基于數(shù)字孿生的產(chǎn)品生產(chǎn)質(zhì)量管理方法研究①

金壽松 劉星琪 吳容吉 邢瑞花 王亞良

(浙江工業(yè)大學(xué)機(jī)械工程學(xué)院 杭州 310023)

0 引言

以制造業(yè)為主的實(shí)體經(jīng)濟(jì),決定了國家的經(jīng)濟(jì)實(shí)力和經(jīng)濟(jì)健康水平[1],而我國機(jī)械制造仍與世界強(qiáng)國存在差距[2]。隨著制造業(yè)的發(fā)展,數(shù)字化生產(chǎn)和監(jiān)控設(shè)備引入生產(chǎn)制造現(xiàn)場,產(chǎn)生大量反映生產(chǎn)過程狀態(tài)的數(shù)據(jù)。因此質(zhì)量管理將趨向數(shù)字化,如何在質(zhì)量管理中融入新技術(shù),為產(chǎn)品質(zhì)量提供有力保障成為迫切需要解決的難點(diǎn)和痛點(diǎn)。

現(xiàn)有數(shù)字化質(zhì)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(zhì)量管理系統(tǒng),實(shí)現(xiàn)了數(shù)據(jù)自動采集、統(tǒng)計(jì)、控制等功能。周振貴等人[4]開發(fā)質(zhì)量監(jiān)控軟件,實(shí)現(xiàn)數(shù)據(jù)的實(shí)時監(jiān)控、報(bào)警,但該方法并不能對質(zhì)量問題進(jìn)行分析提出改進(jìn)方案。鄭唯唯等人[5]討論了人工神經(jīng)網(wǎng)絡(luò)等理論與方法在過程質(zhì)量智能化控制中的應(yīng)用,但存在預(yù)測與診斷相脫離的問題。質(zhì)量管理在動態(tài)性、復(fù)雜性、數(shù)據(jù)分析等方面仍存在問題,缺少對數(shù)據(jù)的實(shí)時感知以及質(zhì)量相關(guān)的數(shù)據(jù)庫,無法對大數(shù)據(jù)進(jìn)行分析決策進(jìn)而從產(chǎn)品質(zhì)量的各個階段進(jìn)行控制及優(yōu)化。

2011 年,Michael[6]提出數(shù)字孿生體概念。2016年Schroeder 等人[7]將數(shù)字孿生技術(shù)應(yīng)用于工業(yè)領(lǐng)域。文獻(xiàn)[8,9]將數(shù)字孿生運(yùn)用到系統(tǒng)建模仿真過程中,降低了仿真過程的復(fù)雜程度。Morse 等人[10]應(yīng)用數(shù)字孿生技術(shù)進(jìn)行產(chǎn)品設(shè)計(jì)及加工過程模擬,提高了對產(chǎn)品的管控。陶飛等人[11]提出了數(shù)字孿生車間概念以及數(shù)字孿生的五維模型[12],對數(shù)字孿生車間的主要組成進(jìn)行了研究分析。武穎等人[13]利用數(shù)字孿生技術(shù)對復(fù)雜產(chǎn)品裝配過程中質(zhì)量管控時效性差、缺乏預(yù)測性等問題進(jìn)行了改進(jìn)。Weyer等人[14]運(yùn)用物聯(lián)網(wǎng)與數(shù)字孿生技術(shù)實(shí)現(xiàn)了物理世界與信息世界的互聯(lián)互通。綜上所述,數(shù)字孿生技術(shù)研究集中在理論框架、數(shù)字孿生模型建立、裝配、維護(hù)等領(lǐng)域,在質(zhì)量控制方面還有很大研究空間。

