汽车热模锻行业智能化锻造系统与开放创新服务平台研发及应用示范(下)

文/董铭，胡斌，张波 ·浙江威力锻压机械有限公司

热模锻生产线数据实时感知技术研究

热模锻生产线感知设备软硬件集成开发

智能锻造平台包括智能感知层(生产线数据采集处理)和业务平台层(自动决策智能化系统)。智能感知层是通过各种智能感知终端感知锻造生产线的各种多源异构数据.如制造设备的工艺参数、设备运行数据、各种材料消耗数据、成形锻件质量数据、能源消耗数据等等，通过智能感知层实现数据的感知轻量化处理，为自动决策智能化系统提供数据支撑。

整个系统分为前端可视化部分和后端数据采集处理部分，都有其对应的数据库和服务器。在前端可视化部分，用户群体通过PC端、移动端，LED大屏中的Web浏览器通过HTTP协议访问Web服务器，Web服务器通过Axios请求后端接口获取MySQL中的数据；主数据库采用MySQL持久存储数据，为防止数据请求量突然增大导致数据库宕机，使用了Redis缓存技术：应用处理服务器从预处理数据库中调取原始数据，数据处理好后分别存储到主数据库和备份数据库之中，云数据库的作用是数据备份及长久存储，本系统是部署在阿里云服务器中，选择阿里云平台的云数据RDS作为备份数据库，它们位于同一地域，直接采用专有网络VPC(内网)快速连接实现数据备份。

系统的整体流程大致为数据采集.数据预处理.数据融合和数据可视化四个阶段。数据采集模块针对不同的数据结构采取对应的方法处理数据，保证原始数据的可用性；对采集到的原始数据根据不同的数据问题进行对应的预处理，然后判断数据来源，针对来自传感器的环境参数数据还需要采取自适应加权平均算法和灰色预测算法进行数据融合，最终将处理分析后的数据存储在数据库中，最后数据可视化完成，对处理分析后的数据结果进行可视化展示。

数据感知收集模块系统

数据感知收集模块系统的分类依据主要基于锻造生产线的特点和数据收集需求。在锻造生产线上，不同的设备和工艺环节会产生大量的数据，这些数据对于生产过程的监控、优化和故障预警具有重要意义。因此，数据感知收集模块系统的分类依据主要包括以下几个方面。

设备类型：锻造生产线上的设备种类繁多，包括压力机、加热炉、传送带等。不同类型的设备产生的数据特性和收集方式有所不同，因此需要根据设备类型进行分类收集。

数据类型：锻造生产线上的数据包括温度、压力速度、位移等多种类型。不同类型的数据对于生产过程的监控和优化具有不同的作用、因此需要根据数据类型进行分类收集，以便更好地满足生产需求。

感知技术：随着物联网技术的发展，越来越多的感知技术被应用于锻造生产线上的数据收集。不同的感知技术具有不同的优缺点和适用范围，因此需要根据感知技术进行分类收集，以便更好地选择适合的感知技术来满足生产需求。

基于以上分类依据，本项目设计的感知层包含以下功能模块：人员操作感知模块、压力机状态感知模块、冷切机状态感知模块、加热炉感知模块、机械手感知模块、锻件质量感知模块等。这些模块针对不同的设备和数据类型，采用不同的感知技术，实现数据的实时、准确收集，为生产过程的监控、优化和故障预警提供有力支持。

(1)人员操作感知模块。

工作表单主要记录各工位操作员、维保人员的操作，当遇到异常工况时操作变化，设定参数的调整。异常工况记录表，参数调整记录表，维修保养记录表，调整变化记录表等一系列反映人员操作，异常处理，结果反馈等信息的记录，供后续大数据分析。

(2)压力机状态感知模块。

压力机作为生产线最为核心设备，其安全稳定经济运行也最为重要。因此，通过增加传感器等方式，共采集129个压力机相关数据，包括当前转速、角度、当前电流、总吨位、机器码、授权码、正反转保护时间、主电机启动时间，等等。

(3)冷切机状态感知模块。

冷切机用于下料，其进给量控制精度和锯片厚度等通过影响坯料质量对锻件质量有直接影响。本项目冷切机共采集数据点位56个，包括截面积、工件长度补偿、尾工件补偿、首支工件补偿、锯片寿命报警设定、单箱已切支数、整批已切支数，等等。

(4)加热炉感知模块。

加热炉负责将坯料加热至预设工艺温度，其温度设定和控制精度是锻造成形质量的重要影响因素。本项目加热炉数据采集点位42个，包括交流电压1/2.输入电流、输入电压、输出频率，等等。

