飞机装配工艺装备保障状态的多层次综合评价方法

曲学军，孟 飙

（1.沈阳航空航天大学 航空航天工程学部，沈阳 110136；2.沈阳航空航天大学 航空制造工艺数字化国防重点实验室，沈阳 110136）

飞机装配工艺装备保障状态的多层次综合评价方法

曲学军1，孟 飙2

（1.沈阳航空航天大学 航空航天工程学部，沈阳 110136；2.沈阳航空航天大学 航空制造工艺数字化国防重点实验室，沈阳 110136）

设备保障状态是对设备运行的当前状态及其对装配任务影响程度的综合反映，完成设备保障状态的综合评估，将为制定有效的保障措施并为保障装配任务的顺利进行提供重要的参考依据。参照行业标准与装配制造信息化应用现状，建立基于分类特征文本的故障分类与判别准则，完成装配工艺装备的信息划分与数据组织，进而形成统计分析样本数据。建立保障状态的综合评价指标体系，利用有效的树立统计分析方法完成关键指标的量化评价。建立综合评价模型，完成局部指标的信息综合，实现设备保障状态的整体量化评定。对连续分布的量化指标数据进行分类分析与判别分析，完成统计结果的分类整合与聚集，实现高层次的信息组织与语义解读。实验结果表明，利用该方法可获取丰富的多层次评估结果，并为开展后续的工程分析提供良好的信息支持。

飞机装配工艺装备；设备保障状态；统计分析；分类与判别；综合评价

0 引言

对于长期运行的装配工艺装备而言，为避免局部故障影响装配任务的实施，必须在故障发生前予以有效预警并采取针对性的调整与维护措施[1,2]。当前，基于制造执行系统（MES）的制造过程信息化管理已在飞机制造企业得到普遍应用[3,4]，所涉及的装配工艺装备的运行情况及故障维护信息也进行了详细的记录。然而，大量离散的信息与数据尚未得到有效的组织与管理，深入的分析工作也并未展开。当前依赖专家主观经验的分析手段由于面临以下问题已经难以适应日益复杂的装配制造要求[5]：1）工程数据类型繁杂，关系松散，丰富的数据资源资源未能实现有效的整合并进行统一、有效的分析与处理；2）分析过程严重依赖主观经验，效率低，分析流程不规范，分析结果难以重现；3）专家领域知识与分析经验未有效封装和重用，缺乏知识和经验的管理手段。

为了突破传统分析手段的局限性，针对设备状态评估与维护分析的实际需求，从运行与维护历史数据中获取关联信息，完成数据规范化处理与转换，以及数据的整合与组织，形成统计分析样本数据。分析设备运行状态的关键影响因素并建立综合评价指标体系，并采用有效的统计分析手段完成关键评价指标的量化分析。在此基础上，建立设备运行状态的综合评价模型以完成信息整合与指标汇总。更进一步，完成统计结果的分类整合与聚集，实现高层次的信息组织与语义解读，为开展后续的工程分析提供良好的信息支持。

1 工艺装备保障状态的综合评估策略

完成装备保障状态的整体评估，以综合反映其对装配任务的影响程度，将为制定及时有效的保障措施提供重要的参考依据[6]。一个工艺装备通常包含多个故障个体，保障状态的综合评估应以所包含的各故障的局部评估为基础。这样，故障类型的划分与识别就成为完成分析任务的首要环节。

就单个故障而言，其对整体保障状态的影响可归结为以下两个方面：一方面是该故障发生风险的概率，另一方面是故障发生后维护保障的难度。采用故障风险指标与故障维护指标以定量描述上述两个因素，进而形成故障个体的关键评价指标并建立指标评价体系。对于各指标分别完成关联数据的提取与处理并形成样本数据，利用基于统计分析的量化分析方法完成单故障的量化评估。

