“因件制宜”再制造装配过程控制方法

刘从虎，李文艺，蔡　维，韩　君，何　康，温海骏

(1.宿州学院 机械与电子工程学院，安徽　宿州　234000；2.重庆大学 机械传动国家重点实验室，重庆　400044；3.上海交通大学 安泰经济管理学院，上海　200030；4.中北大学 机械与动力工程学院，山西　太原　030051)

0　引言

21世纪以来，世界经济增长与环境、能源之间的矛盾日益尖锐[1]，应用并推广再制造技术成为当前保护环境和解决资源匮乏的最优途径之一[2]。与制造新设备相比，再制造能够节省生产成本50%，节约能源60%，节约材料70%，降低碳排放量80%左右，再制造产业是一种典型高效的循环经济，有力促进了资源节约型、环境友好型社会的建设[3-4]。但是，当前低碳环保的再制造产品难以满足客户期望和市场的需求[5-6]，再制造产品质量的不稳定成为再制造产业发展的桎梏[7-8]。因此，如何将不确定性较高的再制造零部件装配出精度较高的再制造产品，满足消费者的性能需求，成为当前再制造装配过程控制的一项挑战[9]。

为了解决不确定性环境下的再制造装配问题，国内外专家进行了以下几方面研究：

(1)在再制造零部件分级方面，Ferguson等[10]研究发现再制造零部件分级的价值，并通过实例验证了它能够平均增加系统利润的4%，从理论和实践挖掘了再制造分级的价值，从而受到了广大再制造专家学者的关注。自2013年开始，Jin等[11]研究了再制造系统中模块化产品重组优化策略，延伸了再制造零部件分级的研究。Liu[12]研究了不确定环境下的再制造零部件公差分级优化装配策略，该课题组还[13-14]进一步研究了面向不确定性和质量目标的再制造零件公差分级选配理论和方法，并在这些理论研究的基础上，设计和开发了再制造分级选配系统，将该系统应用在再制造企业中[15-17]。宿彪等[18]以装配精度和再制造资源利用率为目标，建立了基于蚁群算法的工程机械再制造综合选配方法。当前，再制造零部件分级选配研究主要以再制造装配的质量、再制造零部件的利用率等为约束，构建再制造优化选配装配方法和策略。这为再制造零部件的高效利用提供了方法和技术支持。

(2)在再制造装配不确定性研究方面，刘从虎等[19]研究了再制造曲轴轴颈表面粗糙度不确定性测度方法，建立了不确定度与再制造发动机质量灰关联映射模型，揭示了再制造发动机曲轴轴颈表面粗糙度不确定性与产品质量之间的耦合机理。随后，Ge等[20]构建了再制造发动机缸盖装配气密性的关键因素的不确定性测度模型，提出了再制造发动机缸盖密封性在线质量控制方法。综合考虑再制造装配精度和再制造零部件的不确定性，Hu 等[21]建立了基于状态空间模型的再制造装配精度控制方法。Liu[22]建立了基于信息熵的不确定性测度模型，研究了再制造公差分配的尺寸链装配优化模型。这些研究主要通过对再制造零部件不确定性的测度，减少再制造装配的不确定性，提升再制造装配质量。

(3)在装配过程控制方面，Yang 等[23]以轴对称零件的装配质量误差为例，基于概率分析方法预测产品的误差传递，实现对装配质量误差的控制。Liu等[24]提出一种适用于过盈配合圆柱零件精密装配的插入控制策略，并开发了一套自动装配系统。Wang等[25]研究了复杂机械产品装配过程装配质量自适应控制系统。孔繁森等[26]探讨了结构件装配复杂性与装配质量之间的定量关系，并应用在装配质量缺陷率预测中。王小巧等[27]研究了装配过程质量主动控制的体系架构，设计了一套使能装配过程质量控制的系统和关键技术。鲍强伟等[28]针对装配过程中基准转换导致的几何公差转化问题，提出一种基于公差变动域的几何公差转化技术等。这些装配过程控制方向的研究为再制造装配质量控制提供了借鉴和支持。

以上研究成果从理论和方法上促进了再制造装配质量的提升，但其主要考虑了再制造零部件的不确定性和分级选配，而再制造装配是一个非线性、动态、复杂的过程，应根据再制造零部件的不同特征，有针对性地采用特定的装配操作和与其匹配的其他零部件。鉴于此，本文提出“因件制宜”的再制造装配过程控制方法，以期实现机械产品再制造装配过程控制的智能化和精准化。

