金壽松 劉星琪 吳容吉 邢瑞花 王亞良

(浙江工業(yè)大學機械工程學院 杭州 310023)

0 引言

以制造業(yè)為主的實體經濟,決定了國家的經濟實力和經濟健康水平[1],而我國機械制造仍與世界強國存在差距[2]。隨著制造業(yè)的發(fā)展,數字化生產和監(jiān)控設備引入生產制造現(xiàn)場,產生大量反映生產過程狀態(tài)的數據。因此質量管理將趨向數字化,如何在質量管理中融入新技術,為產品質量提供有力保障成為迫切需要解決的難點和痛點。

現(xiàn)有數字化質量管理研究中,呂君等人[3]利用GeneXus 工具開發(fā)了基于MES 的質量管理系統(tǒng),實現(xiàn)了數據自動采集、統(tǒng)計、控制等功能。周振貴等人[4]開發(fā)質量監(jiān)控軟件,實現(xiàn)數據的實時監(jiān)控、報警,但該方法并不能對質量問題進行分析提出改進方案。鄭唯唯等人[5]討論了人工神經網絡等理論與方法在過程質量智能化控制中的應用,但存在預測與診斷相脫離的問題。質量管理在動態(tài)性、復雜性、數據分析等方面仍存在問題,缺少對數據的實時感知以及質量相關的數據庫,無法對大數據進行分析決策進而從產品質量的各個階段進行控制及優(yōu)化。

2011 年,Michael[6]提出數字孿生體概念。2016年Schroeder 等人[7]將數字孿生技術應用于工業(yè)領域。文獻[8,9]將數字孿生運用到系統(tǒng)建模仿真過程中,降低了仿真過程的復雜程度。Morse 等人[10]應用數字孿生技術進行產品設計及加工過程模擬,提高了對產品的管控。陶飛等人[11]提出了數字孿生車間概念以及數字孿生的五維模型[12],對數字孿生車間的主要組成進行了研究分析。武穎等人[13]利用數字孿生技術對復雜產品裝配過程中質量管控時效性差、缺乏預測性等問題進行了改進。Weyer等人[14]運用物聯(lián)網與數字孿生技術實現(xiàn)了物理世界與信息世界的互聯(lián)互通。綜上所述,數字孿生技術研究集中在理論框架、數字孿生模型建立、裝配、維護等領域,在質量控制方面還有很大研究空間。

本文利用數字孿生技術構建物理生產車間、虛擬生產車間、質量孿生數據、生產管理系統(tǒng)相協(xié)調的質量管理模型。通過設計車間加工數據的采集融合方法形成質量管理數據庫,可對產品質量進行追溯及質量相關知識挖掘,消除信息孤島。結合數字孿生體中建立的灰色理論模型進行實時交互分析,再通過案例推理模型實現(xiàn)異常數據診斷,達到對產品生產質量實時預測診斷的目標,并反饋到質量管理服務系統(tǒng)進行集中控制、優(yōu)化,實現(xiàn)產品質量控制的智能化、實時化。

1 產品生產質量管理流程設計

1.1 傳統(tǒng)產品質量管理流程

目前生產過程質量管理多基于制造執(zhí)行系統(tǒng)(manufacturing execution system,MES)。傳統(tǒng)的MES 系統(tǒng)中,實現(xiàn)質量控制主要由質量計劃、產后質量檢查、過程統(tǒng)計和統(tǒng)計報表4 個方面組成,具體流程如圖1 所示。首先管理人員根據歷史經驗制定質量計劃,加工后通過檢驗、整理得到控制圖以及統(tǒng)計報表。傳統(tǒng)的質量管理存在質量管理過程缺少預測能力及反饋機制,管理過程存在嚴重滯后性,質量管理數據不完整,沒有形成信息閉環(huán)。

圖1 傳統(tǒng)MES 工序質量控制流程

1.2 基于數字孿生的產品生產質量管理流程

數字孿生技術是一個集成多物理量、多尺度、多概率的仿真過程[15]。本文提出基于數字孿生的產品生產質量管理方法,分為3 個階段,即加工前質量預測、加工中質量監(jiān)控優(yōu)化和質量知識挖掘。具體流程如圖2 所示。

