基于BP神經網絡的高鐵彈條熱處理工藝優化

劉飛香，陳 嫻

（中國鐵建重工集團有限公司，長沙 410100）

0 引言

制造業是我國經濟發展的主體，是興國之器、立國之本、強國之基，在“互聯網+”、“中國制造2025”的大背景下，大力發展企業的智能制造，提升企業在國際市場中的競爭力勢在必行。生產工廠智能化的改造中，通過SCADA系統對數據進行采集，結合MES系統實時監控現場、現實、現物，精準的感知生產各個環節的狀況，整合生產車間的人、機、料、法、環，實現橫向各業務系統之間的集成，縱向與生產設備間的集成。運用BP神經網絡對熱處理[1]工藝進行建模，對模型進行學習、訓練、驗證，結合車間智能化改造可以對熱處理工藝提出優化建議，提升企業的產品質量。

隨著國家將智能制造定位為重要的戰略發展機遇，制造業也在大力發展“機器換人”、“工業互聯網”等工程，希望促進制造業的轉型升級。但是在這個工程中，還有一些企業對智能化的理解不夠深入，沒有從深層次的理解智能制造的背景、意義以及路徑，存在盲目跟風的現象，企業要認清自身需求，深度融合工藝設計，分析項目的風險和價值，以結果為導向，促進企業的轉型升級，提升企業競爭力。

1 熱處理在高鐵彈條中的應用

鋼軌彈性扣件是鋼軌與軌枕的緊固裝置零件，而彈條是扣件系統中的關鍵彈性部件，扣件系統主要靠彈條對鋼軌進行固定作業，彈條的受力條件相對惡劣，其綜合性能對扣件的有效性有決定性作用。一旦彈條發生失效，整套扣件系統就失去功能。由于彈條必須滿足相應的機械性能，既要具有較好的彈性，又要具備良好的抗疲勞性能。因此其內在組織必須要保持在一個特定的平衡態才能滿足其可靠性的要求，因此對生產中的熱處理工序必須控制有力，溫度必須控制在比較狹窄的區域才能即保證彈條的熱成型又能保證彈條的淬火性能。只有掌握好熱處理工藝中的質量管控，才能保證彈條的機械性能。

熱處理是固態的金屬材料，通過加熱、保溫或冷卻的手段來獲取材料預期的組織結構與性能的生產工藝。在高鐵彈條生產過程中需要經過三種熱處理工藝，分別是成型前的加熱，成型后的淬火和回火，硬度HRC是一個重要的質量性能，最終的成品必須保證硬度HRC在固定范圍才能出貨。

1.1 彈條的加熱成型

彈條為熱成型產品，彈條經過切斷工序后制備為長度為500mm左右的直料，經過加熱后，進入成型設備利用模具對其進行各種成型作業而達到最終的尺寸要求。加熱工序中重點是控制加熱溫度，防范彈條出現脫碳和氧化現象影響彈條的性能。為此我們采用了中頻加熱器，其加熱速度快，彈條加熱時間短，單件受熱時間約5秒種，在如此短的時間內加熱可以很好的控制住彈條的脫碳和氧化，同時還能夠細化晶粒，提升彈條的組織性能。在加熱器出料后，快速進入成型設備，確保彈條在一個恒定的溫區進入到成型設備。

1.2 彈條的淬火

彈條的淬火金相組織為淬火馬氏體，允許有部分貝氏體和殘余鐵素體，其中淬火馬氏體≤4級，殘余鐵素體≤2級，貝氏體≤1級。亞共析鋼的淬火溫度一般選擇在A3以上加30℃～50℃，合金鋼一般要取上限值，加50℃以上，采用了水基溶液為淬火介質，通過多次的工藝試驗確定其最低入液溫度應控制在750℃以上，可以獲得所需要的馬氏體，同時硬度能達到60HRC以上，由于彈條在入液前要經歷三次成型作業，每道成型作業耗時約5秒鐘，加上彈條測溫、工序間轉移的時間，總共約耗時20秒。這里有部分的溫度損失，因此加熱溫度我們控制在890℃～950℃左右[2]，加熱溫度過高會引起晶粒粗大，造成組織缺陷和降低疲勞強度。加熱溫度過低，會造成組織未完全轉變為奧氏體組織，其還殘存著部分鐵素體組織，它們在冷卻時不能轉變為馬氏體組織，而是以殘留鐵素體組織的形態存在鋼材中，進而影響到彈條的硬度，最終影響到回火后彈條的性能。

1.3 彈條的回火

彈條回火后組織要求為均勻的回火屈氏體和回火索氏體，且硬度值在42～47HRC，其組織的轉變和硬度的控制主要與溫度和時間相關。綜合考慮質量與成本的關系，采取了網帶式回火爐進行回火作業，參數的控制方面采取前兩相溫區溫度控制在550℃～580℃，首先快速對進入爐膛的彈條進行升溫作業，后面四相溫區進行持續保溫，溫度控制在520℃，保溫時間約50分鐘，該控制參數即加快了回火速度，又提高了生產效率又能保證彈條的質量。

