汽車熱模鍛行業智能化鍛造系統與開放創新服務平臺研發及應用示范(下)

文/董銘，胡斌，張波 ·浙江威力鍛壓機械有限公司

熱模鍛生產線數據實時感知技術研究

熱模鍛生產線感知設備軟硬件集成開發

智能鍛造平臺包括智能感知層(生產線數據采集處理)和業務平臺層(自動決策智能化系統)。智能感知層是通過各種智能感知終端感知鍛造生產線的各種多源異構數據.如制造設備的工藝參數、設備運行數據、各種材料消耗數據、成形鍛件質量數據、能源消耗數據等等，通過智能感知層實現數據的感知輕量化處理，為自動決策智能化系統提供數據支撐。

整個系統分為前端可視化部分和后端數據采集處理部分，都有其對應的數據庫和服務器。在前端可視化部分，用戶群體通過PC端、移動端，LED大屏中的Web瀏覽器通過HTTP協議訪問Web服務器，Web服務器通過Axios請求后端接口獲取MySQL中的數據；主數據庫采用MySQL持久存儲數據，為防止數據請求量突然增大導致數據庫宕機，使用了Redis緩存技術：應用處理服務器從預處理數據庫中調取原始數據，數據處理好后分別存儲到主數據庫和備份數據庫之中，云數據庫的作用是數據備份及長久存儲，本系統是部署在阿里云服務器中，選擇阿里云平臺的云數據RDS作為備份數據庫，它們位于同一地域，直接采用專有網絡VPC(內網)快速連接實現數據備份。

系統的整體流程大致為數據采集.數據預處理.數據融合和數據可視化四個階段。數據采集模塊針對不同的數據結構采取對應的方法處理數據，保證原始數據的可用性；對采集到的原始數據根據不同的數據問題進行對應的預處理，然后判斷數據來源，針對來自傳感器的環境參數數據還需要采取自適應加權平均算法和灰色預測算法進行數據融合，最終將處理分析后的數據存儲在數據庫中，最后數據可視化完成，對處理分析后的數據結果進行可視化展示。

數據感知收集模塊系統

數據感知收集模塊系統的分類依據主要基于鍛造生產線的特點和數據收集需求。在鍛造生產線上，不同的設備和工藝環節會產生大量的數據，這些數據對于生產過程的監控、優化和故障預警具有重要意義。因此，數據感知收集模塊系統的分類依據主要包括以下幾個方面。

設備類型：鍛造生產線上的設備種類繁多，包括壓力機、加熱爐、傳送帶等。不同類型的設備產生的數據特性和收集方式有所不同，因此需要根據設備類型進行分類收集。

數據類型：鍛造生產線上的數據包括溫度、壓力速度、位移等多種類型。不同類型的數據對于生產過程的監控和優化具有不同的作用、因此需要根據數據類型進行分類收集，以便更好地滿足生產需求。

感知技術：隨著物聯網技術的發展，越來越多的感知技術被應用于鍛造生產線上的數據收集。不同的感知技術具有不同的優缺點和適用范圍，因此需要根據感知技術進行分類收集，以便更好地選擇適合的感知技術來滿足生產需求。

基于以上分類依據，本項目設計的感知層包含以下功能模塊：人員操作感知模塊、壓力機狀態感知模塊、冷切機狀態感知模塊、加熱爐感知模塊、機械手感知模塊、鍛件質量感知模塊等。這些模塊針對不同的設備和數據類型，采用不同的感知技術，實現數據的實時、準確收集，為生產過程的監控、優化和故障預警提供有力支持。

(1)人員操作感知模塊。

工作表單主要記錄各工位操作員、維保人員的操作，當遇到異常工況時操作變化，設定參數的調整。異常工況記錄表，參數調整記錄表，維修保養記錄表，調整變化記錄表等一系列反映人員操作，異常處理，結果反饋等信息的記錄，供后續大數據分析。

