摘 要：智能裝配產線通過自動化和實時監控提升了生產效率和裝配可靠性。針對航天某產品的智能裝配產線進行了可靠性研究。首先，采用過程失效模式與影響分析（PFMEA）方法，對立體庫倉儲系統、自動導引車（AGV）送料系統、機器人夾取系統、傳感器檢測系統、測量系統及運送線的關鍵失效模式和潛在風險進行了識別和評估。利用故障樹分析（FTA）方法，對識別出的關鍵失效模式進行了系統分析，深入探討了各系統的失效概率，并提出了相應的優化措施，以提升智能裝配產線的可靠性和穩定性。
關鍵詞：智能裝配產線；可靠性；過程失效模式與影響分析；故障樹分析
作者：蘇永超；王夢姣；魏潔；王惠民；張正巖
作者單位：北京新風航天裝備有限公司
引 言
智能裝配產線依托自動化、信息化和智能化技術，提高生產效率和裝配一致性，減少人為干預帶來的誤差。然而，智能裝配產線的復雜性也導致設備故障和系統失效風險增加，進而影響裝配質量。因此，提高智能裝配產線的可靠性至關重要。
智能裝配產線可靠性是指智能制造系統在長期運行過程中保持高效、穩定、低故障率運行的能力。其衡量指標包括：設備平均無故障時間（MTBF）、失效率、生產節拍穩定性、關鍵組件的穩定性等。
在現代制造業中，裝配是確保產品質量和性能的關鍵，尤其在航天制造業，裝配精度和可靠性直接影響產品安全。自動化技術推動了智能裝配的發展，提高了效率和一致性，減少了人為錯誤，但設備故障與系統復雜性仍影響其可靠性。為應對這些挑戰，一些國外航天企業借鑒汽車行業生產線理念，提升了裝配質量與效率并降低了成本。美國雷錫恩公司根據需求建立了包含柔性生產單元和數字化管理系統的先進裝配線[1]。
失效模式與影響分析（FMEA），失效模式、影響及危害分析（FMECA） ，以及故障樹分析（FTA）是航空、航天和核工業常用的可靠性分析方法。M Sadeghi 等人提出了結合 FTA、FMECA和貝葉斯法提升醫用氣體出口可靠性的模型[2]。顧煜炯等人通過FMECA和FTA方法分析風電設備故障，排列主要故障因素，支持維修決策[3]。雷啟龍等人利用FMEA和FTA方法制定風電機組故障維修策略[4]。
FTA與FMEA（或 FMECA）在可靠性分析中相輔相成，形成互補關系。FTA通過自上而下的邏輯推演識別導致系統失效的關鍵路徑， 適用于系統級故障分析；而FMEA采用自下而上的方法，從組件級別識別潛在失效模式及其影響，通過風險優先級數（RPN）評估單個失效模式的風險等級。適用于早期設計優化。將兩者結合起來，可以既從整體上分析系統的薄弱環節，又能深入識別具體失效模式的影響，確保風險評估的全面性[5]。兩者結合有助于精準制定改進措施，提升智能裝配系統的可靠性。
針對上述問題及研究方法，本文將過程失效模式與影響分析（PFMEA）方法應用于智能裝配產線，對某航天產品的智能裝配產線的可靠性進行深入評估，涉及自動導引車（AGV） 送料系統、機器人夾取系統、傳感器檢測系統等模塊，識別出可能影響裝配可靠性的關鍵失效模式，并結合FTA方法進行失效概率分析，提出針對性的改進措施。
1 基于PFMEA的智能裝配產線可靠性分析
1.1 智能裝配產線構成
智能裝配產線的可靠性涉及設備的穩定性、生產過程的持續性、故障檢測與響應能力，以及自我修復和維護機制。通過實時監控和故障診斷，智能裝配產線能夠及時發現問題并減少停機時間，確保生產系統高效運作，從而提高產品質量和生產效率。
某航天產品的智能裝配產線由立體庫倉儲系統、AGV送料系統、機器人夾取系統、傳感器檢測系統、測量系統和運送線組成，各系統協同工作，實現全自動化裝配。
1.2 智能裝配產線工作流程
智能裝配產線集成了多個高度自動化的系統，以實現高效、精準的裝配作業。首先，立體庫倉儲系統通過自動化設備管理物料和零部件的存儲和取用，確保倉儲過程的高效和準確，并為后續裝配提供及時的物料支持。然后，AGV送料系統利用AGV將零部件從倉儲區域精準運輸到指定的裝配工位上，減少了物料配送過程中的人工干預，提高了生產線的靈活性和響應速度。
在裝配工位上，機器人夾取系統或自動化夾取設備將零部件從上料區中拾取并精準定位到裝配位置上。與此同時，傳感器檢測系統布置在裝配線的各個關鍵環節中，實時監測裝配過程中的各項參數，例如零部件位置、裝配尺寸等，并且還能夠檢測裝配過程中是否有人員誤入，確保任何潛在的錯誤能夠被及時發現和糾正。
