数字化汽车焊装智能制造转型研究和思考

马坚，彭惠平

江铃汽车股份有限公司 南昌 330001

根据相关战略规划文件，国家部署全面推进制造强国的行动纲领，大力推动以管理制造为主导的第四次工业革命。但是，以智能制造为主题的研究和实践在各行各业全面展开，在国家政策示范和省市创新试点的刺激下，大批的企业与智能制造集成商合作推出了不少样板工程。

汽车行业的工业化、信息化融合进程初期以制造执行系统（MES）为主，过程中发现智能制造不仅仅是制造一两个环节，还需要打通从产品设计到销售服务的整个行业价值链链条，并融合到整个制造体系生态圈，产业重构行业融合，同时对于制造过程本身存在的重大的工程技术瓶颈问题，必须用数字化思维来思考转型。

智能制造转型的重大工程技术问题

在全球工业发展的历史上，已经发生了三次工业革命。新技术推动生产力，生产力的发展促进了产业组织分工合作不断细化，而细化的分工反过来制约着生产力的创新发展。第四次工业革命的浪潮带来的产业边界重构需求势在必行，生产关系要适应新发展的生产力需求，数字化是制造企业迈向未来的必由之路。

传统制造面临的两类不确定问题：客观不确定性和主观的不确定性。

1）客观不确定性 如焊接过程涉及电、力、磁、流动、传热、相变及冶金等物理现象，是个多变量耦合、高度非线性的热加工过程，相关过程识别困难导致质量的不确定性。

2）主观的不确定性 如制造过程中涉及人、机、料、法、环等多重因素，各种实时数据未被采集、加工、分析及利用，实际生产的结果报表无法关联过程的不确定性。智能制造，利用先进的信息技术，比如物联网、网络通信、边缘计算、大数据、人工智能等技术与工厂制造要素结合，认识和控制制造系统中的不确定性问题，建立模型量化指标，形成PDCA改善循环，挑战更高的目标。

汽车焊装智能制造转型面临的重大工程技术问题和需求是质量控制在汽车车身制造最重要的两个因素——焊接强度与车身尺寸，目前国内外汽车工厂都是采用离线抽样检测来为控制，检测效率低，无法全面了解所生产车身全部焊点的质量状态，也无法判断生产车身的尺寸精度变化对门盖装配的影响，造成大量人工工时检测和返工返修的浪费。同时，为满足客户安全性美观性要求，产品存在至少5%焊点冗余设计和门盖调配等各种浪费。因此，需要建立质量控制模型，数字化控制质量。

精益生产管理控制缺乏数据分析，持续改善的实施难度大，浪费与无价值但必要的活动容易混淆，改善实施循环效果评估难，需要建立精益生产模型，衡量精益指标数字化。

技术路线

现代汽车工业设计都是在现实世界和数字世界同时构建。现实世界通过工业物联网将生产线要素连接在一起，将具有感知和监控能力的各类数据采集，控制传感器或控制器及移动通信、智能大数据分析技术融入到工业生产过程各个环节，包括传感器和执行器连接的网络计算系统。

系统监控和管理价值链上的在生产范围内外的人、机器、工具和库存的健康状况和行动，并使用所收集的数据，在数字世界上进行运算推演，以数字世界低成本的试错来避免现实世界的实际错误。数据反映客观事物属性的记录，是信息的具体表现形式，数据经过加工处理成为信息，信息通过数据传播，创造价值，并形成持续改善的反馈循环，最终将传统制造升级到智能制造。

工业物联网关键技术如图1所示，包含识别和感知技术（条码、RFID、传感器等）、网络与通讯技术和数据挖掘技术，通过工业物流网系统的自感知，自学习及自决策融合实现物理世界和数字世界的有机联结。

图1 工业物联网环境下的数字物理世界的融合

实施方案

1.建立工业物联网大数据平台，实施智能制造管理的精益数字化

建立工业物联网大数据平台（见图2），平台收集的数据包括：设备运行、可靠性（预测维修），产品以及过程的质量要素，夹具设备的定位监控和车身尺寸在线测量，焊接过程参数监控和质量评价，白车身间隙断差，生产物料消耗以及能源消耗等。目前存在的难点主要有：生产线设备品牌多，数据接口和操作界面不同，控制设备品牌多且杂，型号多，系统结构零散；PLC、传感器视频监控等系统不统一，相关数据的采集、处理、识别、机器学习、模型和部署算法涉及多专业交叉融合，毫秒级实时数据量巨大；收集的时点、收集的预处理清洗及收集数据的特征变化可用性处理需要在平台建立过程中不断地调整，达到数据可用的要求。

图2 工业大数据平台的定位

实施方法：利用OPC开发系统通讯采集数据，标准化I/O；根据需求增加采集各种传感器和控制器以及电动机模拟量数据；部署工控机、交换机和软件；存储处理数据，利用数据，构建精益数字化识别浪费实施改善。以制造过程中输送设备滚床为例，大数据平台监控滚床电动机的温度和振动传感器的数据，每天的运行数据作为基础标准，及时发现异常升温，异常振动初期的特征，给出预测性的提前检修预警，避免生产中断带来的损失。