(2)壓力機狀態感知模塊。

壓力機作為生產線最為核心設備，其安全穩定經濟運行也最為重要。因此，通過增加傳感器等方式，共采集129個壓力機相關數據，包括當前轉速、角度、當前電流、總噸位、機器碼、授權碼、正反轉保護時間、主電機啟動時間，等等。

(3)冷切機狀態感知模塊。

冷切機用于下料，其進給量控制精度和鋸片厚度等通過影響坯料質量對鍛件質量有直接影響。本項目冷切機共采集數據點位56個，包括截面積、工件長度補償、尾工件補償、首支工件補償、鋸片壽命報警設定、單箱已切支數、整批已切支數，等等。

(4)加熱爐感知模塊。

加熱爐負責將坯料加熱至預設工藝溫度，其溫度設定和控制精度是鍛造成形質量的重要影響因素。本項目加熱爐數據采集點位42個，包括交流電壓1/2.輸入電流、輸入電壓、輸出頻率，等等。

(5)機械手感知模塊。

本項目通過三臺機械手實現生產線無人化，機械手運動的控制和調整關乎生產線的穩定運行，共采集機械手位置信息及電控數據46個，包括ROB2程序運行狀態，設備狀態，設備產能、設備報警信息，ROB1當前速度，模式，位置，等等。

(6)鍛件質量感知模塊。

鍛件質量感知模塊通過在線檢測鍛件的三維尺寸數據實現模具壽命預測和人工智能鍛造工藝的優化，共設計了20個三維數據采集點位和8個二維數據采集點位用于鍛件尺寸精度和表面瑕疵的判定，這些數據通過智能感知層進行輕量化處理，為自動決策智能化系統提供數據支撐。在熱模鍛生產線感知裝置軟硬件集成開發中，三維尺寸檢測設備的準確性和穩定性對于整個生產線的運行和產品質量至關重要。本項目通過鍛件三維尺寸數據的在線檢測，一方面用于模具壽命預測，及時更換模具，一方面用于人工智能鍛造工藝的優化。

熱模鍛生產線感知與控制裝置硬件布置

(1)數據采集處理與實時感知技術。

熱模鍛壓力機通過傳感器，以壓力、行程、速度等感知參量為核心，反饋至數據采集和控制系統，根據各關鍵節點傳感器檢測信息監測系統工作狀態，實現故障監測、報警、診斷功能。

(2)感知裝置硬件集成開發與自動決策智能化系統。

熱模鍛壓力機傳感器與硬件集成相互作用，根據產品檢測數據及壓力機工作狀態實時檢測結果，通過智能算法庫，自動調整壓力機的速度、壓力和控制加熱溫度等參數。根據模具的傳感數據，自動調整潤滑及冷卻劑的噴射量，維護模具壽命，根據智能化決策系統指令自動預設鍛造工藝參數。

(3)智能輔助制造系統開發。

熱模鍛壓力機輔助制造系統主要包括進料傳送定位裝置、除氧化皮裝置、機械手及其輸送裝置，物料及成品倉儲區和模具、工具及機床附件庫存區。輔助裝置實現與主壓力機的數據共享，互感互知。信息化運輸配送系統負責生產系統中原材料、工件、成品在生產線內的輸送任務，將車間的所有運輸工具作為終端，基于工件、材料、模具等的位置信息及設備或生產線的需求信息，統一控制、管理、調度，高效完成生產運輸、配送任務。

智能算法在鍛造生產全生命周期的融合應用研究

智能化鍛造在線監測系統設計

熱模鍛鍛造系統分為三個部分，無線傳感器網絡數據采集部分：將熱模鍛參數從ZigBee模塊上傳到監控中心的過程：使用Kingview建立一個數據監控中心。整個解決方案如下：ZigBee無線傳感器模塊收集熱模鍛過程的工藝和管理參數，并將其通過RS-232傳輸到Kingview軟件。其中，Kingview軟件通過串行端口與熱模鍛生產線中的數據收集設備進行通信。構建ODBC數據源最終實現Kingview與實時數據庫SQLServer之間的通信，并實現數據查詢、更新、刪除和動態實時圖形顯示，從而使員工可以準確地判斷熱鍛工作的狀態。