对于整个装备而言，每个故障个体的发生都将影响整个设备的运行。为完成设备保障状态的整体评估，需要完成每个故障自身关键指标的信息综合，以反映其对设备保障状态的影响程度。在此基础上建立综合评价模型，以完成各故障个体离散指标的信息综合，完成保障状态的整体量化评定。

以连续分布的指标数据所形成的定量分析结果，因其缺乏明确的工程语义而难以理解。在定量分析的基础上，将同一层次下的指标数据进行汇总，据此展开分类分析与判别分析，实现指标数据的分类整合与聚集，进而为各类别赋予明确的工程语义。同一类别内的指标数据语义相似，不同类别之间则差别显著，分析结果简单直观且易于理解，从而在更高层次上完成了信息的组织与解读，并为开展后续的工程分析提供良好的信息支持。

图1 综合分析流程

2 装备故障的类型识别与数据组织

在企业装配设备维护信息数据库中，普遍采用自由文本完成故障现象与维护措施的语言描述，主观性强且缺乏必要的规范性约束[7]。以装配工艺装备行业标准为依据，完成故障类型的归纳与整理，形成分类特征文本，据此建立分类与判别准则，是完成故障类型识别与信息组织的可行手段。据此形成的方法如下：

1）参照行业标准，完成典型故障类型的分析与整理，形成故障分类特征文本并建立分类准则，并应满足：所建立的文本集合应能完成大多数故障类型的标识；同类故障在属性特征上趋于相似，不同类别中的故障类型应避免彼此交叉覆盖。

2）针对某一装配工艺装备，遍历装备维护数据库并提取关联的维护信息描述文本。利用建立的分类特征文本集合匹配描述文本，完成故障的判别与提取。进一步提取关联的指标数据，包括设备编号、故障发生时间与故障维护时间，形成状态评估样本数据。

3 故障风险指标的综合分析

故障风险指标用于评估故障发生的概率。通过采集关联信息并完成相关指标的计算来形成样本数据。在此基础上，针对样本数据进行统计分析，完成周期数据分布模型的统计推断，进而利用重建的分布模型完成故障风险指标的量化评估。在此基础上，建立风险指标的分类与判别准则，完成更高层次的评价分析。

3.1 故障风险指标的量化评定

1）故障发生周期样本数据的生成

由于同类装配工艺装备的同类型故障的故障发生间隔周期有着近似的分布规律，因此完成针对该范围内的故障发生周期指标的汇总并形成样本数据，可以显著扩大样本的容量，从而简化分析负荷并提高统计结果的准确性。在此原则指导下，以设备类型与故障类型为分组条件，计算该范围下的故障发生周期指标，形成统计分析样本数据。

2）故障发生周期整体分布模型的统计推断对于某一故障类型而言，其发生间隔周期通常满足正态分布[8,9]，并可表示为：

3）故障风险指标的计算

故障风险指标用于评估故障发生的概率，其支配因素有两个：其一是故障发生间隔周期数据的总体分布；其二是最近启用时间，即故障最近一次排除后的正常运行时间。显然，最近启用时间越接近故障发生间隔周期的总体分布均值，该型故障发生的风险程度就越高。因此，两者之间的相对比值在一定程度反映了故障发生的风险程度。然而，实际的故障间隔周期数据分布范围较为广泛，而单纯依赖故障周期总体均值的风险指标并未对数据分布的离散程度予以反映。相对而言，以故障发生的概率指标完成故障风险程度的量化评估就更为直接与合理。

以故障发生周期的总体分布模型的统计推断结果为依据，建立各故障类型发生时间的概率分布函数：

对于某一待评估工艺装备，将故障集合中每一故障的最近启用时间待入式中所建立的对应类型的概率分布函数，求解各故障发生的概率，形成概率指标向量作为该装备风险指标的量化评价结果。