圖2 基于數字孿生質量管理流程圖

首先是加工前質量預測。服務系統(tǒng)根據數據層中工藝資源狀態(tài)、工藝路線、質量知識庫等進行以質量為優(yōu)化目標的排產,將計劃下發(fā)虛擬生產車間,與歷史加工數據相結合進行加工質量預測分析,如發(fā)現(xiàn)質量數據異常,則進行工序質量診斷并反饋到服務層針對問題對排產計劃進行調整。

其次是加工中質量監(jiān)控優(yōu)化。服務系統(tǒng)將生產計劃下發(fā)到物理生產車間實時獲取物理生產車間質量數據,與車間生產管理系統(tǒng)數據相結合形成的孿生數據。通過虛擬生產車間對未來時刻質量特性值進行分析預測,預測結果出現(xiàn)質量問題時,結合質量診斷模型給出診斷向量,提出改進方法,反饋到車間生產管理系統(tǒng),對加工狀態(tài)做出相應調整。產品加工完畢后,對產品進行質量檢驗,檢驗的實測值與加工前預測值相比較,如出現(xiàn)較大偏差則對預測模型進行調整,對出現(xiàn)的不合格產品追溯加工過程進行質量診斷找出原因,分析優(yōu)化方案,反饋到數據層加強知識庫,提高質量分析能力。

最后是質量知識挖掘。在產品加工中物理生產車間、虛擬生產車間以及車間生產管理系統(tǒng)反饋到數據層的質量數據通過融合形成產品生產質量知識庫。同時形成的知識庫反之應用于各個階段,為各個階段進行質量分析診斷提供數據基礎以及理論依據。

利用數字孿生生產質量管理方法,一方面可實現(xiàn)生產過程中的質量信息交互融合,通過歷史數據進行質量知識挖掘;另一方面可實現(xiàn)產品在整個生產過程中生產質量數據的實時監(jiān)控與預測,提前發(fā)現(xiàn)未來時刻生產過程中可能出現(xiàn)的質量問題,并根據分析診斷提供可靠的優(yōu)化方案反饋到生產管理系統(tǒng),以提前消除可能會引起的質量波動或者產生不合格產品的因素,從而提高產品質量。

2 生產質量管理模型構建

產品生產中采用數字孿生的信息制造技術,通過物理生產車間與虛擬生產車間的相互真實映射與實時交互,從而實現(xiàn)物理生產車間、虛擬生產車間、車間生產管理系統(tǒng)三者之間要素、流程、數據的集成和融合的新型車間管理方法。物理生產車間是在傳統(tǒng)的生產車間基礎上增加多源異構實時數據的感知接入設備,由車間廠房、機器設備、人員、物料等組成,是數字孿生車間模型的實體部分。虛擬生產車間是通過幾何、行為、規(guī)則等模型對物理生產車間的虛擬映射。由仿真軟件對物理生產車間的高度還原的虛擬模型,是實現(xiàn)數字孿生模型的關鍵組成部分。車間生產管理系統(tǒng)是負責生產要素、生產計劃、生產過程等的管控與優(yōu)化,從而提高車間生產效能的管理系統(tǒng),是數字孿生模型有效運作的中樞部分。通過物理生產車間數據、虛擬生產車間數據、車間生產管理系統(tǒng)數據以及三者相互融合的數據組成車間質量孿生數據,實現(xiàn)消除信息孤島的作用,是數字孿生模型各部分的連接紐帶。

為實現(xiàn)生產過程中質量數據的采集、分析及反饋,針對產品生產過程建立質量管理數字孿生模型,如圖3 所示。其中物理生產車間是具有數據實時感知能力的產品生產實體車間。虛擬生產車間是借助仿真建模軟件參照物理生產車間的現(xiàn)實情況建立的具有實時仿真、生產質量預測、生產質量診斷功能的虛擬仿真模型。車間生產管理系統(tǒng)是產品生產過程的制造執(zhí)行系統(tǒng)。由物理生產車間產生的實際加工數據、虛擬生產車間產生的仿真預測數據、車間生產管理系統(tǒng)產生的車間管理數據以及三者相互融合的數據組成的車間質量孿生數據,將物理生產車間、虛擬生產車間、車間生產管理系統(tǒng)緊密聯(lián)系到一起。物理生產車間與車間質量管理系統(tǒng)產生的實時生產質量數據生成車間質量孿生數據并且儲存,然后依靠虛擬生產車間,對車間生產管理系統(tǒng)中的車間質量孿生數據對未來時刻生產質量進行質量預測、質量診斷、質量監(jiān)控、質量統(tǒng)計等分析,且將所形成的質量分析結果反饋到車間生產管理系統(tǒng)。車間生產管理系統(tǒng)根據分析結果對物理生產車間進行改進調控,如此循環(huán)反復,從而實現(xiàn)產品生產過程物理空間與信息空間的交互融合,構成產品生產質量管理數字孿生模型。實現(xiàn)對產品生產過程質量的實時預測、反饋與監(jiān)管,從而提高產品質量與生產效能。

