機器學習在彎曲模中的應用嘗試

王 巍

（湖北工業大學，武漢 430000）

1 研究背景

某常用骨科醫療器械，因為產品原材料價格昂貴，生產廠商選擇采用近乎零庫存的生產策略，隨時響應市場需求組織相應型號的生產。由于不同患者生理特性的差異，其具有十多個序列，一百多種型號。而模具成型具有“一模一樣”的特點，每種型號都必須制造一副專用彎曲模，每次改變生產型號就必須更換模具，由此造成模具型號多，管理困難。由于彎曲零件受力狀態復雜，以及材料供貨或生產工藝參數的波動，造成回彈的準確預測很困難，幾乎無法采用某一固定參數開展生產。每次更換模具都只能依靠人工裝模試模來確定生產的相關參數，很難實現快速穩定的生產。鑒于此，生產廠家提出了開發一套只需要輸入不同的零件參數，就可自動試模，自動調整參數，并實現穩定生產的全自動智能彎曲模的需求，零件示意圖如圖1所示。

圖1 零件示意圖

2 設計思路

考慮到彎曲成形過程復雜，且材料供貨或生產工藝參數的波動較大，傳統有限元模型預測精度不足，而專家系統又過于龐雜，決定采用人工神經網絡作為主要工作模型。通過變更模具定位零件等技術手段可以將彎曲長度、彎曲高度、彎曲角、彎曲半徑和彎曲位置等各型號模具的關鍵工藝參數統一成彎曲行程一項參數，從而降低工作模型的復雜程度。最后建立一個采用在線測量數據作為神經網絡的訓練樣本，輸入為彎曲工藝參數、輸出為行程參數的神經網絡模型，并通過在線監測檢驗相關模型的準確性，在允許的公差取值范圍內，采用神經網絡模型代替傳統有限元彎曲數學模型，對工藝參數進行實時優化并反饋給伺服壓力機執行，最終實現可自我學習的、具有相當生產柔性的智能彎曲成型模具。

根據國內外相關文獻，智能模具的發展可分為具有感知能力，具有分析能力，具有決策能力和具有執行功能四個層次。以目前中國的模具行業發展狀況來說，生產智能模具的水平還處在具有感知能力的初級層次，而具有分析、預測能力的模具十分少見。而且，對于已經實際生產應用的智能模具的分析和預測還大多依賴專家系統來實現。在人工智能方興未艾的今天，已有部分基于人工神經網絡具有分析和預測能力的智能模具研究取得了積極成果；而具有決策和執行功能且高度智能化的智能成形模具目前在國內尚未見有實際生產應用的案例。

本文通過開發一套基于人工神經網絡具有自我機器學習能力的柔性智能彎曲成型模具系統，研究在模具中實現成型參數的機器決策及自我調整的方法。該智能彎曲成型模具是一個涉及機械、電子、傳感、通信及計算機等多技術領域的較復雜的冷塑性成型系統，主要由彎曲執行機構、在線測量子系統、智能識別子系統、智能學習及預測子系統、反饋及控制子系統等五部分構成。以上五個分系統依序工作構成一個完整的彎曲學習循環，直到最后獲得符合公差要求的零件。每一個零件的生產和學習都基于上次學習的結果開展，直至一次彎曲成功。隨著生產的零件數目及型號的增多，該系統的預測精度會越來越高，以后即使毛坯材料或生產條件發生改變，系統也能夠很快做出調整，真正實現從感知、分析到決策、執行的完全智能化。

該智能系統的關鍵問題在于智能學習及預測子系統的設計及程序編寫。目前，各種機器學習模型種類繁多，其應用場合也各有不同。綜合考慮后決定選擇神經網絡學習模型并使用Python編寫相應的程序。

3 設計方案

技術方案如圖2所示，彎曲執行機構由一付帶可調式定位夾緊元件的彎曲模和一臺伺服壓力機組成；在線測量機構負責測量彎曲行程及彎曲回彈量的在線檢測，其主要由一組高精度的激光位移傳感器及相應控制電路組成；智能識別子系統及智能學習及預測子系統安裝在上位計算機中，用來對在線測量系統收集的數據進行識別，并在處理后作為樣本開展學習過程，最后輸出預測后的參數；反饋及控制子系統收到智能學習系統預測的新參數，并將其處理后傳輸給伺服壓力機。以上五個分系統依序工作構成一個完整的彎曲學習循環，直到最后獲得符合公差要求的零件，一個零件的生產循環結束。下一個零件會根據上次學習的結果來設置彎曲工藝參數進行生產，但由于成型條件的變化仍需進行若干次學習才能獲得合格制件，但學習次數及時間肯定少于上次的制件。這樣每個制件的生產所需學習次數及時間會逐漸減少，直至最后一次彎曲即可獲得合格制件，至此機器學習過程結束，生產進入穩定階段。當需要更換生產的產品時，只需重新設定目標尺寸，該系統就會自動尋找合適的參數開展生產，全過程無需人工干預。

4 結語

圖2 技術方案簡圖

目前，該系統已經制造完成，并安裝于壓力機上進行調試完畢。人工手動模擬學習過程已經過測試，效果良好。現已進行了6個型號批次零件的全自動試生產。單一型號首件約需學習7～12次，整批零件約經過10～18件即可完成學習過程，實現一次彎曲成功，進入穩定生產。總體來看，在一個型號的批次內學習次數是逐漸減少的，不同批次之間的學習次數也在逐漸減少。由此證明，該系統開發基本成功。現階段主要問題有兩個：第一，學習樣本數量不足，試模效率尚趕不上人工；第二，偶爾會出現彎曲過量零件報廢的情況，其原因及處理方法尚需進一步研究。樂觀地估計，該系統在經過50～60批次總計約1萬件的生產后可以達成只需2～3次試模即進入穩定生產的狀態，最終實現對人工試模的完全替代。