本文利用數(shù)字孿生技術(shù)構(gòu)建物理生產(chǎn)車間、虛擬生產(chǎn)車間、質(zhì)量孿生數(shù)據(jù)、生產(chǎn)管理系統(tǒng)相協(xié)調(diào)的質(zhì)量管理模型。通過設(shè)計(jì)車間加工數(shù)據(jù)的采集融合方法形成質(zhì)量管理數(shù)據(jù)庫,可對產(chǎn)品質(zhì)量進(jìn)行追溯及質(zhì)量相關(guān)知識挖掘,消除信息孤島。結(jié)合數(shù)字孿生體中建立的灰色理論模型進(jìn)行實(shí)時交互分析,再通過案例推理模型實(shí)現(xiàn)異常數(shù)據(jù)診斷,達(dá)到對產(chǎn)品生產(chǎn)質(zhì)量實(shí)時預(yù)測診斷的目標(biāo),并反饋到質(zhì)量管理服務(wù)系統(tǒng)進(jìn)行集中控制、優(yōu)化,實(shí)現(xiàn)產(chǎn)品質(zhì)量控制的智能化、實(shí)時化。

1 產(chǎn)品生產(chǎn)質(zhì)量管理流程設(shè)計(jì)

1.1 傳統(tǒng)產(chǎn)品質(zhì)量管理流程

目前生產(chǎn)過程質(zhì)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(shí)現(xiàn)質(zhì)量控制主要由質(zhì)量計(jì)劃、產(chǎn)后質(zhì)量檢查、過程統(tǒng)計(jì)和統(tǒng)計(jì)報(bào)表4 個方面組成,具體流程如圖1 所示。首先管理人員根據(jù)歷史經(jīng)驗(yàn)制定質(zhì)量計(jì)劃,加工后通過檢驗(yàn)、整理得到控制圖以及統(tǒng)計(jì)報(bào)表。傳統(tǒng)的質(zhì)量管理存在質(zhì)量管理過程缺少預(yù)測能力及反饋機(jī)制,管理過程存在嚴(yán)重滯后性,質(zhì)量管理數(shù)據(jù)不完整,沒有形成信息閉環(huán)。

圖1 傳統(tǒng)MES 工序質(zhì)量控制流程

1.2 基于數(shù)字孿生的產(chǎn)品生產(chǎn)質(zhì)量管理流程

數(shù)字孿生技術(shù)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(shù)字孿生的產(chǎn)品生產(chǎn)質(zhì)量管理方法,分為3 個階段,即加工前質(zhì)量預(yù)測、加工中質(zhì)量監(jiān)控優(yōu)化和質(zhì)量知識挖掘。具體流程如圖2 所示。

圖2 基于數(shù)字孿生質(zhì)量管理流程圖

首先是加工前質(zhì)量預(yù)測。服務(wù)系統(tǒng)根據(jù)數(shù)據(jù)層中工藝資源狀態(tài)、工藝路線、質(zhì)量知識庫等進(jìn)行以質(zhì)量為優(yōu)化目標(biāo)的排產(chǎn),將計(jì)劃下發(fā)虛擬生產(chǎn)車間,與歷史加工數(shù)據(jù)相結(jié)合進(jìn)行加工質(zhì)量預(yù)測分析,如發(fā)現(xiàn)質(zhì)量數(shù)據(jù)異常,則進(jìn)行工序質(zhì)量診斷并反饋到服務(wù)層針對問題對排產(chǎn)計(jì)劃進(jìn)行調(diào)整。

其次是加工中質(zhì)量監(jiān)控優(yōu)化。服務(wù)系統(tǒng)將生產(chǎn)計(jì)劃下發(fā)到物理生產(chǎn)車間實(shí)時獲取物理生產(chǎn)車間質(zhì)量數(shù)據(jù),與車間生產(chǎn)管理系統(tǒng)數(shù)據(jù)相結(jié)合形成的孿生數(shù)據(jù)。通過虛擬生產(chǎn)車間對未來時刻質(zhì)量特性值進(jìn)行分析預(yù)測,預(yù)測結(jié)果出現(xiàn)質(zhì)量問題時,結(jié)合質(zhì)量診斷模型給出診斷向量,提出改進(jìn)方法,反饋到車間生產(chǎn)管理系統(tǒng),對加工狀態(tài)做出相應(yīng)調(diào)整。產(chǎn)品加工完畢后,對產(chǎn)品進(jìn)行質(zhì)量檢驗(yàn),檢驗(yàn)的實(shí)測值與加工前預(yù)測值相比較,如出現(xiàn)較大偏差則對預(yù)測模型進(jìn)行調(diào)整,對出現(xiàn)的不合格產(chǎn)品追溯加工過程進(jìn)行質(zhì)量診斷找出原因,分析優(yōu)化方案,反饋到數(shù)據(jù)層加強(qiáng)知識庫,提高質(zhì)量分析能力。

