摘 要：智能装配产线通过自动化和实时监控提升了生产效率和装配可靠性。针对航天某产品的智能装配产线进行了可靠性研究。首先，采用过程失效模式与影响分析（PFMEA）方法，对立体库仓储系统、自动导引车（AGV）送料系统、机器人夹取系统、传感器检测系统、测量系统及运送线的关键失效模式和潜在风险进行了识别和评估。利用故障树分析（FTA）方法，对识别出的关键失效模式进行了系统分析，深入探讨了各系统的失效概率，并提出了相应的优化措施，以提升智能装配产线的可靠性和稳定性。
关键词：智能装配产线；可靠性；过程失效模式与影响分析；故障树分析
作者：苏永超；王梦姣；魏洁；王惠民；张正岩
作者单位：北京新风航天装备有限公司
引 言
智能装配产线依托自动化、信息化和智能化技术，提高生产效率和装配一致性，减少人为干预带来的误差。然而，智能装配产线的复杂性也导致设备故障和系统失效风险增加，进而影响装配质量。因此，提高智能装配产线的可靠性至关重要。
智能装配产线可靠性是指智能制造系统在长期运行过程中保持高效、稳定、低故障率运行的能力。其衡量指标包括：设备平均无故障时间（MTBF）、失效率、生产节拍稳定性、关键组件的稳定性等。
在现代制造业中，装配是确保产品质量和性能的关键，尤其在航天制造业，装配精度和可靠性直接影响产品安全。自动化技术推动了智能装配的发展，提高了效率和一致性，减少了人为错误，但设备故障与系统复杂性仍影响其可靠性。为应对这些挑战，一些国外航天企业借鉴汽车行业生产线理念，提升了装配质量与效率并降低了成本。美国雷锡恩公司根据需求建立了包含柔性生产单元和数字化管理系统的先进装配线[1]。
失效模式与影响分析（FMEA），失效模式、影响及危害分析（FMECA） ，以及故障树分析（FTA）是航空、航天和核工业常用的可靠性分析方法。M Sadeghi 等人提出了结合 FTA、FMECA和贝叶斯法提升医用气体出口可靠性的模型[2]。顾煜炯等人通过FMECA和FTA方法分析风电设备故障，排列主要故障因素，支持维修决策[3]。雷启龙等人利用FMEA和FTA方法制定风电机组故障维修策略[4]。
FTA与FMEA（或 FMECA）在可靠性分析中相辅相成，形成互补关系。FTA通过自上而下的逻辑推演识别导致系统失效的关键路径， 适用于系统级故障分析；而FMEA采用自下而上的方法，从组件级别识别潜在失效模式及其影响，通过风险优先级数（RPN）评估单个失效模式的风险等级。适用于早期设计优化。将两者结合起来，可以既从整体上分析系统的薄弱环节，又能深入识别具体失效模式的影响，确保风险评估的全面性[5]。两者结合有助于精准制定改进措施，提升智能装配系统的可靠性。
针对上述问题及研究方法，本文将过程失效模式与影响分析（PFMEA）方法应用于智能装配产线，对某航天产品的智能装配产线的可靠性进行深入评估，涉及自动导引车（AGV） 送料系统、机器人夹取系统、传感器检测系统等模块，识别出可能影响装配可靠性的关键失效模式，并结合FTA方法进行失效概率分析，提出针对性的改进措施。
1 基于PFMEA的智能装配产线可靠性分析
1.1 智能装配产线构成
智能装配产线的可靠性涉及设备的稳定性、生产过程的持续性、故障检测与响应能力，以及自我修复和维护机制。通过实时监控和故障诊断，智能装配产线能够及时发现问题并减少停机时间，确保生产系统高效运作，从而提高产品质量和生产效率。
某航天产品的智能装配产线由立体库仓储系统、AGV送料系统、机器人夹取系统、传感器检测系统、测量系统和运送线组成，各系统协同工作，实现全自动化装配。
1.2 智能装配产线工作流程
智能装配产线集成了多个高度自动化的系统，以实现高效、精准的装配作业。首先，立体库仓储系统通过自动化设备管理物料和零部件的存储和取用，确保仓储过程的高效和准确，并为后续装配提供及时的物料支持。然后，AGV送料系统利用AGV将零部件从仓储区域精准运输到指定的装配工位上，减少了物料配送过程中的人工干预，提高了生产线的灵活性和响应速度。