本文从理论研究的角度提出了“因件制宜”的再制造装配理念，并以再制造装配工位为对象，在非线性、动态、复杂的再制造装配过程中构建基于反向传播(Back Propagation,BP)神经网络的再制造装配过程耦合模型，为精益再制造(lean remanufacturing)和再制造装配过程智能化控制提供了理论和方法支持。从应用价值的角度出发，根据再制造零部件的不确定性特点，制定精准的装配工位操作，做到“因件制宜”的再制造装配过程控制，能够提升再制造产品质量，保障再制造产品安全性和服役可靠性，有助于解决再制造产业发展中存在的问题，促进再制造企业的可持续发展。

1　方法概述

1.1　再制造装配和制造装配的区别

通常情况下，再制造零部件和原始制造零部件存在在如下差别[29-32]，如表1所示：

表1　再制造零部件和原始制造零部件的差别

由于再制造产业规模小，且再制造同一产品的种类繁多，使得再制造装配生产线往往是一条线装配多个产品品种(如1个企业的1条再制造发动机装配总成线，生产车用发动机、工程机械类发动机、船用发动机、升级性专用发动机4个大类、100余种型号的再制造发动机)，而原始制造装配生产线设计和使用中是针对特定产品品种，且装配操作具有严格的生产流程和质量管控标准。以汽车发动机装配为例，原始制造一次装配合格率一般在97%以上，而再制造发动机的一次装配合格率却在85%～90%之间，其中部分实验测试项目对比相对较差(如表2)。

表2　再制造装配和原始制造装配部分发动机实验测试项目的差别

相对于原始制造装配，再制造装配过程控制存在如下难点：

(1)再制造装配工位的操作标准往往依据产品型号制定，很少考虑再制造零部件各个性能属性的不确定性，致使缺失具有针对性的再制造装配操作行为缺失，造成再制造装配过程中的产品质量和生产效率难以把控。

(2)机械产品再制造装配过程涉及力学、材料学、三维尺寸等，构建一个实用的装配过程的耦合模型，用于表征、预测和控制高维不确定环境下的再制造装配过程相对较难。

(3)在非线性、动态、复杂的再制造装配过程中，如何实现动态、实时的装配操作指导，确保再制造装配质量，保障再制造产品服役性能，是当前再制造装配过程控制的挑战。

综上所述，由于再制造零部件的高维不确定性，如果再制造装配按照原始制造装配的标准，则难以保证“再制造产品质量不低于新品”。因此，再制造装配过程控制应该在识别各个再制造零部件不确定性特征的基础上，“因件制宜”地采用相应的再制造装配操作，确保再制造装配质量。

1.2　方法流程

在实际再制造生产过程中，对再制造产品质量的标准要求是不低于原始产品，因此再制造装配应以原始装配生产过程中的各个标准为标杆，使再制造装配工位的各个属性不低于原始装配标准。然而，再制造零部件的不确定性却使得再制造装配的质量难以保障。因此，在再制造装配过程中，必须根据再制造零部件的不确定性特点，制定精准的装配工位操作，采用相宜的再制造装配操作，确保每个再制造装配质量属性值不低于原始制造标准，即做到“因件制宜”，才能提升再制造产品质量，保障再制造产品的服役性能。

在近几年再制造装配质量控制方向的理论研究和实践应用中，笔者发现：如果再制造零部件的不确定性以原始制造零部件为参照，就可以简化其属性集；同理，再制造装配操作以原始制造装配操作为参照，也可以简化操作输出集。因此，在确保再制造产品装配质量的前提下，本文以再制造零部件的不确定性特征为输入集合，再制造装配工位的可变操作为输出集，构建基于BP神经网络的“因件制宜”再制造装配过程控制方法，其方法流程(如图1)如下：

(1)以原始制造零部件为参照，构建每个再制造零部件与对应的原始制造零部件属性的差异特征集(如再制造零部件涂覆层的形态和位置)，用于描述再制造零部件的特征属性。

(2)以再制造装配工位为单位，通过原始制造装配过程控制经验和再制造装配实践数据，对BP神经网络进行训练，构建再制造装配生产线上各个工位的学习机制，用于表征再制造装配过程的质量耦合机理。

