基于5G通信與高速拍照技術的噴丸強化仿真試驗驗證

陳智超，徐 鵬，高龍飛，陳羽雨，曹 安，汪 敏，王世杰

(上海飛機制造有限公司，上海 201324)

0 引 言

噴丸強化是一種表面強化技術，具有操作簡單、效果顯著等優點，廣泛應用于航空航天、核電、汽車等領域。噴丸強化與滾壓、內擠壓一樣屬于冷處理工藝，其利用高速運動的彈丸流沖擊零部件表面，使零部件表面發生彈塑性變形，產生一層很薄的殘余壓應力層。噴丸強化除了產生殘余壓應力以外，還會導致表面材料的組織結構發生變化，主要表現為晶粒細化和位錯密度增大。以上兩方面的綜合作用會顯著提高零部件的疲勞性能[1-3]、表面的硬度和強度[4]以及抗應力腐蝕及耐高溫氧化等性能[5-6]。對于噴丸處理的強化效果，可以通過X射線衍射技術等方法測定殘余應力在材料內部的分布狀況進行表征[7-8]。影響材料噴丸強化效果的因素有很多，有材料自身的屬性，比如密度、強度、泊松比、彈性模量、剪切模量等，此外還包括噴丸工藝參數，比如彈丸種類、彈丸尺寸、彈丸形狀、彈丸速度、噴丸時間以及噴丸覆蓋率等。

在實際生產過程中，工藝文件中通常規定了不同零件噴丸強化所需要的強化程度。噴丸強度通常用阿爾門試片的彎曲程度表征；彈丸能量越大，阿爾門試片的彎曲程度越大。對于車間生產現場來說，固定的零件所用彈丸材料大都固定，基于工藝操作便捷性的考慮，噴丸角度也基本不會進行更改，因此彈丸速度成為了彈丸能量最主要的制約因素。之前在制定噴丸工藝時主要利用噴丸機進行噴丸試驗來確定各噴丸工藝參數，試驗操作繁瑣，耗費大量人力、物力，而且需要對比大量的試驗數據才能得出合理的噴丸參數。一旦車間設備進行升級換代，前期積累的人工經驗數據往往無法運用。仿真分析能夠對噴丸過程進行模擬，具有成本低和迭代快的優勢，是一種很好的輔助方法。以往研究噴丸強化的仿真分析工作[9-13]，大多選擇有限元(Finite Element Method，FEM)或者離散元(Discrete Element Method，DEM)方法對噴丸工藝過程進行仿真分析，然后配合噴丸試驗進行驗證。但是在試驗驗證過程中，由于沒有很好的方法對彈丸速度進行準確的測試，這些方法仿真的準確性并不是很高。因此，尋找一種準確測定彈丸速度的方法，是相關研究人員努力的方向之一。

第五代(5G)移動通信技術是具有高速率、低時延和大連接特點的新一代寬帶移動通信技術，5G通信設施是實現人機物互聯的網絡基礎設施。高速拍照技術是一種采用高性能的拍照設備，用極快的快門速度來捕捉圖像的技術。采用這兩種技術的結合，可對噴丸工藝過程中的瞬時彈丸信息進行拍照采集，并將圖片高速率傳輸至云端，通過云端部署的視覺識別算法對圖片中的彈丸速度信息進行計算分析，從而得到噴丸工藝過程中的實時彈丸速度。為此，作者基于Eulerian-Eulerian雙流體模型，采用Fluent和EDEM軟件耦合計算的方式，對噴丸過程中的彈丸瞬時速度和速度分布進行仿真分析，并基于5G通信和高速拍照技術，對噴丸強化工藝過程進行實時圖像數據采集，獲得彈丸的真實速度，實現對仿真結果的試驗驗證。

1 仿真模型與方法

1.1 噴口處彈丸速度的模型

噴丸的本質就是大量的彈丸在氣流的作用下快速運動撞擊零件表面的氣固耦合的多項流模型，既要考慮氣體運動又要考慮單個彈丸的受力情況。基于Fluent軟件和EDEM軟件的耦合建模過程可完美地考慮上述情況。針對這個過程，除考慮流體相(氣體相)和顆粒相(彈丸)之間的動量交換外，還要考慮顆粒相對于流體相的影響。噴丸過程中彈丸與氣體之間存在動量和能量的相互交換，因此選擇Eulerian-Eulerian氣固兩相流模型，以考慮高速氣流噴射下彈丸的運動情況。噴丸過程中氣體的運動滿足連續方程和動量方程：

(1)

(2)

式中：ρair為氣體質量密度；t為時間；v為速度矢量；μ為流體動力黏度；p為氣體壓力；S為動量方程的廣義源項。

彈丸運動及阻力方程為

ma=F

(3)