圖3 產品生產質量管理數字孿生模型

3 數字孿生數據采集融合

孿生數據是數字孿生模型的驅動,來源于物理實體、虛擬模型、服務系統(tǒng)[15]。Thomas 等人[16]對利用數字孿生技術進行實時數據采集以及數據處理的潛力和優(yōu)勢進行了闡述。產品生產質量數字孿生數據是車間實時生產質量數據、質量虛擬仿真數據、服務層質量數據交互融合后形成的孿生數據,是數字孿生質量管理模型的驅動力量,推動了各個部分的運轉。產品生產質量數字孿生數據中車間實時生產質量數據包含車間實際加工過程中通過傳感器、可編程邏輯控制器(programmable logic controller,PLC)、射頻識別技術(radio frequency identification,RFID)等對生產加工過程進行實時采集的數據;質量虛擬仿真數據包含通過質量預測模型以及質量診斷模型對產品質量進行仿真、分析的數據;服務層質量數據包含計算機輔助工藝過程設計(computer aided process planning,CAPP)、MES 等系統(tǒng)與質量相關的數據。如圖4 所示,車間實時生產數據通過OPC-UA 協(xié)議上傳至數字孿生數據;服務層質量數據以及虛擬仿真數據將采用可擴展標記語言(extensible markup language,XML)或JS 對象簡譜(javascript objectnotation,JSON)數據語言,通過企業(yè)服務總線(enterprise service bus,ESB)進行集成,最終形成產品生產質量的數字孿生數據。

圖4 數字孿生數據構成圖

質量數據存在多源異構的特性。在采集過程中,本文將多源異構數據分為以下幾種類型:數值型、布爾型、字符串型。其中,數值型數據主要反映設備加工過程的狀態(tài),如轉速、各個軸的位置、進給量等等;布爾型數據主要反映設備的開關機、急停等狀態(tài);字符串型數據主要反映NC 代碼、報警內容等信息。相同數據類型統(tǒng)一數據接口,針對不同的數據類型實現(xiàn)接口,在進行設備數據采集時,調用相應的接口即可。

在融合過程中,將數據分為結構化數據及非結構化數據,采用二進制數據替代法來消除非結構化數據的異構性,并將結構數據與非結構數據進行統(tǒng)一表達,最后將統(tǒng)一表達后的數據封裝成JSON 格式,實現(xiàn)數據的融合。

4 虛擬層產品生產質量優(yōu)化控制

4.1 基于數字孿生數據的預測診斷流程

實現(xiàn)加工質量異常預測是實現(xiàn)數字孿生質量控制的前提?，F(xiàn)有的質量異?？刂品椒ǘ际抢脤σ鸭庸祿M行異常分析,在異常出現(xiàn)之后做出響應,有一定的滯后性,并不能完全消除不合格品所產生的浪費。質量預測的過程就是對存在質量問題的數據進行監(jiān)測、識別?；跀底謱\生的質量控制方法就是通過對數字孿生形成的產品生產質量孿生數據進行挖掘分析,通過虛擬層質量控制模型預測出后續(xù)質量數據的發(fā)展趨勢,并提前掌握生產情況做出相應的調整改進。整個預測診斷流程如圖5 所示。

圖5 基于數字孿生數據的預測診斷流程圖

通過數字孿生模型實現(xiàn)物理空間與虛擬空間之間的互聯(lián)互通,利用加工過程實時檢測數據與服務層質量數據融合后的產品質量孿生數據導入質量預測模型中進行質量預測?；陬A測結果,通過質量診斷模型建立診斷案例與孿生數據案例進行匹配檢索,找到質量問題以及改進方法,從而對產品的加工工藝參數和工藝路線進行優(yōu)化,最終實現(xiàn)產品生產質量的實時管控。優(yōu)化后的生產數據與孿生數據融合,形成質量管理數據的閉環(huán)循環(huán),與此同時產品的加工參數被記錄在孿生數據中方便產品的質量追溯。