(5)机械手感知模块。

本项目通过三台机械手实现生产线无人化，机械手运动的控制和调整关乎生产线的稳定运行，共采集机械手位置信息及电控数据46个，包括ROB2程序运行状态，设备状态，设备产能、设备报警信息，ROB1当前速度，模式，位置，等等。

(6)锻件质量感知模块。

锻件质量感知模块通过在线检测锻件的三维尺寸数据实现模具寿命预测和人工智能锻造工艺的优化，共设计了20个三维数据采集点位和8个二维数据采集点位用于锻件尺寸精度和表面瑕疵的判定，这些数据通过智能感知层进行轻量化处理，为自动决策智能化系统提供数据支撑。在热模锻生产线感知装置软硬件集成开发中，三维尺寸检测设备的准确性和稳定性对于整个生产线的运行和产品质量至关重要。本项目通过锻件三维尺寸数据的在线检测，一方面用于模具寿命预测，及时更换模具，一方面用于人工智能锻造工艺的优化。

热模锻生产线感知与控制装置硬件布置

(1)数据采集处理与实时感知技术。

热模锻压力机通过传感器，以压力、行程、速度等感知参量为核心，反馈至数据采集和控制系统，根据各关键节点传感器检测信息监测系统工作状态，实现故障监测、报警、诊断功能。

(2)感知装置硬件集成开发与自动决策智能化系统。

热模锻压力机传感器与硬件集成相互作用，根据产品检测数据及压力机工作状态实时检测结果，通过智能算法库，自动调整压力机的速度、压力和控制加热温度等参数。根据模具的传感数据，自动调整润滑及冷却剂的喷射量，维护模具寿命，根据智能化决策系统指令自动预设锻造工艺参数。

(3)智能辅助制造系统开发。

热模锻压力机辅助制造系统主要包括进料传送定位装置、除氧化皮装置、机械手及其输送装置，物料及成品仓储区和模具、工具及机床附件库存区。辅助装置实现与主压力机的数据共享，互感互知。信息化运输配送系统负责生产系统中原材料、工件、成品在生产线内的输送任务，将车间的所有运输工具作为终端，基于工件、材料、模具等的位置信息及设备或生产线的需求信息，统一控制、管理、调度，高效完成生产运输、配送任务。

智能算法在锻造生产全生命周期的融合应用研究

智能化锻造在线监测系统设计

热模锻锻造系统分为三个部分，无线传感器网络数据采集部分：将热模锻参数从ZigBee模块上传到监控中心的过程：使用Kingview建立一个数据监控中心。整个解决方案如下：ZigBee无线传感器模块收集热模锻过程的工艺和管理参数，并将其通过RS-232传输到Kingview软件。其中，Kingview软件通过串行端口与热模锻生产线中的数据收集设备进行通信。构建ODBC数据源最终实现Kingview与实时数据库SQLServer之间的通信，并实现数据查询、更新、删除和动态实时图形显示，从而使员工可以准确地判断热锻工作的状态。

(1)组态软件设计。

使用Kingview软件设计可配置的图形界面，并设置动画连接、文本和趋势图。传感器收集的数据通过RS-232传输到Kingview监控中心。将SQLServer用作实时数据库.并使用ODBC与Kingview通信。在Kingview中可以完成查询、修改和删除数据库中对象的操作。此设计中，该字段中工艺和管理参数显示有两种类型：文本显示和趋势图显示。如果压力、速度，温度或节点电压超过预定义的限制，在监视中心中会显示一条错误消息。该系统的远程监视系统大致可分为用户和对象管理系统、实时显示、统计分析、数据库管理和警报模块。

(2)组态设计过程。

定义外部设备和变量。设备定义在项目浏览器的“设备”中完成，在该设备上选择驱动程序并设置通信参数。Kingview具有两种变量：系统定义的变量和用户在Kingview项目浏览器数据库的数据字典中定义一个自定义变量并定义该变量的三个方面。用户可以根据需要完成每个变量的详细设置。

(3)数据库设计。

在硬件中传输的参数可以存储在数据库中，操作员可以监视对这些参数的特定操作，并且数据以动态图的形式显示在Kingview屏幕上，使操作员熟悉字段收集状态。项目组主要研究历史数据库设计和实时数据库设计。

