况下,持这种观点的学者,对于最佳嵌入维数m的选取采用:首先计算出系统的分形维数D,m取大于或等于2D+1的整数,目前主要有以下几种方法:G-P算法、特征值分解方法、替代邻点法等。最佳延迟时间τ的选取比较复杂,方法也比较多,包括自相关函数法、互信息法等。

第二种观点则认为m和τ是相关的。因为现实中的时间序列都是有限长且不可避免地受到各种噪声的影响。大量实验表明,m和τ的关系与重构相空间的时间窗τw密切相关(tw=(m-1)τ),对于特定的时间序列,其tw相对固定,m和τ的不恰当配对将直接影响重构后的相空间结构与原空间的等价关系,因此相应地产生了m和τ的联合算法,如C-C法、时间窗口法嵌入维、时间延迟自动算法等。

但是这些方法大都存在大量的主观性、特殊性,所得的实验结果也只是在一定的程度上满足试验的结果。本文在前人大量的研究基础上,对寻找出延迟时间τ和嵌入维数m的合理选取进行了归纳总结。

1 嵌入维数的优化选取

嵌入维数和延迟时间的算法很多种,目前最流行的主流算法是采用P.Grassberger和I.Procaccia提出的G-P算法和虚假临域法(FNN)。

1.1 虚假临域法求最佳嵌入维数m

虚假临域法主要利用嵌入维数对相空间两点之间的距离的影响,基本思想是假定m0是给定的时间序列{xi}的最佳嵌入维数,即在m0维的延迟嵌入重构空间里,原系统中不变因子的几何结构能够在相空间得到完全的恢复和伸展。如果当前的嵌入维数过小,则原系统的不变因子的几何结构不能被完全打开,将会出现混叠重合现象,这种情况下参考点的最近临点称之为虚假临近点[3]。

对于时间序列中的每个参考点xi,在m维嵌入空间寻找最近临点xj,即:

当嵌入维数从m到m+1时,存在阈值Rtol

Rtol是预先设定的值,则这个点标记为虚假临点。从理论上当m足够大时虚假邻点的个数应该趋于0或者足够小。但由于测量手段和测量精度的限制以及噪声的干扰,这个值不能收敛在0,因而需要人工预定一个收敛条件。显然这种方法存在很大的主观性,阈值的不同就会导致不同的结果。特别是对实验数据而言,阈值的确定没有客观标准,因而可能得到错误的结果.如果采用无阈值方法确定重构嵌入维数则可以避免上述问题。

1.2 G-P算法求最佳嵌入维数m

1983年,P.Grassberger和I.Procaccia[1]提出了从时间系列中计算关联关联维数的G-P算法。算法描述如下:计算出序列的关联积分C(r,m)(也称关联函数)和关联维数D,然后利用嵌入维数m≥2D+1,选取合适的嵌入维数。G-P算法描述如下:

(1)对一组实测的时间序列x1,x2,…,xn先给定一个较小的值m0,对原时间序列进行重构,得到一组新的时间序列:

(2)计算新时间序列构成的相空间中一对相点的距离,如Yn(ti)与Yn(tj),i≠j。一般都是计算其欧氏模为rij(m),显然rij(m)是相空间维数m的函数,即:

(3)计算关联函数C(r,m)其计算公式如下所示

其中H(.)是heaviside函数,即当x≤0时,H(x)=0,当x>0时,H(x)=1。C(r,m)是一个累积分布函数,表示相空间中吸引子上两点之间距离小于r的概率。

(4)对于r的某个适当范围,吸引子的关联维数D与累积分布函数C(r,m)应满足对应线性关系,即D=lnC(r,m)/lnr。从而由拟合求出对应于m0的关联维数估计值D(m0)。

(5)增加嵌入维数m1>m0,重新计算步骤(2)、(3)和(4),直到相应的维数估计值D(m)不再随着m的增加而在一定误差范围内不变为止。此时得到的m就是我们需要的最佳嵌入维数。其中D为关联维数。

2 时间延迟的优化选取

目前,计算延迟时间的方法很多,但是从计算的复杂性和使用的简便性等角度来看,比较常用的方法主要有自相关函数法和平均互信息法。

2.1 自相关函数法

自相关函数法是比较成熟的寻找时间延迟τ的一种方法,它主要是提取时间序列的线性相关性。一般地,对于一个非线性时间序列可以先写出其自相关函数,然后作出自相关函数关于时间τ的函数图像。其自相关函数为:

其中为时间序列均值。根据数值结果,当自相关函数CL(τ)下降到初始值的1-1/e时,所得的时间τ就是重构相空间的时间延迟。

但这种方法只考虑到时间序列中线性部分的因素,存在一定的缺陷。其改进方法-偏复自相关法利用自相关法和平均位移法给出了更加完备的解决方法[4,5,6]。

定义m维的偏复自相关函数为

在实际应用中时间序列一般近似无偏,因此可以简化为复自相关函数

利用式(8),在计算Rxxm(τ)的同时计算,得到Cxxm(τ)的计算工作量增加不大。

2.2 互信息法

不同于自相关函数法,互信息法将非线性因素也考虑在内,这种方法的根据为:从事件bj在集B中发生的概率中得到关于aj在集合A中发生的概率信息。Shaw首先提出以互信息第一次达到最小时的时间延迟作为重构相空间的时间延迟,Fraser给出了互信息计算的递归算法[7,8]。

假设非线性时间序列{xn},时间延迟为τ,嵌入维数m,重构相空间为

其中xn(t)=x(t+nτ),则系统对变量x的平均互信息量为系统的熵

即互信息为:

如果向量是一个延迟时间重构,则In(τ)第一次达到最小时的时滞就是最佳的重构时间延迟。如果In(τ)充分大,则In(τ)应该是单调递减的函数。

互信息方法与自相关法相比虽然需要较大的计算量,但互信息法包含了时间序列的非线性特征,因此在非线性时间序列分析、金融时间序列分析中计算结果明显优于自相关法。Broomhead和King(1986)在实际计算中首先提出选定(m-1)τ值,在增加m的同时减少τ,但保持(m-1)τ为常数从而来选择最近的值m和τ。

3 数据仿真

根据前面所讨论的确定相空间重构参数的方法,我们采用Matlab仿真平台,考察了Lorenz系统x分量,用四阶Runge-kutta法积分方程组,进行仿真验证:

取初值[x,y,z]=[-1,0,1],参数值取为[σ,r,b]=[16,4.0,15.92],积分步长h=0.01,积分区间[0,1000]。采样15000个数据,并取后5000个数据作为实验对象。

