基于质量偏差的制造过程产品可靠性下滑风险评价方法

摘要

一种基于质量偏差的制造过程产品可靠性下滑风险评价方法，步骤如下：1、建立制造过程产品可靠性下滑风险评价指标体系；2、依据步骤1中的指标体系收集产品制造稳态下的历史数据；3、利用结构方程检验步骤1中建立的指标体系与步骤2中采集的历史数据的适配性，若适配性检验通过，则进入步骤4；若适配性检验不通过，则回到步骤1，对指标体系进行修正；4、将步骤3中检验通过后的指标体系应用到产品正常批量生产状态下，计算每个批次的制造过程产品可靠性下滑风险R

说明书

技术领域

本发明提供了一种基于质量偏差的制造过程产品可靠性下滑风险评价方法，属于 风险评价领域。

背景技术

风险评价是在识别风险影响因素的基础上，建立风险评价体系得出风险量值，并 与相关评价标准比较，以决定是否要采取相应的措施的过程。

可靠性是衡量产品使用阶段是否能完成预期要求的最通用和最有效的指标，是指 产品在规定的条件下和规定的时间内完成规定功能的能力。产品的可靠性决定于设 计，形成于制造阶段，在设计指标不变的前提下，制造过程人、机、料、法、环、测 等质量偏差是造成制造阶段形成的产品固有可靠性退化的风险源，即制造过程产品可 靠性相对于设计指标产生下滑风险的主要原因。针对传统可靠性研究基于用户使用数 据的事后可靠性评估方法，未能建立有效地面向制造过程产品可靠性下滑风险的预防 性评价方法，造成产品制造商不能对所制造产品的可靠性状态及时了解，不能有针对 性开展维修保障活动，并致使产品投入使用后经常会出现严重的质量问题，本发明在 明确可靠性下滑风险原因的基础上，充分利用制造过程中大量的已知质量检验等显性 数据，给出了基于质量偏差的制造过程产品可靠性下滑风险评价方法，用于制造商开 展制造过程产品可靠性的下滑风险的预防性评价及监控。

发明内容

(1)本发明的目的：

针对现有发明与研究未能建立针对制造过程产品可靠性的下滑风险的评价方法 的缺失，本发明立足形成产品可靠性的制造阶段，提供了基于质量偏差的制造过程产 品可靠性下滑风险评价方法。制造过程中质量偏差越大，制造过程产品可靠性下滑风 险的概率也将会增大，本发明在建立由质量偏差量化表达的制造过程产品可靠性下滑 风险(即R_S)的基础上，同时增加了能够提高结果准确性的检验环节，即基于结构 方程的评价指标体系检验方法和基于置信区间的批量生产环境下各批次R_S波动的监 控方法。本发明提供的基于质量偏差的制造过程产品可靠性下滑风险评价方法，充分 考虑了产品可靠性形成的制造阶段的全过程质量数据并提供了有效的提高结果准确 性的检验环节，能够更加及时、准确和灵敏的评价制造过程产品可靠性的下滑风险。

(2)技术方案：

本发明提供了一种基于质量偏差的制造过程产品可靠性下滑风险评价方法，提出 的基本假设如下：

假设1过程是可测量；

假设2过程检测值连续且服从正态分布；

假设3制造过程中可靠性设计方案不更改。

基于上述假设，本发明提出的基于质量偏差的制造过程产品可靠性下滑风险评价 方法，其步骤如附图1所示，共分为如下6步：

步骤1建立制造过程产品可靠性下滑风险评价指标体系；

步骤2依据步骤1中的指标体系收集产品制造稳态下的历史数据；

步骤3利用结构方程检验步骤1中建立的指标体系与步骤2中采集的历史数据的 适配性，若适配性检验通过，则进入步骤4；若适配性检验不通过，则回到步骤1， 对指标体系进行修正；