在装配工位上，机器人夹取系统或自动化夹取设备将零部件从上料区中拾取并精准定位到装配位置上。与此同时，传感器检测系统布置在装配线的各个关键环节中，实时监测装配过程中的各项参数，例如零部件位置、装配尺寸等，并且还能够检测装配过程中是否有人员误入，确保任何潜在的错误能够被及时发现和纠正。
1.3 故障模式识别及失效原因
采用PFMEA方法，识别出以下智能装配产线的主要失效模式。
（1）传感器故障。在传感器长期运行过程中，内部的电子元件和机械部件会逐渐老化和磨损，导致精度下降、失效风险增加，并且传感器暴露在恶劣环境中（例如过高的温度、湿度、灰尘、振动或电磁干扰），会导致其性能下降，使测量数据出现偏差或失准。
（2）AGV故障。AGV的导航系统（例如激光雷达、摄像头或传感器）可能因外部干扰、传感器故障或地图误差而失效，导致无法正确识别路径，偏离或停止工作，并且AGV的电池、电机或驱动系统在长时间运行后可能发生故障（例如电池过度放电、电机损坏或驱动故障），导致其失去移动能力。
（3）工具磨损。工具故障同样可能影响生产线的稳定性，长期使用可导致工具磨损（例如刀具变钝或夹具松动），可能影响装配精度。工具若未定期校准或校准过程不规范，也会导致装配过程中出现偏差，从而影响最终产品的一致性和质量。
（4）机器人故障。机械臂的伺服电机、关节轴承或传动机构可能因过度使用、润滑不足或磨损引发故障，导致动作失准或无法正常操作，而且机器人的控制单元（例如控制器、传感器反馈系统）出现故障时，可能导致指令执行错误或反应滞后，影响操作精度。
（5）环境因素。环境条件对生产线的影响不可忽视。车间温度过高或过低都可能影响设备的正常运行或工人的工作状态，导致装配故障。湿度过高可能导致零件生锈或设备短路， 湿度过低则可能引起静电问题，这些都会影响装配质量和最终产品的性能。
以上因素可引发装配失效的问题，应根据上述故障模式和失效原因进行PFMEA。
1.4 智能装配产线PFMEA
PFMEA 是一种系统化的方法，用于识别、评估和优先处理潜在的失效模式及其对系统的影响，包括失效模式、其可能的后果、严重性评分、失效原因、发生概率评分、现有控制措施、检测方法、检测评分和RPN等要素。
1.4.1 PFMEA措施风险优先级评价
在PFMEA中，RPN是用来帮助确定所有风险中需要优先采取行动的一个方法。它基于严重性（S）、发生概率（O）及检测评分（D） 的组合，并结合工程判断来确定行动的优先级。通过计算这3个因素的乘积，可以得到RPN的值，用于确定哪些风险应该优先处理。RPN的计算公式为
RPN=S·O·D （1）
RPN的值越高，表示风险越严重，需要更紧急地进行处理。通常，RPN值的范围为1～1000，超过某个阈值的风险须立即采取措施。
1.4.2 智能装配产线PFMEA表
根据PFMEA手册的要求和专家组的评定，得出了各失效模式的S，O，D评分，从而形成了智能装配产线PFMEA表（见表1）。
表1 智能装配产线PFMEA表
通过表1的数据分析可以看出，传感器故障、AGV故障和工具磨损对系统可靠度的影响相对较高，因而被认定为主要因素。这3种失效模式的RPN值分别为192，150，140，明显高于其他失效模式，表明其失效可能导致更严重的后果（例如装配错误和生产效率下降，因此需要予以优先关注。在进行FTA时，应将这些主要因素作为根事件，进一步识别其潜在的底事件及相互关系。 例如：传感器故障可能源于老化和遮挡，导致物体检测错误，从而影响装配质量；AGV故障则可能是由于系统失效和路径规划不合理，从而导致物料无法及时送达， 进而影响生产流程；而工具磨损主要是由于使用时间过长和缺乏维护，进而造成装配精度下降。基于FTA的结果，应重点引入环境适应性更强的传感器，增加工具的维护频率，并优化AGV的路径规划和维护机制，以提高智能装配产线的整体可靠性。
2 智能装配产线FTA
2.1 智能装配产线故障树建立
