基于人工智能方法的航天產(chǎn)品總檢模式研究與應用

（首都航天機械有限公司，北京 100076）

0 引言

隨著制造業(yè)的發(fā)展，多品種、小批量的生產(chǎn)模式已逐步成為離散型生產(chǎn)制造企業(yè)的主導模式[1]。在云計算、物聯(lián)網(wǎng)等新一代信息技術(shù)與制造技術(shù)的融合發(fā)展背景下，該生產(chǎn)模式中的產(chǎn)品設(shè)計、制造等環(huán)節(jié)已逐步進行了智能化轉(zhuǎn)型升級，但總檢環(huán)節(jié)的傳統(tǒng)的人工檢測模式并未發(fā)生重大改變。航天制造業(yè)屬于典型的離散型制造企業(yè)，目前車間普遍采用手工測量采集數(shù)據(jù)的方法，再將測量數(shù)據(jù)人工回填至質(zhì)量記錄表單或手動錄入質(zhì)量信息系統(tǒng)。該方式簡單、靈活、經(jīng)濟，但采集速度慢、數(shù)據(jù)實時性差，無法避免讀數(shù)誤差、遺漏等問題，嚴重影響了質(zhì)量數(shù)據(jù)的可靠性和完整性[2]。這種低效的人工操作環(huán)節(jié)已無法滿足生產(chǎn)整體效率和產(chǎn)品質(zhì)量提升需求，因此亟需改變航天產(chǎn)品的傳統(tǒng)總檢模式，提高生產(chǎn)效率和質(zhì)量。

針對現(xiàn)階段航天產(chǎn)品總檢模式的不足，應用人工智能方法解決了多品種、小批量生產(chǎn)模式下的車間檢測數(shù)據(jù)采集問題，并形成了集產(chǎn)品檢測過程管理、數(shù)據(jù)自動采集及質(zhì)量數(shù)據(jù)服務一體的數(shù)字化解決方案。

1 基于人工智能方法的航天產(chǎn)品總檢模式總體方案設(shè)計

圖1 基于人工智能方法的航天產(chǎn)品總檢模式設(shè)計方案

基于人工智能方法的航天產(chǎn)品總檢模式設(shè)計如圖1所示，方案包含檢驗過程管理、數(shù)據(jù)自動采集及質(zhì)量數(shù)據(jù)服務三部分功能，總檢模式的工作流程如下：工藝人員使用工藝提取軟件讀入數(shù)字模型，自動提取檢測要素、公差帶和檢測要素的全局唯一標識，形成檢測工藝并制定檢測任務后一鍵發(fā)送至后臺服務器；檢驗人員在檢測終端獲取檢測任務，執(zhí)行檢測時應用圖像、語音深度學習的人工智能方法完成檢測數(shù)據(jù)的自動采集；檢測任務完成后，將產(chǎn)品數(shù)據(jù)一鍵提交至質(zhì)量數(shù)據(jù)服務模塊，系統(tǒng)后臺集中實現(xiàn)檢測要素的超差計算以及不合格品審理單、質(zhì)量控制卡等多種表單的自動生成、存儲、管理和分析工作。

通過人工智能技術(shù)實現(xiàn)檢測數(shù)據(jù)的自動采集，完成了檢測任務、人員、量具統(tǒng)一信息化管理和質(zhì)量數(shù)據(jù)計算、存儲、管理和分析服務，并將上述內(nèi)容實現(xiàn)一體化集成，最終形成智能總檢系統(tǒng)平臺。系統(tǒng)對多個檢測工位的設(shè)備進行組網(wǎng)，實現(xiàn)硬件與系統(tǒng)的連接以及數(shù)據(jù)傳輸，如圖2所示。服務器支持包括檢測過程管理、數(shù)據(jù)自動采集、質(zhì)量數(shù)據(jù)服務三個軟件的后端服務,以及人工智能模型的算法服務。高分辨率相機和降噪麥克風分別為圖像識別和語音識別提供硬件支持，主機和顯示器等硬件為工位提供終端交互服務。在智能總檢系統(tǒng)平臺下，實現(xiàn)了總檢環(huán)節(jié)數(shù)字化管理、智能化數(shù)據(jù)采集、全過程數(shù)據(jù)可追溯。

圖2 硬件組網(wǎng)示意圖

2 基于人工智能的數(shù)據(jù)自動采集方法

將數(shù)據(jù)采集自動化、數(shù)字化、無紙質(zhì)化、智能化，可以提高數(shù)據(jù)采集效率，保證數(shù)據(jù)實時性、準確性、完整性，降低數(shù)據(jù)管理成本和人力成本。利用人工智能技術(shù)對數(shù)顯量具的圖像和檢驗人員的語音進行深度學習，自動識別圖像和語音信息中的數(shù)字符號，完成數(shù)據(jù)的智能化采集。數(shù)據(jù)采集方式的智能升級為實現(xiàn)檢測過程、檢測數(shù)據(jù)自動化管理提供了基礎(chǔ)。

