汽車熱模鍛行業(yè)智能化鍛造系統(tǒng)與開放創(chuàng)新服務平臺研發(fā)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(chǎn)線數(shù)據(jù)實時感知技術研究

熱模鍛生產(chǎn)線感知設備軟硬件集成開發(fā)

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

整個系統(tǒng)分為前端可視化部分和后端數(shù)據(jù)采集處理部分，都有其對應的數(shù)據(jù)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(xié)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(shù)據(jù)；主數(shù)據(jù)庫采用MySQL持久存儲數(shù)據(jù)，為防止數(shù)據(jù)請求量突然增大導致數(shù)據(jù)庫宕機，使用了Redis緩存技術：應用處理服務器從預處理數(shù)據(jù)庫中調取原始數(shù)據(jù)，數(shù)據(jù)處理好后分別存儲到主數(shù)據(jù)庫和備份數(shù)據(jù)庫之中，云數(shù)據(jù)庫的作用是數(shù)據(jù)備份及長久存儲，本系統(tǒng)是部署在阿里云服務器中，選擇阿里云平臺的云數(shù)據(jù)RDS作為備份數(shù)據(jù)庫，它們位于同一地域，直接采用專有網(wǎng)絡VPC(內網(wǎng))快速連接實現(xiàn)數(shù)據(jù)備份。

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

數(shù)據(jù)感知收集模塊系統(tǒng)

數(shù)據(jù)感知收集模塊系統(tǒng)的分類依據(jù)主要基于鍛造生產(chǎn)線的特點和數(shù)據(jù)收集需求。在鍛造生產(chǎn)線上，不同的設備和工藝環(huán)節(jié)會產(chǎn)生大量的數(shù)據(jù)，這些數(shù)據(jù)對于生產(chǎn)過程的監(jiān)控、優(yōu)化和故障預警具有重要意義。因此，數(shù)據(jù)感知收集模塊系統(tǒng)的分類依據(jù)主要包括以下幾個方面。

設備類型：鍛造生產(chǎn)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(chǎn)生的數(shù)據(jù)特性和收集方式有所不同，因此需要根據(jù)設備類型進行分類收集。

數(shù)據(jù)類型：鍛造生產(chǎn)線上的數(shù)據(jù)包括溫度、壓力速度、位移等多種類型。不同類型的數(shù)據(jù)對于生產(chǎn)過程的監(jiān)控和優(yōu)化具有不同的作用、因此需要根據(jù)數(shù)據(jù)類型進行分類收集，以便更好地滿足生產(chǎn)需求。

感知技術：隨著物聯(lián)網(wǎng)技術的發(fā)展，越來越多的感知技術被應用于鍛造生產(chǎn)線上的數(shù)據(jù)收集。不同的感知技術具有不同的優(yōu)缺點和適用范圍，因此需要根據(jù)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(chǎn)需求。

基于以上分類依據(jù)，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(tài)感知模塊、冷切機狀態(tài)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(shù)據(jù)類型，采用不同的感知技術，實現(xiàn)數(shù)據(jù)的實時、準確收集，為生產(chǎn)過程的監(jiān)控、優(yōu)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(shù)的調整。異常工況記錄表，參數(shù)調整記錄表，維修保養(yǎng)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(xù)大數(shù)據(jù)分析。

(2)壓力機狀態(tài)感知模塊。

壓力機作為生產(chǎn)線最為核心設備，其安全穩(wěn)定經(jīng)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(shù)據(jù)，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(tài)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(shù)據(jù)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(shù)、整批已切支數(shù)，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(shù)據(jù)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(xiàn)生產(chǎn)線無人化，機械手運動的控制和調整關乎生產(chǎn)線的穩(wěn)定運行，共采集機械手位置信息及電控數(shù)據(jù)46個，包括ROB2程序運行狀態(tài)，設備狀態(tài)，設備產(chǎn)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(shù)據(jù)實現(xiàn)模具壽命預測和人工智能鍛造工藝的優(yōu)化，共設計了20個三維數(shù)據(jù)采集點位和8個二維數(shù)據(jù)采集點位用于鍛件尺寸精度和表面瑕疵的判定，這些數(shù)據(jù)通過智能感知層進行輕量化處理，為自動決策智能化系統(tǒng)提供數(shù)據(jù)支撐。在熱模鍛生產(chǎn)線感知裝置軟硬件集成開發(fā)中，三維尺寸檢測設備的準確性和穩(wěn)定性對于整個生產(chǎn)線的運行和產(chǎn)品質量至關重要。本項目通過鍛件三維尺寸數(shù)據(jù)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(yōu)化。

