唐明清，郭 鋼+，陳勤和，伍 慶

(1.重慶大學(xué) 汽車工程學(xué)院，重慶 400044；2.四川電力設(shè)計(jì)咨詢有限責(zé)任公司，四川 成都 610041；3.重慶大學(xué) 機(jī)械工程學(xué)院，重慶 400044)

0 引言

隨著國(guó)家“智能制造2025”的提出，汽車企業(yè)對(duì)零件質(zhì)量控制的要求不斷提高，沖壓成型作為汽車制造四大工藝之一，許多工位仍嚴(yán)重依賴人工經(jīng)驗(yàn)[1-2]，由此造成零件質(zhì)量管控成本居高不下?；诖?，商業(yè)智能和工業(yè)大數(shù)據(jù)等作為零件質(zhì)量控制新工具，成為各國(guó)學(xué)者研究熱點(diǎn)[3-6]。統(tǒng)計(jì)過(guò)程控制(Statistical Process Control, SPC)理論已被提出多年，但該方法主要適用于次品產(chǎn)生后的檢測(cè)，難以對(duì)零件質(zhì)量進(jìn)行事前控制。隨著先進(jìn)制造對(duì)不合格品率6σ水平要求的提出，在生產(chǎn)過(guò)程中采用基于預(yù)測(cè)和關(guān)聯(lián)分析的超前質(zhì)量控制是必然趨勢(shì)[7-8]。李健等[9]提出基于遺傳算法的零件加工系統(tǒng)誤差建模方法，嘗試對(duì)車削類加工進(jìn)行實(shí)時(shí)建模和動(dòng)態(tài)補(bǔ)償；賴欣武[10]通過(guò)BP神經(jīng)網(wǎng)絡(luò)組合預(yù)測(cè)的方法，考慮了幾何、材料和工藝方面因素對(duì)板料沖壓回彈質(zhì)量進(jìn)行預(yù)測(cè)研究；鑒于支持向量機(jī)(Support Vecter Machine, SVM)較好地解決了人工神經(jīng)網(wǎng)絡(luò)(Atificial Neutral Network, ANN)高維數(shù)和小樣本預(yù)測(cè)存在的先天問(wèn)題[11-12]，董華等[8]在此基礎(chǔ)上利用模糊最小二乘支持向量機(jī)(Least Square SVM, LS-SVM)實(shí)現(xiàn)了小批量生產(chǎn)智能預(yù)測(cè)。以上方法都取得了一定成果，但基于智能算法的“黑箱”預(yù)測(cè)模型難以實(shí)現(xiàn)數(shù)據(jù)間的關(guān)聯(lián)分析，無(wú)法建立“工藝—質(zhì)量”映射關(guān)系模型[13-15]，因此，難以確定工藝關(guān)鍵影響因子[16-17]。

多元線性回歸是進(jìn)行兩組變量關(guān)聯(lián)量化分析的經(jīng)典方法[18]，適用于挖掘工藝參數(shù)和零件質(zhì)量數(shù)據(jù)間的內(nèi)在規(guī)律。由于數(shù)據(jù)變量較多且變量之間存在多重相關(guān)性，本文在多元線性回歸的基礎(chǔ)上，應(yīng)用偏最小二乘回歸方法解決多變量共線性問(wèn)題[19]。該方法同時(shí)進(jìn)行了主成分分析的相關(guān)研究，進(jìn)一步揭示了生產(chǎn)過(guò)程與生產(chǎn)質(zhì)量的關(guān)系。

1 沖壓商業(yè)智能分析模型

隨著智能化生產(chǎn)線建設(shè)和車間信息化升級(jí)，制造企業(yè)生產(chǎn)過(guò)程執(zhí)行系統(tǒng)(Manufacturing Execution System, MES)、企業(yè)資源計(jì)劃系統(tǒng)(Enterprise Resource Planning, ERP)等系統(tǒng)成為車企必要的信息化平臺(tái)，使得采集沖壓生產(chǎn)工藝過(guò)程數(shù)據(jù)和質(zhì)量數(shù)據(jù)成為可能?；诖?，建立企業(yè)級(jí)商業(yè)智能分析平臺(tái)，對(duì)生產(chǎn)數(shù)據(jù)進(jìn)行價(jià)值挖掘，進(jìn)而建立汽車生產(chǎn)質(zhì)量預(yù)警和控制模型[20]，如圖1所示，完整的商業(yè)智能解決方案包括數(shù)據(jù)采集、數(shù)據(jù)預(yù)處理、數(shù)據(jù)挖掘和結(jié)果報(bào)表輸出4個(gè)步驟。

