大数据时代的到来,如何发掘已有数据库价值,利用相关性分析为产品加工问题提供理论指导、不断提升产品质量成为关键。本文通过介绍数据库整合及二次清洗,运用相关性分析、强相关性项目策略,结合实际情况简要介绍了机加工质量数据相关性分析的过程。
在当今大数据时代,人们开始正视现有的大量数据。与传统的采样样本、随机样本相比,大数据分析针对全体数据或者是和某个特定现象相关的所有数据(图1)。如何发掘已有数据的内在联系,相关性分析为我们提供了简单而精确的理论支持。
加工线质量数据包括CMM数据、离线检具数据、在线测量数据、拧紧数据、压装数据及试漏数据等,如何利用已有的数据更好地指导生产、提升产品质量是我们的出发点。
机加工质量数据相关性分析过程分为四步骤进行: 数据库整合及二次清洗、相关性分析、强相关性项目策略以及经验固化和推广应用。
数据库整合及二次清洗
进行机加工质量数据相关性分析之前,先要将已有的数据库内容进行整合和数据二次清洗,将数据中异常数据剔除。
为方便CMM或者检具操作,加工线中的数据通常按照加工工序分组。数据整合主要是将不同的数据组进行组合,便于分析。将不同特征的数据从Q-DAS数据库中提取出来,提取的同时要将每组数据的附加信息全部保留。如图2所示,这些附加信息包括数据对应的时间、日期、零件ID及检验工具的编号等。数据整合可以按照零件ID进行整合(图3),同一零件对应的所有零件信息归为一组。后续数据分析的过程如需分析其他附加信息列,在已有整合数据进行重新筛选排列组合即可。
数据二次清洗主要是将数据组中的不完整数据、存在异常的数据剔除。数据异常的判别方法有两种:一种为物理判别法,判别由于已知因素造成的实测值偏离正常结果,例如已知设备调整、零件批次变化等数据可以直接剔除;另一种为统计判别法,将给定一个置信概率,并确定一个置信限,凡超过此限的误差,就认为它不属于随机误差范围,将其视为异常值剔除。通常采用判异方法可以依据拉依达准则、格拉布斯准则以及狄克逊准则等。在物理识别不易判断时,我们通常采用统计判别法。当然,已经剔除的异常值本身也可能潜在部分有价值信息。这是数据清洗本身无法避免的弊端。
数据相关性分析
数据清洗处理之后,需要对处理后的数据进行相关性分析。进行相关性分析的数据可以针对全体数据,也可以是针对和某个特定现象相关的所有数据。
常用的相关性分析的方法有:皮尔逊相关系数,主要用于变量间线性相关的分析;斯皮尔曼等级相关系数,主要用于变量间非线性相关的分析;肯德尔相关系数,主要用于分类变量的分析。
相关系数中也会出现负值,负值表示负相关,正值表示正相关(图4)。相关系数绝对值处在0.8~1为极强相关,0.6~0.8为强相关,0.4~0.6为中等相关,0.2~0.4为弱相关,0~0.2为极弱相关。
强相关数据策略
针对已经发现的极强相关、强相关数据内容,应进一步制定策略(图5),指导设备调整、工艺控制。极强相关项目集中在同工序尺寸、位置关联尺寸、圆度及圆跳动等尺寸。强相关内容主要包括毛坯、设备间影响尺寸等。针对不同相关项目,应逐一制定工艺控制方案。
例如:对于毛坯来料尺寸影响产品质量项目,可以将毛坯控制尺寸设为PQC项目,避免来料质量变化对产品的影响;同时也可以对来料部分项目加严抽检,发现问题,及时筛选。对于工序间尺寸间强相关项目,可以采取收严过程尺寸公差,加严过程管控,发现趋势及时调整。设备调整后,需要进行质量数据的二次验证,为后续调整提供依据。对于分类变量例如:人员、设备和停机等强相关项目,可以针对变量本身加强控制。之后还要加强人员培训管理,定期维护保养设备,确认停机后设备状态等措施,避免这些分类变量引起的质量差异,提升过程质量的稳定性。
举个具体的例子:缸盖线DECK FACE面距离W点的距离是保证发动机燃烧室容积的重要尺寸(图6),该尺寸加工通常分几步进行:①以毛坯基准定位,测量W点,进行半精加工凸轮轴罩盖面(基准A’)铰工艺定位销孔(基准E、F);②以凸轮轴盖面及工艺定位销孔为基准,半精加工DECK FACE面(基准B’)及该面定位销;③探测DECK FACE面(基准B’),精铣凸轮轴盖面(基准A)。这几个工步分配在不同的工序进行。相关性分析结果表明对应的各工序间相关性强。如何保证燃烧室容积满足最终产品要求,以及如何提升过程稳定性是关键问题。
1)确认来料W点满足毛坯要求:①每个W点的偏差+手动调整值必须在±0.3mm之内;②3个点两两之间偏差值必须在±0.3mm之内;③3个点偏差值的平均值写入主程序,通过运算将值带入各个工艺相关的坐标。
2)收严半精加工的公差,由0.125mm收严至0.075mm,保证最终产品满足产品要求。
3)加严过程监控,探测F1000面过程控制内容,将该内容列入该工序刀具补偿内容并同时增加控制线输出给前工序,发现DECK FACE面和凸轮轴罩盖面半精加工尺寸同时偏大或者偏小及时调整。
以上措施实施完成后,DECK FACE面距离W点距离尺寸得到完美控制,过程能力稳定在PPK2.0以上。
经验固化和推广应用
在机加工质量数据相关性分析的过程中,需要将已经发现的强相关项目调整方法固化并推广应用。
例如:温度变化与部分尺寸间存在强相关关系。切削液温度控制在多少摄氏度对过程能力稳定没有影响?经过数据验证,20℃后开始加工,过程能力可以满足要求。将20℃要求固化到设备参数内,当切削液温度达到20℃,设备允许起动。
再例如:拧紧某螺栓力矩非连续报警。数据分析发现报警全部由A班某固定员工预拧紧。经验证该员工预紧方法与其他员工存在差异。规范该岗位作业指导手册,该螺栓预紧方式应为仅允许预紧2~3扣。
总结
数据相关性分析和应用是一个不断开发新方法、不断发现新联系、不断处理新问题以及不断提升质量的过程。引用维克托·迈克·舍恩伯格的话“在大数据的背景下,相关关系大放异彩。”机加工质量数据相关性分析将为质量稳定提供理论基础,必将指导我们在提升产品质量的道路上继续前行。
拓展阅读