最后是質(zhì)量知識挖掘。在產(chǎn)品加工中物理生產(chǎn)車間、虛擬生產(chǎn)車間以及車間生產(chǎn)管理系統(tǒng)反饋到數(shù)據(jù)層的質(zhì)量數(shù)據(jù)通過融合形成產(chǎn)品生產(chǎn)質(zhì)量知識庫。同時形成的知識庫反之應(yīng)用于各個階段,為各個階段進(jìn)行質(zhì)量分析診斷提供數(shù)據(jù)基礎(chǔ)以及理論依據(jù)。

利用數(shù)字孿生生產(chǎn)質(zhì)量管理方法,一方面可實(shí)現(xiàn)生產(chǎn)過程中的質(zhì)量信息交互融合,通過歷史數(shù)據(jù)進(jìn)行質(zhì)量知識挖掘;另一方面可實(shí)現(xiàn)產(chǎn)品在整個生產(chǎn)過程中生產(chǎn)質(zhì)量數(shù)據(jù)的實(shí)時監(jiān)控與預(yù)測,提前發(fā)現(xiàn)未來時刻生產(chǎn)過程中可能出現(xiàn)的質(zhì)量問題,并根據(jù)分析診斷提供可靠的優(yōu)化方案反饋到生產(chǎn)管理系統(tǒng),以提前消除可能會引起的質(zhì)量波動或者產(chǎn)生不合格產(chǎn)品的因素,從而提高產(chǎn)品質(zhì)量。

2 生產(chǎn)質(zhì)量管理模型構(gòu)建

產(chǎn)品生產(chǎn)中采用數(shù)字孿生的信息制造技術(shù),通過物理生產(chǎn)車間與虛擬生產(chǎn)車間的相互真實(shí)映射與實(shí)時交互,從而實(shí)現(xiàn)物理生產(chǎn)車間、虛擬生產(chǎn)車間、車間生產(chǎn)管理系統(tǒng)三者之間要素、流程、數(shù)據(jù)的集成和融合的新型車間管理方法。物理生產(chǎn)車間是在傳統(tǒng)的生產(chǎn)車間基礎(chǔ)上增加多源異構(gòu)實(shí)時數(shù)據(jù)的感知接入設(shè)備,由車間廠房、機(jī)器設(shè)備、人員、物料等組成,是數(shù)字孿生車間模型的實(shí)體部分。虛擬生產(chǎn)車間是通過幾何、行為、規(guī)則等模型對物理生產(chǎn)車間的虛擬映射。由仿真軟件對物理生產(chǎn)車間的高度還原的虛擬模型,是實(shí)現(xiàn)數(shù)字孿生模型的關(guān)鍵組成部分。車間生產(chǎn)管理系統(tǒng)是負(fù)責(zé)生產(chǎn)要素、生產(chǎn)計(jì)劃、生產(chǎn)過程等的管控與優(yōu)化,從而提高車間生產(chǎn)效能的管理系統(tǒng),是數(shù)字孿生模型有效運(yùn)作的中樞部分。通過物理生產(chǎn)車間數(shù)據(jù)、虛擬生產(chǎn)車間數(shù)據(jù)、車間生產(chǎn)管理系統(tǒng)數(shù)據(jù)以及三者相互融合的數(shù)據(jù)組成車間質(zhì)量孿生數(shù)據(jù),實(shí)現(xiàn)消除信息孤島的作用,是數(shù)字孿生模型各部分的連接紐帶。