以汽車沖壓零件后門(mén)內(nèi)板生產(chǎn)過(guò)程為例，首先通過(guò)數(shù)據(jù)庫(kù)提取生產(chǎn)原始工藝數(shù)據(jù)，包括板材出庫(kù)、換模、零件下線、零件質(zhì)檢、零件入庫(kù)和零件質(zhì)量數(shù)據(jù)。在此基礎(chǔ)上，進(jìn)行專家降維，召開(kāi)工程師會(huì)議，整理工藝流程，并進(jìn)行初步因子篩選；將數(shù)據(jù)導(dǎo)入數(shù)據(jù)倉(cāng)庫(kù)，進(jìn)行預(yù)處理，即清洗、轉(zhuǎn)換和整合使之成為標(biāo)準(zhǔn)化數(shù)據(jù)；建立數(shù)學(xué)模型，利用回歸分析及主成分分析方法建立工藝數(shù)據(jù)和零件質(zhì)量數(shù)據(jù)映射關(guān)系，并確定關(guān)鍵影響因子；開(kāi)發(fā)商業(yè)智能分析軟件，將分析代碼集成開(kāi)發(fā)，實(shí)現(xiàn)商業(yè)智能聯(lián)機(jī)分析，輸出分析報(bào)表，并確定影響零件質(zhì)量的關(guān)鍵工藝參數(shù)。

2 沖壓商業(yè)智能分析模型數(shù)據(jù)體系及算法原理

2.1 數(shù)據(jù)體系構(gòu)建

本文將沖壓生產(chǎn)數(shù)據(jù)分為工藝過(guò)程數(shù)據(jù)、零件質(zhì)量數(shù)據(jù)和車間物流數(shù)據(jù)3類。如圖2所示，工藝過(guò)程數(shù)據(jù)包括供應(yīng)商板材數(shù)據(jù)、模具數(shù)據(jù)、壓機(jī)設(shè)備數(shù)據(jù)和零件特征數(shù)據(jù)；零件質(zhì)量數(shù)據(jù)包括零件批次合格率、人工檢測(cè)數(shù)據(jù)和零件高光檢測(cè)數(shù)據(jù)；物流數(shù)據(jù)作為鏈表接口建立工藝數(shù)據(jù)和質(zhì)量數(shù)據(jù)之間的連接關(guān)系。

因?yàn)閿?shù)據(jù)量龐大，在模型建立前，需對(duì)原始數(shù)據(jù)進(jìn)行專家降維，即在項(xiàng)目前期，專業(yè)工程師對(duì)數(shù)據(jù)進(jìn)行初步分析，排除不相關(guān)變量，給出可供后續(xù)分析的變量集。如圖3所示，在專家降維完成后，利用主成分分析和偏最小二乘回歸算法建立沖壓“工藝—質(zhì)量”數(shù)據(jù)映射關(guān)系模型，挖掘過(guò)程數(shù)據(jù)與質(zhì)量數(shù)據(jù)的量化關(guān)聯(lián)關(guān)系，確定沖壓零件下線質(zhì)量關(guān)鍵影響因子，定位故障工位，并提供工藝參數(shù)優(yōu)化指導(dǎo)。

2.2 主成分分析方法

由于原始工藝數(shù)據(jù)維度多且存在多重相關(guān)性，所以需要對(duì)觀測(cè)數(shù)據(jù)進(jìn)行主成分分析，將樣本數(shù)據(jù)轉(zhuǎn)化成相互獨(dú)立的變量，從而實(shí)現(xiàn)降維處理，以建立更加合理的回歸分析模型。

設(shè)變量X=(X1,X2,…,Xm)表示樣本x1,x2,…,xm的隨機(jī)變量，由于方差反映了數(shù)據(jù)差異的程度，尋找單位向量w=(w1,w2,…,wm)，使得方差Var(w·X)的值最大，則解w是m維空間的一個(gè)主成分方向。

繼續(xù)尋找第2個(gè)乃至第r個(gè)主成分直至模型達(dá)到精度要求。

設(shè)各主成分集合為t=(t1,t2,…,tr)，th表示第h個(gè)主成分，h=1,2,…,r，可設(shè)：

(1)

對(duì)于每一個(gè)主成分th=wh1X1+…+whmXm，均存在wh使得Var(th)的值達(dá)到最大，且wh垂直wi(i=1,2,…,r∪i≠h)，依次計(jì)算得到r個(gè)主成分t=(t1,t2,…,tr)。

2.3 偏最小二乘回歸算法

偏最小二乘回歸算法的原理是在E0,…Er-1矩陣中提取成分t1,…tr(r≤m)。在保證th對(duì)因變量系統(tǒng)F0有較強(qiáng)解釋能力的前提下，要求th盡可能多地?cái)y帶X中的信息。