本文根据故障树的建立要求，基于表1的失效模式最终都会造成的一个结果———装配质量不合格，选择装配质量不合格作为故障树的顶事件T，中间事件M对应表1中这些失效模式，按由上而下的顺序逐级细化，分析出造成顶事件的底事件X，最终得到故障模式。基于前面的PFMEA，绘制智能装配产线的失效故障树（见图1），故障树编号释义见表2。
图1 智能装配产线失效故障树
表2 故障树编号释义
2.2 故障树定性分析
故障树定性分析旨在识别引发顶事件的原因，找出可能导致顶事件的故障模式，揭示潜在故障和设计薄弱环节，以便改进设计。同时，可用于指导故障诊断和优化设备维护。在FTA中，定性分析的关键任务是识别最小割集。本文采用下行法求最小割集，发现装配质量问题的直接原因来自X1至X10的基本事件， 针对这些原因提出改善措施，以提高智能装配产线的可靠性。
2.3 故障树定量分析
本文采用线性映射法对故障树中各个底事件的发生概率进行估算。线性映射法基于式（2）所示的线性插值公式计算。
将线性映射法应用于获得故障树底事件的发生概率，是一种将RPN值转化为具体故障概率的有效方法，有助于更直观地量化风险。在这一过程中，首先确定RPN值的最小值和最大值，以及底事件的最大值与最小值；然后针对每个中间事件的RPN值，通过线性插值公式将其映射到底事件的故障概率上。这样，线性映射法将各个底事件的潜在故障风险量化为具体的概率，使其能够更准确地进行FTA的定量评估。
2.3.1 底事件失效概率估算
按照线性映射法将底事件的RPN值转化为失效概率，即x为RPN值，f(x)为失效概率， 可得
式中，P为失效概率， 其最小值Pmin=0.001，最大值Pmax=0.1；RPN∈[0，1000]。
各个底事件之间通过“与门” 连接，对其中间事件贡献是均等的，根据中间事件的RPN值，计算底事件的RPN值分别为： RPNX1=96，RPNX2=96，RPNX3=75， RPNX4=75，RPNX5=70，RPNX6=70，RPNX7=60，RPNX8=60，RPNX9=42， RPNX10=42
按照式（3）计算各个底事件的失效概率分别为：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的高失效概率主要归因于传感器的高使用频率、元件的自然老化及外部环境的累积影响。在智能装配产线中，传感器扮演着至关重要的角色，负责实时监测和反馈系统状态。然而，由于传感器在高频率工作环境中的持续运行，其元件逐渐老化，导致性能下降。 这种老化不仅是物理磨损的结果，也受到温度、湿度、灰尘等环境因素的影响。因此，定期的维护和更换传感器，以及合理的使用策略，对降低 X1的失效概率至关重要。
相对而言，X9和X10的低失效概率表明工厂在环境控制和设备防护设计方面采取了有效的措施。良好的环境控制系统能够确保车间内的温湿度保持在设备的最佳工作范围内，可减少因环境波动引起的设备故障。此外，设备的防护设计，例如防尘、防水和防震等功能，显著降低了外界因素对设备的影响。这些措施的实施，不仅提升了设备的可靠性，也为保持高效的生产环境提供了保障。
综上所述，X1、X2和X9、X10的失效概率差异揭示了设备使用和维护管理的重要性，强调了对传感器的关注和对环境控制措施的重视。
2.3.2 顶事件失效概率计算
根据故障树的结构，顶事件是由所有中间事件通过“或门” 连接的，因此顶事件的失效概率PT计算公式为
各个中间事件的失效概率分别为： 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 智能装配产线可靠性改善措施
根据上述分析得到了各个底事件和顶事件的失效概率，造成智能装配产线失效和装配质量问题的原因有传感器故障、AGV故障、机器人故障等，针对这些故障原因，提出如下改善措施。
（1）针对X1和X2失效事件，采取定期校准和维护传感器的措施。建立定期的传感器校准计划，加强防护设计为传感器增加防尘、防水、防震等保护。另外，采用多传感器冗余设计，确保当1个传感器失效时备用传感器可以继续工作，从而避免系统中断。