2 生產過程智能化建設

新一輪科技革命正在蓬勃發展，制造業沿著數字化、網絡化、智能化的方向發展，工業互聯網的發展不僅是順應產業發展的趨勢，也是推動企業質量提升、效率提升和新模式的發展。

2.1 生產車間智能化改造方案

《中國制造2025》[3]作為制造強國戰略國家級的行動綱領，其中車間數字化的改造是智能制造[4]的基礎，通過對車間設備增加傳感器，將車間所有的設備組成一張大的網絡，對車間的設備信息、環境信息、能耗信息進行實時采集、存儲、分析，從而打通從上至下的管控，為大數據分析應用提供了數據基礎。

針對熱處理中的三個關鍵設備的改造方案如表1 所示。

SCADA又稱為數據采集與監視控制系統，通過該系統可以對現場的設備進行通訊與控制，目前大部分的SCADA系統都集成了常見的PLC通訊協議，不需要額外的接口開發就可以快速實現與現場設備的通訊，采用超5類網線，走TCP/IP協議，把設備統一接入SCADA系統的服務器，以每秒一次的頻率對現場設備參數進行實時采集。

表1 設備采集改造方案

設備大數據的存儲有很多工具，目前常用的有分布式數據庫、時序數據庫、非結構化數據庫和常規的結構化數據庫，不同的數據庫有不同的特點，沒有絕對的通用，要根據業務的實際情況選擇合適的數據庫。對于數據量相對不大、字段結構固定的采集可以采用時序數據庫，它有很好的壓縮比例，對有限的存儲空間不會造成太大的壓力。而對于數據種類繁雜，數據量龐大建議使用分布式數據庫，如Hadoop，它能很好的管理所有的數據，同時能提供分布式計算的平臺，為大數據分析提供基礎。

通過設備的智能化改造可以實現產線級的數字雙胞胎，實現虛實同步的三維產線運行狀態完整展示，目前提倡的工業互聯網比較多的是實→虛的對應，而虛→實的逆向控制做的還不夠，根據CPS的閉環管理的思想是有缺失的，根據與工藝融合的角度，SCADA實現了設備狀態數據的采集，通過大數據平臺的分析，從而可以實現決策的下發，閉環控制執行產品的生產過程，圖1是舉例SCADA系統彈條生產線加熱工序溫度曲線圖。

圖1 SCADA系統彈條生產線加熱工序溫度曲線圖

2.2 制造執行系統（MES）建設

隨著國際和國內生產方式和管控模式的發展，MES系統做為ERP系統“計劃和結果”的“中間執行層”在生產領域的應用延伸和技術推廣已日趨成熟，為滿足領導關于“搭建客戶需求與企業產品間的橋梁，實現產品生命鏈與客戶價值鏈的打通，客戶需求（產品與服務）快速轉化成產品設計、采購需求、制造計劃等，通過訂單的形式傳遞給企業內部其他信息系統，并能把相關信息快速反饋給客戶，最終交付增值的產品（實體和虛擬），以實現客戶價值增值”的要求，MES系統將作為生產執行層面的基礎性信息系統[5]，主要發揮確保質量、提高產量、提升生產效率、壓縮交貨期等作用。

通過MES系統的實施可以打通生產管理中的流程，比如制造執行進度的管理、生產數據的實時采集、物流信息的精益化，能夠很好的協調信息流與實務流，這些問題對于生產企業來說非常重要，但是MES還沒有發揮它應有的功效，除了生產數據的采集追溯、信息流的順暢、業務環節的協同等內容，還可以在制造工藝技術的改進和提升方面發揮重要的作用。

質量管理是MES中非常重要的模塊，通過質量管理模塊可以收集來料、生產、出貨、售后中的各種質量數據，能夠有效的防止不良品的流通，通過SPC分析還可以及時的發現異常問題和批量產品質量的趨勢，這些都是通過MES系統能夠的發現問題。在MES系統中除了有質量管理數據，同時還會采集設備的狀態信息、工藝參數信息、檢驗設備信息、人員信息等，通過這些數據進行集成分析建立相應的模型，再把工人的經驗融合進去，從而分析出現質量問題的根本原因，進而推動質量數據與工藝數據的融合，助力生產過程智能化的建設。

3 基于BP神經網絡的熱處理工藝優化

本次選用的高鐵彈條Ⅰ型扣件鋼的材質為60Si2Mn，由直徑為13mm的圓鋼經過多次折彎制作而成，在生產過程中需要進過加熱、淬火、回溫三個熱處理步驟，最終檢驗產品質量的一個重要指標為硬度HRC。為了訓練神經網絡模型，記錄了30組實驗數據。