2.1 基于圖像深度學習的數(shù)據(jù)采集方法

工業(yè)領(lǐng)域中，檢驗數(shù)據(jù)采集通常采用兩種方式：人工采集記錄和通過量具通信端口的數(shù)據(jù)傳輸采集方法。前者效率低，數(shù)據(jù)可靠性無法完全保證[3]。后者不適用于多品種、小批量的生產(chǎn)現(xiàn)場，由于不同品牌、版本的量具接口通信協(xié)議不同，導致兼容性差，配備品牌版本統(tǒng)一、覆蓋全線產(chǎn)品的專用量具成本高昂[4]。針對該現(xiàn)狀，采用圖像深度學習的方法對數(shù)顯量具的測量數(shù)據(jù)進行采集，具有通用性強、效率高、經(jīng)濟實用等特點。

如圖3所示，數(shù)據(jù)采集的硬件裝置包括高分辨率相機、腳踏鼠標。在檢測過程中，檢驗員將量具的數(shù)顯屏幕放置在高分辨率相機視野范圍內(nèi)，同時踩下腳踏鼠標，系統(tǒng)自動提取識別量具屏幕上的數(shù)碼管字符，并回填至工具軟件界面，即完成了一個實測數(shù)據(jù)采集過程。

圖3 檢驗人員進行自動數(shù)據(jù)采集

數(shù)顯圖像的學習訓練原理如圖4所示。收集積累大量的不同規(guī)格種類、光照強度、偏轉(zhuǎn)角度、背景環(huán)境下的數(shù)顯量具圖片，用于識別模型的訓練輸入。將量具上的數(shù)顯圖像進行數(shù)據(jù)重點區(qū)域標注、分割、字符結(jié)果標示，然后將數(shù)據(jù)分為train，validation，test三個樣本集，進行標注、訓練、測試，從而學習更多圖片特征，提高模型針對不同情況下的泛化性和識別能力，實現(xiàn)圖像的準確識別。

圖4 深度學習模型訓練原理圖

圖像模型采用RPN算法以及RNN+CTC網(wǎng)絡模型，網(wǎng)絡示意圖如圖5所示。RPN是一種結(jié)構(gòu)簡單又高效的方法，可以很容易結(jié)合到Fast RCNN中，用來提取候選區(qū)域，具有耗時少的優(yōu)點[5]。將提取的特征向量使用RNN網(wǎng)絡進行計算。通過RNN+CTC網(wǎng)絡，將特征向量序列與字符序列進行對齊計算，得到最大概率的序列結(jié)果。

圖5 RPN網(wǎng)絡示意圖

基于圖像深度學習的數(shù)據(jù)采集方法應用于總檢現(xiàn)場，識別效果如圖6所示。隨機選取每種數(shù)顯量具圖片各500張，建立測試樣本庫，識別準確率的統(tǒng)計結(jié)果如表1所示。在生產(chǎn)過程中持續(xù)積累量具圖片，不斷提升識別精確度和可靠性，優(yōu)化數(shù)據(jù)識別效果，降低企業(yè)成本，提高生產(chǎn)工作效率。

圖6 圖像識別效果

表1 識別準確率測試準確率統(tǒng)計

2.2 基于語音深度學習的數(shù)據(jù)采集方法

基于語音的數(shù)據(jù)采集方法具有操作靈活、適用范圍廣泛的優(yōu)點。使用深度學習方法開發(fā)語音識別功能，該算法的模型訓練原理如圖7所示：將音頻數(shù)據(jù)經(jīng)過FFT編碼器進行頻譜變換，通過神經(jīng)網(wǎng)絡模型對頻譜數(shù)據(jù)進行訓練、分類和識別，最后經(jīng)過NN解碼器將語音頻譜數(shù)據(jù)還原得到結(jié)果數(shù)據(jù)。訓練過程中根據(jù)現(xiàn)場人員、使用環(huán)境和使用方式等情況對數(shù)據(jù)進行分析，對語音數(shù)據(jù)和環(huán)境噪聲數(shù)據(jù)清洗、打標簽、分類和處理，通過積累大量的語音數(shù)據(jù)進行模型訓練，以實現(xiàn)在復雜環(huán)境下的語音準確識別[6]。