1.3 故障模式識別及失效原因
采用PFMEA方法，識別出以下智能裝配產線的主要失效模式。
（1）傳感器故障。在傳感器長期運行過程中，內部的電子元件和機械部件會逐漸老化和磨損，導致精度下降、失效風險增加，并且傳感器暴露在惡劣環境中（例如過高的溫度、濕度、灰塵、振動或電磁干擾），會導致其性能下降，使測量數據出現偏差或失準。
（2）AGV故障。AGV的導航系統（例如激光雷達、攝像頭或傳感器）可能因外部干擾、傳感器故障或地圖誤差而失效，導致無法正確識別路徑，偏離或停止工作，并且AGV的電池、電機或驅動系統在長時間運行后可能發生故障（例如電池過度放電、電機損壞或驅動故障），導致其失去移動能力。
（3）工具磨損。工具故障同樣可能影響生產線的穩定性，長期使用可導致工具磨損（例如刀具變鈍或夾具松動），可能影響裝配精度。工具若未定期校準或校準過程不規范，也會導致裝配過程中出現偏差，從而影響最終產品的一致性和質量。
（4）機器人故障。機械臂的伺服電機、關節軸承或傳動機構可能因過度使用、潤滑不足或磨損引發故障，導致動作失準或無法正常操作，而且機器人的控制單元（例如控制器、傳感器反饋系統）出現故障時，可能導致指令執行錯誤或反應滯后，影響操作精度。
（5）環境因素。環境條件對生產線的影響不可忽視。車間溫度過高或過低都可能影響設備的正常運行或工人的工作狀態，導致裝配故障。濕度過高可能導致零件生銹或設備短路， 濕度過低則可能引起靜電問題，這些都會影響裝配質量和最終產品的性能。
以上因素可引發裝配失效的問題，應根據上述故障模式和失效原因進行PFMEA。
1.4 智能裝配產線PFMEA
PFMEA 是一種系統化的方法，用于識別、評估和優先處理潛在的失效模式及其對系統的影響，包括失效模式、其可能的后果、嚴重性評分、失效原因、發生概率評分、現有控制措施、檢測方法、檢測評分和RPN等要素。
1.4.1 PFMEA措施風險優先級評價
在PFMEA中，RPN是用來幫助確定所有風險中需要優先采取行動的一個方法。它基于嚴重性（S）、發生概率（O）及檢測評分（D） 的組合，并結合工程判斷來確定行動的優先級。通過計算這3個因素的乘積，可以得到RPN的值，用于確定哪些風險應該優先處理。RPN的計算公式為
RPN=S·O·D （1）
RPN的值越高，表示風險越嚴重，需要更緊急地進行處理。通常，RPN值的范圍為1～1000，超過某個閾值的風險須立即采取措施。
1.4.2 智能裝配產線PFMEA表
根據PFMEA手冊的要求和專家組的評定，得出了各失效模式的S，O，D評分，從而形成了智能裝配產線PFMEA表（見表1）。
表1 智能裝配產線PFMEA表
通過表1的數據分析可以看出，傳感器故障、AGV故障和工具磨損對系統可靠度的影響相對較高，因而被認定為主要因素。這3種失效模式的RPN值分別為192，150，140，明顯高于其他失效模式，表明其失效可能導致更嚴重的后果（例如裝配錯誤和生產效率下降，因此需要予以優先關注。在進行FTA時，應將這些主要因素作為根事件，進一步識別其潛在的底事件及相互關系。 例如：傳感器故障可能源于老化和遮擋，導致物體檢測錯誤，從而影響裝配質量；AGV故障則可能是由于系統失效和路徑規劃不合理，從而導致物料無法及時送達， 進而影響生產流程；而工具磨損主要是由于使用時間過長和缺乏維護，進而造成裝配精度下降。基于FTA的結果，應重點引入環境適應性更強的傳感器，增加工具的維護頻率，并優化AGV的路徑規劃和維護機制，以提高智能裝配產線的整體可靠性。
2 智能裝配產線FTA
2.1 智能裝配產線故障樹建立
本文根據故障樹的建立要求，基于表1的失效模式最終都會造成的一個結果———裝配質量不合格，選擇裝配質量不合格作為故障樹的頂事件T，中間事件M對應表1中這些失效模式，按由上而下的順序逐級細化，分析出造成頂事件的底事件X，最終得到故障模式。基于前面的PFMEA，繪制智能裝配產線的失效故障樹（見圖1），故障樹編號釋義見表2。
圖1 智能裝配產線失效故障樹
表2 故障樹編號釋義
2.2 故障樹定性分析