為實(shí)現(xiàn)生產(chǎn)過程中質(zhì)量數(shù)據(jù)的采集、分析及反饋,針對產(chǎn)品生產(chǎn)過程建立質(zhì)量管理數(shù)字孿生模型,如圖3 所示。其中物理生產(chǎn)車間是具有數(shù)據(jù)實(shí)時感知能力的產(chǎn)品生產(chǎn)實(shí)體車間。虛擬生產(chǎn)車間是借助仿真建模軟件參照物理生產(chǎn)車間的現(xiàn)實(shí)情況建立的具有實(shí)時仿真、生產(chǎn)質(zhì)量預(yù)測、生產(chǎn)質(zhì)量診斷功能的虛擬仿真模型。車間生產(chǎn)管理系統(tǒng)是產(chǎn)品生產(chǎn)過程的制造執(zhí)行系統(tǒng)。由物理生產(chǎn)車間產(chǎn)生的實(shí)際加工數(shù)據(jù)、虛擬生產(chǎn)車間產(chǎn)生的仿真預(yù)測數(shù)據(jù)、車間生產(chǎn)管理系統(tǒng)產(chǎn)生的車間管理數(shù)據(jù)以及三者相互融合的數(shù)據(jù)組成的車間質(zhì)量孿生數(shù)據(jù),將物理生產(chǎn)車間、虛擬生產(chǎn)車間、車間生產(chǎn)管理系統(tǒng)緊密聯(lián)系到一起。物理生產(chǎn)車間與車間質(zhì)量管理系統(tǒng)產(chǎn)生的實(shí)時生產(chǎn)質(zhì)量數(shù)據(jù)生成車間質(zhì)量孿生數(shù)據(jù)并且儲存,然后依靠虛擬生產(chǎn)車間,對車間生產(chǎn)管理系統(tǒng)中的車間質(zhì)量孿生數(shù)據(jù)對未來時刻生產(chǎn)質(zhì)量進(jìn)行質(zhì)量預(yù)測、質(zhì)量診斷、質(zhì)量監(jiān)控、質(zhì)量統(tǒng)計(jì)等分析,且將所形成的質(zhì)量分析結(jié)果反饋到車間生產(chǎn)管理系統(tǒng)。車間生產(chǎn)管理系統(tǒng)根據(jù)分析結(jié)果對物理生產(chǎn)車間進(jìn)行改進(jìn)調(diào)控,如此循環(huán)反復(fù),從而實(shí)現(xiàn)產(chǎn)品生產(chǎn)過程物理空間與信息空間的交互融合,構(gòu)成產(chǎn)品生產(chǎn)質(zhì)量管理數(shù)字孿生模型。實(shí)現(xiàn)對產(chǎn)品生產(chǎn)過程質(zhì)量的實(shí)時預(yù)測、反饋與監(jiān)管,從而提高產(chǎn)品質(zhì)量與生產(chǎn)效能。