3.1 嵌入维数与时间延迟的选取

利用G-P算法计算得到的关联维数见嵌入维数的变化,如图2。

由图2可以看出当前嵌入维数m达到6时,关联维数D开始趋向一个稳定值。一般来说6即为最小嵌入维数。

利用互信息法对时间延迟进行优化选取,根据式(11)可得图3。

由此可以得到的最优延迟时间τ=10,

3.2 参数验证

为了验证重构参数的准确性,简单而直接的方法就是通过目视来观察重构吸引子的形状。所得结果如图4(a)、(b)所示。

由图4可以发现,通过合适的参数选取后,进行相空间重构得到的吸引子基本上把原系统的吸引子特征体现出来。

4 总结与展望

一般来说,大型机械设备很难直接建立其完备的解析形式数学模型。因此,往往采用实验或现场获取的时间序列对其进行动力学分析。采用非线性时间序列相空间重构的方法来研究大型复杂机械系统不但能克服传统方法的不足,还能得到其很难得到的结果。同时,非线性时间序列本身也是一个正在发展中的领域,至今尚无系统的理论体系。而嵌入维数和延迟时间又是相空间重构的方法的根本,因此本文所研究的参数选取方法无疑为后续工作和研究提供了一个有力的工具。

摘要：在对大型复杂机械系统动力学分析时,由于存在大量的非线性因素,很难建立比较完备的力学模型,往往利用非线性时间序列的相空间重构的思想来研究上述问题。相空间重构是对时间序列进行深层次信息挖掘的一种有效的方法。在进行相空间重构研究时,参数的选取一直都是其最重要也是最难的部分。文中论述相空间重构中嵌入维数与时间延迟的关系,根据以往算法在确定参数时造成大量的冗余计算的不足,采用基于几何不变量的G-P算法和信息论中的互信息方法分别找出嵌入维数、时间延迟的优化算法,并仿真Lorenz方程采集的数据进行算法验证。

关键词：大型复杂机械系统,相空间重构,嵌入维数,时间延迟

参考文献

[1]Packard N H,Crutchfield J P,Farmers J D,et al.Geometry from a t ime series[J].Phys Rev Let t,1980(45):712-716.

[2]Takens F.Detecting strange attractors in fluid turbulence[C]//Rand D,Young L S Dynam ical system s and turbulence.Berlin:Sp ringer,1981:366-381.

[3]朱家富杨,杨浩,彭拥军.一种计算脑电信号相关维数的改进算法[J].西南师范大学学报(自然科学版),2004,29(4):623-626.

[4]Ott E,Sauer T,Yorke J A.Coping with chaos[M].New York:Wiley-Interscience Publication,1994.

[5]Kantz H,Schreiber T.Nonlinear time series analysis[M].Cambridge University Press,1997.

[6]盛昭瀚,姚洪兴,王海燕,等.混沌动力系统的重构预测与控制[M].北京:中国经济出版社,2003.

[7]Fraser A M,Swinney H.Independent coordinates for strange attractors from mutual information[J].Physical Review A,1986,33:1134-1140.

复杂机械 第4篇

一、当前高性能复杂农业机械维修服务现状

1. 高性能复杂农机拥有量相对较少, 使用流动性大。

目前, 高性能复杂农机维修从业人员大多是生产厂家售后服务人员, 主要采取驻地服务, 而随着农机跨区作业的快速发展, 大部分农机跨区作业时间较长, 作业地点不固定, 由此造成农机维修服务覆盖能力大大不足, 维修及时性很差, 误工误时情况十分严重。

2. 高性能复杂农机维修的技

术复杂程度高, 现行维修保养技术落后。高性能复杂农机大多是集机械、电子、液压、自动控制技术于一身的多系统集成产品, 对维修服务的技术能力要求很高, 而现行的农机维修保养技术及模式相对落后, 满足不了其维修保养方面的要求。

3. 高性能复杂农机维修先天不足。

农机维修人员普遍存在高性能复杂农机维修理论知识薄弱的现象, 加之普通农机生产厂家对售后服务要求相对不高, 所以大部分农机维修人员售后服务意识不强, 服务水平相对较低。

二、农机企业为何提高高性能复杂农业机械维修服务能力

1. 组建代理商维修、服务体系。

代理商按照生产具体要求组建售后维修、服务机构。组建要求具体包括保证维修、服务人员的数量及质量;维修、服务店面建设情况;维修、服务人员的数量及与产品市场保有量的比率;维修、服务半径;大修厂及维修点布局的合理性;维修、服务流程的科学性与规范性;维修、服务人员的基本素质及行为规范;维修、服务设备、用具、工具的全面性、充足性、专用性等。同时, 对代理商在维修、服务工作方面提出标准与要求, 并严格按照这些标准与要求对代理商进行考核。

2. 保障零部件供应的需求。

建立中心库、中转库、应急库几种类型, 有效地安排、设计各地配件库存, 使各地配件库存达到最合理的状态。

在农忙时节, 对各区域内保有的机具进行巡回检查, 发现问题及时处理, 暂时未发现问题的, 应提醒用户按时保养、检修, 以保证农机正常作业。用户巡检应有两种形式, 一种是生产企业组织的巡检;另一种是代理商组织的巡检。不论哪种巡检都要求不遗漏用户和问题, 把已经出现的问题及时消除, 把可能要出现的问题消灭在萌芽状态, 随时提醒用户按规程操作和保养、使用设备。在巡检过程中要对每一部机具进行全面检查, 并做好检验记录及档案。

4. 派驻售后服务代表。

向各代理商派出专门负责产品维修与服务的企业代表, 原则上是每一家代理商常驻一名服务代表, 其日常工作是协助代理商构建、运行自己的维修、服务系统;协调代理商与工厂之间涉及服务、配件方面内容的具体工作;监督、检查代理商服务能力建设的具体情况;对代理商维修、服务及配件工作做出初步评价;协助代理商解决维修、服务方面的难题;收集、整理、反馈用户对厂家、产品及代理商的意见与建议;督促代理商不断提高维修、及能力;对于派出区 (下转38页) (上接33页) 域内的服务工程师进行调配、管理;定期、不定期地组织服务工程师及代理商维修、服务人员进行市场巡检;协助代理商办理配件核销、索赔等。