(3)将(1)中的再制造零部件的特征属性值输入BP神经网络，输出再制造装配工位操作补偿值；在确保再制造产品可靠性和服役安全性的情况下，实现不同再制造零部件的特征属性对应各自不同的再制造装配工位操作补偿值，即“因件制宜”。

(4)基于再制造装配工位操作补偿值，以原始制造装配操作为参照，确定两者之间的差值，即该再制造零部件对应的“因件制宜”再制造装配工位操作值。

综上，“因件制宜”的再制造装配优化控制方法是在构建再制造装配过程BP神经网络模型的基础上，以再制造零部件的相对于原始制造零部件的特征属性为输入集合，通过对再制造装配工位进行“因件制宜”的操作指导，确保再制造装配质量，保障再制造产品服役性能。

2　再制造装配过程建模

在调研近几年再制造装配生产过程控制方向的理论方法、生产实践、专家经验和技术资料等的基础上，笔者认为在非线性、动态、复杂的再制造装配过程中，建立精确的数学模型来表征再制造零部件的不确定性以及再制造装配工位操作和再制造产品质量之间的映射关系是困难的。因此，构建再制造装配过程的质量耦合机理数学模型是“因件制宜”控制方法的关键。鉴于BP神经网络的非线性映射能力、自学习和自适应能力、泛化易扩展、容错能力及其易实现的优点，本文基于BP神经网络构建再制造装配过程的耦合机理数学模型。

2.1　再制造零部件数据采集和处理

相对于原始再制造过程，再制造装配过程控制涉及的数据类型更多、来源更复杂。其中，最为关键的是再制造零部件不确定性特征的处理。在实际再制造生产过程中，再制造零部件的不确定性是相对于原始制造零部件而言，因此再制造零部件不确定性特征的处理应对照原始制造零部件标准质量参数(如尺寸精度、疲劳寿命、粗糙度、应力、硬度、涂覆层及其他，如图2所示)进行特征的提取

再制造零部件不确定性特征提取流程如下：

首先，再制造零部件在清洗、再制造加工过程中都会对再制造零部件进行测量，这些测量数据在派工单上随再制造零部件一起流动，为各个再制造零部件的质量特征的采集提供了数据支持。然后，将各个再制造零部件质量数据与原始制造零部件的质量标准进行对比，如果某个特征符合原始制造零部件的质量标准则归为一类，BP神经网络的输入为0；如果某个特征不符合原始制造零部件的质量标准，则BP神经网络的输入为特征值与标准之间的差值。最后，建立各个工位的再制造零部件的特征值集合，根据上述再制造零部件的特征值，分别建立各个工位的BP神经网络输入集，实现再制造零部件不确定性特征信息的数据采集和处理。

2.2　基于BP神经网络的再制造装配过程耦合模型

BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，作为一种智能信息处理系统，它利用梯度搜索技术使网络的实际输出值和期望输出值的误差均方差最小。通过多层神经网络系统，BP神经网络可精确地拟合非线性系统[33-34]。由于BP神经网络实现了从输入到输出的映射、分类及联想等功能，数学理论证明三层神经网络能够以任意精度逼近任何非线性连续函数，这能够满足非线性、动态、复杂的再制造装配过程建模需求，并且表征再制造装配过程的质量耦合机理。本文设计的BP神经网络系统包含再制造零部件特征属性输入层、隐含层、再制造装配工位操作补偿值输出层3层(如图3)。

图3中，I是再制造零部件特征的输入信息；O是再制造装配工位操作输出信息，其中，i∈[0,p]，j∈[0,h]。

令隐层的传递函数为

(1)

式中:xi是再制造零部件的不确定性特征输入，vki是再制造零部件特征输入层与隐层之间的连接权值矩阵。

则输出层节点的输出为

(2)

式中:yj是再制造装配工位操作输出，wjk是隐层与再制造装配工位操作输出层之间的连接权值矩阵。

Sigmoid函数g(I)是BP神经网络中各个隐层和输出层的激活函数：

(3)

式中θ表示阈值。

在再制造装配过程的BP神经网络学习中，再制造装配工位操作输出神经元理想输出值Nk与实际操作输出值Ok之间存在误差，本文定义再制造装配系统平均误差函数为

(4)