圖3 產(chǎn)品生產(chǎn)質(zhì)量管理數(shù)字孿生模型

3 數(shù)字孿生數(shù)據(jù)采集融合

孿生數(shù)據(jù)是數(shù)字孿生模型的驅(qū)動,來源于物理實(shí)體、虛擬模型、服務(wù)系統(tǒng)[15]。Thomas 等人[16]對利用數(shù)字孿生技術(shù)進(jìn)行實(shí)時數(shù)據(jù)采集以及數(shù)據(jù)處理的潛力和優(yōu)勢進(jìn)行了闡述。產(chǎn)品生產(chǎn)質(zhì)量數(shù)字孿生數(shù)據(jù)是車間實(shí)時生產(chǎn)質(zhì)量數(shù)據(jù)、質(zhì)量虛擬仿真數(shù)據(jù)、服務(wù)層質(zhì)量數(shù)據(jù)交互融合后形成的孿生數(shù)據(jù),是數(shù)字孿生質(zhì)量管理模型的驅(qū)動力量,推動了各個部分的運(yùn)轉(zhuǎn)。產(chǎn)品生產(chǎn)質(zhì)量數(shù)字孿生數(shù)據(jù)中車間實(shí)時生產(chǎn)質(zhì)量數(shù)據(jù)包含車間實(shí)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(shù)(radio frequency identification,RFID)等對生產(chǎn)加工過程進(jìn)行實(shí)時采集的數(shù)據(jù);質(zhì)量虛擬仿真數(shù)據(jù)包含通過質(zhì)量預(yù)測模型以及質(zhì)量診斷模型對產(chǎn)品質(zhì)量進(jìn)行仿真、分析的數(shù)據(jù);服務(wù)層質(zhì)量數(shù)據(jù)包含計(jì)算機(jī)輔助工藝過程設(shè)計(jì)(computer aided process planning,CAPP)、MES 等系統(tǒng)與質(zhì)量相關(guān)的數(shù)據(jù)。如圖4 所示,車間實(shí)時生產(chǎn)數(shù)據(jù)通過OPC-UA 協(xié)議上傳至數(shù)字孿生數(shù)據(jù);服務(wù)層質(zhì)量數(shù)據(jù)以及虛擬仿真數(shù)據(jù)將采用可擴(kuò)展標(biāo)記語言(extensible markup language,XML)或JS 對象簡譜(javascript objectnotation,JSON)數(shù)據(jù)語言,通過企業(yè)服務(wù)總線(enterprise service bus,ESB)進(jìn)行集成,最終形成產(chǎn)品生產(chǎn)質(zhì)量的數(shù)字孿生數(shù)據(jù)。

圖4 數(shù)字孿生數(shù)據(jù)構(gòu)成圖

質(zhì)量數(shù)據(jù)存在多源異構(gòu)的特性。在采集過程中,本文將多源異構(gòu)數(shù)據(jù)分為以下幾種類型:數(shù)值型、布爾型、字符串型。其中,數(shù)值型數(shù)據(jù)主要反映設(shè)備加工過程的狀態(tài),如轉(zhuǎn)速、各個軸的位置、進(jìn)給量等等;布爾型數(shù)據(jù)主要反映設(shè)備的開關(guān)機(jī)、急停等狀態(tài);字符串型數(shù)據(jù)主要反映NC 代碼、報(bào)警內(nèi)容等信息。相同數(shù)據(jù)類型統(tǒng)一數(shù)據(jù)接口,針對不同的數(shù)據(jù)類型實(shí)現(xiàn)接口,在進(jìn)行設(shè)備數(shù)據(jù)采集時,調(diào)用相應(yīng)的接口即可。

在融合過程中,將數(shù)據(jù)分為結(jié)構(gòu)化數(shù)據(jù)及非結(jié)構(gòu)化數(shù)據(jù),采用二進(jìn)制數(shù)據(jù)替代法來消除非結(jié)構(gòu)化數(shù)據(jù)的異構(gòu)性,并將結(jié)構(gòu)數(shù)據(jù)與非結(jié)構(gòu)數(shù)據(jù)進(jìn)行統(tǒng)一表達(dá),最后將統(tǒng)一表達(dá)后的數(shù)據(jù)封裝成JSON 格式,實(shí)現(xiàn)數(shù)據(jù)的融合。