步骤4将步骤3中检验通过后的指标体系应用到产品正常批量生产状态下，计算 每个批次的制造过程产品可靠性下滑风险R_S；

步骤5计算每个批次的制造过程产品可靠性下滑风险R_S的置信区间；

步骤6应用计算得到的制造过程产品可靠性下滑风险R_S及其置信区间监控产品 批量生产状态下各批次可靠性下滑风险的波动情况。

其中，在步骤1中所述的“制造过程产品可靠性下滑风险评价指标体系”，其构 成如如附图2所示，是指由制造过程采购风险(V_p)、加工风险(V_m)、装配风险(V_a)、 测试风险(V_t)组成的涵盖制造全过程质量偏差的4级的制造过程可靠性下滑风险评 价指标体系；指标体系中第Ⅲ级指标为制造过程的各类关键质量特性，属于最初的数 据源；第Ⅱ级指标外购件成品率、产品组成外购件比率等为采购风险(V_p)、加工风 险(V_m)、装配风险(V_a)、测试风险(V_t)的下级指标；该制造过程产品可靠性下 滑风险评价指标体系的建立过程如下：(1)确定可靠性风险评价策略；(2)梳理产品 制造过程；(3)确定采购、加工、装配和测试等阶段的关键质量特性清单。

其中，在步骤2中所述的“收集产品制造稳态下的历史数据”，是指在产品制造 过程处于统计稳态的情况下，按步骤1中建立的指标体系收集该批次产品历史数据的 过程，主要收集第Ⅲ级指标测量值。

其中，在步骤3中所述的“利用结构方程检验步骤1中建立的指标体系与步骤2 中采集的历史数据的适配性”，是指利用多元数据分析中的结构方程方法检验指标体 系中隐含的协方差矩阵与历史数据协方差矩阵S间的适配程度，适配程度越高，表 示所建立的指标体系与实际历史数据越一致，即与S越接近；具体的，与S的适 配程度可通过适配指标衡量；所述“结构方程”是指基于变量的协方差矩阵来分析变 量之间关系的一种统计方法。

其中，在步骤4中所述的“计算每个批次的制造过程产品可靠性下滑风险R_S”， 计算过程是指分别利用多变量工序能力指数、加权几何平均和层次分析方法计算附图 1中第Ⅱ级、Ⅰ级和R_S级的风险水平，并得到该批次的制造过程产品可靠性下滑风险 R_S量值，各级风险计算公式如下：

$R_S^{\mathrm{II}}={\left[\frac{\underset{i=1}{\overset{m}{\Pi }}({\mathrm{USL}}_i-{\mathrm{LSL}}_i)}{\underset{i=1}{\overset{m}{\Pi }}({\mathrm{UPL}}_i-{\mathrm{LPL}}_i)}\right]}^{\frac{1}{m}}---\left(1\right)$

式中：USL_i和LSL_i为质量数据规范要求的上、下限，UPL_i和LPL_i为对应于实际生 产中修正的工艺区域的上、下限，利用两者的体积比计算m代表KQCs的数目， i＝1,2,…,m。

$R_S^I={\left[\underset{j=1}{\overset{n}{\Pi }}{\left(R_{S\left(j\right)}^{\mathrm{II}}\right)}^{w_j}\right]}^{\frac{1}{\underset{j=1}{\overset{n}{\Sigma }}{w}_j}}---\left(2\right)$

式中：w_j表示评价指标体系Ⅱ级中第j个指标的权重(j＝1,2,…,n)，w_j为范围 为1～5的整数。

$\left(\begin{array}{c}{R}_S=\underset{k=1}{\overset{4}{\Sigma }}{R}_{S\left(k\right)}^I{w}_k\\ =R_{S\left(1\right)}^I{w}_1+R_{S\left(2\right)}^I{w}_2+R_{S\left(3\right)}^I{w}_3+R_{S\left(4\right)}^I{w}_4\end{array}\right)---\left(3\right)$

式中：分别代表制造过程的采购、加工、装配与测试风险，k＝1,2,3,4，w_k表 示各自的权重。

其中，在步骤5中所述的“计算每个批次的制造过程产品可靠性下滑风险R_S的 置信区间”，是指利用Monte-Carlo仿真模拟的方式产生满足该批次质量特征的多组 正态型数据，计算每组仿真数据的R_S量值并排序，并依据给定置信度得到最终该批 次R_S的置信区间，计算公式如下：

$[k_L,k_U]=[\left(\frac{1-\alpha }{2}\right)n+1,n\left(\frac{1+\alpha }{2}\right)]---\left(4\right)$