(1)對(duì)觀測(cè)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，設(shè)p個(gè)標(biāo)準(zhǔn)化因變量y1,y2,…,yp與m個(gè)標(biāo)準(zhǔn)化自變量x1,x2,…,xm的n次標(biāo)準(zhǔn)化觀測(cè)數(shù)據(jù)陣分別記為

(2)

(3)

(4)

yj=aj1x1+…+ajmxm,(j=1,2,…,m)。

(5)

(6)

PRESS(l)為抽取l個(gè)成分后擬合yj的預(yù)測(cè)誤差平方和，SS(l)為yj的誤差平方和。

(j=1,2,…,p)。

(7)

3 沖壓商業(yè)智能分析模型算例驗(yàn)證

3.1 分析對(duì)象

不同零件的大小、形狀和復(fù)雜程度不同，導(dǎo)致生產(chǎn)零件的加工難度存在差異。本文以零件V-X01后門(mén)內(nèi)板為研究對(duì)象(如圖4)，提取某汽車沖壓工廠連續(xù)3個(gè)月的沖壓生產(chǎn)數(shù)據(jù)。

3.2 數(shù)據(jù)采集及處理

以零件批次合格率作為下線產(chǎn)品質(zhì)量指標(biāo)。采集供應(yīng)商板材數(shù)據(jù)、模具數(shù)據(jù)，壓機(jī)設(shè)備數(shù)據(jù)和零件特征數(shù)據(jù)共43組自變量并依次命名，如表1所示，各組變量標(biāo)簽如表2所示。

表1 自變量數(shù)據(jù)來(lái)源

表2 自變量名稱

采集得到54組樣本數(shù)據(jù)，隨機(jī)抽取45組數(shù)據(jù)用于建立模型，余下9組數(shù)據(jù)用于對(duì)模型進(jìn)行檢驗(yàn)，樣本數(shù)據(jù)如表3所示。

表3 沖壓生產(chǎn)數(shù)據(jù)樣本數(shù)據(jù)(部分)

計(jì)算結(jié)果顯示，達(dá)到模型精度需提取4個(gè)主成分，各主成分單位向量w如表4所示。

表4 主成分單位向量

(8)

表5 主成分權(quán)重因子系數(shù)

y=a0+a1x1+a2x2+…+a43x43。

(9)

利用MATLAB計(jì)算得到V-X01后門(mén)外板回歸方程如下：

在國(guó)有農(nóng)場(chǎng)社區(qū)管理方面，廣東農(nóng)墾在47個(gè)農(nóng)場(chǎng)和3個(gè)企業(yè)中成立了48個(gè)社區(qū)管理委員會(huì)，集中承擔(dān)區(qū)域內(nèi)的社區(qū)管理服務(wù)和社會(huì)事業(yè)建設(shè)職能，同時(shí)根據(jù)居民點(diǎn)分布情況，設(shè)立了居委會(huì)、村委會(huì)，實(shí)現(xiàn)社區(qū)管理職能與企業(yè)經(jīng)營(yíng)職能在農(nóng)場(chǎng)內(nèi)部職能、機(jī)構(gòu)、人員、資產(chǎn)債務(wù)、財(cái)務(wù)核算相分開(kāi)?；洊|揭陽(yáng)、汕尾墾區(qū)大部分農(nóng)場(chǎng)的社區(qū)管理職能已基本納入地方政府統(tǒng)一管理，社區(qū)居委會(huì)（村委會(huì)）的人員經(jīng)費(fèi)和工作經(jīng)費(fèi)得到地方財(cái)政保障。湛江、茂名、陽(yáng)江墾區(qū)正在與屬地政府溝通，爭(zhēng)取年底前由屬地政府行文批復(fù)設(shè)立農(nóng)場(chǎng)社區(qū)居委會(huì)，并將其管理和規(guī)劃納入屬地政府統(tǒng)一管理，在過(guò)渡期內(nèi)經(jīng)費(fèi)暫由農(nóng)墾繼續(xù)承擔(dān)。

y=-6.28+0.03x1-0.04x2+

0.01x5+…+5.4×10-3x43。

(10)

回歸模型系數(shù)計(jì)算結(jié)果如表6所示，其45組訓(xùn)練樣本運(yùn)算結(jié)果如圖5所示。

表6 偏最小二乘回歸模型系數(shù)

根據(jù)標(biāo)準(zhǔn)回歸系數(shù)，篩選得到對(duì)回歸方程邊際作用最明顯的9個(gè)關(guān)鍵影響因子，如圖7所示。x1,x2,x10,x13,x28,x33,x34,x38,x399個(gè)變量在解釋回歸方程時(shí)起到重要作用，代表了影響批次合格率的關(guān)鍵工位或參數(shù)，其余34組變量對(duì)回歸方程的解釋能力相對(duì)較弱。