4 虛擬層產(chǎn)品生產(chǎn)質(zhì)量優(yōu)化控制

4.1 基于數(shù)字孿生數(shù)據(jù)的預(yù)測診斷流程

實(shí)現(xiàn)加工質(zhì)量異常預(yù)測是實(shí)現(xiàn)數(shù)字孿生質(zhì)量控制的前提?，F(xiàn)有的質(zhì)量異?？刂品椒ǘ际抢脤σ鸭庸?shù)據(jù)進(jìn)行異常分析,在異常出現(xiàn)之后做出響應(yīng),有一定的滯后性,并不能完全消除不合格品所產(chǎn)生的浪費(fèi)。質(zhì)量預(yù)測的過程就是對存在質(zhì)量問題的數(shù)據(jù)進(jìn)行監(jiān)測、識別。基于數(shù)字孿生的質(zhì)量控制方法就是通過對數(shù)字孿生形成的產(chǎn)品生產(chǎn)質(zhì)量孿生數(shù)據(jù)進(jìn)行挖掘分析,通過虛擬層質(zhì)量控制模型預(yù)測出后續(xù)質(zhì)量數(shù)據(jù)的發(fā)展趨勢,并提前掌握生產(chǎn)情況做出相應(yīng)的調(diào)整改進(jìn)。整個預(yù)測診斷流程如圖5 所示。

圖5 基于數(shù)字孿生數(shù)據(jù)的預(yù)測診斷流程圖

通過數(shù)字孿生模型實(shí)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(shí)時檢測數(shù)據(jù)與服務(wù)層質(zhì)量數(shù)據(jù)融合后的產(chǎn)品質(zhì)量孿生數(shù)據(jù)導(dǎo)入質(zhì)量預(yù)測模型中進(jìn)行質(zhì)量預(yù)測?；陬A(yù)測結(jié)果,通過質(zhì)量診斷模型建立診斷案例與孿生數(shù)據(jù)案例進(jìn)行匹配檢索,找到質(zhì)量問題以及改進(jìn)方法,從而對產(chǎn)品的加工工藝參數(shù)和工藝路線進(jìn)行優(yōu)化,最終實(shí)現(xiàn)產(chǎn)品生產(chǎn)質(zhì)量的實(shí)時管控。優(yōu)化后的生產(chǎn)數(shù)據(jù)與孿生數(shù)據(jù)融合,形成質(zhì)量管理數(shù)據(jù)的閉環(huán)循環(huán),與此同時產(chǎn)品的加工參數(shù)被記錄在孿生數(shù)據(jù)中方便產(chǎn)品的質(zhì)量追溯。

4.2 灰色理論質(zhì)量預(yù)測模型

生產(chǎn)加工過程十分復(fù)雜,質(zhì)量影響因素眾多,難以用數(shù)學(xué)模型表示質(zhì)量特性與影響因素之間的關(guān)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(shù)據(jù)對質(zhì)量特性變化趨勢進(jìn)行短期預(yù)測。通過多源異構(gòu)數(shù)據(jù)融合形成的產(chǎn)品生產(chǎn)質(zhì)量孿生數(shù)據(jù)對傳統(tǒng)灰色模型、新信息灰色模型、新陳代謝灰色模型進(jìn)行測試,比較三者之間的誤差大小,從而擇優(yōu)選擇模型進(jìn)行后續(xù)的質(zhì)量預(yù)測。建立灰色質(zhì)量預(yù)測模型實(shí)現(xiàn)了對生產(chǎn)數(shù)據(jù)精度更高、速度更快的質(zhì)量預(yù)測過程。

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

獲取原始質(zhì)量數(shù)據(jù)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(dǎo)數(shù),α 為發(fā)展灰數(shù),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(shù)據(jù)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(zhuǎn)置矩陣。求解ε、α 后,得到預(yù)測模型為

由于在加工生產(chǎn)過程中,實(shí)時監(jiān)測的質(zhì)量數(shù)據(jù)不斷對孿生數(shù)據(jù)進(jìn)行更新,不同的數(shù)據(jù)會使得模型有不一樣的預(yù)測效果。因此,通過歷史數(shù)據(jù)的測試,進(jìn)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(jìn)行后期預(yù)測,不斷更新的孿生數(shù)據(jù)也使預(yù)測結(jié)果不斷優(yōu)化。

4.3 案例推理質(zhì)量診斷模型

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

采用知識表達(dá)的方法將質(zhì)量異常案例定義為

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

表1 基于特征的質(zhì)量案例表示結(jié)構(gòu)

