基于數(shù)字孿生的壓鑄過程監(jiān)控和產(chǎn)品質(zhì)量預(yù)測*

杜 宇,柴文杰,劉 冬

(1.大連交通大學機械工程學院,大連 116028;2.大連理工大學機械工程學院,大連 116024)

0 引言

壓鑄制造業(yè)存在智能化程度低、無法對壓鑄過程進行有效監(jiān)控、生產(chǎn)過程中積累的大量數(shù)據(jù)無法有效利用等問題,嚴重限制壓鑄制造業(yè)轉(zhuǎn)向智能制造。數(shù)字孿生作為制造業(yè)智能技術(shù)[1-2],對實現(xiàn)壓鑄制造實時監(jiān)控和精細化質(zhì)量控制預(yù)測,提高生產(chǎn)智能化水平、壓鑄效率和質(zhì)量具有重要意義。

近年來,針對制造車間生產(chǎn)過程的數(shù)字孿生建模、大數(shù)據(jù)分析和仿真預(yù)測等方面開展了大量研究,取得了許多研究成果。QI、TAO等[3-4]首先探索提出數(shù)字孿生車間概念,從根本上闡述了數(shù)字孿生車間的系統(tǒng)組成部分、運行方式、運行機制和關(guān)鍵技術(shù)和特點,奠定了理論基礎(chǔ);吳鵬興等[5]搭建了離散數(shù)字孿生制造車間的可視化實時監(jiān)控方案,提出基于數(shù)據(jù)和事件驅(qū)動的虛實映射方法;WANG等[6]提出將智能制造和深度學習方法結(jié)合,討論了它們在制造業(yè)“智能化”方面的應(yīng)用;NEGRI等[7]提出一種將制造執(zhí)行系統(tǒng)和仿真模型集成的方法,實現(xiàn)建模與MES軟件實現(xiàn)集成,完成數(shù)據(jù)雙邊通信;張佳朋等[8]先分析了航天器裝配流程,并進行數(shù)字孿生高保真建模和基于流程的數(shù)據(jù)管理,最后利用灰度關(guān)聯(lián)方法實現(xiàn)裝配過程質(zhì)量預(yù)測。

綜上所述,盡管在制造領(lǐng)域已有許多建模和數(shù)據(jù)分析的研究,但在壓鑄制造領(lǐng)域,仍然缺乏基于數(shù)字孿生技術(shù)的生產(chǎn)過程監(jiān)控與預(yù)測方法。因此,本文提出了一種數(shù)字孿生和數(shù)據(jù)驅(qū)動的壓鑄過程監(jiān)控和質(zhì)量預(yù)測結(jié)構(gòu)體系,該結(jié)構(gòu)體系旨在針對壓鑄車間建立數(shù)字孿生系統(tǒng),并采用Stacking集成學習方法來預(yù)測壓鑄件的質(zhì)量。最后,通過實際案例驗證了這種方法的可行性。

1 數(shù)字孿生壓鑄監(jiān)控和質(zhì)量預(yù)測總體架構(gòu)

數(shù)字孿生和數(shù)據(jù)驅(qū)動的過程監(jiān)控和質(zhì)量預(yù)測體系結(jié)構(gòu)由物理基礎(chǔ)層、信息處理層、虛擬模型層和應(yīng)用層組成[9],系統(tǒng)框架如圖1所示。該框架實現(xiàn)了鋁合金壓鑄生產(chǎn)過程的數(shù)字孿生建模、協(xié)同仿真、狀態(tài)監(jiān)測和質(zhì)量預(yù)測。

(1)物理基礎(chǔ)層。物理層是整個系統(tǒng)的基礎(chǔ),其他層級都是基于物理層進行搭建的。這包括各種設(shè)備如壓鑄機、切邊機、轉(zhuǎn)運機械臂、工業(yè)機器人、冷卻槽,以及數(shù)據(jù)采集設(shè)備如PLC、傳感器、智能網(wǎng)關(guān)等。智能壓鑄生產(chǎn)單元能夠采集和記錄數(shù)據(jù),其中設(shè)備數(shù)據(jù)和工藝參數(shù)是實現(xiàn)數(shù)字孿生過程監(jiān)控和質(zhì)量預(yù)測的基礎(chǔ)。