①历史数据库设计。主要从三个方面介绍历史数据库设计：开始配置，设置变量和查询数据。操作员可以验证历史记录数据库是否可以通过信息窗口正常启动。如果无法正常启动，则记录数据库服务未启动。记录数据库正常启动时在项目浏览器中配置历史数据库，完成配置后，可以查询历史数据记录。可以使用历史数据库记录所有整数变量、实数变量和离散变量。在Kingview中有保存历史数据的四种记录：数据更改记录、备份记录、每个设置记录和定时记录。

②实时数据库设计。本设计中使用的实时数据库为SQLServe,实时数据库的设计如下：在KingView的SQLAccessManager下的表模板中创建表模板table1。SQLServer数据库与Kingview通信后，可以使用table?作为模板在Kingview中为数据库创建表以记录收集的工艺和管理参数。

系统接口和功能

(1)组态网与外部通信。

定义串口。按照以下步骤设置串口：第一步，选择串行设备驱动程序——三菱FX2;第二步，将新安装的设备命名为"NewIODevice":第三步，选择设备的串行端口号，选择“COM4”作为设备的通信串行端口；第四步，指定已安装设备的地址。此为Kingview的基址1,必须定义通信参数。恢复间隔为30秒，最大恢复时间为24小时。完成后，单击"完成"按钮，设备图标出现在Kingview软件的“设备”中该软件是新1O设备的串行数据传输设备。

(2)系统安全管理。

从开发安全性和操作安全性考虑系统的安全性管理模块。开发安全性主要是通过设置密码来保证的下面主要介绍操作安全性。

①用户和对象管理。热模锻系统中，设计了不同的组以合理地管理大量用户和管理员，系统设计者还可以设置默认用户属性。

②登录用户。在Kingview中创建一个登录主屏幕设置登录和按钮，操作员选择相应的登录ID并登录以获取安全级别和操作权利。

(3)工艺和管理数据显示。

①接收数据处理。接收到的数据为65位字符串由Kingview数据字典的“数据接收变量”确定。前11位代表其他设备的地址位，21～31位是要监视数据的坯料质量，坯料尺寸、加热时间、保温时间、模具温度、始锻温度、终锻温度、成形速率、能耗管理之一，而41~51位是它们的阈值。62~65位是节点电压。

②文本显示。方法：首先创建显示屏幕，创建文本，然后建立与文本的动画连接，最后在“动画连接”对话框中进行连接并输出与数值相对应的模拟变量。设置动画连接，可以在设置屏幕上动态显示现场收集的工艺和管理参数。

③报警事件。报警系统在整个热模锻监控系统中起着特别重要的作用。通过向员工提供反馈，员工确定故障原因并及时处理故障。警报组以树形结构分布。在Kingview窗口中创建一个报告屏幕，并添加要显示的变量，包括日期、时间和变量。

全生命周期汽车零件热模锻生产自动决策智能化算法

汽车空调压缩机动涡旋盘的神经网络模型与知识图谱

(1)空调压缩机动涡旋盘参数与锻造工艺。

在实际生产过程中，动涡旋盘的材料选用高强度铝合金，塑性较差，变形抗力大。在挤压过程中，由于涡旋壁高且薄，金属材料流动速度与其在涡旋中的位置有关，极易造成金属材料流速不均匀，导致涡旋高度不一致。因此本项目设计了涡旋盘的背压结构成形方案，构建背压阻尼式模具方案的有限元模型。在凹模中添加背压体从而控制金属流动。背压体通过作用在涡旋端部流速快的位置并阻碍此处的金属材料流动，以此提高涡旋端面高度一致性。背压力设置过小会导致背压力不对坯料起作用，背压力过大会导致大幅度增加成形载荷，最终将背压力设置为20kN。

研究结果表明，带背压结构的凹模所受等效应力大于带控制腔结构的凹模，发生断裂失效的概率大于带控制腔结构的凹模。

(2)面向涡旋盘模具应力优化的智能算法框架。

利用数据采集系统中的数据，通过MATLAB使用神经网络建立汽车热模锻生产线中生产工艺参数和目标参数之间的函数模型。

(3)神经网络模型结构搭建。

分别对三个输出工艺参数和输入工艺参数进行训练建模，利用测试数组测试模型的准确性。

(4)神经网络模型评价。

结果表明，利用神经网络模型计算得到的成形载荷、残余应力和模具变形量与测试数组的结果存在一定的误差，但整体趋势一致，且误差值在可接受范围内，这说明所建立的神经网络模型具有一定的预测能力和参考价值。对于成形载荷的预测，神经网络模型的计算结果与测试数组结果的误差较小，且在前35个训练数据点的范围内，预测结果与实际结果较为接近。对于残余应力和模具变形量的预测，虽然存在一些波动，但整体趋势与测试数组结果相符，且误差值并未出现明显的偏离。

