邓鸿剑，吴向阳，2，李亚南，湛红晖，吴 翔，施文韬
（1.中车青岛四方机车车辆股份有限公司，山东 青岛 266111；
2.西南交通大学机械工程学院，四川 成都 610031；
3.华中科技大学无锡研究院，江苏 无锡 214000）
我国高速动车相关技术已经基本成熟，但随着“中国制造2025”的战略驱动，全面深入发展智能制造的时代需求，仍需要全面提升高速动车组的全寿命周期的创新能力和水平。
转向架是高速动车组最为重要的部件之一，直接关系着高速动车组的安全性、平稳性、舒适性、可靠性。而构架是转向架的骨架，它不仅是转向架轮对、轴箱、驱动等其他部件的安装基础，也是传递牵引力、制动力、横向力及垂向力的基体，是一个受力复杂的结构部件，其加工质量是衡量高速动车组研制水平和制造能力的关键指标。
中国中车青岛四方机车车辆股份有限公司在构架多工艺连线柔顺制造技术方面开展了大量应用与验证，经过业务梳理、技术创新、应用升级、迭代验证，形成了一套符合实际情况的智能制造新模式和实践方法论。
构架成型由侧梁、横梁和端梁等部件拼焊而成。每一个部件又包含组装、点焊、拼焊、打磨、焊修和检测等工艺。侧梁自动组装、自动焊接、构架自动打磨如图1所示。
图1 侧梁自动组装、自动焊接、构架自动打磨示意图
从组织模式上看，以RGV为核心的物流自动输送系统，将自动组装机器人、自动焊接机器人、自动打磨机器人、自动检测系统、缓冲台（存料台）、人工台位等集成，实现按节拍自动流转，所有工序和缓冲台位物料、RGV状态得到监控并由生产线控制系统进行管控。
构架焊接成型需要解决几个方面的问题：
1）焊接机器人进入服役中后期，精度退化、故障频发，生产节拍波动较大；
2）生产要素存在大量哑终端，人机料法环互联性差，导致信息孤岛和业务流程不闭环；
3）产品种类多，目视区分难，人工介入工作量大，焊接工艺文件调用容易出错；
4）计划排程“推+派”到机台，主观性强，时效性差，生产计划与调度的可行性差；
5）设备工时能力稼动率波动，影响计划排程和运维，设备任务负载忙闲不均。
通过仿真建模，对多谱系、变品种、小批量、多工艺等动态复杂条件进行推演分析，并找到最优方案；
对存料台、物料等哑终端进行智能化改造，实现信息流、物流、能量流的闭环；
与数字化设计（CAD/CAM/WCA）、数字化制造（MES/APS）业务集成，实现自动报工；
通过M2M交互集成，设备能够识别物料对象，并通过DNC网络自动调用相关的工艺文件；
多维高密分析并预测设备的健康状况（PHM），预测设备健康状况并识别加工过程异常；
开展边缘侧的应用集成；
通过数字孪生技术，把系统、产线、工位的全局生产状况全面的表现出来并进行监控。
3.1 面向能力与效率仿真的生产系统快速推演与柔性重构
高度动车组是典型的多谱系、层级深的多品种小批量生产模式，再加上装备迭代升级、工艺路径变化、生产插单扰动等因素的影响，整个生产系统动态复杂，这对构架的生产布局、柔性能力、生产效率带来了很大的不确定性。
构架成型生产线的数字仿真模型并进行生产过程仿真预演分析，定量分析构架焊接成型生产过程中的各项能力和效率指标，找出影响能力和效率的关键制约因素，并有针对性地提出改善方案，从而让生产线布局和物流设计更加精益高效，让生产策略和生产计划的制定更加科学优化。
1）生产系统仿真的建模引擎支持车间全要素建模，包括结构、资源、数据、状态以及不确定事件。
2）生产系统仿真引擎包括事件驱动、时钟跳跃、普通仿真/超实时仿真、详细的仿真过程数据记录。
3）针对仿真过程数据，采用统计分析、试验设计（Design Of Experiment，DOE）、遗传算法（单目标/多目标）和机器学习方法进行深度分析。采用遗传算法（Genetic Algorithm, GA）优化生产顺序，缩短完成时间；
可采用基于遗传算法的布局重构优化，降低物流成本；
当优化目标有多个，利用非支配排序遗传算法结合仿真进行优化（NSGA）等。仿真分析与优化的主要任务如图2所示。
图2 仿真分析与优化的主要任务
3.2 基于物联传感技术的哑终端智能化改造与升级
通过视觉或RFID等非接触感知与识别的方式进行识别或赋码，以便对生产过程进行跟踪、识别与监控。