對(duì)9個(gè)顯著影響因子標(biāo)準(zhǔn)回歸系數(shù)絕對(duì)值進(jìn)行排序，如表7所示。標(biāo)準(zhǔn)回歸系數(shù)絕對(duì)值大小表示因子對(duì)批次合格率影響程度，標(biāo)準(zhǔn)回歸系數(shù)正負(fù)表示因子對(duì)批次合格率的相關(guān)性正負(fù)。如表7中影響最大的因子為x2，且供應(yīng)商2的供貨量大小與批次合格率存在負(fù)相關(guān)關(guān)系。

表7 批次合格率關(guān)鍵影響因子標(biāo)準(zhǔn)回歸系數(shù)

4 沖壓商業(yè)智能分析軟件的開(kāi)發(fā)及應(yīng)用

為進(jìn)行生產(chǎn)過(guò)程中批次合格率的分析并最終實(shí)現(xiàn)工藝參數(shù)的改進(jìn)提高，利用上述分析模型開(kāi)發(fā)商業(yè)智能軟件BI(business intelligence)，并應(yīng)用于線上監(jiān)測(cè)任務(wù)中。該商業(yè)智能軟件由數(shù)據(jù)采集系統(tǒng)、數(shù)據(jù)儲(chǔ)存系統(tǒng)、數(shù)據(jù)分析系統(tǒng)和數(shù)據(jù)展示系統(tǒng)4部分組成，如圖8所示。

在數(shù)據(jù)分析系統(tǒng)中，首先從各個(gè)數(shù)據(jù)庫(kù)中調(diào)取生產(chǎn)對(duì)象零件原始數(shù)據(jù)，經(jīng)數(shù)據(jù)去重、數(shù)據(jù)清洗、數(shù)據(jù)轉(zhuǎn)化和數(shù)據(jù)關(guān)聯(lián)后導(dǎo)入數(shù)據(jù)倉(cāng)庫(kù)，實(shí)現(xiàn)數(shù)據(jù)降維。將訓(xùn)練好的偏最小二乘回歸模型嵌入商業(yè)智能軟件，其系統(tǒng)軟件架構(gòu)圖如圖9所示。

通過(guò)軟件對(duì)在線生產(chǎn)信息的實(shí)時(shí)讀取，預(yù)測(cè)對(duì)象零件批次合格率并監(jiān)測(cè)其波動(dòng)狀況。如果批次合格率不達(dá)標(biāo)或者出現(xiàn)異常，系統(tǒng)自動(dòng)報(bào)警并通知現(xiàn)場(chǎng)工程師，同時(shí)在車間看板顯示關(guān)鍵影響因子，指導(dǎo)工程師排除故障。軟件數(shù)據(jù)處理流程如圖10所示，數(shù)據(jù)分析界面如圖11所示。

5 結(jié)束語(yǔ)

本文基于偏最小二乘回歸算法建立了預(yù)測(cè)模型，使用全生產(chǎn)鏈過(guò)程數(shù)據(jù)對(duì)沖壓質(zhì)量零件批次合格率進(jìn)行了預(yù)測(cè)。計(jì)算結(jié)果：R2=0.705 5，MSE=0.001 3，復(fù)相關(guān)系數(shù)R>0.8。結(jié)果顯示，偏最小二乘回歸模型預(yù)測(cè)效果滿意，為生產(chǎn)過(guò)程中基于預(yù)測(cè)的超前質(zhì)量控制提供了一種有效的解決方法。

本文同時(shí)對(duì)自變量進(jìn)行了主成分分析，在43組自變量中提取出4個(gè)主成分，并結(jié)合標(biāo)準(zhǔn)回歸系數(shù)確定了9個(gè)沖壓生產(chǎn)關(guān)鍵影響因子，為故障排查提供了指導(dǎo)。以上信息對(duì)優(yōu)化生產(chǎn)過(guò)程具有較高的參考價(jià)值，同時(shí)對(duì)提高沖壓生產(chǎn)質(zhì)量的一致性和穩(wěn)定性具有積極作用。

在本文研究結(jié)論成果基礎(chǔ)上，將進(jìn)一步對(duì)工業(yè)數(shù)據(jù)進(jìn)行整合和大數(shù)據(jù)應(yīng)用，擴(kuò)大工業(yè)信息化橫向及縱向的延伸性，嘗試建立車間生產(chǎn)上下游及跨車間、跨部門(mén)甚至跨企業(yè)聯(lián)系；嘗試采集全產(chǎn)業(yè)鏈數(shù)據(jù)，探索更加高效、智能算法，讓分析更加實(shí)時(shí)精確，從而進(jìn)一步提高產(chǎn)品生產(chǎn)的穩(wěn)定性和一致性。