(1)組態軟件設計。

使用Kingview軟件設計可配置的圖形界面，并設置動畫連接、文本和趨勢圖。傳感器收集的數據通過RS-232傳輸到Kingview監控中心。將SQLServer用作實時數據庫.并使用ODBC與Kingview通信。在Kingview中可以完成查詢、修改和刪除數據庫中對象的操作。此設計中，該字段中工藝和管理參數顯示有兩種類型：文本顯示和趨勢圖顯示。如果壓力、速度，溫度或節點電壓超過預定義的限制，在監視中心中會顯示一條錯誤消息。該系統的遠程監視系統大致可分為用戶和對象管理系統、實時顯示、統計分析、數據庫管理和警報模塊。

(2)組態設計過程。

定義外部設備和變量。設備定義在項目瀏覽器的“設備”中完成，在該設備上選擇驅動程序并設置通信參數。Kingview具有兩種變量：系統定義的變量和用戶在Kingview項目瀏覽器數據庫的數據字典中定義一個自定義變量并定義該變量的三個方面。用戶可以根據需要完成每個變量的詳細設置。

(3)數據庫設計。

在硬件中傳輸的參數可以存儲在數據庫中，操作員可以監視對這些參數的特定操作，并且數據以動態圖的形式顯示在Kingview屏幕上，使操作員熟悉字段收集狀態。項目組主要研究歷史數據庫設計和實時數據庫設計。

①歷史數據庫設計。主要從三個方面介紹歷史數據庫設計：開始配置，設置變量和查詢數據。操作員可以驗證歷史記錄數據庫是否可以通過信息窗口正常啟動。如果無法正常啟動，則記錄數據庫服務未啟動。記錄數據庫正常啟動時在項目瀏覽器中配置歷史數據庫，完成配置后，可以查詢歷史數據記錄。可以使用歷史數據庫記錄所有整數變量、實數變量和離散變量。在Kingview中有保存歷史數據的四種記錄：數據更改記錄、備份記錄、每個設置記錄和定時記錄。

②實時數據庫設計。本設計中使用的實時數據庫為SQLServe,實時數據庫的設計如下：在KingView的SQLAccessManager下的表模板中創建表模板table1。SQLServer數據庫與Kingview通信后，可以使用table?作為模板在Kingview中為數據庫創建表以記錄收集的工藝和管理參數。

系統接口和功能

(1)組態網與外部通信。

定義串口。按照以下步驟設置串口：第一步，選擇串行設備驅動程序——三菱FX2;第二步，將新安裝的設備命名為"NewIODevice":第三步，選擇設備的串行端口號，選擇“COM4”作為設備的通信串行端口；第四步，指定已安裝設備的地址。此為Kingview的基址1,必須定義通信參數。恢復間隔為30秒，最大恢復時間為24小時。完成后，單擊"完成"按鈕，設備圖標出現在Kingview軟件的“設備”中該軟件是新1O設備的串行數據傳輸設備。

(2)系統安全管理。

從開發安全性和操作安全性考慮系統的安全性管理模塊。開發安全性主要是通過設置密碼來保證的下面主要介紹操作安全性。

①用戶和對象管理。熱模鍛系統中，設計了不同的組以合理地管理大量用戶和管理員，系統設計者還可以設置默認用戶屬性。

②登錄用戶。在Kingview中創建一個登錄主屏幕設置登錄和按鈕，操作員選擇相應的登錄ID并登錄以獲取安全級別和操作權利。

(3)工藝和管理數據顯示。

①接收數據處理。接收到的數據為65位字符串由Kingview數據字典的“數據接收變量”確定。前11位代表其他設備的地址位，21～31位是要監視數據的坯料質量，坯料尺寸、加熱時間、保溫時間、模具溫度、始鍛溫度、終鍛溫度、成形速率、能耗管理之一，而41~51位是它們的閾值。62~65位是節點電壓。

②文本顯示。方法：首先創建顯示屏幕，創建文本，然后建立與文本的動畫連接，最后在“動畫連接”對話框中進行連接并輸出與數值相對應的模擬變量。設置動畫連接，可以在設置屏幕上動態顯示現場收集的工藝和管理參數。