（2）针对X3和X4失效事件，采取优化AGV导航技术（例如视觉导航或激光导航）的措施，同时引入多种导航系统以防止单一导航系统失效。定期检查AGV的动力系统、电池、电机等关键部件。为AGV系统配备实时监控系统，监测运行状态，当出现异常时及时预警并进行故障排除。
（3）针对X5和X6失效事件，采取定期更换和维护装配工具的措施。根据工具的使用频率和磨损情况制定更换计划，避免因工具磨损影响装配精度。选用更高质量、更耐磨的工具材料，以延长工具的使用寿命，减少频繁更换的需求。
（4）针对X7和X8失效事件，采取对机器人加强预测性维护的措施。通过数据采集和分析进行机器人系统的预测性维护，避免伺服电机或机械臂的突发故障。加强操作人员的技术培训，确保他们能够及时发现并解决机器人故障问题，减少因误操作引发的故障。
（5）针对X9和X10失效事件，采取在生产车间安装环境温湿度监控设备的措施，实时监测环境参数，确保车间的温湿度在设备允许的范围内。升级或改进空调、除湿机等设备，以更好地调节车间的环境，保证环境条件稳定。 在特定精密装配场景中，采用封闭式的生产空间，以减少外部环境对内部温湿度的影响。
2.5 应用效果
根据智能装配产线的各个底事件和顶事件，提出了一系列改善措施，取得了显著的应用效果。
（1）通过定期校准和维护传感器，增强防护设计并采用多传感器冗余设计，成功降低了传感器的故障率，并在主传感器失效时确保备用传感器能够及时接管，从而避免了生产中断，提升了装配系统的可靠性。
（2）针对AGV故障，优化导航技术并引入多种导航系统，使AGV运行效率显著提高，同时实施关键部件的定期检查和实时监控，有效缩短了故障处理时间，增强了物料运输的可靠性。
（3）在装配工具方面，定期更换和维护工具，结合使用高质量、耐磨的材料，确保工具始终处于良好状态，减少了因磨损引起的装配缺陷，提升了整体装配质量。
（4）为应对机器人故障，实施了预测性维护，利用数据分析识别潜在故障，同时加强操作人员的技术培训，提升了他们对故障的快速识别和处理能力，从而减少了因操作失误导致的停机时间，确保了生产流程的稳定性。
（5）安装环境温湿度监控设备，改善空调和除湿系统，采用封闭式生产空间，有效保障了车间环境条件的稳定，降低了环境因素导致的设备故障率。
通过上述措施的实施，智能装配产线的设备故障率得到了有效降低，整体装配的可靠性显著提升，为企业的智能制造提供了更坚实的保障。
3 结束语
本文根据现场采集数据，基于PFMEA方法对某航天产品的智能装配产线进行了深入的装配可靠性评估，识别出了可能影响装配可靠性的关键失效模式和潜在风险。通过对立体库仓储系统、AGV送料系统、机器人夹取系统、传感器检测系统、测量系统和运送线等模块的分析，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，通过线性映射法计算了智能装配产线的FTA 模型和各底事件的失效概率，通过定量计算明确顶事件发生概率。最后，从系统角度出发，分析设计的薄弱环节，并提出改进和补偿措施，以此来提高智能装配产线的可靠性，为进一步提升装配可靠性提供了科学的依据和改进方向。
参考文献
[1] 刘峰，蔡志娟，李霏，等. 面向智能装配的航天复杂产品结构设计标准研究[J]. 航天标准化，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] 顾煜炯，宋磊 ，刘佳 ，等. 基于FMECA和FTA正向综合分析的风电场设备故障管理[J].可再生能源，2012，30（9）：100-105.
[4] 雷启龙，贾子文. 基于FMEA风险评价和 FTA定量分析的风电机组维修决策[J]. 机 械 2017，44（3）：71-77，80.
[5] 岳岚雪，曾鹏飞，李轩，等. 基于 FMEA与FTA 的合膛检测设备可靠性分析[J]. 新技术新工艺，2023（12）：67-72.