4.2 灰色理論質量預測模型

生產加工過程十分復雜,質量影響因素眾多,難以用數學模型表示質量特性與影響因素之間的關系。因此選用灰色系統(tǒng)理論,在不考慮影響因素情況下,利用少量數據對質量特性變化趨勢進行短期預測。通過多源異構數據融合形成的產品生產質量孿生數據對傳統(tǒng)灰色模型、新信息灰色模型、新陳代謝灰色模型進行測試,比較三者之間的誤差大小,從而擇優(yōu)選擇模型進行后續(xù)的質量預測。建立灰色質量預測模型實現(xiàn)了對生產數據精度更高、速度更快的質量預測過程。

GM(1,1)是用含有1 個變量的一階微分方程構成的灰模型[17]。在工序加工過程中,收集的原始質量數據數列,通過一階累加生成新的數據序列呈現(xiàn)一定的規(guī)律,再通過類似指數曲線擬合,具體建模過程如下。

獲取原始質量數據生成原始序列:

通過一階累加生成序列:

定義灰微分方程:

其中,x(0)(k) 為灰導數,α 為發(fā)展灰數,z(1)(k) 為白化背景值,ε 為灰作用量。

由灰微分方程可得白微分方程:

求解微分方程:

其中ε、α 可通過已知數據利用最小二乘法確定:

矩陣B 為x(1)(t) 取累加平均值所得,矩陣YN為x(0)轉置矩陣。求解ε、α 后,得到預測模型為

由于在加工生產過程中,實時監(jiān)測的質量數據不斷對孿生數據進行更新,不同的數據會使得模型有不一樣的預測效果。因此,通過歷史數據的測試,進而選擇傳統(tǒng)GM(1,1)、新信息GM(1,1)、新陳代謝GM(1,1)三者中較優(yōu)模型進行后期預測,不斷更新的孿生數據也使預測結果不斷優(yōu)化。

4.3 案例推理質量診斷模型

基于案例推理(case-based reasoning,CBR)的質量異常診斷方法,是一個案例檢索、案例重用、案例調整、案例學習的4R(retrieve、reuse、revise、retain)模型循環(huán)過程[18]。

采用知識表達的方法將質量異常案例定義為

其中,字母具體含義及結構如表1 所示。案例特征是案例的主要部分,本文從質量特性誤差率、質量異常模式、5M1E 方面建立質量特征信息F,并定義

表1 基于特征的質量案例表示結構

其中,質量特性率表示為

質量異常模式包括超出邊界以及屢靠邊界、漸變模式、躍進模式、鏈狀模式、集中到中心模式、周期變化模式,將其編號為模式1、模式2、……以此類推。人員相關數據信息包括人員的技術等級、人員疲勞程度、人員操作熟練程度等。設備信息包括維護狀態(tài)、安裝偏差、機床轉速、精度、磨損誤差、熱變形、夾具夾緊力等。其中機床維護狀態(tài)計算公式為

式中K 為磨損系數,v 為主軸轉速,f 為進給速度,a為切削深度,D 為刀具直徑,Z 為刃數。并利用粗糙集理論將案例特征值分為數值型、枚舉型、邏輯型3個方面對質量特征信息進行權重提取。

案例方案信息中包括診斷結果和解決方案2 個部分。本文采取距離測度方法中的K 最近鄰檢索方法作為案例之間的相似度檢索方法。將目標案例特征向量視為高維度空間中的點,在空間中尋找與目標案例相匹配的點,將超過相似度閾值的案例提取并作為參考。

假設任意目標案例Ci表示為

其中,xn(ci) 表示案例Ci中的第k 個特征屬性值,因此Ci和任意Cj之間的距離為

相似度定義為

其中,n 為屬性個數,ωk為在案例中第k 個屬性的權值,mij為2 個案例第k 個屬性的相似度。

通過數字孿生模型中車間實時生產質量數據、質量虛擬仿真數據、服務層質量數據不斷的交互融合與積累更新形成質量知識庫,獲取產品質量相關知識經驗從而進行診斷與解決方案的提供。并將信息反饋到服務層進行反思總結,以便對日后生產過程中質量控制進行優(yōu)化,以及案例匹配次數等信息的記載,方便進行產品質量追溯。