式中：[k_L,k_U]为R_S置信区间的下限与上限分别对应于排序位置上对 应的值，α为指定的置信度。

其中，在步骤6中所述的“应用计算得到的制造过程产品可靠性下滑风险R_S及 其置信区间监控产品批量生产状态下各批次可靠性下滑风险的波动情况”，是指依据 R_S的评价标准衡量该批次R_S的风险水平的同时，利用能量聚点分析的方法监控批量 生产过程能够表征各个批次置信区间的重叠信息和位置信息的波动情况的参数ξ，以 监控制造过程是否已发生偏移，参数ξ计算公式如下：

式中：置信区间为式(4)中计算的区间，接受区间长度为稳态下得到的置信区 间的长度。

(3)本发明所述的基于质量偏差的制造过程产品可靠性下滑风险评价方法，其 使用方法如下：

步骤(1)收集产品制造稳态历史数据；

步骤(2)利用结构方程检验所建立的指标体系与历史稳态数据的适配性，适配 性检验通过，则进入步骤(3)；适配性检验未通过，则修正指标体系，重新进行步骤 (1)和(2)；

步骤(3)得出产品制造过程各批次的R_S值及其置信区间，监控制造过程中可靠 性下滑风险的波动情况，若R_S值或置信区间产生异常波动，则进入步骤(4)；若未 发生异常，则继续监控；

步骤(4)判断制造过程是否真正异常，若异常波动为虚报警，则重新进入到步 骤(3)；若制造过程发生异常，则分析原因，调整修复过程，使其重新进入正常状态。 不论步骤(3)中异常波动是否为虚报警，均应当记录本次异常发生的时间、处理方 法、负责人员。

其中，在步骤(2)中所述的“利用结构方程检验所建立的指标体系与历史稳态 数据的适配性”是指检验结构方程中的适配性指标是否满足规定要求，有一项不满足 规定要求则检验不通过。

其中，在步骤(3)中所述的“R_S值或置信区间产生异常波动”是指R_S值超出规 定评价标准或各批次的置信区间产生趋势性偏移。

(4)优点和功效：

i.针对现有发明与研究的事后性可靠性评估，未能建立针对制造过程产品可靠 性的下滑风险的实时评价方法，本发明立足形成产品可靠性的制造阶段，提供了基于 质量偏差的制造过程产品可靠性下滑风险评价方法，为在产品投入使用前，在制造阶 段便能提前掌握产品可靠性的可能波动情况提供了有效的工具支撑，实现了在制造过 程实时监控产品可靠性下滑风险的目标。

ii.在制造过程值或置信区间发生异常波动报警之后，同样有助于对制造过程进 行诊断，剔除影响产品可靠性下滑的异常因素，达到产品可靠性在制造阶段的持续保 证。

附图说明

图1是本发明所述方法的流程框图

图2是制造过程产品可靠性下滑风险评价指标体系图

图3是结构方程模型标准化参数图

图4是置信区间Monte-Carlo模拟结果

图5是密度序列{ρ_n}的能量聚点

图中符号说明如下：

R_S是指制造过程产品可靠性下滑风险

V_p是指采购风险

V_m是指加工风险

V_a是指装配风险

V_t是指测试风险

λ是指水平能量聚点

δ是指表征置信区间重叠信息和位置信息的变量

{ρ_n}是指δ的密度序列

具体实施方式

下面将结合附图和实例对本发明做进一步详细说明。

以下实例是按照附图1所示的流程开展的，下面进行具体说明：

本发明一种基于质量偏差的制造过程产品可靠性下滑风险评价方法，如图1所 示，其步骤如下：

步骤1建立制造过程产品可靠性下滑风险评价指标体系。依据附图2，针对某机 电产品批量生产过程，建立如表1所示的制造过程可靠性下滑风险初始评价指标体 系：

表1某机电产品制造过程可靠性下滑风险初始评价指标体系

其中V111、V112、V113等指标对应于附图2中的评价指标体系第Ⅲ级的关键质 量特性指标。

步骤2依据步骤1建立的指标体系收集产品制造稳态下的历史数据。通常这里可 以查询过往的质量记录等方式，收集的数据量通常在20-200之间，限于篇幅，以下 仅列出了采购风险6个指标的20项数据，如表2所示：