熱模鍛生產(chǎn)線感知與控制裝置硬件布置

(1)數(shù)據(jù)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(shù)據(jù)采集和控制系統(tǒng)，根據(jù)各關鍵節(jié)點傳感器檢測信息監(jiān)測系統(tǒng)工作狀態(tài)，實現(xiàn)故障監(jiān)測、報警、診斷功能。

(2)感知裝置硬件集成開發(fā)與自動決策智能化系統(tǒng)。

熱模鍛壓力機傳感器與硬件集成相互作用，根據(jù)產(chǎn)品檢測數(shù)據(jù)及壓力機工作狀態(tài)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(shù)。根據(jù)模具的傳感數(shù)據(jù)，自動調整潤滑及冷卻劑的噴射量，維護模具壽命，根據(jù)智能化決策系統(tǒng)指令自動預設鍛造工藝參數(shù)。

(3)智能輔助制造系統(tǒng)開發(fā)。

熱模鍛壓力機輔助制造系統(tǒng)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(qū)和模具、工具及機床附件庫存區(qū)。輔助裝置實現(xiàn)與主壓力機的數(shù)據(jù)共享，互感互知。信息化運輸配送系統(tǒng)負責生產(chǎn)系統(tǒng)中原材料、工件、成品在生產(chǎn)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(chǎn)線的需求信息，統(tǒng)一控制、管理、調度，高效完成生產(chǎn)運輸、配送任務。

智能算法在鍛造生產(chǎn)全生命周期的融合應用研究

智能化鍛造在線監(jiān)測系統(tǒng)設計

熱模鍛鍛造系統(tǒng)分為三個部分，無線傳感器網(wǎng)絡數(shù)據(jù)采集部分：將熱模鍛參數(shù)從ZigBee模塊上傳到監(jiān)控中心的過程：使用Kingview建立一個數(shù)據(jù)監(jiān)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(shù)，并將其通過RS-232傳輸?shù)終ingview軟件。其中，Kingview軟件通過串行端口與熱模鍛生產(chǎn)線中的數(shù)據(jù)收集設備進行通信。構建ODBC數(shù)據(jù)源最終實現(xiàn)Kingview與實時數(shù)據(jù)庫SQLServer之間的通信，并實現(xiàn)數(shù)據(jù)查詢、更新、刪除和動態(tài)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(tài)。

(1)組態(tài)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(shù)據(jù)通過RS-232傳輸?shù)終ingview監(jiān)控中心。將SQLServer用作實時數(shù)據(jù)庫.并使用ODBC與Kingview通信。在Kingview中可以完成查詢、修改和刪除數(shù)據(jù)庫中對象的操作。此設計中，該字段中工藝和管理參數(shù)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(jié)點電壓超過預定義的限制，在監(jiān)視中心中會顯示一條錯誤消息。該系統(tǒng)的遠程監(jiān)視系統(tǒng)大致可分為用戶和對象管理系統(tǒng)、實時顯示、統(tǒng)計分析、數(shù)據(jù)庫管理和警報模塊。

(2)組態(tài)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(shù)。Kingview具有兩種變量：系統(tǒng)定義的變量和用戶在Kingview項目瀏覽器數(shù)據(jù)庫的數(shù)據(jù)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(jù)需要完成每個變量的詳細設置。

(3)數(shù)據(jù)庫設計。

在硬件中傳輸?shù)膮?shù)可以存儲在數(shù)據(jù)庫中，操作員可以監(jiān)視對這些參數(shù)的特定操作，并且數(shù)據(jù)以動態(tài)圖的形式顯示在Kingview屏幕上，使操作員熟悉字段收集狀態(tài)。項目組主要研究歷史數(shù)據(jù)庫設計和實時數(shù)據(jù)庫設計。