(2)信息處理層。信息處理層在系統(tǒng)中扮演著關(guān)鍵的連接角色,包括4個主要功能:數(shù)據(jù)采集、數(shù)據(jù)存儲、數(shù)據(jù)傳輸和數(shù)據(jù)處理。這一層使用數(shù)據(jù)通信協(xié)議從不同設(shè)備中收集各種數(shù)據(jù),包括設(shè)備運行情況、狀態(tài)、傳感器信息和工藝參數(shù),然后將這些數(shù)據(jù)上傳至服務(wù)器。這些數(shù)據(jù)可以大致分為兩種類型:①用于控制虛擬車間協(xié)同仿真的信號數(shù)據(jù),②通過數(shù)據(jù)預(yù)處理后,使用數(shù)據(jù)挖掘技術(shù)來預(yù)測產(chǎn)品質(zhì)量所需的生產(chǎn)參數(shù)數(shù)據(jù)。

(3)虛擬模型層。該層是對上述信息處理層數(shù)據(jù)的映射,主要包括各設(shè)備的數(shù)字模型、幾何模型和數(shù)字工藝信息。虛擬層首先通過內(nèi)部驅(qū)動程序和虛擬信號節(jié)點進行內(nèi)部仿真,然后利用實時數(shù)據(jù),將真實和虛擬信號進行對應(yīng)。這基于高度逼真的數(shù)字孿生模型,實現(xiàn)了物理車間和虛擬車間的協(xié)同仿真,以還原各種車間生產(chǎn)過程。

(4)應(yīng)用層。通過應(yīng)用層和系統(tǒng)的數(shù)據(jù)交互,采用OPC UA協(xié)議來完成數(shù)據(jù)采集、傳輸、映射和可視化,完成數(shù)字孿生與物理制造單元的互聯(lián)和信息交互,實現(xiàn)了對壓鑄過程可視化監(jiān)控,同時在三維模型上顯示設(shè)備運行狀態(tài)、工藝參數(shù),實現(xiàn)了全要素全流程數(shù)據(jù)可視化。并利用工藝參數(shù)、設(shè)備狀態(tài)參數(shù)和傳感器參數(shù),輸入本文提出的一種質(zhì)量預(yù)測方法,實現(xiàn)壓鑄產(chǎn)品質(zhì)量預(yù)測。

2 過程監(jiān)控與質(zhì)量預(yù)測分析

2.1 壓鑄單元概述

壓鑄制造是將液態(tài)金屬按照不同需求以特定參數(shù)充填至壓鑄模具型腔內(nèi),并在高壓下成型的一種鑄造方法。它的加工過程是在壓鑄機安全門關(guān)閉后,合模油缸前進進行合模,把高溫鋁料倒入料筒的倒料口,壓射油缸前進將鋁料壓射到模具里,并在模具保持一定壓力,產(chǎn)品在模具內(nèi)冷卻并凝固,合模油缸后退進行開模,接著頂出板前進把產(chǎn)品從動模頂出,取出產(chǎn)品,最后經(jīng)過切邊機切邊得到最終產(chǎn)品。從整體上看,整個過程可分為合模、壓射、鎖模、冷卻凝固、開模、頂出產(chǎn)品等流程。其中壓射、鎖模和冷卻過程及其中間所產(chǎn)生的各種參數(shù)是決定壓鑄產(chǎn)品質(zhì)量的關(guān)鍵因素。

2.2 壓鑄過程數(shù)字孿生建模與控制

孿生模型是整個系統(tǒng)的重要組成部分,建立高保真的虛擬模型,實現(xiàn)對真實壓鑄單元的準確映射。首先使用UG三維建模軟件建立了壓鑄制造單元所有生產(chǎn)要素的參數(shù)化三維模型,并在3dsMax中實現(xiàn)模型簡化處理,將關(guān)鍵結(jié)構(gòu)保留,刪除不涉及關(guān)鍵步驟的結(jié)構(gòu)線條,后導入到數(shù)字孿生平臺中,按照物理現(xiàn)場場景進行虛擬車間搭建。利用父子層級技術(shù),結(jié)合實際制造單元的父子節(jié)點關(guān)系,建立父子節(jié)點層級結(jié)構(gòu)的虛擬車間。這種結(jié)構(gòu)保證了模型的后續(xù)擴展以及驅(qū)動行為的實現(xiàn)。虛實同步技術(shù)框架如圖2所示。

圖2 虛實同步技術(shù)框架

(1)數(shù)字孿生建模流程。壓鑄制造過程中的數(shù)字孿生模型是孿生單元的基礎(chǔ),也是對真實物理車間的虛擬映射,這個映射包括設(shè)備本身、車間環(huán)境和壓鑄單元運行邏輯。利用數(shù)字孿生建模技術(shù),真實壓鑄制造單元中各種資源設(shè)備被映射到虛擬空間中。數(shù)字孿生建模主要包括兩個流程,分別是軟件層面流程和參數(shù)化建模流程。

①軟件層面流程。利用UG建模軟件、3dsMax軟件和Visual Components平臺(VC)建立數(shù)字孿生體,并搭建壓鑄單元數(shù)字孿生系統(tǒng),如圖3所示。