5. 设立大区域服务工程师。

向代理商代理区域或上一级大区域派出具有全方面或某方面专业技术的维修、服务人员。其主要职责是:在代理商维修、服务能力及技术不足的情况下, 协助代理商解决产品故障, 进行一线维修、服务工作;在服务代表或厂家服务管理部门的直接组织下, 开展服务巡检活动;解决维修、服务过程中的各种疑难问题;在特别情况下, 对用户机具进行检查、评估、鉴定;对代理商维修、服务人员进行培训等。服务工程师在代理商所代理区域内采取流动作业的形式, 主动、灵活, 是代理商维修、服务的有效补充。

6. 定期培训维修、服务人员。

欲提高售后维修服务质量, 就应注重维修、服务人员的培养, 并建立完善的维修、服务人员培训体系。

7. 评价代理商维修、服务工作。

为了保证产品售后维修服务工作的质量, 应建立针对代理商维修、服务工作的考核、评价系统。该系统分时段或者单一事件对代理商的维修、服务工作质量进行评价。

8. 建立呼叫用户服务中心。

复杂机械 第5篇

复杂机械系统的特征分析是系统研究的核心, 它通过对系统原始信号的分析、处理后提取故障特征信息, 为系统建模和特性研究提供参考。复杂机械系统特征信息的提取是当前研究中的瓶颈, 它直接关系到系统建模的准确性和系统机械系统故障检测的可靠性。为了从根本上解决特征信息提取这个关键问题, 人们主要借助信号处理的方法来提取特征[1]。

目前信号处理的分析方法主要是以傅里叶变换为核心的传统分析方法。这些分析方法是基于信号为稳态和线性的假设。但实际复杂机械系统中, 大量的特征信号是非平稳、非高斯分布和非线性的随机信号, 使用上述方法分析复杂机械系统特征信号遇到了难以克服的困难[2]。因此, 目前研究和分析非线性、非因果、非最小相位系统, 非高斯、非平稳、非整数维和非白色的加性噪声的现代信号特征提取技术的方法, 主要有现代谱分析、时频分析理论、短时傅氏变换、小波变换和基于EMD的时频分析方法等。另外, 高阶统计量分析以及将混沌与分形动力系统理论中的新方法也被引入机械系统特征分析领域[3,4,5,6]。

拓扑反变的含义是把一类未知的空间通过拓扑反变算子映射到已知的空间, 通过研究已知空间的性质达到研究未知空间性质的目的[7,8,9]。本文将拓扑反变理论应用于复杂机械系统特征分析中, 通过研究多特征目标信息空间的特点, 建立相应的实时的特征监测函数, 实现对复杂机械系统特征的动态分析监测。

1 复杂机械系统空间建立

设复杂机械系统的特征信息空间为X, 其特征信息为χ。根据复杂机械系统特征参量耦合的特点, 按照时间、空间等特征, 将其各类不相关的特征信息χ分为N类, 则特征全体描述为

χ=[χ1χ2 … χN] (1)

其中, χi (i=1, 2, …, N) 为χ的特征信息子空间。χi内各参量的信息和耦合特征变化体现轨迹空间某一属性状态变化。

由各类特征间不相关性可知, 一定存在一组子基{ai}, 使$X={\displaystyle \sum _{i=1}^{{\rm N}}a}{}_i\chi {}^i$。每类子空间χi中又包含α (α为正整数) 个子特征, 则

χi=[x${}_1^i$x${}_2^i$… xiα] (2)

其中, x${}_1^i$, x${}_2^2$, …, xiα为第i类特征子空间χi的子特征;α为第i个信息特征子空间χi的维数。由于各个子空间的子特征的数量α并不相同, 为保证子空间维数相等, α取子空间最高维数的值, 其余低于α的子空间维数的特征量用零补齐。

由上述可知, X是一个集合, χ= (χ1, χ2, …, χN) 是X的一个子集族, 且满足:

(1) χ, Ø∈χ;

(2) 若χi, χj∈χ, χi、χj为两类不同特征, 则χi∩χj=Ø∈χ;

(3) χi⊂χ, 则∪xij∈χjxij∈χ (j=1, 2, …, α) , α为子特征数目。

由拓扑空间定义可知, (X, χ) 是一个拓扑空间, 构成了复杂机械系统的特征信息空间。

2 拓扑反变映射的建立

为实现复杂机械系统空间特征信息的解耦变换和动态描述, 建立拓扑反变映射F:X→Y, 将特征信息空间准确映射到目标信息空间, 并通过目标信息空间的特征反映复杂机械系统的特征信息空间的特征。

设复杂机械系统的目标信息空间为Y, 其特征空间为γ, 拓扑形式为 (Y, γ) , 且特征空间可分为

γ=[γ1γ2 … γN] (3)

其中, γi为目标信息空间的子空间, 是以一种耦合特征属性作为单一变量的信息集合。则存在{hiβ} (β=1, 2, …, n) 是子空间γi的Hamel基, 用γi中有限个元素的组合表示为

$\gamma {}^i={\displaystyle \prod _{\beta =1}^{n}h}{}_{\beta }^{i}y{}_{\beta }^i$ (4)

其中, y${}_1^i$, y${}_2^i$, …, yiβ为第i个特征子空间γi的子特征;β为第i个目标信息子空间γi的维数, β取子空间最高维数的值, 其余低于β的子空间维数的特征量用零补齐。

为保持空间 (X, χ) , (Y, γ) 同胚, 建立映射:

f:χ→γ (5)

其中, f为拟线性映射, 保证两空间X、Y同胚, 则一定存在{bi}, 使得$Y={\displaystyle \prod _{i=1}^{{\rm N}}b}{}_i\gamma {}^i$, 再将特征子空间χi按照保留有用相关信息原则映射到目标子空间γi:

φi:χi→γi (6)

其中, φi为子空间χi到子空间γi的映射。

根据式 (6) 得到空间χ到空间γ的映射:

$\phi =[\phi {}_1\phi {}_2\cdots \phi {}_{{\rm N}}]={\displaystyle \underset{i=1}{\overset{{\rm N}}{\cup }}\phi }{}_i$ (7)

其中, φ、${\displaystyle \underset{i=1}{\overset{{\rm N}}{\cup }}\phi }{}_i$表示各子空间χ1, χ2, …, χN映射到各子空间γ1, γ2, …, γN的一族映射。