值得注意的是，测试数据在建模时并未参与神经网络的训练过程，因此测试结果的准确性可以反映模型的泛化能力。从测试结果来看，所建立的神经网络模型具有一定的泛化能力，可以对未知数据进行有效的预测。

汽车万向节钟形罩热模锻设计

(1)钟形罩参数与工艺。

①钟形罩锻造设计模型。

通过对现有的万向节钟形罩的形状进行研究.选择了三种单元来表达钟形罩的热模锻特征信息.万向节钟形罩是由上面三种单元经过一系列空间位置的排列所组成的。

②单元成形模型。

经过分析选择如图28所示的单元成形模型，此模型是一个正挤压模型，下模由挤压筒和挤压型腔组成。

③输入和输出设计。

输出和输入的向量设计，是将锻件的特征信息模型进行必要的数据处理，对数据进行归一化处理，把所有的数据都放置于[0.1]之间，主要原因为隐藏层所选用的是Sigmod型激励函数。图29是万向节钟形罩最终锻件的外形简要图，锻件特征信息模型的初始数据取自此图。图30是万向节钟形罩的模具图，输出向量的数据取自此图，主要是相应模具的关键尺寸。

图28 单元成形模型

图29 最终锻件简要图

图30 凸模图

(2)钟形罩模具寿命的建模与分析。

本神经网络模型采用拥有两个隐藏层的四层神经网络结构，如图31所示，输入层有6个神经元，即为对热模锻过程中模具的磨损量造成影响的参数(锻造的温度。压力，圆角半径、上模下压的速度、模具的硬度和上下模的间隙)。隐藏层1和2都采用1个神经元，输出层即为模具的磨损量。输入层和隐藏层的函数连接采用logsig,隐藏层和输出层的函数采用tansig。

图31 神经网络模型

随后，我们根据具体数据建立与分析神经网络模型。结果表明，这四种算法的拟合度都较差，但Levenberg-Marguardt算法的拟合度处于第二的水平并且其经过8步的训练后，误差达到0.086483,误差最低，因此选用此算法进行神经网络模型的验证。

验证所使用的数据和结果，其文献中的结果值为3.79,可见，虽然此算法仍存在一定误差，但能够在一定范围内预测。

(3)钟形罩质量模型的建模与分析。

①热模锻质量数据的预处理过程。

在锻造过程的数据特征集合中，挑选出几组最能影响锻造过程稳定性的因素，去除掉影响因素不大的几种变量，从而达到降维的目的，并显著提高质量分析模型的建模效率和模型性能。其过程一般包括产生过程、评价函数、停止准则和验证过程。

②钟形罩质量模型特征选择。

查阅大量的文献资料，分析热模锻生产过程的数据后得到热模锻产品的质量指标主要包括原材料成分、锻件几何尺寸、锻件硬度、表面质量、探伤缺陷、金相组织、力学性能、晶粒度和脱碳层等。基于上述质量指标，将质量模型分成4种：材料成分模型、力学性能模型、外观尺寸模型和内部组织模型。根据特征提取过程，得到各质量模型包含特征，如图32所示。

构建的神经网络模型采用三层结构，即输入层、隐含层和输出层。模型结构如图33所示，输入层的参数分别是锻造温度、变形程度、固溶时间、时效温度、时效时间，输出层的参数为抗拉强度、屈服强度、伸长率。

将准备的输入和输出数据导入到MATLAB中，调出自带的神经网络工具箱；再将导入的数据放入神经网络工具箱中；创建神经网络，选择BP神经网络模型，选择输入输出的数据，训练函数选择Levenberg-Marguardt算法，自适应学习函数选择learngdm,性能函数选择MSE(均方误差函数),层数为两层，神经元的节点数为10个，第一层传递函数选择logsig函数，第二层为tansig函数。

图32 热模锻产品质量分析模型与特征的关系

图33 神经网络模型

(5)神经网络的训练和结果分析。

采用Traingdm算法的神经网络模型的总拟合度接近于0.92,拟合度较差，而且数据证明该模型在运行6步后，性能函数收敛于370.4839,并且该误差随着步数的增多精度逐渐变差，所以不适合。

使用Trainrp算法的神经网络模型拟合度为0.99167,说明其拟合度十分高，该模型经过13步训练后，性能函数收敛于82.4969,收敛性能一般。

Powell-Beale算法的拟合精度为0.99674,拟合精度很高。训练步数为15步时性能函数就收敛于631.3422。该算法模型的误差较大.精度也不够高，收敛性能较差。

