摘要

　　螺栓擰緊工藝廣泛應用于制造業(yè)等領(lǐng)域,其工藝完成的質(zhì)量直接影響產(chǎn)品的良品率,為了保證產(chǎn)品的質(zhì)量和企業(yè)聲譽(yù),需要對螺栓擰緊工藝建立一套深入完善的評價(jià)方法。螺栓擰緊工藝涉及到扭矩、轉角等多種、大量的數據,傳統的數理統計方法對此分析有很大的局限性,難以保證企業(yè)對質(zhì)量管理的更高要求,借助工業(yè)大數據分析方法可以建立一套深度質(zhì)量評價(jià)方法。

　　本文首先建立了工業(yè)大數據分析方案。在數據采集裝置和分析平臺之間建立數據接口,以此完成數據集的獲取;對樣本數據進(jìn)行數據清洗、去除離群點(diǎn)等數據預處理;進(jìn)一步的,對數據進(jìn)行特征提取,建立數據模型,形成一套完整的工業(yè)大數據分析方案。

　　針對螺栓擰緊數據的特點(diǎn),分析機器學(xué)習算法,選擇了聚類(lèi)算法作為主要If宄手段。針對具體的兩類(lèi)螺栓擰緊數據特點(diǎn)分別選擇K-means和DBSCAN兩種聚類(lèi)算法并對己有數據進(jìn)行深度分析,為最終質(zhì)量評價(jià)方法的建立打下基礎。

　　最后,在介紹了基于大數據分析的等級評價(jià)方法之后,結合質(zhì)量控制的6sigma體系對工業(yè)實(shí)例中內燃機生產(chǎn)工廠(chǎng)的高強度螺栓和普通螺栓擰緊數據分別建立了質(zhì)量評價(jià)方法。通過(guò)這一基于大數據分析的螺栓抒緊質(zhì)量評價(jià)方法的建立,一定程度地對企業(yè)實(shí)際生產(chǎn)具有質(zhì)量分級、提高良品率和降低生產(chǎn)成本的作用,也對大數據分析和質(zhì)量評價(jià)方法的結合應用研宄有著(zhù)一定指導借鑒意義。

　　關(guān)鍵詞：螺栓擰緊;大數據分析;聚類(lèi)算法;質(zhì)量評價(jià)方法;6 sigma

ABSTRACT

　　Bolt tightening technology is widely used in the manufacturing industry and other fields. TTie quality of a product is directly affected by the quality of this technology. In order to ensure the quality of a product, as well as the reputation of the enterprise, a set of thorough and accurate evaluation methods for the bolt tightening process is needed. The bolt tightening process involves analyzing vasts amounts of data, such as torque, turning angle, and more. The traditional statistical analysis method is limited for this application since it is difficult to meet the high quality standards set by the enterprise.

　　However, a complete set of accurate and thorough evaluation methods can be established with the help of industrial big data analysis.

　　In this paper, we first set up an industrial data analysis plan. A data interface is established between the data collection device and the analysis platform to allow for the acquisition of data sets. These sets are then cleaned and any outlying data is removed. Further, the data model is set up using the extracted data, forming a complete industrial big data analysis scheme.

　　Looking to imitate the characteristics of bolt tightening data, multiple machine learning algorithms are analyzed, and ultimately a clustering algorithm is selected as the main research method. After analyzing the characteristics of two kinds of bolt tightening data, two clustering algorithms, K-means and DBSCAN, are selected for further investigation. The depth analysis of the existing data using these algorithms is carried out, laying the foundation for the establishment of the final quality evaluation method.

　　Finally, after introducing the hierarchical evaluation method based on the big data analysis, and combining that with a 6 sigma system of quality control, the quality evaluation method is established. This method is used to evaluate an industrial case, analyzing tightening data of high strength bolts, as well as ordinary bolts, from an internal combustion engine production plant. Through the establishment and application of a rigorous bolt tightening quality evaluation method based on big data analysis, an enterprise can simultaneously increase quality production while decreasing production costs. It also has major significance for the combined application of big data analysis and quality evaluation methods.