表2产品制造稳态历史数据

步骤3利用结构方程检验步骤1中建立的指标体系与步骤2中采集的历史数据的 适配性。首先，需对采集的稳态下质量数据进行信度和效度的检验，信度和效度通过 Cronbach'sα系数和探索性因子分析实现，经SPSS19.0软件检验，数据样本信度和 效度均符合进行结构方程检验的要求。

之后，应用AMOS17.0软件构建步骤1中建立的指标体系的结构方程模型，并 对其中隐含的协方差矩阵与步骤2中采集的数据样本协方差矩阵S之间的适配程度 进行检验。如附图3所示，采购风险、加工风险、装配风险与测试风险对R_S的路径 系数值分别为0.576、0.702、0.601与0.571，且都通过了显著性检验，表明这四项指 标对R_S都有显著的影响，符合前文假设。同时，加工风险与装配风险对R_S的影响最 大，为该产品制造过程中的关键风险。

采用最通用的整体拟合优度指标作为结构方程模型适配指标，包括以下两类：(1) 绝对拟合优度指标：卡方值、GFI、RMSEA；(2)增量拟合优度指数：CFI、IFI、TLI。 结构方程模型适配性指标的AMOS17.0软件运行结果如表3所示，其中，作为关键 指标，RMSEA表征每个自由度下模型隐含的协方差矩阵与数据样本协方差矩阵S 之间的平均差异值，通常认为RMSEA<0.05模型将具有非常好的适配程度，表3中 RMSEA等于0.048符合要求。表3中其余各项指标也都达到了可接受水平，表示表 1中建立的评价指标体系通过结构方程检验是合理且符合要求的，检验通过。

表3结构方程拟合检验结果

步骤4确定制造过程产品可靠性下滑风险R_S的量值。分别利用多变量工序能力 指数、加权几何平均和层次分析方法计算附图2中第Ⅱ级、Ⅰ级和R_S级的风险水平， 并得到该批次的制造过程产品可靠性下滑风险R_S量值。

利用多变量工序能力指数计算第Ⅱ级的制造风险水平

$R_S^{\mathrm{II}}={\left[\frac{\underset{i=1}{\overset{m}{\Pi }}({\mathrm{USL}}_i-{\mathrm{LSL}}_i)}{\underset{i=1}{\overset{m}{\Pi }}({\mathrm{UPL}}_i-{\mathrm{LPL}}_i)}\right]}^{\frac{1}{m}}---\left(6\right)$

上式中USL_i和LSL_i为质量数据规范要求的上、下限，UPL_i和LPL_i为对应于实际生 产中修正的工艺区域的上、下限，利用两者的体积比计算m代表质量特性的数目， i＝1,2,…,m。

利用加权几何平均计算评价指标体系Ⅰ级的采购、加工、装配与测试风险

$R_S^I={\left[\underset{j=1}{\overset{n}{\Pi }}{\left(R_{S\left(j\right)}^{\mathrm{II}}\right)}^{w_j}\right]}^{\frac{1}{\underset{j=1}{\overset{n}{\Sigma }}{w}_j}}---\left(7\right)$

其中w_j表示评价指标体系Ⅱ级中第j个指标的权重(j＝1,2,…,n)，w_j为范围为1～5 的整数。

最终，利用层次分析法确定制造过程产品可靠性下滑风险R_S：

$\left(\begin{array}{c}{R}_S=\underset{k=1}{\overset{4}{\Sigma }}{R}_{S\left(k\right)}^I{w}_k\\ =R_{S\left(1\right)}^I{w}_1+R_{S\left(2\right)}^I{w}_2+R_{S\left(3\right)}^I{w}_3+R_{S\left(4\right)}^I{w}_4\end{array}\right)---\left(8\right)$

其中分别代表制造过程的采购、加工、装配与测试风险，k＝1,2,3,4。

制造过程产品可靠性下滑风险R_S的值越大，代表制造过程产品可靠性将会面临越 大的下滑风险概率引起越大的可靠性下滑程度。定义R_D(Degree)表示制造过程产 品可靠性下滑风险的等级，如下式所示：

$R_D=\left(\begin{array}{cc}1,& 1.67<R_S\\ 2,& 1.33<R_S\le 1.67\\ 3,& 1<R_S\le 1.33\\ 4,& 0.67<R_S\le 1\\ 5,& R_S\le 0.67\end{array}\right)---\left(9\right)$