其中,質(zhì)量特性率表示為

質(zhì)量異常模式包括超出邊界以及屢靠邊界、漸變模式、躍進(jìn)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(guān)數(shù)據(jù)信息包括人員的技術(shù)等級、人員疲勞程度、人員操作熟練程度等。設(shè)備信息包括維護(hù)狀態(tài)、安裝偏差、機(jī)床轉(zhuǎn)速、精度、磨損誤差、熱變形、夾具夾緊力等。其中機(jī)床維護(hù)狀態(tài)計(jì)算公式為

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

案例方案信息中包括診斷結(jié)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(biāo)案例特征向量視為高維度空間中的點(diǎn),在空間中尋找與目標(biāo)案例相匹配的點(diǎn),將超過相似度閾值的案例提取并作為參考。

假設(shè)任意目標(biāo)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(shù),ωk為在案例中第k 個屬性的權(quán)值,mij為2 個案例第k 個屬性的相似度。

通過數(shù)字孿生模型中車間實(shí)時生產(chǎn)質(zhì)量數(shù)據(jù)、質(zhì)量虛擬仿真數(shù)據(jù)、服務(wù)層質(zhì)量數(shù)據(jù)不斷的交互融合與積累更新形成質(zhì)量知識庫,獲取產(chǎn)品質(zhì)量相關(guān)知識經(jīng)驗(yàn)從而進(jìn)行診斷與解決方案的提供。并將信息反饋到服務(wù)層進(jìn)行反思總結(jié),以便對日后生產(chǎn)過程中質(zhì)量控制進(jìn)行優(yōu)化,以及案例匹配次數(shù)等信息的記載,方便進(jìn)行產(chǎn)品質(zhì)量追溯。

4.4 齒圈生產(chǎn)過程質(zhì)量管理實(shí)例

以某齒輪廠齒圈生產(chǎn)加工過程中精車工序質(zhì)量控制為例,對本文所述質(zhì)量預(yù)測及診斷方法進(jìn)行實(shí)例驗(yàn)證。通過Matlab 建立灰色預(yù)測模型,驗(yàn)證前需在歷史加工數(shù)據(jù)中提取25 組齒圈精車直徑加工數(shù)據(jù),其中1～10 組數(shù)據(jù)為訓(xùn)練數(shù)據(jù),11～20 組為測試數(shù)據(jù),如表2 所示。其中齒圈加工的標(biāo)準(zhǔn)直徑為126.55 mm。

表2 齒圈質(zhì)量數(shù)據(jù)列表

(1)質(zhì)量數(shù)據(jù)的預(yù)測

首先,對數(shù)據(jù)進(jìn)行準(zhǔn)指數(shù)驗(yàn)證。如圖6 所示,光滑比小于0.5的數(shù)據(jù)占比為94.74%,除去前兩個時期外,光滑比小于0.5 的數(shù)據(jù)占比為100%,符合數(shù)據(jù)驗(yàn)證要求。然后,利用訓(xùn)練數(shù)據(jù)對3 個模型進(jìn)行訓(xùn)練,并利用測試組數(shù)據(jù)與訓(xùn)練后的模型對預(yù)測數(shù)據(jù)進(jìn)行誤差分析,結(jié)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(yù)測結(jié)果與原數(shù)據(jù)擬合的評價(jià)結(jié)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(jìn)行后續(xù)預(yù)測。繼續(xù)往后預(yù)測5 組數(shù)據(jù)情況如表3 所示,通過預(yù)測結(jié)果可以看出,通過該模型預(yù)測出的數(shù)據(jù)結(jié)果與實(shí)際生產(chǎn)數(shù)據(jù)相對誤差較小,實(shí)現(xiàn)了質(zhì)量數(shù)據(jù)的預(yù)測功能。