圖3 軟件層面流程

UG建模軟件在汽車行業(yè)應(yīng)用廣泛,通過同步建模和混合建?？梢钥焖俳⑵疖囬g的基本模型。

3dsMax在實際建模精度方面表現(xiàn)一般,但是在輕量化處理、確定結(jié)構(gòu)關(guān)系、模型運行關(guān)節(jié)設(shè)計等方面具有很好的效果。

Visual Components是一款專業(yè)針對工業(yè)仿真運行的軟件,其擁有豐富的數(shù)據(jù)通信接口,可以應(yīng)對工廠復(fù)雜多樣的設(shè)備,并且可以在設(shè)計不同虛擬模型和模型之間的交互關(guān)系。

②參數(shù)化建模流程。參數(shù)化建模主要包括孿生模型構(gòu)建、模型運行邏輯構(gòu)建和壓鑄單元整體行為構(gòu)建,具體為:

孿生模型構(gòu)建。首先確定壓鑄單元中設(shè)備、人員和環(huán)境的具體內(nèi)容,進行數(shù)字建模,接著導入3dsMax中進行輕量化處理,并確定模型結(jié)構(gòu)關(guān)系,最后導入Visual Components中設(shè)定模型的特征、屬性和行為,定義模型子部件的運動關(guān)節(jié),設(shè)定好根部件和子部件的父子關(guān)系。

模型運行邏輯構(gòu)建。數(shù)字孿生的核心是實現(xiàn)模型與現(xiàn)實的虛實映射,在Visual Components中將為模型的運行關(guān)節(jié)添加伺服控制器和信號接口,并編寫驅(qū)動程序,例如實現(xiàn)壓鑄機的開模合模、切邊機切刀的上下移動和機械臂的移動等行為。信號接口和驅(qū)動程序是實現(xiàn)虛實同步的基礎(chǔ)。

壓鑄單元整體行為構(gòu)建。將上述模型按照真實車間布局搭建虛擬數(shù)字孿生壓鑄單元,實現(xiàn)模型和位置的高保真還原,劃定生產(chǎn)過程的運行規(guī)則和邏輯,完成車間整體布局和內(nèi)部仿真。

(2)孿生三維模型構(gòu)建。通過建立1∶1還原的高保真三維模型來實現(xiàn),車間人員可以直觀得監(jiān)控壓鑄過程實時的生產(chǎn)狀態(tài)和運行情況。如圖4所示,通過層級關(guān)系將壓鑄單元的生產(chǎn)要素進行分類,根據(jù)壓鑄單元的實際情況,將模型劃分為生產(chǎn)模型、輔助模型和環(huán)境模型。其中生產(chǎn)模型包括壓鑄機、切邊設(shè)備、噴淋機械臂等,輔助模型包括轉(zhuǎn)運機械臂、傳送帶、冷卻槽和水塔、倉儲箱等,環(huán)境模型包括人員、檢驗臺、圍欄、顯示器等。

圖4 壓鑄制造單元模型

壓鑄機、切邊設(shè)備、兩個機械臂是壓鑄單元的主要設(shè)備,在壓鑄過程中,壓鑄機生成工件,機械臂負責轉(zhuǎn)運工件和噴淋脫模劑,切邊設(shè)備負責修去工件毛邊,建模過程為:

(1)壓鑄機建模。首先在VC中導入經(jīng)過輕量化的壓鑄機模型,設(shè)置模型的屬性和行為。首先定義兩個子部件,包括壓射推桿和動模模具,這兩個子部件需要進行平行移動,然后設(shè)置伺服控制器和信號接口,信號接口的作用是接受來自于數(shù)據(jù)庫的布爾信號,并在python程序中將兩個運動組件掛載到伺服控制器上,定義移動范圍和移動信號,實現(xiàn)關(guān)節(jié)的移動,完成整個壓鑄機的建模,具體如圖5所示,包括模型、python程序和行為設(shè)置。

圖5 壓鑄機建模 圖6 切邊設(shè)備建模

(2)切邊設(shè)備建模。切邊設(shè)備建模主要步驟和壓鑄機相同,不同的是切邊設(shè)備需要定義3個運動子部件,其中一個子部件在模型內(nèi)部,如圖6所示。

(3)機械臂建模。轉(zhuǎn)運機械臂和噴淋機械臂模型相同,因此本文只對其中一個進行詳細說明。因為數(shù)字孿生平臺內(nèi)部有模板模型,所以利用模板機械臂進行新機械臂的建模。首先導入經(jīng)過處理的CAD模型,修改模型坐標系,將模板機械臂的幾何外觀替代成導入的機械臂幾何外觀,最后更新機械臂的結(jié)構(gòu)和運動學參數(shù),建模流程如圖7所示。