①歷史數(shù)據(jù)庫設計。主要從三個方面介紹歷史數(shù)據(jù)庫設計：開始配置，設置變量和查詢數(shù)據(jù)。操作員可以驗證歷史記錄數(shù)據(jù)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(shù)據(jù)庫服務未啟動。記錄數(shù)據(jù)庫正常啟動時在項目瀏覽器中配置歷史數(shù)據(jù)庫，完成配置后，可以查詢歷史數(shù)據(jù)記錄?？梢允褂脷v史數(shù)據(jù)庫記錄所有整數(shù)變量、實數(shù)變量和離散變量。在Kingview中有保存歷史數(shù)據(jù)的四種記錄：數(shù)據(jù)更改記錄、備份記錄、每個設置記錄和定時記錄。

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

系統(tǒng)接口和功能

(1)組態(tài)網(wǎng)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(shù)?；謴烷g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(xiàn)在Kingview軟件的“設備”中該軟件是新1O設備的串行數(shù)據(jù)傳輸設備。

(2)系統(tǒng)安全管理。

從開發(fā)安全性和操作安全性考慮系統(tǒng)的安全性管理模塊。開發(fā)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(tǒng)中，設計了不同的組以合理地管理大量用戶和管理員，系統(tǒng)設計者還可以設置默認用戶屬性。

②登錄用戶。在Kingview中創(chuàng)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(shù)據(jù)顯示。

①接收數(shù)據(jù)處理。接收到的數(shù)據(jù)為65位字符串由Kingview數(shù)據(jù)字典的“數(shù)據(jù)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(jiān)視數(shù)據(jù)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(jié)點電壓。

②文本顯示。方法：首先創(chuàng)建顯示屏幕，創(chuàng)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(shù)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(tài)顯示現(xiàn)場收集的工藝和管理參數(shù)。

③報警事件。報警系統(tǒng)在整個熱模鍛監(jiān)控系統(tǒng)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(chuàng)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(chǎn)自動決策智能化算法

汽車空調壓縮機動渦旋盤的神經(jīng)網(wǎng)絡模型與知識圖譜

(1)空調壓縮機動渦旋盤參數(shù)與鍛造工藝。

在實際生產(chǎn)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(fā)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(yōu)化的智能算法框架。

利用數(shù)據(jù)采集系統(tǒng)中的數(shù)據(jù)，通過MATLAB使用神經(jīng)網(wǎng)絡建立汽車熱模鍛生產(chǎn)線中生產(chǎn)工藝參數(shù)和目標參數(shù)之間的函數(shù)模型。

(3)神經(jīng)網(wǎng)絡模型結構搭建。

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

(4)神經(jīng)網(wǎng)絡模型評價。

結果表明，利用神經(jīng)網(wǎng)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(shù)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(jīng)網(wǎng)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(jīng)網(wǎng)絡模型的計算結果與測試數(shù)組結果的誤差較小，且在前35個訓練數(shù)據(jù)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(shù)組結果相符，且誤差值并未出現(xiàn)明顯的偏離。

值得注意的是，測試數(shù)據(jù)在建模時并未參與神經(jīng)網(wǎng)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(jīng)網(wǎng)絡模型具有一定的泛化能力，可以對未知數(shù)據(jù)進行有效的預測。

汽車萬向節(jié)鐘形罩熱模鍛設計

(1)鐘形罩參數(shù)與工藝。

①鐘形罩鍛造設計模型。

通過對現(xiàn)有的萬向節(jié)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(jié)鐘形罩是由上面三種單元經(jīng)過一系列空間位置的排列所組成的。

②單元成形模型。

經(jīng)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(shù)據(jù)處理，對數(shù)據(jù)進行歸一化處理，把所有的數(shù)據(jù)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(shù)。圖29是萬向節(jié)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(shù)據(jù)取自此圖。圖30是萬向節(jié)鐘形罩的模具圖，輸出向量的數(shù)據(jù)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(jīng)網(wǎng)絡模型采用擁有兩個隱藏層的四層神經(jīng)網(wǎng)絡結構，如圖31所示，輸入層有6個神經(jīng)元，即為對熱模鍛過程中模具的磨損量造成影響的參數(shù)(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(jīng)元，輸出層即為模具的磨損量。輸入層和隱藏層的函數(shù)連接采用logsig,隱藏層和輸出層的函數(shù)采用tansig。