由式 (4) ～式 (7) 得空间γ为

$\gamma ={\displaystyle \underset{i=1}{\overset{{\rm N}}{\cup }}\phi }{}_i(\chi {}^i)={\displaystyle \underset{i=1}{\overset{{\rm N}}{\cup }}\gamma }{}^i={\displaystyle \underset{i=1}{\overset{{\rm N}}{\cup }}(}{\displaystyle \prod _{\beta =1}^{n}h}{}_{\beta }^{i}y{}_{\beta }^i)$ (8)

由式 (3) ～式 (8) 得目标信息空间为

$Y=f({\displaystyle \underset{i=1}{\overset{{\rm N}}{\cup }}\phi }{}_i(\chi {}^i))=(b{}_1\gamma {}^1,b{}_2\gamma {}^2,\cdots ,b{}_{{\rm N}}\gamma {}^{{\rm N}})$ (9)

引理 X是线性空间, (Y, ‖·‖) 是准范空间, 所有的线性算子f:X→Y都满足条件:

(1) f (0) =0;

(2) ‖f (-x) ‖=‖f (x) ‖, ∀x∈X;

(3) |f (x+u) |≤‖f (x) ‖+‖f (u) ‖, ∀x, u∈X;

(4) 若在K中tn→t, 并且在准范空间‖f (xn→x) ‖→0, 则‖f (tnxn→tx) ‖→0;

(5) 存在M≥μ>0, 使得∀x, u∈X有μ‖f (x-u) ‖≤‖f (x) -f (u) ‖≤M‖f (x-u) ‖。

满足引理条件的算子, 称为拟线性算子。

定理 X、Y是完备的、分离的准范空间, 如果映射f:X→Y是拟线性的, 且f具有闭图像, 则f是连续的。

对于复杂机械系统, 根据上述引理、定理可以证明建立的拟线性映射是连续的。因为Y中的开集γ的原象f-1 (γ) =χ是X中的一个开集, f:χ→γ是连续的一一映射, 则f是同胚映射。即拓扑空间 (X, χ) 和 (Y, γ) 具有相同拓扑结构, 空间Y特征信息可以准确完备的表达空间X特征信息。

每一个元素γi称为 (X, χ) 的一个开集, 且${\displaystyle \underset{\chi {}^i\in \chi }{\cup }\chi }{}^i=X$, 则χ是X的一个覆盖。χ1, χ2, …, χN是可数的族, 则χ是X的一个可数覆盖, χ是拓扑空间 (X, χ) 的一个可数基, 拓扑空间 (X, χ) 满足第二可数性公理, (X, χ) 是可分空间。可分性是同胚映射的拓扑不变性, 由同胚映射f得到空间 (Y, γ) 也为可分空间, 则式 (3) 的表示是正确的。

(X, χ) 经拟线性映射f到目标空间 (Y, γ) , 仍为可分空间, 即γ= (γ1, γ2, …, γN) 。所以两空间之间的拓扑反变映射为

$F=f˚{\displaystyle \underset{i=1}{\overset{{\rm N}}{\cup }}\phi }{}_i=f˚\phi$ (10)

其中, F为F:X→Y拓扑反变映射。

通过拓扑反变映射实现复杂机械系统特征信息的解耦变换, 为特征分析奠定基础。再根据特征量的特点建立状态监测函数, 实现对目标信息空间特征的分析。

3 应用实例

机械手工作任务是机械手在抓取物件后实现对物件位置和姿态的调整操作, 其完成任务的坐标位置, 不能实时准确地反映工作任务中的位移、速度和加速度等特征。下面将前述方法用于机械手工作任务特征分析。

3.1 机械手运动轨迹实际模型

根据前述步骤建立机械手运动模型 (为方便前后衔接, 沿用前述字符) :

(1) 根据机械手工作任务特点建立特征信息空间 (X, χ) , 由式 (2) 将χ表示为

χ=[x y z]T (11)

其中, x、y、z为机械手完成工作任务之后的空间位置坐标。

(2) 为了分析机械手各个运动阶段的位移、速度和加速度等特征, 建立的目标信息空间 (Y, γ) 为

γ=f (χ) =[b1γ1b2γ2 … bmγm]T (12)

其中, m (m为正整数) 为阶段的个数, 是根据机械手工作任务的加速度不同而划分的。为计算方便设定b1=b2=…=bm=I。γ1, γ2, …, γm为机械手工作任务目标信息的子空间, 即机械手各运动阶段的特征空间。再由式 (4) 得

γi=[h${}_1^1$Rih${}_2^i$vih${}_3^i$ai] (13)

其中, 位移Ri、速度vi和加速度ai为机械手的目标信息子空间的特征, i=1, 2, …, m。

(3) 建立机械手运动轨迹空间之间具体的拓扑反变映射关系。

首先, 机械手空间χ通过f同胚映射到目标空间γ, 根据机械手运动的轨迹、时间关系及式 (7) 得映射:

γ={f (χ) |f∈ (fxi, fyi, fzi, fo) } (14)

式中, f为空间χ到空间γ的同胚映射;fxi、fyi、fzi为第i个运动阶段x、y、z轴方向的映射;fo为匀速圆周运动的映射;tx、ty、tz分别为x, y, z方向总的运动时间;txi、tyi、tzi分别x, y, z方向各阶段的运动时间。

机械手运动的各阶段的位置坐标为

式中, xi、yi、zi为x、y、z方向的运动坐标;xo、yo、zo为圆周运动坐标;r、ω分别为圆周运动的半径和角速度;t为圆周运动的运动时间。

其次, 再根据式 (4) ～式 (7) 变换关系φi, 将式 (15) 得到的位置坐标xi、yi、zi变换为目标特征参量Ri、vi、ai。由式 (6) 得

$\begin{array}{l}\mathit{\gamma }{}^i=\phi {}_k[x{}_{i}y{}_{i}z{}_i]{}^{\text{Τ}}\\ =\{\begin{array}{l}[h{}_1^{i}R{}_{i}h{}_2^{i}v{}_{i}h{}_3^{i}a{}_i]\text{直}\text{线}\text{运}\text{动}\\ [h{}_1^{o}R{}_{i}h{}_2^{o}v{}_{i}0]\text{匀}\text{速}\text{圆}\text{周}\text{运}\text{动}\end{array}\\ =\{\begin{array}{l}[h{}_1^i(\sqrt{x{}_i^2+y{}_i^2+z{}_i^2})h{}_2^i(R{}_i/t{}_i)h{}_3^{3}a{}_i]\\ [h{}_1^o(\omega rt)h{}_2^o(\omega r)0]\end{array}(16)\end{array}$