　　Keywords: Screw Tightening; Big Data Analysis; Clustering Algorithm; Quality Evaluation Method; 6 sigma

　　“工業(yè)4.0”通常被定義為第四代工業(yè)革命,在2013年漢諾威工業(yè)博覽會(huì )上,德國政府提出了　“工業(yè)4.0”的術(shù)語(yǔ)及其定義[1],來(lái)建立最終實(shí)現智能制造的智能工廠(chǎng)。相似地,美國針對“智能制造”提出了專(zhuān)注于“數字制造”和“設計創(chuàng )新”的國家戰略來(lái)與其他工業(yè)國家競爭。在類(lèi)似的國家戰略中,數據都以資源的身份重新被人們所重視,現有技術(shù)條件下,我們從海量的數據中可以分析和提煉出很多有用的信息。特別地,在我國目前“互聯(lián)網(wǎng)+”的戰略實(shí)施下,傳統企業(yè)閑置的大量數據將被充分利用,“先進(jìn)制造”、“智能制造”的理念也將很大程度上依附于工業(yè)大數據技術(shù)。

　　《中國制造2025》技術(shù)路線(xiàn)圖指出,到2020年,中國聚焦生產(chǎn)效率提升與服務(wù)型制造升級,自主設計的“云端”��“終端”工業(yè)大數據平臺在重點(diǎn)領(lǐng)域的使用普及率不低于40%,然而在大數據平臺層W,無(wú)論是信息基礎設施技術(shù)還是工業(yè)實(shí)時(shí)數據庫,國外公司在市場(chǎng)的占有率都很高。

　　螺栓在工業(yè)產(chǎn)品中是十分常見(jiàn)的零件,并且螺栓擰緊質(zhì)量直接關(guān)系到機械整體的質(zhì)量等級,所以對螺栓擰緊工藝的過(guò)程數據進(jìn)行分析,利用數據挖掘方法對擰緊工藝的質(zhì)量進(jìn)行深層次的評價(jià),為企業(yè)提高質(zhì)量管理水平提供關(guān)鍵的數據支撐依據。在汽車(chē)、內燃機等行業(yè)產(chǎn)品中,存在大量關(guān)鍵部件,其連接形式需要通過(guò)螺紋連接方式來(lái)實(shí)現。例如,內燃機氣缸蓋高強度螺栓擰緊質(zhì)量關(guān)乎著(zhù)氣缸套與氣缸蓋間的氣密性,這對柴油機穩定性和行車(chē)安全至關(guān)重要。氣缸蓋螺栓的預緊力過(guò)大、過(guò)小或散差過(guò)大,會(huì )造成氣缸蓋的非彈性形變、受力不均勻,造成漏油、漏氣等故障。結合時(shí)代背景,如何在工業(yè)4.0的新時(shí)代中建立更加行之有效的螺栓質(zhì)量評價(jià)方法事關(guān)產(chǎn)品良品率和企業(yè)盈利率。論文對國內相關(guān)企業(yè)調研的基礎上,在進(jìn)行相關(guān)數據分析的基礎上,建立合理的深度質(zhì)量評價(jià)方法,能夠幫助企業(yè)完善產(chǎn)品生產(chǎn)環(huán)節、售后跟蹤反饋、提高良品率,從而降低損失、提高利潤。

