高速動車組構架焊接工藝柔性拉動生產 智能制造新模式

鄧鴻劍，吳向陽，2，李亞南，湛紅暉，吳 翔，施文韜

（1.中車青島四方機車車輛股份有限公司，山東 青島 266111；2.西南交通大學機械工程學院，四川 成都 610031；3.華中科技大學無錫研究院，江蘇 無錫 214000）

1 引言

我國高速動車相關技術已經基本成熟，但隨著“中國制造2025”的戰略驅動，全面深入發展智能制造的時代需求，仍需要全面提升高速動車組的全壽命周期的創新能力和水平。

轉向架是高速動車組最為重要的部件之一，直接關系著高速動車組的安全性、平穩性、舒適性、可靠性。而構架是轉向架的骨架，它不僅是轉向架輪對、軸箱、驅動等其他部件的安裝基礎，也是傳遞牽引力、制動力、橫向力及垂向力的基體，是一個受力復雜的結構部件，其加工質量是衡量高速動車組研制水平和制造能力的關鍵指標。

中國中車青島四方機車車輛股份有限公司在構架多工藝連線柔順制造技術方面開展了大量應用與驗證，經過業務梳理、技術創新、應用升級、迭代驗證，形成了一套符合實際情況的智能制造新模式和實踐方法論。

2 構架焊接工藝及其工程化需求

構架成型由側梁、橫梁和端梁等部件拼焊而成。每一個部件又包含組裝、點焊、拼焊、打磨、焊修和檢測等工藝。側梁自動組裝、自動焊接、構架自動打磨如圖1所示。

圖1 側梁自動組裝、自動焊接、構架自動打磨示意圖

從組織模式上看，以RGV為核心的物流自動輸送系統，將自動組裝機器人、自動焊接機器人、自動打磨機器人、自動檢測系統、緩沖臺（存料臺）、人工臺位等集成，實現按節拍自動流轉，所有工序和緩沖臺位物料、RGV狀態得到監控并由生產線控制系統進行管控。

構架焊接成型需要解決幾個方面的問題：

1）焊接機器人進入服役中后期，精度退化、故障頻發，生產節拍波動較大；

2）生產要素存在大量啞終端，人機料法環互聯性差，導致信息孤島和業務流程不閉環；

3）產品種類多，目視區分難，人工介入工作量大，焊接工藝文件調用容易出錯；

4）計劃排程“推+派”到機臺，主觀性強，時效性差，生產計劃與調度的可行性差；

5）設備工時能力稼動率波動，影響計劃排程和運維，設備任務負載忙閑不均。

3 構架焊接成型智能制造新模式及相關技術

通過仿真建模，對多譜系、變品種、小批量、多工藝等動態復雜條件進行推演分析，并找到最優方案；對存料臺、物料等啞終端進行智能化改造，實現信息流、物流、能量流的閉環；與數字化設計（CAD/CAM/WCA）、數字化制造（MES/APS）業務集成，實現自動報工；通過M2M交互集成，設備能夠識別物料對象，并通過DNC網絡自動調用相關的工藝文件；多維高密分析并預測設備的健康狀況（PHM），預測設備健康狀況并識別加工過程異常；開展邊緣側的應用集成；通過數字孿生技術，把系統、產線、工位的全局生產狀況全面的表現出來并進行監控。

3.1 面向能力與效率仿真的生產系統快速推演與柔性重構

高度動車組是典型的多譜系、層級深的多品種小批量生產模式，再加上裝備迭代升級、工藝路徑變化、生產插單擾動等因素的影響，整個生產系統動態復雜，這對構架的生產布局、柔性能力、生產效率帶來了很大的不確定性。

構架成型生產線的數字仿真模型并進行生產過程仿真預演分析，定量分析構架焊接成型生產過程中的各項能力和效率指標，找出影響能力和效率的關鍵制約因素，并有針對性地提出改善方案，從而讓生產線布局和物流設計更加精益高效，讓生產策略和生產計劃的制定更加科學優化。

1）生產系統仿真的建模引擎支持車間全要素建模，包括結構、資源、數據、狀態以及不確定事件。

2）生產系統仿真引擎包括事件驅動、時鐘跳躍、普通仿真/超實時仿真、詳細的仿真過程數據記錄。

3）針對仿真過程數據，采用統計分析、試驗設計（Design Of Experiment，DOE）、遺傳算法（單目標/多目標）和機器學習方法進行深度分析。采用遺傳算法（Genetic Algorithm, GA）優化生產順序，縮短完成時間；可采用基于遺傳算法的布局重構優化，降低物流成本；當優化目標有多個，利用非支配排序遺傳算法結合仿真進行優化（NSGA）等。仿真分析與優化的主要任務如圖2所示。