其中, 为计算方便令h${}_{\beta }^i$=h${}_{\beta }^o$=1。由坐标关系得x、y、z方向的位移为$R{}_i=\sqrt{x{}_i^2+y{}_i^2+z{}_i^2}$, 速度vi=Ri/ti;圆周运动的位移为Ro=ω rt;速度vo=ω r;将式 (16) 代入式 (12) 得目标信息空间Y。

3.2 动态监测函数

由前所述, Ri、vi、ai是空间 (Y, γ) 参量, 针对此种形式的特征量空间, 定义Sobolev空间范数解决状态变量及其变化率问题。

定义 对于任给u∈Cl (Ω) , 规定$\parallel u\parallel {}_{l,p}=({\displaystyle \sum _{|\epsilon |\le l}\parallel }\partial {}^{\epsilon }u\parallel {}_p^p){}^{1/p}$, 令S={u∈Cl (Ω) : ‖u‖l, p< ∞}, 则 (S, ‖·‖l, p) 是一个赋范空间, 其完备化是一个Banach空间, 称之为Sobolev空间。设范数‖u‖l, p (量纲一) 为

$\begin{array}{l}\parallel u\parallel {}_{l,p}=({\displaystyle \sum _{|\epsilon |\le l}\parallel }\partial {}^{\epsilon }u\parallel {}_p^p){}^{1/p}=({\displaystyle {\int }_{\xi {}_1}^{\xi {}_2}|}u|{}^2\text{d}{\rm T}+\\ {\displaystyle {\int }_{\xi {}_1}^{\xi {}_2}|}{u}^{\prime }|{}^2\text{d}{\rm T}+{\displaystyle {\int }_{\xi {}_1}^{\xi {}_2}|}{u}^{″}|{}^2\text{d}{\rm T}+\cdots +{\displaystyle {\int }_{\xi {}_1}^{\xi {}_2}|}u{}^{(k)}|{}^2\text{d}{\rm T}){}^{1/2}(17)\end{array}$

其中, Ω为任意非空集合;Cl (Ω) 为Ω上的l次连续可微函数的全体;u, u′, u″, …, u (k) 构成被积函数空间;u (k) 表示u的k阶导数, 且0≤k≤l;[ξ1, ξ2]为积分区间, 且ξ1<ξ2;ε为对u取导数的次数;‖·‖pp为Lp空间 (即p次可积函数空间, 1≤p≤∞) 的范数;T为积分变量。

根据Sobolev空间定义及式 (16) ～式 (17) 得机械手目标信息空间的状态监测函数:

$\begin{array}{l}\parallel u\parallel ={\displaystyle \sum _{i=0}^m(}{\displaystyle {\int }_{\tau {}_{i+1}}^{\tau {}_i}|}R{}_i|{}^2\text{d}t+{\displaystyle {\int }_{\tau {}_{i+1}}^{\tau {}_i}|}v{}_i|{}^2\text{d}t+\\ {\displaystyle {\int }_{\tau {}_{i+1}}^{\tau {}_i}|}a{}_i|{}^2\text{d}t){}^{1/2}={\displaystyle \sum _{i=0}^m\{}{\displaystyle {\int }_{\tau {}_{i+1}}^{\tau {}_i}[}(\sqrt{x{}_i^2+y{}_i^2+z{}_i^2}){}^2+\\ (R{}_i/t{}_i){}^2+a{}_i^2]\text{d}t+{\displaystyle {\int }_{\tau {}_{i+1}}^{\tau {}_i}[}(\omega rt){}^2+(\omega r){}^2+0]\text{d}t\}{}^{1/2}(18)\end{array}$

其中, Ri、vi、ai为机械手目标空间m个阶段运动阶段的相应的变量特征。[τi+1, τi]为机械手运动的第i个阶段的时间区间, τi+1为第i+1个阶段的末端时间, τi为第i个阶段的末端时间。

通过把变量及其各阶导数线性组合为赋范空间, 导数阶数越高, ‖u‖l, p函数曲线越光滑;积分区间越小, 状态监测实时性越好。

3.3 实际测试及与仿真对比结果

机械手抓取物件后的工作任务轨迹, 以起始点O建立如图1所示坐标系。

D点坐标为 (4.80, 0.43, 0) 。根据上述方法, 令χ=D;按照加速度的不同将运动分为5个阶段, 即式 (18) 中m=5, 分别为x轴方向OA、AB直线运动阶段, y轴方向BC、CD直线运动阶段和垂直于y轴的圆周运动阶段, 各个阶段的加速度分别为a1=0.3m/s2, a2=-0.6m/s2, a3=0.2m/s2, a4=-0.1m/s2和角速度ω5=0.5rad/s。由式 (15) 得坐标:A (2.40, 0, 0) , B (4.80, 0, 0) , C (4.80, 0.14, 0) , D (4.80, 0.43, 0) ;圆周运动0.5t∈ (-π/2, π/2) 或 (π/2, 3π/2) 坐标为 (4.80-rcos 0.5t, 0.43, rsin 0.5t) 或 (4.80-r (1-cos 0.5t) , (0.43, r|sin 0.5t|) ) 。由式 (17) 得γi。利用式 (18) 对γ状态监测, 仿真结果如图2、图3所示。

在图2中, 横坐标是各个运动阶段的运动时间, 纵坐标的监测结果‖u‖为根据式 (18) 中m=5时得到的监测函数值。从图2中的折线段可知, 运动轨迹经拓扑反变映射后分为5个阶段, 折线段的拐点值是各个阶段的位置坐标及变量特征为Ri、vi、ai所得到值与机械手实际工作任务轨迹相符合, 验证了本文方法的有效性。

通过拓扑反变映射, 对目标信息空间γ的变量特征进行状态监测可以反映机械手运动轨迹空间χ信息。图3以机械手任务OA阶段为例进行实际测试, $\tilde{a}$1、a1分别为实际加速度和理想加速度, ‖$\tilde{u}$1‖、‖u1‖分别为根据式 (18) 中m=1时得到的实际监测函数值和理想监测函数值, 结果如图3所示。图3a为不采用本文方法直接对OA阶段的$\tilde{a}$1 (线2) 跟踪且与a1 (线1) 对比, 0.8s前$\tilde{a}$1不稳定, 之后$\tilde{a}$1较a1波动较大;图3b为特征信息空间χ经拓扑反变到γ1的R1、v1、a1特征, 利用式 (19) 得到状态监测结果, $\tilde{a}$1、a1取图3a中的值, ‖$\tilde{u}$1‖ (线2) 和‖u1‖ (线1) 比较:前0.8s由于$\tilde{a}$1不稳定使得‖$\tilde{u}$1‖值较小;0.8s后‖$\tilde{u}$1‖值与‖u1‖基本相同, 与图3a的加速度曲线吻合但波动较小, 实时准确跟踪监测效果很好, 说明本文方法用于实测系统可以实时准确跟踪机械手运动轨迹, 简单、全面的反映机械手的运动情况。