③報警事件。報警系統在整個熱模鍛監控系統中起著特別重要的作用。通過向員工提供反饋，員工確定故障原因并及時處理故障。警報組以樹形結構分布。在Kingview窗口中創建一個報告屏幕，并添加要顯示的變量，包括日期、時間和變量。

全生命周期汽車零件熱模鍛生產自動決策智能化算法

汽車空調壓縮機動渦旋盤的神經網絡模型與知識圖譜

(1)空調壓縮機動渦旋盤參數與鍛造工藝。

在實際生產過程中，動渦旋盤的材料選用高強度鋁合金，塑性較差，變形抗力大。在擠壓過程中，由于渦旋壁高且薄，金屬材料流動速度與其在渦旋中的位置有關，極易造成金屬材料流速不均勻，導致渦旋高度不一致。因此本項目設計了渦旋盤的背壓結構成形方案，構建背壓阻尼式模具方案的有限元模型。在凹模中添加背壓體從而控制金屬流動。背壓體通過作用在渦旋端部流速快的位置并阻礙此處的金屬材料流動，以此提高渦旋端面高度一致性。背壓力設置過小會導致背壓力不對坯料起作用，背壓力過大會導致大幅度增加成形載荷，最終將背壓力設置為20kN。

研究結果表明，帶背壓結構的凹模所受等效應力大于帶控制腔結構的凹模，發生斷裂失效的概率大于帶控制腔結構的凹模。

(2)面向渦旋盤模具應力優化的智能算法框架。

利用數據采集系統中的數據，通過MATLAB使用神經網絡建立汽車熱模鍛生產線中生產工藝參數和目標參數之間的函數模型。

(3)神經網絡模型結構搭建。

分別對三個輸出工藝參數和輸入工藝參數進行訓練建模，利用測試數組測試模型的準確性。

(4)神經網絡模型評價。

結果表明，利用神經網絡模型計算得到的成形載荷、殘余應力和模具變形量與測試數組的結果存在一定的誤差，但整體趨勢一致，且誤差值在可接受范圍內，這說明所建立的神經網絡模型具有一定的預測能力和參考價值。對于成形載荷的預測，神經網絡模型的計算結果與測試數組結果的誤差較小，且在前35個訓練數據點的范圍內，預測結果與實際結果較為接近。對于殘余應力和模具變形量的預測，雖然存在一些波動，但整體趨勢與測試數組結果相符，且誤差值并未出現明顯的偏離。

值得注意的是，測試數據在建模時并未參與神經網絡的訓練過程，因此測試結果的準確性可以反映模型的泛化能力。從測試結果來看，所建立的神經網絡模型具有一定的泛化能力，可以對未知數據進行有效的預測。

汽車萬向節鐘形罩熱模鍛設計

(1)鐘形罩參數與工藝。

①鐘形罩鍛造設計模型。

通過對現有的萬向節鐘形罩的形狀進行研究.選擇了三種單元來表達鐘形罩的熱模鍛特征信息.萬向節鐘形罩是由上面三種單元經過一系列空間位置的排列所組成的。

②單元成形模型。

經過分析選擇如圖28所示的單元成形模型，此模型是一個正擠壓模型，下模由擠壓筒和擠壓型腔組成。

③輸入和輸出設計。

輸出和輸入的向量設計，是將鍛件的特征信息模型進行必要的數據處理，對數據進行歸一化處理，把所有的數據都放置于[0.1]之間，主要原因為隱藏層所選用的是Sigmod型激勵函數。圖29是萬向節鐘形罩最終鍛件的外形簡要圖，鍛件特征信息模型的初始數據取自此圖。圖30是萬向節鐘形罩的模具圖，輸出向量的數據取自此圖，主要是相應模具的關鍵尺寸。