圖31 神經(jīng)網(wǎng)絡模型

隨后，我們根據(jù)具體數(shù)據(jù)建立與分析神經(jīng)網(wǎng)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(jīng)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(jīng)網(wǎng)絡模型的驗證。

驗證所使用的數(shù)據(jù)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(shù)據(jù)的預處理過程。

在鍛造過程的數(shù)據(jù)特征集合中，挑選出幾組最能影響鍛造過程穩(wěn)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(chǎn)生過程、評價函數(shù)、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(chǎn)過程的數(shù)據(jù)后得到熱模鍛產(chǎn)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?；谏鲜?/span>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(jù)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(jīng)網(wǎng)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(shù)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(shù)為抗拉強度、屈服強度、伸長率。

將準備的輸入和輸出數(shù)據(jù)導入到MATLAB中，調出自帶的神經(jīng)網(wǎng)絡工具箱；再將導入的數(shù)據(jù)放入神經(jīng)網(wǎng)絡工具箱中；創(chuàng)建神經(jīng)網(wǎng)絡，選擇BP神經(jīng)網(wǎng)絡模型，選擇輸入輸出的數(shù)據(jù)，訓練函數(shù)選擇Levenberg-Marguardt算法，自適應學習函數(shù)選擇learngdm,性能函數(shù)選擇MSE(均方誤差函數(shù)),層數(shù)為兩層，神經(jīng)元的節(jié)點數(shù)為10個，第一層傳遞函數(shù)選擇logsig函數(shù)，第二層為tansig函數(shù)。

圖32 熱模鍛產(chǎn)品質量分析模型與特征的關系

圖33 神經(jīng)網(wǎng)絡模型

(5)神經(jīng)網(wǎng)絡的訓練和結果分析。

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

使用Trainrp算法的神經(jīng)網(wǎng)絡模型擬合度為0.99167,說明其擬合度十分高，該模型經(jīng)過13步訓練后，性能函數(shù)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(shù)為15步時性能函數(shù)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(jīng)過7次訓練后性能函數(shù)收斂于22.3847.說明該函數(shù)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(jīng)網(wǎng)絡模型，發(fā)現(xiàn)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(jīng)網(wǎng)絡模型的構建。

神經(jīng)網(wǎng)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(chǎn)線中生產(chǎn)工藝參數(shù)與成形結果關系復雜難以用公式表達，因此通過數(shù)值模擬獲取數(shù)據(jù)并通過神經(jīng)網(wǎng)絡構建知識圖譜。選擇修正函數(shù)后通過梯度下降法確定神經(jīng)網(wǎng)絡的權值和閾值，使得每組生產(chǎn)工藝參數(shù)經(jīng)過加權、求和、修正并帶入激活函數(shù)后所得結果與數(shù)值模擬結果之間的誤差盡可能小。由于樣本數(shù)據(jù)量少，此處將最后一組的數(shù)據(jù)和文章最后所得的最優(yōu)工藝參數(shù)進行輸入.并用來對構建的神經(jīng)網(wǎng)絡模型進行驗證。結果顯示，兩組數(shù)據(jù)所對應的結果分別為425、300、19.5和465,362、20.7。通過對比發(fā)現(xiàn)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(shù)值模擬結果誤差最大不超過15%,至此函數(shù)模型擬合完成，知識圖譜搭建完畢。

智能化鍛造生產(chǎn)線全生命周期數(shù)據(jù)管理系統(tǒng)搭建

全生命周期數(shù)據(jù)管理系統(tǒng)路線

本項目構建鍛造系統(tǒng)數(shù)據(jù)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(chǎn)線鍛件幾何結構、工藝數(shù)據(jù)、生產(chǎn)過程與成形質量數(shù)據(jù)等在內的產(chǎn)品全生命周期數(shù)據(jù)管理與控制系統(tǒng)，開發(fā)一套面向汽車行業(yè)熱模鍛智能化鍛造系統(tǒng)，實現(xiàn)智能化鍛造大數(shù)據(jù)分析模型與算法、優(yōu)化決策模型與算法的封裝，形成智能熱模鍛工業(yè)大數(shù)據(jù)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(yè)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(shù)據(jù)管理與質量控制系統(tǒng)