BP神经网络训练目标是通过对权值矩阵vij和wjk的选择，利用信号正向传递和误差反向传递不断学习修正，并自适应地将学习内容记忆于网络的权值中。使得再制造装配系统误差函数E最小化，从而能高效求解再制造装配工位的操作补偿值。

在BP神经网络中，最常用的是梯度下降法，对于再制造装配工位操作输出层权值的改变量为

(5)

因为

Ok)Ok(1-Ok)Oj，

(6)

所以，输出连接权值变换为

Δwjk=-η(Nk-Ok)Ok(1-Ok)Oj。

(7)

式中η是学习率，η≥0。

假设

(8)

(9)

由此可得：

(10)

则隐层神经元表示如下：

(11)

通过以上计算可得，再制造装配工位操作输出的连接权重系数调整量Δwjk和隐层神经元的连接权重系数调整量Δwij可以表示为：

(12)

由式(1)、式(2)和式(12)可得如下再制造装配过程耦合数学公式：

(13)

式(13)表征了再制造零部件不确定性特征与再制造装配工位输出之间的函数关系。基于BP神经网络的再制造装配过程耦合模型具有较好的自学习能力，能够解决各个装配工位的再制造零部件不确定性特征之间非线性、动态、复杂的内部机制问题；最重要的是该模型在制造执行系统(Manufacturing Execution System, MES)中易实现和集成，具有较好的适应性和推广价值。

再制造装配过程中BP神经网络的学习过程是在原始制造装配标准和再制造装配操作实践数据的支持下，通过信息的正向传播与误差反向传播不断迭代，使再制造装配系统误差不断修正而减少，最终收敛到一组相对稳定的权值。基于BP神经网络的再制造装配过程建模的实施步骤(如图4)如下：

(1)根据原始制造装配的标准初始化权值，针对不同型号的再制造产品的装配操作实践数据中取出所需样本，并依次将再制造零部件特征的输入信息输入到网络中。

(2)由BP神经网络正向依次计算再制造装配工位操作的输出值，并从输出层依次计算各层的反传误差。

(3)记录已经学习过的再制造装配生产实践数据的样本个数，并根据式(12)修正各层的权值，对BP网络中的每一再制造装配生产实践数据的样本重复上述步骤，直到误差达到要求或者达到最大学习次数为止。

(4)将修正的各层权值代入到再制造装配过程耦合模型之中，为“因件制宜”再制造装配过程控制提供支持。

2.3　再制造装配BP神经网络的模型结构

在实际的再制造装配过程中，再制造零部件的不确定性、工位操作的不确定性、人员的不确定性、过程控制的不确定性、设备的不确定性等因素都会影响模型的信度和效度。因此，需要建立一个再制造装配BP神经网络模型结构，主要包括再制造装配过程耦合机理学习机制和再制造装配过程控制推理机制(如图5)。

再制造装配过程的BP神经网络系统是通过再制造生产关系系统的人机结合实现信息的输入和输出；再制造装配知识库是以原始制造装配过程控制规则库为基础，集成再制造装配过程实践数据集，通过解释系统，用于BP神经网络的训练和学习；基于BP神经网络数学模型，在区别再制造零部件和原始制造标准零部件特征的基础上，建立再制造装配过程耦合机理学习机制和再制造装配过程控制推理机制。该模型结构能够较好地适应上述不确定性及其之间的相互影响，在再制造过程数据处理应用中具有较好的容错能力。

3　应用实例

3.1　实例背景

某公司将回收的废旧汽车发动机进行拆卸、清洗和检测，获得再利用件，经技术改造或再加工获得再修复件，将这两类零部件与新品零部件一起用于发动机装配。经过实地调研，笔者发现该公司在制造发动机装配过程的质量控制中存在以下问题：

(1)现场有巡检人员进行巡检，各装配工位操作工按工艺规范完成装配。

(2)装配质量的影响因子多，但控制方法和技术较少，且装配质量标准照搬新机标准，致使装配车间返修率高达15%。

(3)售后服务费用和新机相比偏高，批次性大额索赔相继发生。

同时，该企业管理层要求提高再制造装配质量，简单易行，且避免高额成本投入。为此，本文提出一个“因件制宜”再制造装配优化控制方法。笔者调研了企业再制造发动机一次装配返修率(如图6)。发现油压低、空压机故障和串气量大是最重要的3个原因，其中油压低占54%。