式中：m，a分別為彈丸的質量、加速度；F為彈丸受到的合力。

在Fluent-EDEM耦合建模[14-16]過程中，采用一種改進的自由流阻力來計算作用在彈丸上的作用力，計算公式為

F=0.5CdρA|v|v

(4)

(5)

式中：Cd為阻力系數，取決于Re；Re為流體的雷諾數；A為彈丸顆粒的投影面積；ρ為彈丸顆粒的密度；v為彈丸與氣流間的相對速度。

1.2 噴口處彈丸速度的仿真方法

噴丸強化是一個典型的氣力輸送過程，涉及連續氣體相和離散的顆粒相的模擬。EDEM軟件采用離散元方法模擬彈丸的運動，Fluent軟件采用有限體積法模擬氣相的流動，兩者耦合來計算噴丸的氣力輸送過程。為了仿真彈丸噴射過程，對實際噴丸設備進行了簡化處理。設置一段噴嘴前的管道用于模擬簡化的噴丸設備。設定邊界壓力為噴丸設備的操作壓力，設定一段管道長度用來模擬顆粒相被氣體夾帶的加速過程，以使彈丸到達噴嘴處的速度與試驗值基本一致。彈丸運動過程仿真模型如圖1所示，為了減少邊界對仿真的影響，仿真區域(管道)設為半徑0.5 m的圓柱狀區域，如圖1(a)所示，經過仿真得到的彈丸運動過程分布如圖1(b)所示。模擬時管道長度為60 cm，彈丸顆粒位置距離管道邊界10 cm，重力加速度為9.81 m·s-2。在Fluent軟件中將管道起始段壓力設置為400 kPa，噴嘴后方空間邊界壓力設置為0。EDEM軟件中彈丸直徑設置為0.6 mm，彈丸流量設置為5 kg·min-1。

圖1 噴丸仿真模型Fig.1 Simulation model of shot peening: (a) simulation model area setting and (b) simulation of shot movement

1.3 仿真模型的反向優化方法

由于仿真模型在一定程度上對真實情況進行了簡化，其預測結果與真實的測試結果之間必然存在一定程度的偏差。為了縮小仿真預測結果與真實測量結果之間的偏差，需要根據實際的測量數據對仿真模型進行反向的迭代優化。首先對仿真模型中的參數進行敏感性分析，即通過一系列改變參數大小的試驗矩陣來評判每個參數對仿真結果的影響程度，這些參數包括入口壓力、出口壓力、彈丸流量、控制方程參數等。然后在各參數的可信范圍區間內進行參數的修正，使得仿真模型在不同的輸入條件下得到的仿真預測結果與真實測量結果盡可能接近。

2 試驗方案

2.1 5G通信快速組網

噴丸強化過程中，彈丸的運動速度很快，一般為幾十米每秒。為了精確采集彈丸的運動軌跡，進而獲得準確的彈丸運動速度，采用2 040 Hz的高速工業相機對噴口位置進行連續拍攝。由于噴丸設備為實時加工設備，很難采用有線方式進行數據采集。高速相機拍攝高清照片經壓縮后上傳需求的上行帶寬約300 MB·s-1，為滿足如此大上行的要求，研究中搭建了極簡5G網絡進行網絡傳輸，攝像頭通過專用無線路由器接入5G網絡，進入商飛私有云。使用云上資源進行圖像識別學習，并轉化為彈丸分布信息。數據采集的網絡拓撲圖如圖2所示。

圖2 數據采集的網絡拓撲圖Fig.2 Network topology of data acquisition

為快速實現工業5G網絡覆蓋，采用了一套有別于to-C(面向消費者)的核心網架構，運用本地輕量級核心網和一體機柔性化部署。該網絡在核心網網元功能上進行了針對現場業務的優化，剔除了計費、語音等工業場景不需要的網元模塊，增加了對于業務的針對性QoS(Quality of Service，服務質量)調度優化。無線側采用更適合工業的隙配比，同時采用載波聚合技術增大載波帶寬保障大上行，實測最大上行帶寬達到500 MB·s-1，網絡可用性達到99.999%。

2.2 噴丸速度測試試驗

噴丸設備由2臺工業機械臂和4路噴頭組成，2臺機械臂可同時作業，4路噴頭可噴不同型號的彈丸。噴丸設備的噴口直徑為10 mm，噴口處彈丸的速度范圍為10～70 m·s-1，所用彈丸為鑄鋼丸，牌號為ASR230，彈丸直徑為0.6 mm。拍照用的高速相機類型為2 040 Hz的高速工業相機，分辨率為1 080 P(逐行掃描，沿垂直方向有1 080條掃描線)，物距為100 m，景深為5 mm，視野大小為100 mm。