(4)壓鑄單元整體運行邏輯構(gòu)建。整體運行邏輯構(gòu)建包含兩個方面,①車間運行行為分析,②數(shù)字孿生內(nèi)部仿真調(diào)試。整個壓鑄單元包括一臺壓鑄機、一臺切邊設(shè)備、兩臺機械臂、傳送帶、冷卻槽和檢測臺組成,如圖8所示。其中壓鑄機負責生產(chǎn)工件,是單元的基礎(chǔ)。當生產(chǎn)過程開始時,壓鑄機合模,等壓射錘頭前進生成工件后,壓鑄機開模。轉(zhuǎn)運機械臂從初始狀態(tài)開始移動從模具中取出工件,接著移動至機臺邊掃碼計件,抓取零件至冷卻槽降溫。在得到掃碼信號后,噴淋機械臂從初始位置移動到模具中間進行噴灑脫模劑并冷卻模具,完成動作后回到初始位置,等待下一次掃碼信號。等待噴淋機械臂回到初始位置,壓鑄機合模。工件降溫完成后,轉(zhuǎn)運機械臂移動將工件放置于工件中轉(zhuǎn)臺,緊接著從切邊機取出上一個切邊完成的工件放置于傳送帶,然后返回將中轉(zhuǎn)臺的工件取出放置于切邊機,切邊設(shè)備刀具模塊下降對工件進行去毛邊。轉(zhuǎn)運機械臂回到初始位置,等待壓鑄機開模。完成一個循環(huán)。其中壓鑄機和切邊機為輔,壓鑄單元主要的行為動作由兩個機械臂完成。

圖8 壓鑄單元整體行為構(gòu)建

如圖8所示,除去壓鑄機和切邊機的兩個固定動作,兩臺機械臂一共可以分為5個動作。對于轉(zhuǎn)運機械臂,動作1為從模具取件到掃碼處,動作2為機械臂抓件水冷降溫并將工件放置中轉(zhuǎn)臺,動作3為機械從切邊機取件至傳送帶,動作4為從中轉(zhuǎn)臺取件至切邊機,然后返回初始位置。對于噴淋機械臂,動作5為從初始位置至模具中間,進行上下噴掃,然后返回初始位置。將這些動作進行封裝,通過一個信號變量進行驅(qū)動,完成內(nèi)部仿真。

除去壓鑄機和切邊機的兩個固定動作,兩臺機械臂一共可以分為5個動作。對于轉(zhuǎn)運機械臂,動作1為從模具取件到掃碼處,動作2為機械臂抓件水冷降溫并將工件放置中轉(zhuǎn)臺,動作3為機械從切邊機取件至傳送帶,動作4為從中轉(zhuǎn)臺取件至切邊機,然后返回初始位置。對于噴淋機械臂,動作5為從初始位置至模具中間,進行上下噴掃,然后返回初始位置。將這些動作進行封裝,通過一個信號變量進行驅(qū)動,完成內(nèi)部仿真。

通過對壓鑄單元整體行為的分析,將生產(chǎn)過程分解,實現(xiàn)內(nèi)部仿真調(diào)試,可以為后面與真實車間的虛實同步提供指導。

2.3 壓鑄件產(chǎn)品質(zhì)量影響指標

壓鑄過程是一個具有周期性、多參數(shù)性、非線性和多步驟性的生產(chǎn)過程。壓鑄件質(zhì)量評判標準一般分為外觀和結(jié)構(gòu)性能,外觀包括表面缺肉多肉、劃痕、飛邊、粘料、料餅厚度變形等;結(jié)構(gòu)性能包括抗拉抗彎強度、尺寸等。根據(jù)車間加工實踐和工人經(jīng)驗,選擇料餅厚度作為壓鑄件產(chǎn)品的質(zhì)量指標。主要原因是料餅厚度對壓鑄產(chǎn)品有很大影響,具體為:①厚度過薄時料餅中無高溫和流動性較好的鋁液,無法向型腔傳遞壓力,容易造成產(chǎn)品縮孔、欠鑄等缺陷;而厚度過厚時會有浪費原材料、料餅容易爆炸開裂,以及造成產(chǎn)品缺肉等問題;②料餅厚度能很好反應(yīng)壓鑄過程的穩(wěn)定性;③厚度容易測量且具有普適性。所以選擇料餅厚度作為質(zhì)量評價指標,確保其在合理的范圍之內(nèi)。