一是基于工业视觉的构架识别主要针对具有典型表面特征的形态识别，并将识别的图像在后台进行分析解相，从而判断该物料的属性。二是以RFID为载码体，实现对人、坯件（横梁/侧梁）、存料台、胎位等哑终端进行智能化改造与提升，为人机料法环等生产要素的M2M应用交互与集成提供信息交互的载码基础。
构架焊接车间工况复杂，对RFID的应用与部署存在着不少特定的要求，包括抗周界电磁干扰、可需要安装在金属工件上、高工业等级等。采用介质无关微型可嵌入金属表面的RFID电子标签，RFID电子标签通过铆接或凸台螺纹方式拧在构架上，布置在IGM机器人立柱上读取随行夹具上的构架标签，存料台护栏上的读写器读取存料台上的构架标签，从而实现对构架全生产过程状态的跟踪。RFID电子标签设计与部署如图3所示。焊接机器人与存料台RFID读写器部署如图4所示。
图3 RFID电子标签设计与部署
图4 焊接机器人与存料台RFID读写器部署示意图
RFID采用满足现场环境的一体式读写器，能够在金属、非金属、粉尘、高温、液体等复杂工况环境下工作；
现场使用的RFID标签通过电小天线极限理论进行标签性能评估。
3.3 基于M2M交互集成的生产要素闭环管控
以RFID为载码体，赋予哑终端（构架、AGV、胎位等）以唯一的识别标识ID，通过后台信息交互与应用集成，跟踪构架的生产过程，构成一个彼此通信与识别的信息交互生产要素网络。系统信息流转与交互如图5所示。
图5 系统信息流转与交互示意图
生产线中控系统与公司上游信息系统MES、PDM、MRO集成，实现数据上传与下达。通过RFID与中央控制系统集成，实现上游信息系统与各焊接工位互联互通。
中控系统承接上游信息系统传递的生产工单信息，将相应的作业指令分配到具体的作业设备和终端（手持机），自动调度物料加工；
同时，中控系统将机器人的实际作业参数及时采集并上传上游信息系统，包括机器人编号、产品编码、生产进度、设备状态、工具工装信息、异常信息等。RFID载码体作为信息传递的“搭扣”，根据RFID扫描的物料，定位上游信息系统相应的程序代码，自动将程序下载至每台机器人作业系统，自动和机器人作业单元的工装比对，避免设备损坏和工件报废。
3.4 基于“推-拉”物流执行的业务模型构建
由于车间现场不确定性因素多，如设备故障、Buffer占用、补焊、插单等，导致APS的时效性较差，结果是有的设备闲置待料，有的设备任务溢出，需要高频次的动态排程，严重影响了生产任务的完成。
一方面，通过对组装、焊接、焊修、打磨、检测的过程监控，根据WCA系统的工艺路径规划，依据构架调度与工位分配计划，将任务“推”送给相关的设备；
另一方面，各设备根据完工情况，轮询下一可加工的各个物料的位置与状态，锁定下一物料，“拉”动物料执行与配送；
同时，根据焊修、插单等异常，通过看板“推”送物料到指定工位。
根据生产计划，将任务发布到组装区，执行“派活干”的推式物流，通过计划优化以便用最少的时间完成当日的任务计划。
推式物流执行模式没有考虑后续设备的完工状况，有可能导致后面工序设备（如焊接机器人）有的能力闲置待料，有的负荷过载而物料排队等待的情况。
推式物流是“派活干”，那么拉式物流则是根据设备的完工状况“抢活干”，即当前工作完成后，立刻向存料台（Buffer）轮询叫料，并驱动RGV把待加工物料运过来。
式中，R为1,2,……r。
设定推拉模式下的两个优化目标：①所有工序的总耗时最少；
②总完工时间最短。采用NSGA-Ⅱ（二代非支配排序遗传算法）的多目标遗传算法，可以实现上述复杂生产系统的多目标优化。
3.5 基于高维数据关联分析的设备健康预测与异常诊断
构架基材为中厚板，型面结构复杂，并且焊接机器人也存在精度退化、故障频发、质量异常的问题，要保障焊接效率与质量，并提高整个产线的高适应性和高柔性，需要对焊接装备开展健康预测与健康检测。
焊接机器人的采集数据具有高维高密异构的特征。一是采集包括机器人和焊机的本体数据，如结构（末端执行器、关节、机座以及连接杆件）、驱动（伺服电机和减速器）、感知（内部和外部传感器）、控制（运动控制器和驱动控制器）等几个基本维度的数据；
二是采集非侵入式传感数据，如外接功率、电流、电压等传感器、结构应变传感器等；
三是获取焊接工艺文件（工艺参数、路径规划）的当前执行过程数据。