Levenberg-Marguardt算法的总体拟合度为0.98962.该算法在经过7次训练后性能函数收敛于22.3847.说明该函数的收敛性能较好，而且误差较小。

综上分析四种不同算法的神经网络模型，发现当拟合度相差不多时，Levenberg-Marguardt算法的性能较好，因此选择该算法用于神经网络模型的构建。

神经网络模型在汽车零件热模锻应用的验证

针对汽车热模锻智能生产线中生产工艺参数与成形结果关系复杂难以用公式表达，因此通过数值模拟获取数据并通过神经网络构建知识图谱。选择修正函数后通过梯度下降法确定神经网络的权值和阈值，使得每组生产工艺参数经过加权、求和、修正并带入激活函数后所得结果与数值模拟结果之间的误差尽可能小。由于样本数据量少，此处将最后一组的数据和文章最后所得的最优工艺参数进行输入.并用来对构建的神经网络模型进行验证。结果显示，两组数据所对应的结果分别为425、300、19.5和465,362、20.7。通过对比发现虽然存在些许误差，但此模型能够较为准确的预测不同输出量所导致的输出量的值。结果表明：计算结果与数值模拟结果误差最大不超过15%,至此函数模型拟合完成，知识图谱搭建完毕。

智能化锻造生产线全生命周期数据管理系统搭建

全生命周期数据管理系统路线

本项目构建锻造系统数据知识图谱与智能算法库，形成汽车典型零件热模锻智能库，研究热模锻核心设备实时感知与自动决策智能化控制技术，建立锻造生产线锻件几何结构、工艺数据、生产过程与成形质量数据等在内的产品全生命周期数据管理与控制系统，开发一套面向汽车行业热模锻智能化锻造系统，实现智能化锻造大数据分析模型与算法、优化决策模型与算法的封装，形成智能热模锻工业大数据综合技术服务平台，为不少于50家浙江省汽车零配件热模锻中小企业开放服务，本项目的整体研究内容与路线架构图如图34所示。

图34 项目研究内容与路线架构图

全生命周期数据管理与质量控制系统

智能化锻造生产线全生命周期数据包括生产、物料、资源和定额等需求计划数据、设备工作和设备故障状态检测数据、设备，模具供求数据，工艺流程和工艺技术数据及各分层任务完成后的数据。MES,PCS各层之间以及与ERP系统的数据及通信传递关系图见图35所示，实现锻造生产线全生命周期数据管理与质量控制，解决好与上下级分系统之间的通信协调问题，以及与加工设备的通信连接问题。

图35 MES、PCS各层之间以及与ERP数据及通信传递关系

(1)锻造生产线全生命周期数据采集与处理技术。锻造生产线全生命周期数据采集包括压力机工作过程、温度、位置精度、模具工作状态、辅助设备使用情况、原材料及模具使用数据等。基于数据知识图谱及智能算法库，将产品全生命周期数据与人工智能生产技术相融合，研发智能化数据处理技术。

(2)锻造生产线全生命周期数据管理系统。锻造智能化执行管理系统分为设备层、控制层(数据采集和数据分析层)、执行层和应用层。来自于底层总线系统的数据信息上传给智能化执行管理系统后，经执行系统对大数据的汇总、统计、分析、计算，最终实现对锻件锻造生产的质量、能源和设备使用效率等模块的管理，从而满足企业对整个锻造生产过程的量化和可控以及客户对产品质量可追溯的要求。

(3)锻造生产线产品质量在线监测与控制技术对底层控制系统中采集的与生产有关数据进行分析优化短期生产作业的计划调度、监控、资源配置和生产过程。对从生产作业计划下达到产品最终完成的整个生产过程、生产现场实时发生前加工和质量事件加工设备运行效率等方面及时做出反应、报告，并提供当前的准确数据辅助管理人员对现场进行指导和处理。

基于工业大数据的全生命周期数据管理服务平台建设

以智能化锻造生产闭环线为核心，基于锻件的工艺、生产过程、在线监测数据、销售数据和使用过程等，与人工智能生产技术相融合，开发一套智能化锻造服务平台。平台具有锻件产品质量监督、智能工艺设计、自动控制调节设备参数、自动调节生产频率等功能。通过图36所示热模锻数据服务创新服务平台显示系统呈现，实现状态感知、实时分析、精准执行及自主决策。

图36 热模锻数据服务创新服务平台数据显示系统