4 结论

描述复杂机械系统特征信息空间和目标信息空间, 建立拓扑反变映射不仅保证两空间同胚, 而且将复杂机械系统特征解耦, 通过目标信息空间可以简单且完备的反映原复杂机械系统特征信息空间。针对多变量特征形式建立Sobolev空间函数对多变量信息进行分析监测, 直观表现它们之间的差异, 利用包含了动态分析方法的统一泛函结构, 使得分析更简单、更全面。通过实际测试及仿真, 验证本文方法的有效性。

摘要：为了分析复杂机械系统的特征, 利用拓扑反变映射, 将建立的复杂机械系统信号空间变换到目标变量特征空间, 实现对复杂机械系统的多特征表述和解耦变换。然后, 针对多特征特点建立Sobo-lev空间函数, 对复杂机械系统特征进行分析监测。最后把该方法应用到机械手特征监测中, 验证理论方法的有效性。

关键词：复杂机械系统,特征分析,拓扑反变,Sobolev空间

参考文献

[1]陈进.信号处理在机械设备故障诊断中的应用[J].振动与冲击, 1999, 18 (4) :84-88.

[2]廖庆斌, 李舜酩.一种旋转机械振动信号特征提取的新方法[J].中国机械工程, 2006, 17 (16) :1675-1579.

[3]李力, 屈梁生.谱相关特性在机械信号特征提取中的应用研究[J].中国机械工程, 2006, 17 (4) :334-338.

[4]侯敬宏, 黄树红.基于小波分析的旋转机械振动信号定量特征研究[J].机械工程学报, 2004, 40 (1) :131-135.

[5]王奉涛, 马孝江.基于局域波法的时频局部能量特征提取方法[J].中国机械工程, 2003, 14 (23) :2012-2014.

[6]张桂才, 史铁林.基于高阶统计量的机械故障特征提取方法研究[J].华中理工大学学报, 1999, 27 (3) :6-8.

[7]刘恒兴, 栾静闻.强拓扑空间的一种新刻划及两个协变拓扑空间可乘的一个充分条件[J].四川大学学报 (自然科学版) , 2001, 38 (3) :302-308.

[8]刘彬, 张玉存.基于拓扑反变理论的瞬时频率检测方法[J].中国机械工程, 2006, 17 (8) :785-787.

复杂机械 第6篇

再制造是废旧产品高科技修复和升级的产业化，其产品质量问题一直备受关注。近年来，国内外学者从不同角度对再制造产品质量控制机制问题进行了研究：在生产计划调度方面，Jin等[1]对回收产品质量不确定性条件下的再制造系统最优控制策略进行了研究；Tang等[2]在回收产品质量不确定情况下，运用开放排队网络构建了再加工系统模型；苏春等[3]研究了质量成本和需求替代的再制造生产计划；文献[4,5]对再制造多产品经济批量排产问题进行了研究。在再制造设计方面，牛同训[6]提出了一种再制造公差设计优化数学模型，该模型能够有效保证和提高再制造产品质量。在废旧零部件回收方面，Ferguson等[7]考虑到回收废旧毛坯质量的不同，研究了再制造过程中质量分级的价值。在再制造零部件质量评价方面，Zhou等[8]基于模糊层次分析法提出了量化废旧轮式装载机零部件可重用度的质量评价模型。

上述研究为再制造产品质量控制作出了极大贡献。但是，由于诞生时间较短，多学科交叉的再制造工程仍然存在一些基础技术问题没有解决[6]。再制造装配不仅是决定再制造产品质量和性能的重要环节，而且对再制造工期和再制造成本等具有重要的影响。再制造装配过程具有高度复杂性和动态不确定性[9]，在环保节约的大前提下，如何在动态不确定环境中实现批量化、规模化的再制造装配过程准确、实时的在线质量控制，在可控成本范围内提高再制造产品质量，成为再制造企业面临的主要问题之一。

本文结合笔者所在项目组在再制造质量管理[9]、公差带在线优化[10]和质量控制模型[11]方面前期研究的基础上，以再制造发动机为背景，针对再制造复杂机械产品装配的特点，对装配过程的质量控制点公差带在线优化方法进行了研究，为提升再制造产品装配质量提供理论和技术支持。

1 方法概述

1.1 再制造复杂机械产品装配的特点

再制造复杂机械产品装配具有以下几个特点。

(1）再制造复杂机械产品装配零部件主要由三种零部件组成：再利用件、再修复件和新件。其中，再利用件和再修复件的质量控制点的公差带离散程度大、中心偏移，导致再制造装配质量不稳定程度较传统制造大。

(2）使用新件和再利用件或将零部件修复到不同等级的成本和质量损失不同，并且使用不同公差带等级零部件的质量损失和装配成本不同。

(3）为了有效利用再制造资源，减少生产成本，再制造装配总是尽可能使用再利用件和再修复件，导致再制造装配过程质量控制不确定因素增加，装配精度难以保障，进而导致产品返修率和售后服务成本增大。

(4）不同公差带等级零部件装配在一起导致装配方案呈现多样化、质量控制点属性不确定等特点，影响装配质量。

同时，再制造复杂机械产品装配过程实际情况复杂，订单需求变化、零部件短缺、质量事故等异常状况时有发生。这种高不确定性的再制造装配过程，迫切需要一种再制造装配在线质量策略，来综合考虑再制造零部件的利用率和再制造装配精度。

1.2 在线优化方法

在对上述再制造复杂机械产品装配特点进行研究的基础上，本文提出了面向再制造复杂机械产品装配过程的质量控制点公差带在线优化方法，其基本流程如图1所示。该方法以再制造装配精度、装配成本、质量损失、装配尺寸链和质量控制点公差带为约束条件，建立公差带优化模型，在智能优化算法的支持下，综合考虑历史数据和车间实时信息，推导出再制造装配优化方案集，目的是提高再制造复杂机械产品的装配精度和再制造零部件利用率。