3 基于孿生數(shù)據(jù)的Stacking集成學習的質(zhì)量預(yù)測方法

本文提出一種基于Stacking集成的質(zhì)量預(yù)測方法。Stacking集成的方法是首先建立多個不同類型的基學習器,初始數(shù)據(jù)集作為輸入訓練得到每個基學習器的初級預(yù)測結(jié)果,然后將初級預(yù)測結(jié)果合并組成一個新的次級數(shù)據(jù)集,輸入構(gòu)建的一個元學習器,輸出最終的預(yù)測結(jié)果[10]。

3.1 預(yù)測模型

對Stacking集成的方法是首先建立多個不同類型的基學習器,初始數(shù)據(jù)集作為輸入訓練得到每個基學習器的初級預(yù)測結(jié)果,然后將初級預(yù)測結(jié)果合并組成一個新的次級數(shù)據(jù)集,輸入構(gòu)建的一個元學習器,輸出最終的預(yù)測結(jié)果。Stacking集成預(yù)測模型的框架如圖9所示。

圖9 Stacking集成學習的質(zhì)量預(yù)測方法

3.2 方法描述

本文通過上述Stacking方法集成不同類型的模型來提升整體預(yù)測性能,利用采集到的參數(shù)數(shù)據(jù)對壓鑄件進行質(zhì)量預(yù)測。以壓鑄過程中采集的工藝數(shù)據(jù)X=(x1,x2,…,xn)作為輸入?yún)?shù),然后預(yù)測壓鑄件的質(zhì)量指標Y。

整個方法主要有以下5個步驟:

步驟1:數(shù)據(jù)預(yù)處理。鑒于數(shù)據(jù)中可能存在缺失值、異常值和不相關(guān)的特征,我們首先對數(shù)據(jù)進行預(yù)處理。我們使用隨機森林缺失值填充法來填補缺失值,采用專門的修改和調(diào)整來處理異常值,同時刪除明顯有問題的數(shù)據(jù)。還有,我們直接刪除了由于重復(fù)的壓鑄工藝導致的重復(fù)數(shù)據(jù)。此外,無效的特征,如機器標識machineId和循環(huán)時間loopTime等,也被移除;

步驟2:關(guān)鍵特征選擇。這一方法涉及計算特征與質(zhì)量指標之間的距離相關(guān)系數(shù)。當這一系數(shù)較小時,我們將認為該特征對質(zhì)量影響不大,然后將其從數(shù)據(jù)中移除。這樣做有助于減少數(shù)據(jù)的維度,同時確保保留的特征對模型的性能提升有積極作用;

步驟3:基于時序的特征構(gòu)建。數(shù)字孿生系統(tǒng)捕獲的質(zhì)量特征具有時間序列屬性,因為生產(chǎn)設(shè)備、原材料和模具等在隨時間推移中可能會發(fā)生微小變化。因此,我們采取了一種策略,將t-1時刻的質(zhì)量指標作為t時刻產(chǎn)品的新特征。這一方法的目的是彌補數(shù)據(jù)中的信息缺失,使模型更好地考慮時間相關(guān)性,以提高預(yù)測的準確性;

步驟4:數(shù)據(jù)集劃分。將數(shù)據(jù)集按照8∶2的比例劃分為訓練集和測試集,并按照模次時間排序,確保訓練得到模型滿足預(yù)測要求;

步驟5:模型評估與分析。通過測試集對模型進行評估分析,并利用網(wǎng)格搜索法確定最佳參數(shù),并選擇決定系數(shù)(R2)和均方根誤差(RMSE)作為評估指標,計算公式為:

(1)

(2)

4 系統(tǒng)驗證和分析

4.1 壓鑄過程監(jiān)控

基于本文提出的壓鑄過程可視化監(jiān)控方法,以某汽車零部件制造企業(yè)的壓鑄車間為試驗對象。首先基于UG、3DMAX等三維建模軟件壓鑄制造單元的幾何模型(如表1所示),模型簡化后并將其導入Visual Components數(shù)字孿生平臺,其次在平臺中設(shè)置各個虛擬組件的特征、屬性、行為、數(shù)據(jù)顯示看板和驅(qū)動腳本。通過虛實同步技術(shù)和MySql數(shù)據(jù)庫實現(xiàn)真實壓鑄制造單元和虛擬制造單元的虛實交互。

表1 軟件開發(fā)環(huán)境

(1)系統(tǒng)功能描述?；跀?shù)字孿生的壓鑄單元監(jiān)控具體功能有生產(chǎn)信息顯示、交互和虛實同步,具體內(nèi)容如圖10所示。

圖10 數(shù)字孿生的壓鑄單元監(jiān)控

圖11 數(shù)字孿生單元和車間映射

其中生產(chǎn)信息顯示包括壓鑄機狀態(tài)、切邊設(shè)備狀態(tài)、轉(zhuǎn)運機械臂狀態(tài)、噴淋機械臂狀態(tài)和生產(chǎn)參數(shù)。