表2 高鐵彈條熱處理工藝參數

表2（續）

3.1 構建熱處理的BP神經網絡模型

BP神經網絡是一種按照誤差逆向傳播算法（BP算法）訓練的多層前饋神經網絡，能夠解決非線性問題、增強網絡分類和識別能力，通過輸入層、隱含層、輸出層[6]構成了多層前饋感知網絡。BP算法的目標函數是網絡誤差平方，通過梯度下降法[7]來計算BP算法目標函數的最小值。本次模型搭建隱含層的神經元傳遞函數為tansig，輸出層的神經元傳遞函數為purelin，為了提高網絡訓練的速度及精度，采用mapminmax函數[8]對輸入參數進行歸一化處理。如圖2所示，設定輸入層的5個參數為加熱溫度、淬火溫度、淬火時間、回火溫度、回火時間，根據經驗的式(1)隱含層節點數為z個[9]，在式(1)中R、z、K分別為輸入層、隱含層、輸出層，其中α是常數，在范圍1～10之間取值，根據式(1)確定z=8，在后面的模型訓練中可以結合實際情況進行調整。

輸出層為硬度HRC一個參數，構建了5×8×1的三層結構的神經網絡模型。

3.2 采用SCADA數據訓練和驗證BP神經網絡模型

圖2 BP神經網絡模型結構圖

對于本次構建的BP神經網絡模型訓練使用MATLAB神經網絡工具箱，訓練函數采用trainlm函數[10]，其中重要的學習參數設定為：動能因子設置為0.8、學習速率設置為0.01、學習誤差設置為0.001，其他參數采用MATLAB的默認值。學習的樣本數據采用表2中的30組數據，在訓練前對數據進行歸一化處理，可以縮小輸入值、輸出值的分布范圍，從而在保證精度要求下能夠快速收斂訓練樣本，歸一化為式(2)，在公式中Yi代表輸入輸出的值，Ymax和Ymin分別代表在該列值中的最大值最小值。

在訓練了498次之后，BP神經網絡模型滿足精度0.001的要求，停止迭代，預測走勢趨于平穩，如圖3所示。經過模型計算分析，預測的輸出值與實際的測試的輸出值差距非常小，從而該BP神經網絡模型在熱處理過程中有很好的適用性和準確性，排除了人為的主觀 影響。

圖3 BP神經網絡模型訓練誤差圖

3.3 應用BP神經網絡模型

經過驗證當加熱溫度為925°、淬火溫度為812°、淬火時間為12s、回火溫度為530°、回火時間為41分鐘的時候生產的產品能夠很好的控制硬度HRC在43.0左右[11]，與標準要求比較吻合，在實際生產過程中，加熱溫度和回火溫度是可控的，淬火是利用加熱處理后彈條的余熱來實現，與現場環境及折彎節拍關系密切，淬火的時間及回火的時間是傳送帶上控制，一般都是固定時間，當把速度調準后這兩個時間不會出現大的波動。為了保證每一批次的產品都能達到質量要求，會對每一步的溫度及速度都調整到最佳值，但是會受到環境設備等外界因素的干擾，每次的執行結果并不能保證，所以需要通過智能制造的手段來提升的產品的質量，如圖4所示。智能制造整體分為狀態感知、實時分析、自主決策、精準執行、學習提升五大特征[12]。

通過SCADA系統對數據進行采集，結合MES系統實時監控現場、現實、現物，精準的感知生產各個環節的狀況，狀態感知是走向智能化的第一步；將訓練好的BP神經網絡模型算法集成到MES平臺中，在MES服務器后臺實時運行，將采集回來的實時數據歸一化處理，以十分鐘一次的頻率，把加熱溫度、淬火溫度、淬火時間的實際值加上回火溫度、回火時間的標準值在模型中進行計算，當計算處理的預測值與標準值大于5%的時候，給出回火溫度、回火時間的建議值，確保產品在動態變動工藝參數中達到質量的提升目的，系統可以實現自主決策；SCADA不止是能夠上行收集數據，同時也能下行控制設備，當自主決策工藝參數需要調整時，能夠把決策的指令下發給生產設備，在系統穩定之后，可以自動下發生產工藝指令，實現精準執行；通過MES質量管理產生的產品結果與模型預測的結果進行自主學習優化，實現模型不停迭代、螺旋上升的過程。

圖4 熱處理工藝優化的五大特征

4 結語

通過分析高鐵彈條熱處理的工藝，提出了產線智能化改造的方案，基于生產設備、生產設施等硬件的數字化建設，在工藝設計、生產組織、過程控制等環節優化管理。通過數字化、網絡化、智能化的手段，在計算機虛擬環境中對人、機、料、法、環、測等生產資源與生產過程進行管理、設計、仿真、優化及可視化等工作。通過構建5×8×1的三層結構的神經網絡模型，以加熱溫度、淬火溫度、淬火時間、回火溫度、回火時間為輸入層，以硬度HRC為輸出層，對模型進行學習、訓練，并且驗證了模型的準確性，最終將模型整合在MES系統中，根據SCADA的實時數據優化彈條的生產工藝，提高產品的質量。