　　大數據為巨量數據集合,指無(wú)法通過(guò)常規軟件、傳統數理統計方法進(jìn)行處理的海量數據。如何從海量復雜的數據資源中分析出對傳統企業(yè)經(jīng)營(yíng)管理有所改善的決策信息,是國內外學(xué)界今年主要關(guān)注的問(wèn)題之一。大數據的定義存在著(zhù)一定誤區,數據的規模和量級在理論上或許重要,但目前為止并不是唯一起關(guān)鍵作用的方面。不同文獻對此有著(zhù)不一樣的釋義。結合工業(yè)4.0帶來(lái)的機遇和挑戰,全球著(zhù)名的獨立咨詢(xún)公司Gartner IT Group提出了新的廣義定義:大數據就是高量級、高速率和高變換的信息資產(chǎn),這是有成本效益的創(chuàng )新信息處理方式增強了決策者洞察力和決策能力。Gandomi和Haider針對結構化數據(例如預測分析)和非結構化數據(例如文本,音頻和視頻)進(jìn)行大數據分析。在大數據的應用中,其流程嚴重依賴(lài)于不同的大數據分析技術(shù),包括模式識別,關(guān)聯(lián)性分析,預測分析和圖標報告生產(chǎn)。

　　在工業(yè)具體應用方面,企業(yè)每時(shí)需要面對的挑戰是必須將損耗控制在最低水平。與此同時(shí),重要的不僅僅是維持產(chǎn)品的質(zhì)量本身,各個(gè)零件穩定性的維護同樣重要。企業(yè)能維持自身的競爭力的方法之一便是充分了解企業(yè)生產(chǎn)過(guò)程及過(guò)程中產(chǎn)生的大量信息。在當今數字時(shí)代,信息化的生產(chǎn)環(huán)境中的企業(yè)每天會(huì )產(chǎn)生關(guān)于產(chǎn)品、機器、處理、材料、股票、組裝、維護、計劃和管理的海量數據[2]。然而由于數據的數量級過(guò)大,要存儲、分析、處理并用數據來(lái)創(chuàng )造價(jià)值是非常困難的。這種狀況經(jīng)常導致“富足數據”但“貧乏信息”。從產(chǎn)品加工中收集而來(lái)的數據經(jīng)常包含著(zhù)非常重要的信息和知識,這不僅僅用來(lái)改進(jìn)和提高生產(chǎn)本身,而且事關(guān)全公司利潤。如果每次都針對相關(guān)質(zhì)量問(wèn)題對整體海量數據進(jìn)行一次分析,就嚴重影響了大數據分析的初衷和企業(yè)實(shí)際運轉時(shí)的效率。

　　對于工業(yè)大數據的國內外高校科研機構都展開(kāi)了廣泛的應用研宄。芬蘭的學(xué)者EsaHSmSlainen利用大數據對企業(yè)消減故障、節能減排、降低生產(chǎn)成本,更加關(guān)注過(guò)程工業(yè)和應用集成,擅長(cháng)對工業(yè)數據提取價(jià)值。韓國高麗大學(xué)的學(xué)者Byung Cho　Kim針對數據量級的降維,應用到企業(yè)經(jīng)營(yíng)規劃中[5]。印度的學(xué)者Dr.　SuchithraR和Sivaramakrishnan　R　Guruvayur詳細論證了機器學(xué)習算法的詳細分類(lèi)和原理介紹,并闡述了對工業(yè)數據應用中可行性。澳洲的墨爾本大學(xué)的Koch　FL教授對大數據應用于企業(yè)產(chǎn)品的分析進(jìn)行了前沿性研究[e]。美國的田納西州立大學(xué)的Abdulla　Al-Salah,　Saleh　Zein-Sabatto等對飛機上四個(gè)螺栓的海量數據進(jìn)行聚類(lèi)等多種機器學(xué)習算法分析,從而監測飛機結構健康狀況,取得了明顯的成效[7]。在國內,隨著(zhù)國家互聯(lián)網(wǎng)戰略的實(shí)施,學(xué)界也有很多學(xué)者對數據十分重視并展開(kāi)了研究。在原理相關(guān)領(lǐng)域,北京郵電大學(xué)的周志宏等學(xué)者應用機器學(xué)習對工業(yè)大數據進(jìn)行數據歸集和降維的研究[8]。