圖28 單元成形模型

圖29 最終鍛件簡要圖

圖30 凸模圖

(2)鐘形罩模具壽命的建模與分析。

本神經網絡模型采用擁有兩個隱藏層的四層神經網絡結構，如圖31所示，輸入層有6個神經元，即為對熱模鍛過程中模具的磨損量造成影響的參數(鍛造的溫度。壓力，圓角半徑、上模下壓的速度、模具的硬度和上下模的間隙)。隱藏層1和2都采用1個神經元，輸出層即為模具的磨損量。輸入層和隱藏層的函數連接采用logsig,隱藏層和輸出層的函數采用tansig。

圖31 神經網絡模型

隨后，我們根據具體數據建立與分析神經網絡模型。結果表明，這四種算法的擬合度都較差，但Levenberg-Marguardt算法的擬合度處于第二的水平并且其經過8步的訓練后，誤差達到0.086483,誤差最低，因此選用此算法進行神經網絡模型的驗證。

驗證所使用的數據和結果，其文獻中的結果值為3.79,可見，雖然此算法仍存在一定誤差，但能夠在一定范圍內預測。

(3)鐘形罩質量模型的建模與分析。

①熱模鍛質量數據的預處理過程。

在鍛造過程的數據特征集合中，挑選出幾組最能影響鍛造過程穩定性的因素，去除掉影響因素不大的幾種變量，從而達到降維的目的，并顯著提高質量分析模型的建模效率和模型性能。其過程一般包括產生過程、評價函數、停止準則和驗證過程。

②鐘形罩質量模型特征選擇。

查閱大量的文獻資料，分析熱模鍛生產過程的數據后得到熱模鍛產品的質量指標主要包括原材料成分、鍛件幾何尺寸、鍛件硬度、表面質量、探傷缺陷、金相組織、力學性能、晶粒度和脫碳層等。基于上述質量指標，將質量模型分成4種：材料成分模型、力學性能模型、外觀尺寸模型和內部組織模型。根據特征提取過程，得到各質量模型包含特征，如圖32所示。

構建的神經網絡模型采用三層結構，即輸入層、隱含層和輸出層。模型結構如圖33所示，輸入層的參數分別是鍛造溫度、變形程度、固溶時間、時效溫度、時效時間，輸出層的參數為抗拉強度、屈服強度、伸長率。

將準備的輸入和輸出數據導入到MATLAB中，調出自帶的神經網絡工具箱；再將導入的數據放入神經網絡工具箱中；創建神經網絡，選擇BP神經網絡模型，選擇輸入輸出的數據，訓練函數選擇Levenberg-Marguardt算法，自適應學習函數選擇learngdm,性能函數選擇MSE(均方誤差函數),層數為兩層，神經元的節點數為10個，第一層傳遞函數選擇logsig函數，第二層為tansig函數。

圖32 熱模鍛產品質量分析模型與特征的關系

圖33 神經網絡模型

(5)神經網絡的訓練和結果分析。

采用Traingdm算法的神經網絡模型的總擬合度接近于0.92,擬合度較差，而且數據證明該模型在運行6步后，性能函數收斂于370.4839,并且該誤差隨著步數的增多精度逐漸變差，所以不適合。

使用Trainrp算法的神經網絡模型擬合度為0.99167,說明其擬合度十分高，該模型經過13步訓練后，性能函數收斂于82.4969,收斂性能一般。

Powell-Beale算法的擬合精度為0.99674,擬合精度很高。訓練步數為15步時性能函數就收斂于631.3422。該算法模型的誤差較大.精度也不夠高，收斂性能較差。

Levenberg-Marguardt算法的總體擬合度為0.98962.該算法在經過7次訓練后性能函數收斂于22.3847.說明該函數的收斂性能較好，而且誤差較小。