交互包括監(jiān)控視角切換和場景漫游。通過點擊場景左下角視角切換按鈕,可以快速改變監(jiān)視角度,方便查看不同設(shè)備的不同狀態(tài)。

虛實同步包括整體虛擬壓鑄單元、壓鑄過程監(jiān)控和實時映射。通過虛實同步實現(xiàn)生產(chǎn)過程的三維可視化,并且制造過程與現(xiàn)實車間生產(chǎn)過程保持一致。壓鑄過程包括壓鑄機開模合模,機械臂轉(zhuǎn)運工件、機械臂噴淋模具等。

(2)壓鑄數(shù)字孿生單元實現(xiàn)。①數(shù)字孿生單元。按照真實壓鑄單元進行測量和布局,在數(shù)字孿生平臺搭建與現(xiàn)場車間完全一致的數(shù)字壓鑄單元,實現(xiàn)等比例復(fù)刻。通過監(jiān)控視角切換等交互行為,實時監(jiān)控壓鑄單元的加工狀態(tài)和生產(chǎn)信息。②數(shù)字孿生單元。搭建好的壓鑄數(shù)字孿生單元可以按照工廠人員的需求去調(diào)整觀察視角,可以快速切換監(jiān)控不同設(shè)備的運行情況和車間的不同區(qū)域,如圖12所示。

圖12 多視角視圖

設(shè)備狀態(tài)信息和生產(chǎn)工藝參數(shù)都是以看板的形式置于對應(yīng)模型旁邊,這樣可以通過數(shù)據(jù)更加直觀的監(jiān)控壓鑄單元的整體運行狀況。將采集到的數(shù)據(jù)顯示在看板上,工廠人員可以查看設(shè)備運行情況、生產(chǎn)過程和工藝參數(shù)等信息,完成了壓鑄制造的數(shù)據(jù)可視化。數(shù)據(jù)看板包括壓鑄機、切邊設(shè)備、兩個機械臂以及工藝參數(shù),具體包括生產(chǎn)個數(shù)、運行狀態(tài)、開始時間、當前工序位置等信息,其中生產(chǎn)個數(shù)是通過掃碼裝置采集的信號現(xiàn),該布爾值每變化一次,就表示是生產(chǎn)一個工件,壓鑄機的工作狀態(tài)通過是否合模這個信號判斷,機械臂的當前位置和當前工通過graspHydroCooling和spurtOutModel等布爾變量判斷。③虛實同步。虛實同步是用物理車間的數(shù)據(jù)驅(qū)動虛擬車間運行,驅(qū)動過程分為兩部分,包括狀態(tài)數(shù)據(jù)驅(qū)動和位姿數(shù)據(jù)驅(qū)動。首先對數(shù)字孿生模型設(shè)定屬性、行為和子部件,并編寫python程序,對于壓鑄機和切邊設(shè)備利用布爾信號進行去驅(qū)動,對于機械臂則用位姿數(shù)據(jù)進行驅(qū)動。如圖13所示,以轉(zhuǎn)運機械臂為例,驗證第3節(jié)中虛實同步技術(shù),首先在上位機運行OPC UA服務(wù)器,接著與數(shù)據(jù)庫連接交互將位姿數(shù)據(jù)信號發(fā)布出來,數(shù)字孿生平臺訂閱信號,將關(guān)節(jié)參數(shù)數(shù)據(jù)與虛擬機械臂組件的關(guān)節(jié)對應(yīng),驅(qū)動機械臂的同步運行。

圖13 壓鑄數(shù)字孿生單元和真實車間映射

最后,通過數(shù)字孿生壓鑄單元監(jiān)控方法的應(yīng)用,基本實現(xiàn)了壓鑄制造的虛實交互、同步運行,以及生產(chǎn)數(shù)據(jù)可視化,完成了對壓鑄單元生產(chǎn)過程全要素、全流程的監(jiān)控功能。

4.2 壓鑄質(zhì)量數(shù)據(jù)數(shù)據(jù)預(yù)處理和特征工程

(1)壓鑄數(shù)據(jù)描述。面對壓鑄生產(chǎn)過程中大量數(shù)據(jù)無法進行有效用的問題,利用本文方法,從壓鑄過程監(jiān)控數(shù)字孿生系統(tǒng)中提取到一些壓鑄特征參數(shù)數(shù)據(jù),該套工藝數(shù)據(jù)共計包括18 560條數(shù)據(jù),由壓鑄機工藝數(shù)據(jù)和傳感器數(shù)據(jù)組成。數(shù)據(jù)集中特征維度為22維,包括升壓時間(ms)、鑄造壓力(MPa)、澆筑時間(s)、動模溫度(℃)、鎖模力(MN)等。