2 面向再制造复杂机械产品装配过程的质量控制点公差带优化模型

面向再制造复杂机械产品装配过程的质量控制点公差带优化模型是在尺寸链约束条件下，以质量损失和装配成本最小化为目标，通过公差带分级选配减少再制造装配质量的不稳定性，运用遗传算法动态配置方案，优化装配过程，确保产品装配精度。

2.1 基于质量控制点公差带细粒度划分的分级选配

假设某再制造复杂机械产品装配过程共有n道关键工序，即S1,S2，…，Si，…，Sn，工序Si上对应m个质量控制点，对第i道工序中的第j个质量控制点公差带进行细粒度划分，将原始公差带分为γ个公差等级，即

Tij将原始公差带划分成γ段连续区域。公差带等级γ主要由长期从事再制造复杂机械装配工作的专家的知识和经验，以及国内外有关再制造机械产品质量控制和优化的专著和文献决定。

2.2 优化模型

模型中的约束函数和目标函数如下。

(1）尺寸链约束函数。用户输入系统的尺寸数据xij主要满足尺寸链约束：假设复杂机械产品装配过程中第i道关键工序的第j个质量控制点处尺寸链共有p+q+1个环，其中增环的数量为p，减环的数量为q，封闭环基本尺寸为Aij。为确保装配质量，采用极值法，即封闭环的基本尺寸必须大于或等于增环的基本尺寸之和减去减环的基本尺寸之和，即

(2）目标函数。各个不同等级的零部件由于公差带的不同，偏离目标值的程度不同，造成的质量损失不同。不同等级零部件的装配成本（包括设备、人力、能源、管理等成本）不同，因此，不同等级的零部件装配成组件的成本也不同。为保证再制造产品装配精度，同时降低装配成本，本文以质量损失和装配成本最小化为目标建立目标函数。

(1)第i道工序的第j个质量控制点公差带等级为φ的质量损失函数为

式中，φ为公差带等级；k为质量损失常数；Δij[φ]为公差带等级φ对应的公差带范围；dij[φ]、Dij[φ]分别为第i道工序的第j个质量控制点的测量值、公差带等级φ的目标值；Cpmi为第i道工序基于田口质量损失的工序能力指数[10]。

(2)第i道工序的第j个质量控制点公差带等级为φ的装配成本函数为

式中，Gij[φ]为第i道工序的第j个质量控制点公差带等级为φ零部件的装配成本。

(3)目标函数为

式中，ωl、ωg分别为质量损失、装配成本对总损失的影响系数；xijφ为第i道工序的第j个质量控制点选用公差带等级为φ的零部件。

2.3 基于遗传算法的模型求解

鉴于遗传算法[12]在寻求全局最优解方面具有高效率参数优化的特点，本文采用遗传算法求解面向再制造复杂机械产品装配过程的质量控制点公差带优化模型，求解过程如下。

(1）编码。本文采用浮点数进行编码，根据模型的假设条件，其编码规则如下：(1)按再制造复杂机械产品关键装配工序排列顺序，并进行编码，依次为1,2，…，n。(2)对装配工序中的质量控制点按一定的顺序排列，并进行编码，依次为1,2，…，m。(3)按照质量控制点公差带进行细粒度划分，并进行编码，依次为1,2，…，γ。(4)抗体的一个基因值对应一个装配工序质量控制点的公差等级的配置方案。(5)一个抗体对应再制造装配工序质量控制点的公差等级配置的一个方案。

(2）个体适应度函数。由于本文为最小值的优化问题，且应用均匀排序选择，故能保证适应度函数在选择中概率非负，又能保证种群中个体适应度在数值上相差不是太大进而影响计算性能，设适应度函数为

由于目标函数始终为正值，故c=0。由适应度函数可以看出，目标值越小，适应度值就越大，在选择遗传算法操作中被选中的相对概率就会越大。

(3）编码与种群初始化。为了保证在遗传算子操作过程中不产生候选装配工序质量控制点的公差等级以外的个体，采用装配工序质量控制点的公差等级在其初始空间中的排列序号进行编码，并用二进制表示。为避免陷入局部最优而出现“早熟”现象，本文采用随机方式生成初始种群。

(4）遗传算子。(1)选择算子：为保护优秀个体，本文对群体中的所有个体按照其适应度从大到小进行排序，基于上述排序结果来分配各个体被选中的概率。(2)交叉算子：本文采用均匀交叉方式，交叉概率在[0,1]内选取。(3)变异算子：对应于均匀交叉算子，采用均匀变异进行变异操作，变异概率则选择一个较小的值。

(5）遗传优化步骤。根据以上设置，基于遗传算法求解面向再制造复杂机械产品装配过程的质量控制点公差带优化模型，其求解步骤如图2所示。

3 在线优化推理策略

3.1 推理原理

推理过程是再制造复杂机械产品装配过程质量控制点公差带在线优化系统的核心。推理方法主要有正向推理、逆向推理或正逆向结合的双向推理，并包含精确推理和非精确推理[13]。由于再制造装配生产过程中零部件属性的差异及复杂、动态、非线性耦合的不确定因素对产品装配质量的影响，本文提出的再制造复杂机械产品装配过程质量控制点公差带在线优化系统推理策略采用正向和逆向相结合的混合推理模式，即基于历史数据的正向推理模式以及基于装配实时信息的逆向推理模式。

3.2 基于历史数据的正向推理

再制造装配方案具有多样化特点，如何在诸多装配方案中按照既定的目标选出最理想的方案用以指导修复作业和生产计划是正向推理策略需要解决的问题。基于历史数据的正向推理过程如图3所示。

(1）启动在线优化系统，根据生产任务选择工艺，预先设置精度等级、成本及质量损失系数等参数。

(2）系统根据历史数据对零部件进行整合编码，按照第2节建立的模型和约束，运用遗传算法进行优化计算，推导出最优配置方案。

正向推理推导出的装配方案主要用以指导再制造零部件修复作业和装配车间生产计划的制定，为生产过程管理、车间各类资源优化配置以及物料实时供应等提供指导。

3.3 基于装配实时信息的逆向推理

再制造装配过程复杂，订单需求变化、零部件短缺和质量事故等异常状况时有发生，如何在环保节约的前提下对其作出及时响应，在提高装配产品质量的同时降低成本，是逆向推理过程需要解决的主要问题。基于装配实时信息的逆向推理过程如图4所示。

(1）启动在线优化系统，根据生产任务选择工艺，预先设置精度等级、成本及质量损失系数等参数。（同3.2节中（1))