智能制造管理需要把工厂精益数字化指标作为输入和输出，在现实世界的价值流分析可作为专家知识经验整理转换为精益数字模型。产品制造系统的全员面对同一个数据产生的信息价值流，在可视化的数据信息下清晰地发现浪费产生的点，专业分工的模糊地带完全被覆盖，避免企业内部扯皮内耗的现象，部门和人的责权利因此也能得到明确，增值价值在链条上可以被关注，投入足够的资源去重塑。

2.利用平台数据，构建车身尺寸监控系统，实时反馈控制过程装配质量

目前存在的难点是：车身加工工艺流程长，影响零件多，公差累积误差，夹具定位变化、产品设计等离散型不确定因素综合影响，监控难度大，造成实际车身精度对焊装总装门盖装配调整工作量影响很大。目前控制手段：离线抽检和人工调整。

研究技术方法和技术手段：首先通过前期尺寸工程开发，确定定位系统和尺寸公差设计，分析定位系统的稳健性和尺寸公差的模拟可达成率；其次，利用激光位置传感器在线测量监控关键定位数据，结合工厂车身在线检测系统测量的车身数据，匹配车身制造的过程能力，建立预测装配模型，比对门盖装配的间隙断差的数据和预测的差异，修正门盖装配的模型，通过工位的操作可视化屏，实时指导员工的装配操作变化；最后，未来可引入机器人门盖视觉装配系统，就能达成闭环反馈控制自适应的适配最佳门盖间隙断差，减少调整的工作量和人员需求。

3.利用平台数据，构建焊接质量监控系统和研发焊接自适应控制器

目前，国内外大量关于焊接实时监控的研究，其面临的瓶颈在于方法的泛化性与通用性不足。存在的难点在于，对电阻点焊过程还存在认知不充分的情况，传感监测技术在电极位移、电极压力和声响发射等熔核形成的本征过程信号在传统成熟焊接设备没有实际应用，研究仅局限于实验室的环境，缺乏应用场景的深度和广度。并且由于自适应控制器需要在0.78ms完成数据信息的识别判断决策控制的过程，这种实时的随机响应能力，设备的能力尚不能支持，虽然研究在不断进步，成果也不断涌现，但是还无法形成突破实际应用场景，改变生产或检验的模式。

本文的研究技术方法和技术手段是在机器人焊接设备上安装动态电阻、电极压力、电极位移、声发射、熔核尺寸、熔核温度的特征信号检测传感器，利用平台收集记录数据，与工厂制造执行系统的车身过程监控相结合，确认每台车每个焊点的相关信息与过程数据相关联分析各组数据建立焊点质量预测模型，设定质量合格的阈值，通过人工检测确认预测模型的准确度和通用性。

对模型进行修正，分成两步骤实施。

1）通过工业物联网的大数据分析，建立焊接质量在线监控系统，对偏离正常数据曲线（图3中的红色线）的焊点进行报警跟踪（建立特征信号数据基于大数据的合格阈值，超出会监控报警，图示以动态电阻说明），取消人工检测。

图3 焊接过程动态接触电阻的时间变化曲线[1]

2）在特征信号模型成熟的情况下，与质量模型（熔核）结合，设计以熔核为预测控制变量，且考虑适应各种工况的变化模糊控制的闭环智能自适应控制器熔核质量预测模型，提高精准度和泛化性，逐步应用到生产线的实际过程控制。

质量是设计制造而非检测出来的。通过研究大数据平台系统的数据有效性分析，将给产品设计提供正面反馈，减少产品设计和工艺设计制造过程的浪费。结合设计模拟仿真和大数据模型智能判断，优化传统车身结构，铝镁轻量化材料的焊接普及，甚至可以在异种金属的连接方面的应用，推动车身设计革命性的改变。

随着工业物联网、工业大数据、人工智能等新兴技术的发展，配合工业装备智能化产业升级，建立能够适应多种应用场合的高精度质量评价与控制模型，突破电阻点焊质量监控技术瓶颈，真正应用于汽车智能制造。

预期目标

建立以工业物联网大数据采集的硬件系统和网络系统架构，统计分析软件的自主知识产权平台系统，应用于汽车工厂的精益数字化改善的过程，通过消除精益数字化指标识别的浪费，来提高工厂的效率降低运行的成本。

在工业物联网大数据平台基础上，构建在线质量监测控制系统，通过质量监控系统的学习及预测模型，在线获得车身质量的评判，在此基础上设计以焊接质量为模型的自适应焊接控制器，提高焊接精度和准确度。

1）取消焊接撬斩、超声波检测和夹具点检等检查工序。

2）减少车身返修返工，降低人员使用数量。

基于平台研究基于价值流分析的精益生产过程指标，推广精益数值化指标到整个从产品设计到制造、物流、销售及服务整个价值链，持续发掘改善企业的整体绩效

结语

在数字化建设的过程或是数字化转型的过程方面，由于学校科目、专业分工的差别，数字构建往往需要找IT工程师，其思维误区容易造成最终设计的应用不适合制造实际。因此，转型过程中，传统制造业的角色必须主动直接地去设计建立数字模型，再通过专业IT人员去实现。

现代制造业的产品从设计到制造基本上打通了数字化模型、数字孪生的概念，严格来说，数字世界是早于物理世界的诞生，在后期的控制和管理中，两个世界由于其特性可以在认知层面高度一致。