故障樹定性分析旨在識別引發頂事件的原因，找出可能導致頂事件的故障模式，揭示潛在故障和設計薄弱環節，以便改進設計。同時，可用于指導故障診斷和優化設備維護。在FTA中，定性分析的關鍵任務是識別最小割集。本文采用下行法求最小割集，發現裝配質量問題的直接原因來自X1至X10的基本事件， 針對這些原因提出改善措施，以提高智能裝配產線的可靠性。
2.3 故障樹定量分析
本文采用線性映射法對故障樹中各個底事件的發生概率進行估算。線性映射法基于式（2）所示的線性插值公式計算。
將線性映射法應用于獲得故障樹底事件的發生概率，是一種將RPN值轉化為具體故障概率的有效方法，有助于更直觀地量化風險。在這一過程中，首先確定RPN值的最小值和最大值，以及底事件的最大值與最小值；然后針對每個中間事件的RPN值，通過線性插值公式將其映射到底事件的故障概率上。這樣，線性映射法將各個底事件的潛在故障風險量化為具體的概率，使其能夠更準確地進行FTA的定量評估。
2.3.1 底事件失效概率估算
按照線性映射法將底事件的RPN值轉化為失效概率，即x為RPN值，f(x)為失效概率， 可得
式中，P為失效概率， 其最小值Pmin=0.001，最大值Pmax=0.1；RPN∈[0，1000]。
各個底事件之間通過“與門” 連接，對其中間事件貢獻是均等的，根據中間事件的RPN值，計算底事件的RPN值分別為： RPNX1=96，RPNX2=96，RPNX3=75， RPNX4=75，RPNX5=70，RPNX6=70，RPNX7=60，RPNX8=60，RPNX9=42， RPNX10=42
按照式（3）計算各個底事件的失效概率分別為：PX1 ≈ 0.010 5， PX2 ≈ 0.010 5， PX3 ≈ 0.008 4，PX4 ≈ 0.008 4， PX5 ≈ 0.007 9， PX6 ≈ 0.007 9， PX7 ≈ 0.006 9， PX8 ≈ 0.006 9， PX9 ≈ 0.005 2， PX10 ≈ 0.005 2
由上述底事件失效概率可知，X1和X2的失效概率最高，X9和 X10的失效概率最低。首先，X1和X2的高失效概率主要歸因于傳感器的高使用頻率、元件的自然老化及外部環境的累積影響。在智能裝配產線中，傳感器扮演著至關重要的角色，負責實時監測和反饋系統狀態。然而，由于傳感器在高頻率工作環境中的持續運行，其元件逐漸老化，導致性能下降。 這種老化不僅是物理磨損的結果，也受到溫度、濕度、灰塵等環境因素的影響。因此，定期的維護和更換傳感器，以及合理的使用策略，對降低 X1的失效概率至關重要。
相對而言，X9和X10的低失效概率表明工廠在環境控制和設備防護設計方面采取了有效的措施。良好的環境控制系統能夠確保車間內的溫濕度保持在設備的最佳工作范圍內，可減少因環境波動引起的設備故障。此外，設備的防護設計，例如防塵、防水和防震等功能，顯著降低了外界因素對設備的影響。這些措施的實施，不僅提升了設備的可靠性，也為保持高效的生產環境提供了保障。
綜上所述，X1、X2和X9、X10的失效概率差異揭示了設備使用和維護管理的重要性，強調了對傳感器的關注和對環境控制措施的重視。
2.3.2 頂事件失效概率計算
根據故障樹的結構，頂事件是由所有中間事件通過“或門” 連接的，因此頂事件的失效概率PT計算公式為
各個中間事件的失效概率分別為： PM1 ≈ 0.0200，PM2 ≈ 0.016 8，PM3 ≈ 0.015 8，PM4 ≈ 0.013 8，PM5 ≈ 0.010 4。因此，PT ≈ 1-（1 -0.020 0）×（1-0.016 8）×（1-0.015 8）×（1-0.013 8）×（1-0.010 4）≈0.074 5。
2.4 智能裝配產線可靠性改善措施
根據上述分析得到了各個底事件和頂事件的失效概率，造成智能裝配產線失效和裝配質量問題的原因有傳感器故障、AGV故障、機器人故障等，針對這些故障原因，提出如下改善措施。
（1）針對X1和X2失效事件，采取定期校準和維護傳感器的措施。建立定期的傳感器校準計劃，加強防護設計為傳感器增加防塵、防水、防震等保護。另外，采用多傳感器冗余設計，確保當1個傳感器失效時備用傳感器可以繼續工作，從而避免系統中斷。