如圖3所示，在自動噴丸設備噴口處架設高速相機采集圖像，調整相機參數以確保同一彈丸在前后兩幀圖片中都出現。通過在噴丸設備內部加設數據采集網關，采集噴丸設備的壓力、流量等參數。通過新一代通信技術將實時采集到的工藝參數及圖片信息上傳至云數據庫中用于數據分析。

圖3 基于高速相機的噴丸強化數據采集系統Fig.3 Shot peening data acquisition system based on high-speed camera

使用單格大小為3 mm的標定板對相機進行內外參標定。試驗設定了不同的噴丸壓力和流量。每組采集圖像為10張，分別選取2個時刻的連續5張圖像。相鄰的前后兩幀圖像如圖4所示，通過多幀數據對比，基于智能算法識別圖片中的同一彈丸，通過計算前后兩幀同一彈丸的像素距離和標定數據來得到彈丸的平均速度。通過對所有圖像的采集和分析得出在100，200，300，400 kPa壓力下，5 kg·min-1流量下的平均彈丸速度。

圖4 相鄰兩幀圖片中的彈丸位置Fig.4 Shot position in two adjacent frames: (a) previous frame and (b) next frame

3 仿真結果與試驗驗證

3.1 噴口處彈丸速度的試驗驗證

在100，200，300，400 kPa壓力及5 kg·min-1流量下仿真及試驗得到的彈丸速度如圖5所示。由圖5可以看出：隨著壓力的增大，彈丸速度近似呈線性增大；仿真得到的彈丸速度與試驗得到的彈丸速度基本相等，最大相對誤差為12.1%。考慮到仿真模型的簡化以及相機拍攝過程中定位誤差等因素，可以認定所建立的氣固兩相流模型具有較好的準確性。

圖5 試驗與仿真得到噴丸壓力與彈丸速度的關系曲線Fig.5 Relationship curves between shot peening pressure and shot velocity obtained by test and simulation

3.2 彈丸速度空間分布仿真結果

基于圖1中的仿真模型，在噴嘴下方設置了直徑50 cm、長1 m的圓柱狀空間，分析了噴口下方不同位置處彈丸速度的大小，以400 kPa噴丸壓力下的建模為例，描述彈丸速度的空間分布仿真情況。提取EDEM軟件在運行0.2～0.5 s時間段內的平均速度，分析彈丸速度隨距噴口距離的變化情況。由圖6可以看出，彈丸速度的空間分布呈近似拋物線的趨勢。從噴口處噴出后(0～20 cm)，由于空氣的夾帶作用，彈丸速度繼續小幅上升(2%)，隨著空氣速度的衰減，在空氣曳力和重力加速度的競爭作用下，彈丸速度有一段起伏階段(15～40 cm)，之后速度緩慢下降(40～100 cm)，但是彈丸從噴口噴出后的60 cm范圍內，速度整體上并沒有出現太大的衰減。通過仿真分析可知彈丸噴出后速度的空間分布有很強的規律性，可以以此作為彈丸速度描述模型的基準。

圖6 彈丸速度在空間的分布曲線Fig.6 Distribution curve of shot velocity in space

3.3 噴丸強度分析軟件

基于上述分析，可以得到彈丸速度等工藝參數。為了實現對既定參數下噴丸強度的準確預測，及目標噴丸強度下的工藝參數推薦，對試驗數據和仿真分析結果進行了人工智能學習，得到了不同工藝參數下噴丸強度的深度學習模型；該模型可隨著生產現場數據的積累進行升級。根據此模型機理，開發了如圖7所示的噴丸強度分析軟件。用此軟件實現了在6個工藝參數下的噴丸強度預測和目標噴丸強度的工藝參數推薦。經實踐驗證，其預測精度達到95%。該噴丸強度分析軟件極大提升了生產現場的工作效率。

圖7 噴丸強度分析軟件界面Fig.7 Shot peening intensity analysis software interface

4 結 論

(1) 建立了基于5G通信和高速拍照技術的數據采集系統，能夠有效收集實際生產現場的彈丸速度數據；基于Eulerian-Eulerian模型，對彈丸速度進行仿真分析，彈丸速度仿真結果與試驗結果吻合，相對誤差為12.1%，模型的準確性得到了驗證。

(2) 彈丸從噴口噴出后速度先升后降，在距離噴口60 cm范圍內速度變化不大，存在小范圍波動。

(3) 對試驗數據和仿真分析結果進行了人工智能學習，得到了不同工藝參數下噴丸強度的深度學習模型，開發了噴丸強度分析軟件；此軟件的預測精度達到95%。