綜上分析四種不同算法的神經網絡模型，發現當擬合度相差不多時，Levenberg-Marguardt算法的性能較好，因此選擇該算法用于神經網絡模型的構建。

神經網絡模型在汽車零件熱模鍛應用的驗證

針對汽車熱模鍛智能生產線中生產工藝參數與成形結果關系復雜難以用公式表達，因此通過數值模擬獲取數據并通過神經網絡構建知識圖譜。選擇修正函數后通過梯度下降法確定神經網絡的權值和閾值，使得每組生產工藝參數經過加權、求和、修正并帶入激活函數后所得結果與數值模擬結果之間的誤差盡可能小。由于樣本數據量少，此處將最后一組的數據和文章最后所得的最優工藝參數進行輸入.并用來對構建的神經網絡模型進行驗證。結果顯示，兩組數據所對應的結果分別為425、300、19.5和465,362、20.7。通過對比發現雖然存在些許誤差，但此模型能夠較為準確的預測不同輸出量所導致的輸出量的值。結果表明：計算結果與數值模擬結果誤差最大不超過15%,至此函數模型擬合完成，知識圖譜搭建完畢。

智能化鍛造生產線全生命周期數據管理系統搭建

全生命周期數據管理系統路線

本項目構建鍛造系統數據知識圖譜與智能算法庫，形成汽車典型零件熱模鍛智能庫，研究熱模鍛核心設備實時感知與自動決策智能化控制技術，建立鍛造生產線鍛件幾何結構、工藝數據、生產過程與成形質量數據等在內的產品全生命周期數據管理與控制系統，開發一套面向汽車行業熱模鍛智能化鍛造系統，實現智能化鍛造大數據分析模型與算法、優化決策模型與算法的封裝，形成智能熱模鍛工業大數據綜合技術服務平臺，為不少于50家浙江省汽車零配件熱模鍛中小企業開放服務，本項目的整體研究內容與路線架構圖如圖34所示。

圖34 項目研究內容與路線架構圖

全生命周期數據管理與質量控制系統

智能化鍛造生產線全生命周期數據包括生產、物料、資源和定額等需求計劃數據、設備工作和設備故障狀態檢測數據、設備，模具供求數據，工藝流程和工藝技術數據及各分層任務完成后的數據。MES,PCS各層之間以及與ERP系統的數據及通信傳遞關系圖見圖35所示，實現鍛造生產線全生命周期數據管理與質量控制，解決好與上下級分系統之間的通信協調問題，以及與加工設備的通信連接問題。

圖35 MES、PCS各層之間以及與ERP數據及通信傳遞關系

(1)鍛造生產線全生命周期數據采集與處理技術。鍛造生產線全生命周期數據采集包括壓力機工作過程、溫度、位置精度、模具工作狀態、輔助設備使用情況、原材料及模具使用數據等。基于數據知識圖譜及智能算法庫，將產品全生命周期數據與人工智能生產技術相融合，研發智能化數據處理技術。

(2)鍛造生產線全生命周期數據管理系統。鍛造智能化執行管理系統分為設備層、控制層(數據采集和數據分析層)、執行層和應用層。來自于底層總線系統的數據信息上傳給智能化執行管理系統后，經執行系統對大數據的匯總、統計、分析、計算，最終實現對鍛件鍛造生產的質量、能源和設備使用效率等模塊的管理，從而滿足企業對整個鍛造生產過程的量化和可控以及客戶對產品質量可追溯的要求。

(3)鍛造生產線產品質量在線監測與控制技術對底層控制系統中采集的與生產有關數據進行分析優化短期生產作業的計劃調度、監控、資源配置和生產過程。對從生產作業計劃下達到產品最終完成的整個生產過程、生產現場實時發生前加工和質量事件加工設備運行效率等方面及時做出反應、報告，并提供當前的準確數據輔助管理人員對現場進行指導和處理。

基于工業大數據的全生命周期數據管理服務平臺建設

以智能化鍛造生產閉環線為核心，基于鍛件的工藝、生產過程、在線監測數據、銷售數據和使用過程等，與人工智能生產技術相融合，開發一套智能化鍛造服務平臺。平臺具有鍛件產品質量監督、智能工藝設計、自動控制調節設備參數、自動調節生產頻率等功能。通過圖36所示熱模鍛數據服務創新服務平臺顯示系統呈現，實現狀態感知、實時分析、精準執行及自主決策。

圖36 熱模鍛數據服務創新服務平臺數據顯示系統