(2)數(shù)據(jù)預(yù)處理和特征工程。

①數(shù)據(jù)預(yù)處理。分別采用拉格朗日插值法、統(tǒng)計方法和數(shù)據(jù)預(yù)覽法對缺失值、異常值、重復(fù)值進行處理。缺失值即數(shù)據(jù)表格中每列的空缺部分,異常值即與正常數(shù)據(jù)相對較大的數(shù)據(jù),例如在鑄造壓力一列,鑄造壓力突然從57.5降到35.6。因為壓鑄數(shù)據(jù)特點相近生產(chǎn)的工件工藝參數(shù)基本相同,所以處理重復(fù)數(shù)據(jù)占比最多。數(shù)據(jù)最終壓縮到9810條,數(shù)據(jù)預(yù)處理中數(shù)據(jù)標準化是在特征工程之后進行。

②特征工程。針對壓鑄質(zhì)量數(shù)據(jù)特點,結(jié)合鑄件質(zhì)量的應(yīng)用場景,質(zhì)量預(yù)測結(jié)果可以作為壓鑄工藝參數(shù)優(yōu)化的參考,首先利用隨機森林得到使模型達到最優(yōu)的特征數(shù)量,然后利用相關(guān)性過濾選出對壓鑄件料餅厚度影響最大的特征因素。

利用隨機森林計算特征參數(shù)的重要性。將壓鑄質(zhì)量預(yù)測數(shù)據(jù)輸入隨機森林模型中,計算每個特征的均方誤差得到每個特征參數(shù)的重要性分數(shù),得到的結(jié)果如圖14所示。從特征減速位置開始,按照分數(shù)從高到底的順序增加特征,增加一個特征就計算一次均方誤差,在增加完所有特征后,選擇均方誤差最小時的特征集合為結(jié)果。最終結(jié)果如圖15所示。

圖14 特征重要性分數(shù) 圖15 不同特征數(shù)量的均方誤差

在上圖中,橫坐標為特征數(shù)量,縱坐標為均方誤差數(shù)值,特征數(shù)量從5開始,因為小于5時均方誤差過大。由圖15可知,當特征數(shù)量為15時,整個過程隨機森林計算的均方誤差最小,因此初步選擇特征重要性分數(shù)前15個的特征,具體如表2所示。

表2 部分實驗數(shù)據(jù)

由于壓鑄生產(chǎn)特點,所以壓鑄數(shù)據(jù)中的參數(shù)是非線性的,采用距離相關(guān)系數(shù)去準確衡量特征和質(zhì)量指標之間的相關(guān)性,經(jīng)過特征重要性選擇后,22種特征剩余15種,對15種特征計算與料餅厚度之間的距離相關(guān)系數(shù)結(jié)果如表3所示。

表3 各特征與料餅厚度之間的距離相關(guān)系數(shù)

由上表可知,壓鑄數(shù)據(jù)中有兩個決定性影響因素減速位置和升壓時間,其他特征的相關(guān)性均一般,將相關(guān)性小于0.05的特征剔除,并結(jié)合現(xiàn)場工人師傅經(jīng)驗,最終的特征選擇具體如表4所示。

表4 最終選擇的特征

根據(jù)基于時間的序列分析,將t-2時刻的料餅厚度作為t時刻鑄件的一個新特征以彌補信息缺失,在添加新特征后,并經(jīng)過數(shù)據(jù)預(yù)處理。

對數(shù)據(jù)集進行標準化處理,最終得到的部分數(shù)據(jù)如表5所示。

表5 部分標準化后最終訓練數(shù)據(jù)

4.3 壓鑄產(chǎn)品質(zhì)量預(yù)測結(jié)果分析

面對大量無法有效利用的壓鑄生產(chǎn)過程數(shù)據(jù),本文采用了一種方法,從數(shù)字孿生系統(tǒng)中提取了一組壓鑄特征參數(shù)數(shù)據(jù)。經(jīng)過數(shù)據(jù)預(yù)處理等步驟,我們得到了一個包含18 560條數(shù)據(jù)的工藝數(shù)據(jù)集,由壓鑄機工藝數(shù)據(jù)和傳感器數(shù)據(jù)組成。這個數(shù)據(jù)集包括23個特征維度,其中包括升壓時間(ms)、鑄造壓力(MPa)、澆筑時間(s)、動模溫度(℃)、鎖模力(MN)以及t-1時刻的料餅厚度(mm)等等。部分實驗數(shù)據(jù)如表1所示,其中第一列代表加工順序的模次號,最后一列是壓鑄產(chǎn)品的質(zhì)量指標,即料餅厚度,而其余列則為工藝參數(shù)數(shù)據(jù)。料餅厚度對壓鑄產(chǎn)品有很大影響,厚度過薄時料餅中無高溫和流動性較好的鋁液,無法向型腔傳遞壓力,容易造成產(chǎn)品縮孔、欠鑄等缺陷;而厚度過厚時會有浪費原材料、料餅容易爆炸開裂,以及造成產(chǎn)品缺肉等問題。所以選擇料餅厚度作為質(zhì)量評價指標,確保其在合理的范圍之內(nèi)。