智能化鍛造生產(chǎn)線全生命周期數(shù)據(jù)包括生產(chǎn)、物料、資源和定額等需求計劃數(shù)據(jù)、設備工作和設備故障狀態(tài)檢測數(shù)據(jù)、設備，模具供求數(shù)據(jù)，工藝流程和工藝技術數(shù)據(jù)及各分層任務完成后的數(shù)據(jù)。MES,PCS各層之間以及與ERP系統(tǒng)的數(shù)據(jù)及通信傳遞關系圖見圖35所示，實現(xiàn)鍛造生產(chǎn)線全生命周期數(shù)據(jù)管理與質量控制，解決好與上下級分系統(tǒng)之間的通信協(xié)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(shù)據(jù)及通信傳遞關系

(1)鍛造生產(chǎn)線全生命周期數(shù)據(jù)采集與處理技術。鍛造生產(chǎn)線全生命周期數(shù)據(jù)采集包括壓力機工作過程、溫度、位置精度、模具工作狀態(tài)、輔助設備使用情況、原材料及模具使用數(shù)據(jù)等?；跀?shù)據(jù)知識圖譜及智能算法庫，將產(chǎn)品全生命周期數(shù)據(jù)與人工智能生產(chǎn)技術相融合，研發(fā)智能化數(shù)據(jù)處理技術。

(2)鍛造生產(chǎn)線全生命周期數(shù)據(jù)管理系統(tǒng)。鍛造智能化執(zhí)行管理系統(tǒng)分為設備層、控制層(數(shù)據(jù)采集和數(shù)據(jù)分析層)、執(zhí)行層和應用層。來自于底層總線系統(tǒng)的數(shù)據(jù)信息上傳給智能化執(zhí)行管理系統(tǒng)后，經(jīng)執(zhí)行系統(tǒng)對大數(shù)據(jù)的匯總、統(tǒng)計、分析、計算，最終實現(xiàn)對鍛件鍛造生產(chǎn)的質量、能源和設備使用效率等模塊的管理，從而滿足企業(yè)對整個鍛造生產(chǎn)過程的量化和可控以及客戶對產(chǎn)品質量可追溯的要求。

(3)鍛造生產(chǎn)線產(chǎn)品質量在線監(jiān)測與控制技術對底層控制系統(tǒng)中采集的與生產(chǎn)有關數(shù)據(jù)進行分析優(yōu)化短期生產(chǎn)作業(yè)的計劃調度、監(jiān)控、資源配置和生產(chǎn)過程。對從生產(chǎn)作業(yè)計劃下達到產(chǎn)品最終完成的整個生產(chǎn)過程、生產(chǎn)現(xiàn)場實時發(fā)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(shù)據(jù)輔助管理人員對現(xiàn)場進行指導和處理。

基于工業(yè)大數(shù)據(jù)的全生命周期數(shù)據(jù)管理服務平臺建設

以智能化鍛造生產(chǎn)閉環(huán)線為核心，基于鍛件的工藝、生產(chǎn)過程、在線監(jiān)測數(shù)據(jù)、銷售數(shù)據(jù)和使用過程等，與人工智能生產(chǎn)技術相融合，開發(fā)一套智能化鍛造服務平臺。平臺具有鍛件產(chǎn)品質量監(jiān)督、智能工藝設計、自動控制調節(jié)設備參數(shù)、自動調節(jié)生產(chǎn)頻率等功能。通過圖36所示熱模鍛數(shù)據(jù)服務創(chuàng)新服務平臺顯示系統(tǒng)呈現(xiàn)，實現(xiàn)狀態(tài)感知、實時分析、精準執(zhí)行及自主決策。

圖36 熱模鍛數(shù)據(jù)服務創(chuàng)新服務平臺數(shù)據(jù)顯示系統(tǒng)