（2）針對X3和X4失效事件，采取優化AGV導航技術（例如視覺導航或激光導航）的措施，同時引入多種導航系統以防止單一導航系統失效。定期檢查AGV的動力系統、電池、電機等關鍵部件。為AGV系統配備實時監控系統，監測運行狀態，當出現異常時及時預警并進行故障排除。
（3）針對X5和X6失效事件，采取定期更換和維護裝配工具的措施。根據工具的使用頻率和磨損情況制定更換計劃，避免因工具磨損影響裝配精度。選用更高質量、更耐磨的工具材料，以延長工具的使用壽命，減少頻繁更換的需求。
（4）針對X7和X8失效事件，采取對機器人加強預測性維護的措施。通過數據采集和分析進行機器人系統的預測性維護，避免伺服電機或機械臂的突發故障。加強操作人員的技術培訓，確保他們能夠及時發現并解決機器人故障問題，減少因誤操作引發的故障。
（5）針對X9和X10失效事件，采取在生產車間安裝環境溫濕度監控設備的措施，實時監測環境參數，確保車間的溫濕度在設備允許的范圍內。升級或改進空調、除濕機等設備，以更好地調節車間的環境，保證環境條件穩定。 在特定精密裝配場景中，采用封閉式的生產空間，以減少外部環境對內部溫濕度的影響。
2.5 應用效果
根據智能裝配產線的各個底事件和頂事件，提出了一系列改善措施，取得了顯著的應用效果。
（1）通過定期校準和維護傳感器，增強防護設計并采用多傳感器冗余設計，成功降低了傳感器的故障率，并在主傳感器失效時確保備用傳感器能夠及時接管，從而避免了生產中斷，提升了裝配系統的可靠性。
（2）針對AGV故障，優化導航技術并引入多種導航系統，使AGV運行效率顯著提高，同時實施關鍵部件的定期檢查和實時監控，有效縮短了故障處理時間，增強了物料運輸的可靠性。
（3）在裝配工具方面，定期更換和維護工具，結合使用高質量、耐磨的材料，確保工具始終處于良好狀態，減少了因磨損引起的裝配缺陷，提升了整體裝配質量。
（4）為應對機器人故障，實施了預測性維護，利用數據分析識別潛在故障，同時加強操作人員的技術培訓，提升了他們對故障的快速識別和處理能力，從而減少了因操作失誤導致的停機時間，確保了生產流程的穩定性。
（5）安裝環境溫濕度監控設備，改善空調和除濕系統，采用封閉式生產空間，有效保障了車間環境條件的穩定，降低了環境因素導致的設備故障率。
通過上述措施的實施，智能裝配產線的設備故障率得到了有效降低，整體裝配的可靠性顯著提升，為企業的智能制造提供了更堅實的保障。
3 結束語
本文根據現場采集數據，基于PFMEA方法對某航天產品的智能裝配產線進行了深入的裝配可靠性評估，識別出了可能影響裝配可靠性的關鍵失效模式和潛在風險。通過對立體庫倉儲系統、AGV送料系統、機器人夾取系統、傳感器檢測系統、測量系統和運送線等模塊的分析，得到了造成故障的失效模式。此外，基于PFMEA方法分析得出的RPN值，通過線性映射法計算了智能裝配產線的FTA 模型和各底事件的失效概率，通過定量計算明確頂事件發生概率。最后，從系統角度出發，分析設計的薄弱環節，并提出改進和補償措施，以此來提高智能裝配產線的可靠性，為進一步提升裝配可靠性提供了科學的依據和改進方向。
參考文獻
[1] 劉峰，蔡志娟，李霏，等. 面向智能裝配的航天復雜產品結構設計標準研究[J]. 航天標準化，2019（4）：1-4.
[2] SADEGHI M，KARBASIYAN M， NAVABAKHSH M. Designing a model for reliability improve-ment with FTA and FMEA techniques on med-ical gas outlet[J]. International journal of logis-tics systems & management，2014，18（ 3） ：322-342.
[3] 顧煜炯，宋磊 ，劉佳 ，等. 基于FMECA和FTA正向綜合分析的風電場設備故障管理[J].可再生能源，2012，30（9）：100-105.
[4] 雷啟龍，賈子文. 基于FMEA風險評價和 FTA定量分析的風電機組維修決策[J]. 機 械 2017，44（3）：71-77，80.
[5] 岳嵐雪，曾鵬飛，李軒，等. 基于 FMEA與FTA 的合膛檢測設備可靠性分析[J]. 新技術新工藝，2023（12）：67-72.