3.2 故障风险指标的分类分析

前述方法利用[0,1]区间上连续分布的概率指标完成故障发生风险程度的评估，然而一个指标数据所反映的危险程度如何，不同的人显然具有不同的评判标准。相对而言，采用分类分析完成指标数据的整合与聚集，实现风险指标的分级评定并赋予明确的工程语义，可以获取更为简单直观的评价结果[10,11]故障风险分类分析以故障周期总体分布模型为依据完成故障风险指标的类别划分。首先给定类别数量n，建立故障风险指标分类与判别准则如下：

对于某一故障个体所对应的风险指标F，利用上式完成风险等级的划分：若F位于第i个类别Gi所对应的定义区间范围内，即：则判定该类型的故障风险级别为Gi。而对于某一装配工艺装备，其风险等级判别针对所属各故障进行，结果将形成等级判别向量。

4 故障维护指标的综合分析

故障维护指标用于评估故障维护的复杂程度。显然，某一故障发生后的维护时间越长，其维护复杂程度就越高，因此故障维护时间就成为评估复杂程度的关键指标。获取故障维护时间样本数据，完成故障维护时间的数据分布的统计推断，进而利用重建的分布模型完成故障维护指标的量化评估。在此基础上，建立维护指标的分类与判别准则，完成更高层次的评价分析。

4.1 故障维护指标的量化评定

1）故障维护周期样本数据的生成

对于相似装配工艺装备的同类型故障来说，其故障维护时间有着相似的分布规律。以设备类型与故障类型为分组条件，从故障维护历史数据中提取关联数据并计算故障周期，以此形成统计分析样本数据，可以显著扩大样本数据的容量并提高统计分析的准确性。

2）故障维护周期整体分布模型的统计推断

对于某一故障类型而言，其故障维护时间通常满足正态分布，并可表示为：

3）故障维护指标计算

对于某一待评估工艺装备，采用步骤2）中的方法完成其包含的各故障维护周期的分布模型的统计推断，并利用分析结果完成维护指标的量化配置：

式中wi表示该装备各故障的维护指标，μi为对应故障类型的维护周期总体分布的均值指标。

4.2 故障维护指标的分类分析

不同类型故障的维护指标具有不同的分布规律。大范围连续分布的指标数据自身缺乏明显的工程语义而难以直观理解。相对而言，针对不同类型故障的维护指标数据进行分类分析，实现风险指标的分级评定并赋予明确的工程语义，并赋予类似复杂或容易等明确的工程语义，评定结果简单直观且具备明确的工程语义，可以获取更为简单直观的评价结果。

聚类分析开始时将各样本数据各自作为一类，然后将距离最近的两类合并成一个新类，再计算新类与其他类之间的距离并重复进行两个最近类的合并。每次并类过程都将类别的数量减一，直至降至预先指定的分类数量。相关定义如下：

设xi与xj为两样本数据，则样本数据间的距离dij采用欧式距离定义：

类间距离DKL采用重心法定义：设类Gk中有nK个数据，GL中有nL个数据，定义两个类的重心分别为：

则GK与GL间距离为：

图2 聚类分析相关定义

该模式下故障维护指标分类分析过程如下：

1）预先指定类别数量n，提取所有设备的所有类型故障的维护指标wi，i =1，2，…，n，形成分类分析样本数据。

2）初始时将每个样本各自作为一类，其分类结果为Ω=(Gi，i=1，2，…，n)，Gi={wi}。计算任意两个样本数据间的距离dij，i，j=1，2，…，n，以此建立距离矩阵D=[dij]。

3）寻找D中的最小值所在的元素，设为dKL，将Gk和GL聚成一个新类，记为GM，即GM= {Gk, GL}，形成新的分类集合Ω={G1，…，GK-1，GK+1，…，GL-1，GL+1， …，GM}。

4）计算新类GM与任一已有类GJ之间距离，据此完成对距离矩阵D的修改。

5）重复第3）与第4）步操作，更新分类结果Ω与距离矩阵D，直至所有元素合并为一类为止。

5 设备保障状态的综合量化评估

在将某一工艺装备离散表示为n个故障集合之后，各个故障的评估结果就从不同角度对装配保障状态进行了局部描述。在此情况下，为完成保障状态的综合评估，还需通过集成各局部评价指标来建立综合评价模型[12]。所建立的模型可表示为：