进一步调研油压低故障的修复记录，发现引起油压低故障的各个因素是相互影响的，即便更换部分再制造零部件，效果依然不明显。在相关专家和生产管理人员的指导下，项目组发现再制造装配返修率过高，产生的原因是再制造零部件的不确定性以及再制造装配过程控制缺乏针对性。

3.2　方法与系统实现

为了解决上述再制造发动机装配存在的困难和问题，项目组将本方法集成在MES的嵌入式终端，采用RFID、IC读卡器、PDA(personal digital assistant)、扫描枪等技术，努力构建良好的人机交互界面，实时采集各个装配工位再制造零部件的不确定性特征，基于BP神经网络的再制造装配过程耦合模型，以再制造零部件的特征为输入，以再制造装配工位操作补偿值为输出，为再制造装配工位进行“因件制宜”的操作指导提供支持(如图7)。

在上述BP神经网络的再制造装配过程耦合模型的后台集成支持下，再制造装配车间制造执行系统通过条码扫描能够得到当前上线曲轴的类型、流水号、装配发动机型号和上线时间等(如图8)。

再制造装配车间MES以后台模型运算的再制造装配工位BP神经网络学习、训练和指导为基础，根据再制造曲轴的不确定性特征信息，实现再制造装配曲轴过程的在线指导(如图9和图10)，从而确保再制造装配质量。

同时，基于多源信息感知与融合技术，“因件制宜”机械装备再制造装配过程控制方法还能够实时监测各个再制造装配工位的关键质量信息(如图11)，并通过质量控制图动态监控，为再制造装配质量优化控制提供支持。

通过本方法的实施，再制造曲轴装配工位提升了轴向间隙合格率，提升了扭转力矩合格率，并使发动机曲轴运转更平稳，减少了再制造发动机服役过程中活塞偏缸、连杆弯曲等故障率。

3.3　对比与讨论

“因件制宜”机械装备再制造装配过程控制方法是对再制造装配质量控制理论和方法的进一步深化和实践，相较于文献[14]和文献[16]的研究，本方法在再制造零部件不确定性特征的处理方面更为精细和准确；同时，基于BP神经网络的再制造装配过程耦合模型相较于遗传算法和动态规划，更容易实现和拓展，且集成于车间MES，对再制造装配质量控制更加精准化和实时化。

笔者将基于BP神经网络的“因件制宜”机械装备再制造装配过程控制方法嵌入到MES，运行效果如下：

(1)能够准确测度再制造零部件的不确定性特征，实时跟踪再制造零部件的状态，并对操作过程进行监测。

(2)对装配工位操作结果进行实时反馈和质量追溯，及时、精确地在线指导装配工位员工的操作。

(3)能够实现整个再制造装配车间生产过程的物料流、信息流和装配过程的监测，并对异常情况进行报警，为再制造装配过程的智能化和精准化提供支持。

4　结束语

确保“再制造产品质量不低于新品”是当前再制造企业实现可持续发展的关键，如何将不确定性较高的再制造零部件装配出精度较高的再制造产品，满足消费者的性能需求，已成为当前再制造企业装配过程控制的挑战。鉴于此，本文提出一种“因件制宜”再制造装配过程优化控制方法，主要创新工作如下：

(1)明确了再制造零部件不确定性特征，通过与原始制造零部件标准质量参数进行对比实现了再制造零部件不确定性特征的提取。

(2)对比原始制造零部件，以再制造零部件的不确定性特征属性为输入集，再制造装配工位的可变操作为输出集，构建了基于BP神经网络的再制造装配过程耦合模型，为再制造装配工位“因件制宜”的操作指导提供了理论和模型支持。

(3)将“因件制宜”再制造装配过程优化控制方法集成于MES中，对再制造装配质量进行精准化和实时化控制，为不确定环境下的精益再制造提供了方法和技术支持。

“因件制宜”再制造装配过程控制方法能够根据再制造零部件的不确定性特征，制定精准的装配工位操作，提升再制造装配质量，进而保障再制造产品安全性和服役性可靠性；本文所提方法进一步拓展了不确定环境下再制造生产过程优化与控制的理论和方法，为精益再制造生产管理提供了切实可行的技术支持。后续将研究再制造生产过程的不确定性消减和协调机制，进一步研究物联网环境下再制造生产过程的质量保障和智能控制理论、方法和技术。