圖7 語音深度學習模型訓練原理圖

在語音識別采集系統(tǒng)進行深度訓練過程中，以現(xiàn)場采集到的五萬余條語音信息為基礎(chǔ)建立了語料庫，為開展深度學習提供數(shù)據(jù)樣本，經(jīng)過深度學習算法的設(shè)計和長時間的學習修正，在車間現(xiàn)場環(huán)境下語音識別平均準確率可達到97.8%，實現(xiàn)了對模型的精準識別。

3 檢測過程管理方案及實現(xiàn)

根據(jù)車間總檢現(xiàn)場管理需求，在智能總檢系統(tǒng)平臺上定制開發(fā)了檢測過程管理模塊，管理架構(gòu)如圖8所示，主要包括工藝編輯、任務編輯、人員管理、量具管理等功能。

工藝編輯功能可實現(xiàn)檢測工藝的數(shù)字化管理，包含檢測工藝創(chuàng)建、版本控制、查詢、刪除等功能，以滿足工藝管理的要求。在智能總檢系統(tǒng)平臺上定制開發(fā)了工藝自動提取軟件，功能界面如圖9所示，上傳零件dwg格式電子圖紙后，可實現(xiàn)軟件自動逐條提取圖紙尺寸理論值、公差、標注信息等內(nèi)容，并實時進行尺寸的高亮提示，輔助工藝人員再次確認關(guān)鍵重點尺寸，以保證檢驗工藝正確性。實現(xiàn)快捷錄入檢驗工藝所需信息，一鍵形成檢驗工藝。

圖8 檢測過程管理架構(gòu)

圖9 檢驗工藝自動提取

在智能總檢系統(tǒng)平臺上，檢驗人員可根據(jù)生產(chǎn)調(diào)度安排來制定相應的檢測任務，如圖10所示，包括基本管理（增刪改查）、任務狀態(tài)提示（未開始、已開始、已完成）等功能，實現(xiàn)檢測任務的數(shù)字化、信息化統(tǒng)一管理。

圖10 檢測任務管理

智能總檢系統(tǒng)對人員和量具進行統(tǒng)一管理，管理軟件界面如圖11所示，明確使用人員的分類和職責，將人員分類為管理員、工藝人員、檢驗人員角色，分配不同的系統(tǒng)權(quán)限，對任務、數(shù)據(jù)、產(chǎn)品信息的編輯、查詢、刪除、修改等操作權(quán)限進行統(tǒng)一規(guī)劃和限定，保證排除數(shù)據(jù)偽造、修改等人為影響。系統(tǒng)對量具的管理包括基本功能（增刪改查）、有效期自動判定、識別和輸出量具二維碼、送檢標定臨期提示等功能，保證產(chǎn)品質(zhì)量數(shù)據(jù)的來源可追溯性與過程可靠性。

圖11 系統(tǒng)人員和量具管理

4 質(zhì)量數(shù)據(jù)服務方案及實現(xiàn)

質(zhì)量數(shù)據(jù)服務模塊提供全過程數(shù)據(jù)的查詢和管理服務，模塊架構(gòu)和數(shù)據(jù)查詢界面分別如圖12和圖13所示。系統(tǒng)后臺集中實現(xiàn)檢測要素的超差計算和多種數(shù)據(jù)表單的快速生成，包括機械加工過程中通用認可的質(zhì)量控制記錄卡、不合格品審理單、超差內(nèi)容描述等多種表單，節(jié)省了質(zhì)量數(shù)據(jù)人工回填錄入的時間和管理成本，保證數(shù)據(jù)存儲的完整性和流轉(zhuǎn)共享的一致性。智能總檢系統(tǒng)對接QMS、MES和ERP系統(tǒng)后，將全部的產(chǎn)品檢測數(shù)據(jù)實時上傳至云端服務器，實現(xiàn)產(chǎn)品數(shù)據(jù)統(tǒng)一管理、監(jiān)控和分析，輔助企業(yè)生產(chǎn)管理和決策。

圖12 質(zhì)量數(shù)據(jù)服務

圖13 檢測數(shù)據(jù)查詢

5 結(jié)束語

本文結(jié)合航天產(chǎn)品總檢現(xiàn)場普遍采用手工測量方法，并將測量數(shù)據(jù)人工回填至質(zhì)量記錄表單并錄入質(zhì)量信息系統(tǒng)的現(xiàn)狀，提出了一種基于人工智能方法的航天產(chǎn)品制造總檢模式，并形成了智能總檢系統(tǒng)平臺。該模式解決了多品種、小批量生產(chǎn)模式下的車間檢測數(shù)據(jù)采集問題，并形成了集產(chǎn)品檢測過程管理、數(shù)據(jù)自動采集及質(zhì)量數(shù)據(jù)服務一體的數(shù)字化解決方案，對提高企業(yè)的數(shù)字化生產(chǎn)和智能制造水平具有一定的現(xiàn)實意義。