在对上面的三类基本数据进行采集的基础上，结合焊接机器人的失效模式、失效表象、失效成因、失效影响，对外部成因、本体性能、工艺参数进行关联分析，通过振动、声音、电流、扭矩等工作过程信号，建立基于健康评估的评价模型，采用人工智能算法对发生异常的设备进行深度健康评估与预测。健康诊断与异常预测业务模型图如图6所示。
图6 健康诊断与异常预测业务模型图
基于经验知识与模型学习，建立设备典型故障数据库、焊接质量异常数据库，通过高维高密度数据挖掘与知识发现，采用深度学习神经网络分析设备的健康状况、焊接异常，能力与效率，优化策略以及能力预测，为拉动式排程提供依据。同时根据不同异常状态，设立分级应急管理机制，包括紧急停机、人工干预、远程预警等。
3.6 基于微服务架构的边缘侧云边业务协同
采用基于微服务架构的模式，有效拆分ERP、MES、SCM等大型系统中面向焊接产线的应用，实现构架焊接成型产线业务的边缘侧敏捷开发和部署。微服务架构如图7所示。
图7 微服务架构图
通过边缘交换把各工位设备、传感器、视频摄像头、PLC控制器、智能网关、协议转换盒子连接起来，分配固定IP，统一地址管理。基于5G的设备边缘侧AI-BOX（边缘服务器）实现工位的资源管理、算力调度、业务数据、应用下发等解决方案，将中心云的弹性计算下沉至边缘，提高运维效率，减小运维成本。
边缘侧业务主要实现工位的运管维一体化，业务涉及MES/APS、DNC/MDC、PHM、EHS、LES、PTC。
1）安全：视频分析人员串岗、倚靠、跌倒等不安全不规范行为动作，以及起火等异常；
2）调度：开工完工报送给MES；
订单任务下发到 工位；
3）物流：设备叫料请求，MES订单下发，RGV任务与调度，拉动构架精准配送；
4）生产：来料RFID识别、判断防错、工位上料，调用焊接工艺程序；
5）健康：状态、稼动率、焊机异常、设备异常；
6）集控：工位数字孪生、现场概览、异常反馈与停机处置。
3.7 构建基于数字孪生的生产过程透明化集控模式
通过建立三维数字孪生生产线平台，将机器人三维高精度数字模型、工艺流程、物流路径、传感器实时数据、设备属性以及运营管理数据等进行融合，直观地展示生产线的生产流程，与生产执行系统相结合，实现生产的远程化管理控制。
数字化建模：采用CAD、3DMax和Unity3D等工具软件，对焊接机器人物理现场进行轻量化建模、运动约束关系定义、模型渲染，最终搭建焊接机器人虚拟仿真环境。
数据集成管理：对焊接机器人运行数据进行集成与管理，包括外部数据刷新、运动驱动、数据存储、分析、数据请求响应等，数据类型包括机器人每个关节运行速度、转角、电流、温度，焊接电流、电压，工单信 息等。
数据驱动定义：定义符合机器人的运动规范和主随动关系，通过实时数据驱动，精确得到数字空间与物理空间完全匹配的运动呈现。
监控视角模块：跟随视角、固定对象视角、自由视角等，对焊接机器人进行多视角可视化监控。
状态显示模块：通过在三维模型上交互式动作触发，以悬浮标主信息框方式显示焊接机器人运行状态信息，包括关节信息、工件信息、焊接信息。
机器人健康管理模块：建立机器人典型故障数据库，显示机器人故障类型和代码、发生频次，和维护保养信息管理和预警。
焊接生产信息管理模块：当前机器人工作状态、工件工单信息、累计工作时长、周生产信息、月生产信息等。
中车四方B5-3是一条高速动车组关键零部件构架焊接生产线，生产纲领日产3辆车构架，主要由焊接生产线控制系统、物流自动输送系统RGV、自动组装系统、自动焊接系统、自动打磨系统、自动检测系统组成。共包含224个工位，共470台位。组装、点焊、拼焊、打磨、焊修和检测等工艺分别在组焊区、缓存区、物流区和机器人焊接区、打磨区完成。
经过上述智能制造技术与模式模式的实施，目前该线侧梁外体焊接时间4.5h/根，横梁焊接时间平均4.5h/根，构架（外环）焊接时间节省平均较人工焊接节省8 h。
此柔性线自投入使用以来，产线已完成复兴号动车组、各类型地铁在内数百列车辆生产任务，包括A型地铁、SDB80地铁、SW-220K车型的转向架产品。同时，并行混线生产时机械手夹具、存料台须通用，也能进行相关项目的兼容生产。
面向准黑灯化的焊接生产线柔性智能制造新模式，实现了各个作业区域的动态组合和柔性成线，达到了生产线无人、作业区域少人、准备时间减少、作业效率高的目的。该成果符合面向订单驱动下的复杂零件制造、多干扰因素下物流精益化配送和智能调度等业务场景，可以在工程机械、船舶等行业应用推广。