利用统计法来降低铸件废品.DOCVIP

利用统计法来降低铸件废品作者： J·巴斯特（J. Bast）教授、工学博士和M·斯特雷勒（M. Strehle）工学硕士，弗赖贝格工业大学机械制造研究所无缺陷修整无缺陷修整废品图1 无缺陷零部件——修整——废品问题提出 客户铸造要求的提高尤其是汽车业及其召回行动成为了在产品制造期间采集尽可能多的数据的动因。这样所采集的数据可用于可能发生的召回行动或改进质量，以便提出对策。为了便于记录，各铸造厂家已安装了可生成相应数据库的测量数据采集系统。例如借此可记录下生产造型材料、制芯材料和熔液时的数据，也包括组合时的数据。 然而，为降低废品铸件而利用这些数据的方法有其不足之处。在许多铸造厂内，首先记录下所有可采集的数据。而在对比既有数据与废品零部件时却频繁显示不可能简单地消除缺陷，因为没有数据可以明确对应缺陷起因。其原因在于铸造缺陷的复杂性，受到流程、设备和材料诸多因素的影响。因此在这一复杂体系中，很少有可能借助于频繁发现的独立数据库（泥芯、模具和熔液）来有效且持续地消除铸造缺陷。 由于是在生产期间产生铸造缺陷而且在许多的铸造厂家只有分散的数据库，因此人们就试图依托此类可动用的数据来消除废品。若考察涉及废品零部件的成本与时间因素（图1），迫切的行动需求就会一目了然。在本实例中，发现铸造厂家的废品率为5%、修整率为10%，这些数值均相对较高。 图1所示为除废品零部件之外的那些经修整尚得以补救的零部件。因此，试验中不仅仅可以观察到废品零部件，而且经修整的零部件虽然规模很小，但也产生成本且需要时间。 人们相应明确了构建数据基的试验目的，即该数据基包括针对铸件及其品质的所有生产参数。采用这一数据基，就有可以通过应用不同的统计法来降低缺陷。数据基 为了能够应用统计法，使用相应的数据基或数据库是不可避免的。为此，只有寄希望于相应的数据是可靠的且在数据组内的分配是正确的。下面将介绍此类数据基的构建方法以及有效消除铸造缺陷的理想状态。 图2所示为抽象化的整个铸造流程，其中包括泥芯生产（K）、模具制作（F）、熔液准备（S）以及这3种单一组分的组合（K+F+S）。该图是借助于文献调查、专家问询以及研究不同的铸造厂家编制而成的。因此可以确保因其高度的抽象化而对其他铸造厂家有着全能的可应用性。在图形的各个矩形后隐含着铸造流程中的不同设备或机组。通过流程中的不同设备来加工产品（例如铸件）的不同材料或中间产品（例如模具）。由于所有的设备都包含有影响品质的制造数据，因此如何识别此类数据并分配给相应的铸件其意义非同一般。在编制这一抽象化图形时有一点是明确的，即有超过200个的影响参数。 若考察影响参数的数量之大，即会明白简单的评估是不可能的。一方面表明（亦可借助于这一抽象化流程），通过联结各流程以及由此来组合不同产品而使相关数据组成为基础。若仅仅将一个单一的流程参数与相应的废品缺陷相关联，将受限于复杂性而不可能取得任何结果。另一方面也表明，在参数数量如此大的情况下有必要构建相应的可靠数据基础，在其中相应的制造参数已经被分配给某一个铸件。 因此，为应用统计评估法而构建一个理想的数据基应具备下述形式：泥芯（K）模具（F）泥芯（K）模具（F）熔液（S）图2 抽象化的数据基（概览）总数据库 在第一栏内，所生产的铸件采用相应的缩略词表示，为的是能够应用评估过滤器。之后，第二栏和第三栏内分别是生产日期和生产时间。紧接着列出的是废品数据（质量数据）。在所有的其他栏内，列出泥芯（K）、模具（F）和熔液（S）的生产数据。下面对质量和生产数据的各个方面作简要介绍。生产数据： 面对此类数据务必注意，应利用实际数据进行评估。所谓的额定数据一般是恒定不变的，绝对不会出现分散现象，尽管在与实际数据做比较时并不能确认其恒定性。此外，生产数据应明确分配给每一个铸件及其质量。质量数据： 每一个铸件都应采集其质量元素并给出评价。这里不仅仅是按照数量来采集废品零部件，而且还采集经修整的零部件和品质良好的零部件。若已完成分类，则应在拆包工序之后对所有铸件给出评价。若这一分类仅是与不同强度的穿透情形有关，则应予以记录。那些无穿透情形的零部件（无缺陷）赋予强度因素值为0，经修整的零部件则根据穿透特征其赋值为1~4，废品零部件的强度值为5。 若一种分类有若干缺陷，则应对上述类型的所有缺陷实施这一评价方法。用于统计评估的不仅仅是废品零部件和相应的废品成因，还有导致修整的相同缺陷的不同严重程度。 上述的数据基首先是以纯理论方式编制的，应当成为铸造厂家后续评估的基础。遗憾的是，人们频繁发现这样一种主要的数据库并不出现的所需的结构中，而只是收集许多数据并予以存档。人们曾确认借助于此类数据可进行优化试验。如图4所示，X轴为2008和2009年度的周数，Y轴为块状撕裂以及可收缩性。以这些数据进行的优化试验，多数情况下是毫无