圖6 光滑度曲線圖

圖7 3 種模型測試數(shù)據(jù)預(yù)測結(jié)果比較圖

圖8 擬合結(jié)果評價(jià)圖

表3 齒圈質(zhì)量預(yù)測數(shù)據(jù)列表

(2)診斷向量的提取

通過對歷史加工數(shù)據(jù)及預(yù)測數(shù)據(jù)的分析,發(fā)現(xiàn)質(zhì)量存在異常。通過CBR 模型對此時加工過程進(jìn)行知識表達(dá)。通過服務(wù)系統(tǒng)以及孿生數(shù)據(jù)獲取案例信息中相關(guān)屬性的參數(shù)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(jié)果在孿生數(shù)據(jù)歷史案例數(shù)據(jù)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(jù)對比發(fā)現(xiàn)質(zhì)量問題的原因是刀具磨損嚴(yán)重,生產(chǎn)溫度較高,導(dǎo)致加工精度下降;解決方案為及時補(bǔ)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(jìn)行擴(kuò)充。

5 質(zhì)量管理系統(tǒng)實(shí)現(xiàn)與應(yīng)用

基于以上質(zhì)量管理方法研究,利用Microsoft Visual Studio 2008、Microsoft.Net Framework 3.5 技術(shù),開發(fā)了齒輪生產(chǎn)質(zhì)量管理控制平臺,如圖9 所示。該平臺已應(yīng)用于某齒輪生產(chǎn)工廠,應(yīng)用效果較好,對本文提出的基于數(shù)字孿生技術(shù)的產(chǎn)品生產(chǎn)質(zhì)量管理方法進(jìn)行了有效驗(yàn)證,實(shí)現(xiàn)了數(shù)字孿生車間產(chǎn)品生產(chǎn)質(zhì)量管理的可視化。

圖9 質(zhì)量管理控制平臺示意圖

質(zhì)量管理平臺通過實(shí)時的數(shù)據(jù)感知接入與互聯(lián)互通,實(shí)現(xiàn)了對生產(chǎn)狀態(tài)的實(shí)時感應(yīng),將收集的生產(chǎn)過程數(shù)據(jù)以及仿真數(shù)據(jù)通過數(shù)據(jù)層整理融合后形成孿生數(shù)據(jù)上傳到管理平臺,通過質(zhì)量預(yù)測、診斷模型對數(shù)據(jù)進(jìn)行分析,形成全面的質(zhì)量管理控制信息,并對數(shù)據(jù)進(jìn)行可視化處理,實(shí)時監(jiān)測產(chǎn)品的生產(chǎn)質(zhì)量,形成每個產(chǎn)品各個工序的檢測報(bào)告,以便后續(xù)的質(zhì)量追蹤。并通過控制過程不斷豐富質(zhì)量管理數(shù)據(jù),形成質(zhì)量管理知識庫,不斷提高質(zhì)量預(yù)測及診斷的準(zhǔn)確率。

6 結(jié)論

基于數(shù)字孿生的產(chǎn)品質(zhì)量控制方法實(shí)現(xiàn)對生產(chǎn)過程質(zhì)量監(jiān)控的實(shí)時預(yù)測診斷。通過對傳統(tǒng)質(zhì)量管理方法的總結(jié)分析,利用數(shù)字孿生技術(shù)構(gòu)建五維數(shù)字孿生質(zhì)量生產(chǎn)管理模型,通過3 種灰色理論模型的預(yù)測比較,選擇預(yù)測性能最好的模型對質(zhì)量數(shù)據(jù)進(jìn)行預(yù)測,實(shí)現(xiàn)了生產(chǎn)過程中質(zhì)量特性的精準(zhǔn)預(yù)測;并建立CBR 模型對預(yù)測異常的數(shù)據(jù)進(jìn)行診斷分析,達(dá)到了在生產(chǎn)過程中提前消除質(zhì)量異常的目的,改善了傳統(tǒng)質(zhì)量管理的壁壘,提高了產(chǎn)品質(zhì)量以及生產(chǎn)過程的可靠性。通過質(zhì)量管控平臺將質(zhì)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(zhì)量孿生數(shù)據(jù)為質(zhì)量知識挖掘奠定了基礎(chǔ),使產(chǎn)品質(zhì)量管理實(shí)現(xiàn)智能化和實(shí)時化。