4.4 齒圈生產過程質量管理實例

以某齒輪廠齒圈生產加工過程中精車工序質量控制為例,對本文所述質量預測及診斷方法進行實例驗證。通過Matlab 建立灰色預測模型,驗證前需在歷史加工數據中提取25 組齒圈精車直徑加工數據,其中1～10 組數據為訓練數據,11～20 組為測試數據,如表2 所示。其中齒圈加工的標準直徑為126.55 mm。

表2 齒圈質量數據列表

(1)質量數據的預測

首先,對數據進行準指數驗證。如圖6 所示,光滑比小于0.5的數據占比為94.74%,除去前兩個時期外,光滑比小于0.5 的數據占比為100%,符合數據驗證要求。然后,利用訓練數據對3 個模型進行訓練,并利用測試組數據與訓練后的模型對預測數據進行誤差分析,結果如圖7 所示。通過分析可得新陳代謝GM(1,1)模型的誤差平方和最小。將輸出的預測結果與原數據擬合的評價結果如圖8所示,平均相對殘差為1.7211e-05,平均級比偏差為2.4476e-05。因此,最終選擇新陳代謝GM(1,1)模型繼續(xù)進行后續(xù)預測。繼續(xù)往后預測5 組數據情況如表3 所示,通過預測結果可以看出,通過該模型預測出的數據結果與實際生產數據相對誤差較小,實現(xiàn)了質量數據的預測功能。

圖6 光滑度曲線圖

圖7 3 種模型測試數據預測結果比較圖

圖8 擬合結果評價圖

表3 齒圈質量預測數據列表

(2)診斷向量的提取

通過對歷史加工數據及預測數據的分析,發(fā)現(xiàn)質量存在異常。通過CBR 模型對此時加工過程進行知識表達。通過服務系統(tǒng)以及孿生數據獲取案例信息中相關屬性的參數取值,如表4 所示。

表4 案例知識向量表示

(3)案例檢索匹配及方案反饋

通過案例診斷結果在孿生數據歷史案例數據庫中利用K 最近鄰檢索方法尋找相似度最高的案例。最終根據對比發(fā)現(xiàn)質量問題的原因是刀具磨損嚴重,生產溫度較高,導致加工精度下降;解決方案為及時補充更換切削液,更換刀具,提升加工精度。最后將完成后的案例儲存到案例庫中進行擴充。

5 質量管理系統(tǒng)實現(xiàn)與應用

基于以上質量管理方法研究,利用Microsoft Visual Studio 2008、Microsoft.Net Framework 3.5 技術,開發(fā)了齒輪生產質量管理控制平臺,如圖9 所示。該平臺已應用于某齒輪生產工廠,應用效果較好,對本文提出的基于數字孿生技術的產品生產質量管理方法進行了有效驗證,實現(xiàn)了數字孿生車間產品生產質量管理的可視化。

圖9 質量管理控制平臺示意圖

質量管理平臺通過實時的數據感知接入與互聯(lián)互通,實現(xiàn)了對生產狀態(tài)的實時感應,將收集的生產過程數據以及仿真數據通過數據層整理融合后形成孿生數據上傳到管理平臺,通過質量預測、診斷模型對數據進行分析,形成全面的質量管理控制信息,并對數據進行可視化處理,實時監(jiān)測產品的生產質量,形成每個產品各個工序的檢測報告,以便后續(xù)的質量追蹤。并通過控制過程不斷豐富質量管理數據,形成質量管理知識庫,不斷提高質量預測及診斷的準確率。

6 結論

基于數字孿生的產品質量控制方法實現(xiàn)對生產過程質量監(jiān)控的實時預測診斷。通過對傳統(tǒng)質量管理方法的總結分析,利用數字孿生技術構建五維數字孿生質量生產管理模型,通過3 種灰色理論模型的預測比較,選擇預測性能最好的模型對質量數據進行預測,實現(xiàn)了生產過程中質量特性的精準預測;并建立CBR 模型對預測異常的數據進行診斷分析,達到了在生產過程中提前消除質量異常的目的,改善了傳統(tǒng)質量管理的壁壘,提高了產品質量以及生產過程的可靠性。通過質量管控平臺將質量管理控制過程可視化,并且虛擬空間與物理空間融合而成的質量孿生數據為質量知識挖掘奠定了基礎,使產品質量管理實現(xiàn)智能化和實時化。