R_D分布范围为1～5，R_D值越大表示制造过程产品可靠性下滑风险等级越高，即 下滑的风险概率和风险程度越高。同样，下滑的风险概率和风险程度也分为5级，分 别对应下滑的风险概率“低”、“较低”、“高”、“较高”、“极高”，以及下滑的风险程 度“小”、“较小”、“一般”、“较大”、“严重”。

结合(6)-(8)式，得到批次1(该机电产品批量生产过程共35个批次)的R_S的量值：

$\left(\begin{array}{c}{R}_S=R_{S\left(1\right)}^I{w}_1+R_{S\left(2\right)}^I{w}_2+R_{S\left(3\right)}^I{w}_3+R_{S\left(4\right)}^I{w}_4\\ =1.098\times 0.131+0.908\times 0.484+1.027\times 0.271+1.093\times 0.114\\ =0.986\end{array}\right)$

依据公式(9)的判断标准，R_D为4级，表示该批次制造过程产品可靠性下滑的 风险概率和风险程度都属于“较小”的水平，在可接受范围内。

步骤5确定制造过程产品可靠性下滑风险R_S的置信区间。根据某批次实际生产 数据的特征，利用Monte-carlo仿真模拟的方式产生满足该批次质量特征的n组正态 型模拟数据(在产品生产稳定时，质量检验数据一般为正态分布)，并计算每组质量 数据的R_S量值。对R_S从小到大进行排序，从而在指定置信度α下，R_S置信区间的下 限与上限分别对应于排序位置[k_L,k_U]上对应的值：

$[k_L,k_U]=[\left(\frac{1-\alpha }{2}\right)n+1,n\left(\frac{1+\alpha }{2}\right)]---\left(10\right)$

在给定置信度要求为80％的情况下，利用Matlab进行10000次模拟计算R_S的值 (在模拟次数为10000时，结果趋于收敛，如附图4所示)，并对结果进行排序，依 据公式(10)，排序第1001位和第9000位对应的值[0.9603，1.0016]，即为所求的批 次1中R_S的置信区间的下限和上限。

步骤6应用计算得到的制造过程产品可靠性下滑风险R_S及其置信区间监控产品 批量生产状态下各批次可靠性下滑风险的波动情况。依据产品稳态下的历史生产数据 和正常生产批次的实时数据，可分别得到稳态下和正常生产批次R_S的置信区间 并将稳态下得到的置信区间定义为接收区间。同时，为利用置信区间监控 各个批次可靠性下滑风险的波动情况，首先，引入变量ξ监控正常生产批次R_S的置信 区间相对于接收区间的重叠情况：

ξ值越大，表明两区间重叠越多，一致性越高。显然，ξ能反映两区间一致性的 信息，但未能反映二者位置间的关系。为此，接着引入偏离函数f(α_r)来考察两者位 置相对偏移的信息：

其中α_r表示正常生产批次置信区间的中点，α表示接收区间的中点，α_r偏离α越 大，f(α_r)将越接近-1或1。

最后，结合各批次置信区间和接收区间的重叠情况和位置信息，通过对变量 δ＝ξ×f(α_r)数值分布的能量聚点分析，可反映出正常生产各批次R_S的置信区间相对 于稳态下接收区间的趋势性和波动情况。

对于该机电产品，以历史稳态生产数据的置信区间[0.9601，1.0014]作为接收区间， 并依据公式(11)、(12)对比正常生产状态下35个不同批次的置信区间与接收区间 的重叠和位置信息，对δ＝ξ×f(α_r)进行能量聚点分析。

具体的，在δ的分布区间[-4×10^-3,4×10^-3]范围内，计算长度为0.5×10^-3的各个子区 间所含的点数M_n，从而求得δ的密度序列{ρ_n}(ρ_n＝M_n/35，n＝1,2,…,35)，并相应 的得到{ρ_n}的λ水平能量聚点，如附图5所示。

在35个批次中变量ξ的均值为95.61％，表示各个批次置信区间的重叠程度较高， 一致性较好。但从附图5可看出，δ的分布趋向多在[0,0.5]之间，且总体趋势偏左。 这表明制造过程整体已经发生了一定的偏离，需要在后续进行进一步的改进。