一种玻壳研磨设备预防性维护周期决策方法.docVIP

一种玻壳研磨设备预防性维护周期的决策方法 　　摘要:针对传统的基于固定时间周期的玻壳研磨设备的预防性维护策略难以有效满足设备玻壳生产线优化的特点。本文研究了一种基于神经网络模型的玻壳研磨设备预防性维护周期动态决策方法。基于本企业运行数据验证表明,该方法对玻壳研磨设备的预防性维护周期进行动态决策是可行的,对降低玻壳研磨设备的预防性维护成本,提高研磨设备的利用率等具有重要作用。 　　关键词:CRT玻壳;研磨设备;预防性维护;神经网络 　　 　　序言 　　 　　CRT显示器的玻壳制造采用流水线生产方式,具有生产批量大、生产工艺复杂等特点。玻壳研磨设备是CRT玻壳流水生产线中的关键设备之一,玻壳研磨设备价格昂贵、技术含量高,对玻壳产品表面光洁度、研磨厚度等要求很高。研磨设备的加工性能降低或故障将导致大量不良品,引起生产线的停产检修,对玻壳生产线的利用率和企业运营效率等造成巨大的损失,同时设备的故障维修带来高昂的设备维修费用,加重企业的经济负担。因此,针对玻壳研磨设备进行预防性维护,对提高设备的利用率和生产线的生产效率、降低生产线的维护和运营成本等具有重要意义[1]。 　　传统的玻壳研磨设备的预防性维护通常采用周期性维护的方法,其维护周期自始至终是相等的[2-4]。但在实际操作中,设备的加工载荷随产品类型和品种的变化而动态变化;设备的预防性维护并不能使用设备修复如新,随着维护次数以及设备使用年限的增加,设备的可靠性逐渐降低[5-6],导致设备的故障频率逐步增加。基于固定周期的研磨设备预防性维护策略不能满足玻壳生产线的加工需求,难以实现设备的平均维护成本的优化。本文研究CRT玻壳研磨设备的预防性维护周期决策方法,建立了一种基于神经网络(ANN,Artificial Neural Network)的设备预防性维护周期决策模型,实现了对玻壳研磨设备的预防性维护周期的优化。 　　 　　1 预防性维护决策框架 　　 　　设备预防性维护的目标是尽可能将故障隐患在出现之前加以排除,在研磨设备的使用寿命期内以尽量少的维护费用,使设备保持最高的可利用率。与设备故障后维修的方式相比,预防性维护所需的维护费可减少2/3,大大减少设备运行的维护成本[7]。 　　玻壳研磨设备的预防性维护周期决策系统框架如图1所示,该决策系统框架由3部分组成:现场数据采集系统、监视器和神经网络决策模块,如图1所示。现场数据采集系统主要实时采集玻壳研磨设备的工作状态等信息。监视器负责对研磨设备的工作状态信息进行统计处理并显示,根据用户设定时间间隔将设备的系统性能参数传递给神经网络决策模块,具体的参数包括研磨设备的加工产品数量、设备距离上次维护结束的时间、设备的加工良率等。神经网络决策模块主要根据获得的系统性能参数和设备的役龄统计信息等,对设备的预防性维护周期进行决策,确定研磨设备的优化的预防性维护周期。 　　 　　2 基于神经网络的决策模型 　　 　　神经网络方法具有在不确定性问题求解方面的优势,将玻壳加工维护的经验知识以网络的权值形式体现,具有可操作性强、适应性和鲁棒性强等优点[8]。神经网路决策模型结构如图2所示,该模型结构共分为4层,即输入层、归一化层、隐含层和输出层。 　　 　　神经网络模型的训练参数包括输出层连接权重参数wk和隐含层连接权重参数vik,参数学习采用误差反传算法,采用有监督的梯度下降寻优算法来调节相应的训练参数[9]。神经网络模型的输出误差代价函数为 ,其中O为期望预防性维护周期输出,O为实际的维护周期输出。 　　 　　3 实验验证 　　 　　采用河南安飞电子玻璃有限公司的210#线CRT显示器生产线的历史数据对提出的方法的有效性进行验证,该生产线的表面研磨工序分别有5台屏面研磨设备、3台屏封接面研磨设备及清洗干燥及检验设备组成。从EMS系统中获得2008年8月到2009年2月共180天内的研磨设备的预防性维护历史数据以及设备的运行性能数据,除去数据不完整和预防性维护周期内设备出现故障等情况,共获得217组预防性维护性能较优的验证数据。验证数据被分为两部分,其中的180组数据作为神经网络模型的选练样本,其余的37组数据用作测试数据。 　　基于以上验证数据,采用Matlab 6.5对提出的神经网络决策模型进行编程实现。在神经网络决策模型的训练阶段,输出层连接权重参数wk和隐含层连接权重参数vik的初始值分别取为1.0、0.8,训练的最大次数取为8000次,训练的期望输出误差下限Eexp设为1X10-4,神经网络模型的训练过程如图3所示。在训练好的神经网络决策模型的基础上,采用37组数据对模型的有效性进行验证,并与传统的基于自回归模型的决策方法进行比较,运行结果如图4所示。图4表明,基于神经网络模型的预防性维护周期