式中，fi是第i个故障的风险指标，wi为该故障的维护指标。可将故障风险指标fi视为基准指标，则故障维护指标wi就可视为fi的权重系数[13]反之亦然。两者相乘综合反映了该故障的当前运行状态及其对综合评价模型的影响程度，综合评价结果即为各故障个体影响程度的叠加。上式还可表示为：

其中W即集合各故障风险指标形成的指标向量，F为集合各评估单元维护指标形成的指标向量。

该模型下装备保障状态综合评估过程如下：

1）对于待评价工艺装备的每个故障个体，采用3.1节所示方法完成故障风险指标的量化评估，形成故障风险指标向量

2）对于待评价工艺装备的每个故障个体，采用4.1节所示方法完成故障维护指标的量化评估，形成故障维护指标向量

3）利用式(10)建立的工艺装备运行状态的整体评价模型完成局部指标的信息综合，形成装备保障状态的综合量化评估指标。

6 实验与讨论

1）关键指标的量化分析

查阅装配工艺装备维护历史数据，参照相关行业标准，形成故障分类特征文本集合。同时提供相应功能模块，实现特征分类文本的动态编辑与扩充。下面以某中等尺寸壁板类装配工装个体为例展开分析。首先搜索该装备的维护记录，提取维护信息文本并完成与故障分类特征文本的匹配，形成故障集合。再以设备类型与故障类型为查询条件，提取关联数据并完成故障发生周期与故障维护周期数据指标的提取与汇总，进而基于极大似然性原理完成两指标整体分布模型的统计推断，分析结果如表1所示。

为完成故障发生风险程度的量化评估，以各故障发生周期总体分布的统计推断为依据，建立概率分布函数。同时提取各故障的最近启用时间，并将其待入对应的概率分布函数，如式(2)所示，计算各故障发生的概率，形成故障风险指标集合。为完成故障维护复杂程度的量化评估，以各故障维护周期总体分布的统计推断结果为依据，采用总体均值指标完成维护指标的量化配置，形成故障维护指标集合。上述结果如表1所示。

2）故障风险指标的分类与判别

给定类别数量为5，采用式(3)中建立的分类准则设置风险指标分类区间并完成故障风险指标的分类分析。各类别所在的概率区间如表2所示。

对于表1中所列出的故障集合，利用表2中建立的类别区间完成各故障风险等级的判别，结果如表1所示。其中故障“测量”的风险指标位于1级区域，该故障类型的发生概率很低，可视为平稳运行状态。故障“伺服”、“风钻”、“空调”、“接头”位于二级区域，故障发生概率较低，可进行一般性关注。“检验单元”、“驱动”、“电源”、“功率模块”、“精加工”位于三级区域，故障发生概率较大，应予以充分关注。而“轴承”与“水泵”分别位于四级与五级区域，表明故障随时可能发生，应予以密切关注并采取必要措施。实际应用中可结合具体情况对分类准则进行修订。

3）故障维护指标的分类分析

给定类别数量为5，以所有类型设备的所有故障的维护指标做为样本数据，采用分类分析完成故障维护指标的分级评定。采用聚类树形图对聚类过程进行直观的显示，结果如图3所示。从图中可以查看每一类所包含的样本数据以及每次的并类距离，为便于显示，树形中仅显示其中的30个指标。

表1 关键指标综合分析结果

表2 故障风险指标分类区间设置

对于待评估的设备个体，从分析结果中查询所属各故障维护指标的类别，形成的类型判别向量如表1所示。不同类别代表不同的维护复杂程度，类别编号从低到高表明复杂层度依次上升。

4）装备保障状态的综合定量评价

对于该壁板装配工装，利用式(10)表示的综合评价模型计算装备保障状态综合评价值，完成其故障发生风险与故障维护成本的指标向量的综合，获取的综合评价值为f综合 = 121.99013。