(2）利用在线实时信息采集技术获得再制造装配零部件广义尺寸数据及其他属性信息，并将其录入系统。系统根据约束条件判断该零部件是否满足装配要求。若不满足则系统给出质量报警，提示该零部件存在质量问题并将该零部件进行标记暂存处理，然后继续输入其他零部件信息；若满足装配约束条件，系统根据数据库中参数及规则判断零部件公差带级别，动态修改不同等级零部件的数量和其他信息。

(3）当所有再制造装配零部件指定信息录入系统后，系统根据实际生产需求，针对整个装配工艺流程或者某道工序按照模型中的目标和约束推导装配优化方案，标记该方案号为1，记录该方案并统计方案1装配产品的数量。

(4）判断方案1完成的装配产品数量是否满足订单需求。若满足则输出方案1；若不满足则将各等级零部件数量减去方案1使用各类零部件数量。

(5）系统对更新后的零部件数量进行判断，判断是否出现某类零部件件数量为零的情况，即该类零部件各等级数量均为零。若某类零部件数量为零，则系统给出报警提示零部部件短缺；若各类零部件均有剩余则进入下一步。

(6）系统对剩余零部件再次进行智能计算，推导出装配优化方案，标记该方案号为2，记录该方案并统计方案1和方案2完成装配产品的数量总和。

(7）判断方案1和方案2完成的装配产品数量总和是否满足订单需求。若满足则输出方案1和方案2；若不满足则动态更新零部件数量信息，然后判断是否出现零部件数量为零的情况，重复步骤（5）。

(8）若完成方案1和方案2后各类零部件均有剩余，则重复步骤（6），推导出方案3。依次迭代，直到满足订单需求。

逆向推理过程能够对订单需求变化、零部件短缺和质量问题做出及时响应，动态输出装配优化方案集，实现对再制造复杂机械产品装配过程质量控制点公差带的在线优化，指导实际装配过程，并向车间生产管理人员提供科学决策支持。同时逆向推理推导出的装配优化方案集考虑到再制造资源利用的问题，提高了再制造件和再利用件的利用率。

4 系统实现

发动机具有较好的再制造性[14]，本文以某重载发动机再制造企业为依托，开发出面向再制造复杂机械产品装配过程的质量控制点公差带在线优化系统原型。该企业生产的再制造发动机种类很多，以斯太尔系列发动机为例，其装配零部件大部分是再利用件和再修复件，种类繁多，零件公差带离散程度大，导致装配质量不稳定程度增大，并且装配方案呈现多样化特点。为此，根据本文提出的再制造复杂机械产品装配过程质量控制点在线优化方法，设计开发了该企业再制造发动机装配过程在线质量控制系统原型，以活塞连杆组装配序列为例，介绍系统集成运行和应用情况。

(1）系统首先根据生产任务选择WD615再制造发动机装配工艺流程，活塞连杆组装配为第四个装配序列，工序号为20。编号为KMSX-002连杆的关键质量控制点是大头孔径，该质量控制点的标准公差带范围是[87.5,89]mm，设一级公差带范围是[87.5,88]mm，二级公差带范围是（88,88.5]mm，三级公差带范围是（88.5,89]mm。利用在线实时信息采集技术获得连杆基本信息，并按要求录入系统，如图5所示。

(2）由图5可知，该连杆的大头孔径为88.03mm，该值满足装配要求，并根据事先划分的公差带等级判断该值属于二级，动态更新数据库中各等级零件数量。当活塞连杆组所有装配零件指定信息录入系统后，系统根据实际生产需求，针对工序20，根据在线质量控制策略推理模型中的目标和约束推导出最优装配方案，标记该方案号为1，记录该方案并统计方案1装配活塞连杆组的数量为9。如图6、图7所示。

(3）显然方案1完成的9件活塞连杆组不能满足订单需求，系统记录方案1详情并在原各等级零件数量的基础上减去方案1使用的零件数，动态更新各等级零件数量信息。完成方案1后各类零件均有剩余，系统再次推导剩余零件的最优装配方案，即方案2。统计方案1和方案2完成活塞连杆组的总数量，并判断是否满足订单需求，重复步骤（3），直到满足订单100台的要求。最后输出WD615再制造发动机活塞连杆组装配优化方案集，如图8所示。

若在推理过程中出现零部件供应不足、质量属性值不满足装配条件等异常情况，则系统会及时给出报警提示，图9所示为报警信息设置情况。

装配车间机车试车后2011年传统选配和2012年实行在线优化方法后的装配不合格率、发动机返修率、售后赔偿金额对比见表1。2012年统计数据显示：与2011年相比，装配车间实施在线优化方法以来，装配车间再制造发动机合格率提高了0.87%；装配车间再制造发动机返修率平均下降5.22%；企业售后索赔成本降低280.5万元，同比下降29.7%。

注：为保护企业权益，表中数据是经过处理后的数据。

5 结论

(1）本文在研究再制造复杂机械产品装配特点的基础上，从装配精度角度出发，对关键工序的质量控制点公差带进行细粒度划分，综合考虑装配过程中质量损失和成本差异，以尺寸链为约束，构建了公差带优化模型，并研究了基于遗传算法的模型求解过程。

(2）提出了基于历史数据的正向推理模式，以及基于装配实时信息的逆向推理模式，推导出再制造装配优化方案集，提高了资源利用率，并根据推理规则和约束条件对零部件质量问题、零部件短缺等异常情况做出及时响应，实现了对再制造复杂机械产品装配过程的在线质量控制，动态指导实际装配过程。

(3）以某重载发动机再制造企业为依托，开发出再制造发动机装配过程在线质量控制系统原型，验证了该方法的可行性和实用性，为提高再制造复杂机械产品的装配精度与再制造资源利用率提供了理论与技术支撑。

摘要：为提高再制造零部件利用率并提升再制造复杂机械产品的装配精度,提出了一种面向再制造复杂机械产品装配过程的质量控制点公差带在线优化方法。在分析再制造复杂机械产品装配特点的基础上,对关键工序的质量控制点公差带进行细粒度划分;从装配精度角度出发,综合考虑装配过程中的质量损失和成本差异,以尺寸链为约束,构建了公差带优化模型,并研究了基于遗传算法的模型求解过程;在此基础上,提出了基于历史数据的正向推理模式,以及基于装配实时信息的逆向推理模式,推导出装配优化方案集并对车间异常情况作出及时响应;最后,开发出再制造发动机装配过程在线质量控制系统原型,验证了该方法的可行性和有效性。