對各個學習器進行分別實驗以使每個模型得到最優(yōu)超參數(shù)組合,結(jié)合交叉驗證法和網(wǎng)格調(diào)參方法確定最優(yōu)參數(shù)。將所提模型與XGBoost、LGBM和TabNet模型進行對比,以判斷所提模型的性能,驗證方法有效性。所提模型及其他3種模型的預(yù)測值及預(yù)測誤差如表6所示。

表6 4種方法質(zhì)量預(yù)測對比表

Stacking集成的方法是首先建立多個不同類型的基學習器,初始數(shù)據(jù)集作為輸入訓練得到每個基學習器的初級預(yù)測結(jié)果,然后將初級預(yù)測結(jié)果合并組成一個新的次級數(shù)據(jù)集,輸入構(gòu)建的一個元學習器,輸出最終的預(yù)測結(jié)果。

文中模型和以上3種模型的預(yù)測結(jié)果值與真實值折線圖如圖16所示,預(yù)測值和真實值的絕對誤差折線圖如圖17所示?？梢钥闯?圓形標記線大部分在三角標記線附近,以及實際值與預(yù)測值的絕對誤差大多在±2 mm之間,所提出的Stacking集成模型的絕對誤差小于其他3個單一模型,這也說明集成模型預(yù)測效果更加穩(wěn)健。

(a) LGBM (b) XGBoost

圖17 4種方法質(zhì)量預(yù)測殘差圖

為進一步對比分析各方法的預(yù)測效果,本文采用決定系數(shù)(R2)和均方根誤差(RMSE)對本方法在壓鑄質(zhì)量預(yù)測場景中的效果進行評估,由表7可知,Stacking集成預(yù)測方法的R2較XGBoost模型提高了5.2%,較LGBM提高了12.7%,較TabNet提高了8.1%,RMSE較上述3者分別降低了7.7%、22.6%、9.2%,提出的預(yù)測方法具有良好的預(yù)測性能。

表7 4種模型的R2和RMSE對比

在應(yīng)用所提出的預(yù)測方法之前,對于壓鑄質(zhì)量問題,只有在壓鑄完成后通過手動檢查才能篩選出性能指標合格的鑄件,不合格的鑄件應(yīng)進行修理或報廢。應(yīng)用所提出的預(yù)測方法后,在壓鑄工藝階段,可以根據(jù)現(xiàn)場收集的特征數(shù)據(jù)預(yù)測最終的壓鑄質(zhì)量。當預(yù)測結(jié)果不符合性能指標時,我們可以提前干預(yù)壓鑄過程,從而大大減少鑄件維修和廢料的數(shù)量。

5 結(jié)論

在智慧工廠和智能制造不斷發(fā)展的背景下,本文針對壓鑄制造實時監(jiān)控困難和大量生產(chǎn)數(shù)據(jù)無法有效利用等問題,提出一種基于數(shù)字孿生的壓鑄過程監(jiān)控和產(chǎn)品質(zhì)量預(yù)測方法,構(gòu)建了其完整的體系,實現(xiàn)了過程監(jiān)控和產(chǎn)品質(zhì)量預(yù)測。在參數(shù)化建模、數(shù)據(jù)管理、虛實同步和數(shù)據(jù)可視化4個關(guān)鍵技術(shù)的基礎(chǔ)上,建立了數(shù)字孿生系統(tǒng),本文還基于孿生數(shù)據(jù)中的生產(chǎn)參數(shù)數(shù)據(jù),利用機器學習數(shù)據(jù)挖掘方法,提出一種基于Stacking集成產(chǎn)品質(zhì)量預(yù)測方法,實現(xiàn)了鋁合金壓鑄件質(zhì)量預(yù)測,準確率到達92.5%,壓鑄單元的數(shù)字孿生已應(yīng)用于企業(yè)。未來將在此系統(tǒng)的基礎(chǔ)上繼續(xù)提高數(shù)字孿生體的規(guī)模和精度,進一步完善質(zhì)量預(yù)測模型,基于孿生數(shù)據(jù)的分析發(fā)掘?qū)崿F(xiàn)車間智能決策等方面的研究。