7 结论

图3 聚类树形图

1）参照行业标准与装配制造信息化应用现状，建立基于分类特征文本的故障分类与判别准则，完成装配工艺装备的信息划分与数据组织，形成故障个体与关联指标数据的集合，实现设备保障状态评估的任务分解。以故障风险指标与故障维护指标作为关键指标，利用有效统计分析方法可完成关键评价指标的量化评价。进一步通过建立综合评价模型，可完成各故障个体关键指标的信息综合，并实现保障状态的综合量化评定。

2）在定量分析的基础上展开分类分析与判别分析，实现关键指标的分类整合与聚集，进而为各类别赋予明确的工程语义，可以实现高层次上的信息组织与语义解读。同时，一致的聚类分析方法能够随着样本数据的扩充进行自适应性调整，且能够更好地适应工艺条件的变动对设备维护水平所产生的影响。此外，分类结果可为开展后续的工程分析提供良好的信息支持，如快速识别特定类别的故障，结合方差分析等后续方法可确定影响维护效率的关键因素并评估各因素的影响程度。

[1] Jonsson M., Ossbahr G.. Aspects of reconfigurable and flexible fxtures[J]. Production Engineering,2010,4(4):333-339.

[2] 王亮,李东升.飞机数字化装配柔性工装技术体系研究[J].航空制造技术,2012,7:34-39.

[3] 张伦彦.航空制造行业MES标准化研究[J].航空标准化与质量, 2011,06:27-30.

[4] 程闵,李维,魏翀,等.基于MES的面向装配车间的质量管理系统分析[J].装备制造技术,2014,1:103-105.

[5] 张根保,任显林,李明,等.基于MES和CAPP的动态质量可追溯系统[J].计算机集成制造系统,2010,2:349-355.

[6] 余锋杰,柯映林,应征.飞机自动化对接装配系统的故障维修决策[J].计算机集成制造系统,2009,9:1823-1830.

[7] 贾治宇,周岩,曾照洋.备件和保障设备配置组合优化方法研究[J].航空维修与工程,2014,2:55-58.

[8] 陆中,戎翔,周伽,等.基于蒙特卡罗仿真的FADEC系统多故障TLD分析方法[J].航空学报,2015,12:3970-3979.

[9] Prescott D. R.,Andrews J. D.. The safe dispatch of aircraft with known faults[J].International Journal of Perform- ability Engineering,2008,4(3):243-253.

[10] Dean J.,Ghemawat S..MapReduce: simplifed data processing onlarge clusters[J].Communications of the ACM,2008,51(1):107-113.

[11] Hasan T., Hansen J. H. L.. Acoustic Factor Analysis for Robust Speaker Verifcation I-J[J].IEEE Transactions on Audio, Speech, and Language Processing,2013,21(4):842-853.

[12] Lee G. L., Lin H. J.,Yu T. W., et al. Optimal Allocation forImproving System Reliability Using AHP[C].2008 IEEEInternational Conference on Sustainable Energy Technologies(ICSET2008) Inst, of Elec.and Elec. Eng. ComputerSociety,2008:159-163.

[13] 徐达,李闯,李洋.基于TOPSIS的装备维修性定性指标综合评价研究[J].航天控制,2014,32(5);92-96.

图3 智能感知控制系统

参考文献：

[1] 傅建中.智能制造装备的发展现状与趋势[J].机电工程,2014,08:959-962.

[2] 朱剑英.智能制造的意义、技术与实现[J].机械制造与自动化,2013,03:1-6,10.

Multi-level comprehensive evaluation of the safeguard state of the aircraft assembly process equipment

QU Xue-jun1, MENG Biao2

TP391

：A

1009-0134(2017)01-0058-06

2016-09-12

国防基础科研项目（A0520132009）

曲学军（1969 -），男，辽宁沈阳人，副教授，博士，研究方向为数字化飞机制造技术。