工業(yè)大數據分析螺栓擰緊工藝質(zhì)量方法：

高強度螺栓擰緊數據可視化

普通螺栓最終扭矩-轉角可視化

角度分窗示意圖

類(lèi)別一

類(lèi)別二

目錄

　　摘要
　　ABSTRACT
　　第1章 緒論
　　　　1.1 研究背景及研究意義
　　　　1.2 工業(yè)大數據及質(zhì)量評價(jià)方法的研究現狀
　　　　　　1.2.1 大數據及質(zhì)量評價(jià)的相關(guān)應用
　　　　　　1.2.2 工業(yè)大數據及質(zhì)量評價(jià)在國內外的研究現狀
　　　　1.3 本文的主要工作
　　　　　　1.3.1 工業(yè)大數據分析方案的建立
　　　　　　1.3.2 應用機器學(xué)習算法對螺栓數據的分析處理
　　　　　　1.3.3 對6sigma質(zhì)量評價(jià)方法的研宄
　　　　1.4 論文的組織結構
　　第2章 基礎介紹
　　　　2.1 相關(guān)業(yè)務(wù)介紹
　　　　　　2.1.1 螺栓擰緊的工藝過(guò)程介紹
　　　　　　2.1.2 螺栓類(lèi)型介紹
　　　　2.2 相關(guān)技術(shù)介紹
　　　　　　2.2.1 大數據技術(shù)
　　　　　　2.2.2 機器學(xué)習技術(shù)
　　　　　　2.2.3 6sigma管理技術(shù)與3sigma準則
　　　　2.3 本章小結
　　第3章 數據預處理與聚類(lèi)算法分析
　　　　3.1 數據預處理
　　　　　　3.1.1 大數據分析環(huán)境的建立
　　　　　　3.1.2 故障螺栓數據的處理
　　　　　　3.1.3 建立數據模型
　　　　3.2 聚類(lèi)算法分析及實(shí)現
　　　　　　3.2.1 聚類(lèi)算法的原理
　　　　　　3.2.2 聚類(lèi)算法的分類(lèi)原則和方法對比
　　　　　　3.2.3 K-means聚類(lèi)算法介紹及實(shí)現
　　　　　　3.2.4 DBSCAN聚類(lèi)算法介紹及實(shí)現
　　　　　　3.2.5 聚類(lèi)算法的適用性分析
　　　　3.3 本章小結
　　第4章 基于大數據分析的質(zhì)量等級評價(jià)方法
　　　　4.1 基于大數據分析的等級評價(jià)方法的創(chuàng )建
　　　　4.2 基于3　sigma準則的質(zhì)量等級劃分方法
　　　　4.3 決策樹(shù)在等級確立中的應用
　　　　4.4 本章小節
　　第5章 工業(yè)案例分析
　　　　5.1 工業(yè)案例描述
　　　　　　5.1.1 內燃機相關(guān)螺栓的擰緊問(wèn)題描述
　　　　　　5.1.2 兩種螺栓擰緊數據的算法選擇分析
　　　　5.2 K-means在高強度螺栓數據中的應用分析
　　　　　　5.2.1 高強度螺栓擰緊流程及現狀
　　　　　　5.2.2 基于K-means的高強度螺栓大數據分析方案
　　　　　　5.2.3 高強度螺栓基于6　sigma質(zhì)量評價(jià)方法的分析
　　　　5.3　DBSCAN在普通螺栓數據中的應用分析
　　　　　　5.3.1 普通螺栓抒緊流程及現狀
　　　　　　5.3.2 基于DBSCAN的普通螺栓大數據分析方案
　　　　　　5.3.3 普通螺栓基于6　sigma質(zhì)量評價(jià)方法的分析
　　　　5.4 本章小結
　　第6章 結論與展望
　　　　6.1 結論
　　　　6.2 展望
　　參考文獻
　　致謝
　　攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文目錄

（如您需要查看本篇畢業(yè)設計全文，請您聯(lián)系客服索取）