圖2 仿真分析與優化的主要任務

3.2 基于物聯傳感技術的啞終端智能化改造與升級

通過視覺或RFID等非接觸感知與識別的方式進行識別或賦碼，以便對生產過程進行跟蹤、識別與監控。

一是基于工業視覺的構架識別主要針對具有典型表面特征的形態識別，并將識別的圖像在后臺進行分析解相，從而判斷該物料的屬性。二是以RFID為載碼體，實現對人、坯件（橫梁/側梁）、存料臺、胎位等啞終端進行智能化改造與提升，為人機料法環等生產要素的M2M應用交互與集成提供信息交互的載碼基礎。

構架焊接車間工況復雜，對RFID的應用與部署存在著不少特定的要求，包括抗周界電磁干擾、可需要安裝在金屬工件上、高工業等級等。采用介質無關微型可嵌入金屬表面的RFID電子標簽，RFID電子標簽通過鉚接或凸臺螺紋方式擰在構架上，布置在IGM機器人立柱上讀取隨行夾具上的構架標簽，存料臺護欄上的讀寫器讀取存料臺上的構架標簽，從而實現對構架全生產過程狀態的跟蹤。RFID電子標簽設計與部署如圖3所示。焊接機器人與存料臺RFID讀寫器部署如圖4所示。

圖3 RFID電子標簽設計與部署

圖4 焊接機器人與存料臺RFID讀寫器部署示意圖

RFID采用滿足現場環境的一體式讀寫器，能夠在金屬、非金屬、粉塵、高溫、液體等復雜工況環境下工作；現場使用的RFID標簽通過電小天線極限理論進行標簽性能評估。

3.3 基于M2M交互集成的生產要素閉環管控

以RFID為載碼體，賦予啞終端（構架、AGV、胎位等）以唯一的識別標識ID，通過后臺信息交互與應用集成，跟蹤構架的生產過程，構成一個彼此通信與識別的信息交互生產要素網絡。系統信息流轉與交互如圖5所示。

圖5 系統信息流轉與交互示意圖

生產線中控系統與公司上游信息系統MES、PDM、MRO集成，實現數據上傳與下達。通過RFID與中央控制系統集成，實現上游信息系統與各焊接工位互聯互通。

中控系統承接上游信息系統傳遞的生產工單信息，將相應的作業指令分配到具體的作業設備和終端（手持機），自動調度物料加工；同時，中控系統將機器人的實際作業參數及時采集并上傳上游信息系統，包括機器人編號、產品編碼、生產進度、設備狀態、工具工裝信息、異常信息等。RFID載碼體作為信息傳遞的“搭扣”，根據RFID掃描的物料，定位上游信息系統相應的程序代碼，自動將程序下載至每臺機器人作業系統，自動和機器人作業單元的工裝比對，避免設備損壞和工件報廢。

3.4 基于“推-拉”物流執行的業務模型構建

由于車間現場不確定性因素多，如設備故障、Buffer占用、補焊、插單等，導致APS的時效性較差，結果是有的設備閑置待料，有的設備任務溢出，需要高頻次的動態排程，嚴重影響了生產任務的完成。

一方面，通過對組裝、焊接、焊修、打磨、檢測的過程監控，根據WCA系統的工藝路徑規劃，依據構架調度與工位分配計劃，將任務“推”送給相關的設備；另一方面，各設備根據完工情況，輪詢下一可加工的各個物料的位置與狀態，鎖定下一物料，“拉”動物料執行與配送；同時，根據焊修、插單等異常，通過看板“推”送物料到指定工位。

根據生產計劃，將任務發布到組裝區，執行“派活干”的推式物流，通過計劃優化以便用最少的時間完成當日的任務計劃。

推式物流執行模式沒有考慮后續設備的完工狀況，有可能導致后面工序設備（如焊接機器人）有的能力閑置待料，有的負荷過載而物料排隊等待的情況。

推式物流是“派活干”，那么拉式物流則是根據設備的完工狀況“搶活干”，即當前工作完成后，立刻向存料臺（Buffer）輪詢叫料，并驅動RGV把待加工物料運過來。

式中，R為1,2,……r。

設定推拉模式下的兩個優化目標：①所有工序的總耗時最少；②總完工時間最短。采用NSGA-Ⅱ（二代非支配排序遺傳算法）的多目標遺傳算法，可以實現上述復雜生產系統的多目標優化。

3.5 基于高維數據關聯分析的設備健康預測與異常診斷

構架基材為中厚板，型面結構復雜，并且焊接機器人也存在精度退化、故障頻發、質量異常的問題，要保障焊接效率與質量，并提高整個產線的高適應性和高柔性，需要對焊接裝備開展健康預測與健康檢測。

焊接機器人的采集數據具有高維高密異構的特征。一是采集包括機器人和焊機的本體數據，如結構（末端執行器、關節、機座以及連接桿件）、驅動（伺服電機和減速器）、感知（內部和外部傳感器）、控制（運動控制器和驅動控制器）等幾個基本維度的數據；二是采集非侵入式傳感數據，如外接功率、電流、電壓等傳感器、結構應變傳感器等；三是獲取焊接工藝文件（工藝參數、路徑規劃）的當前執行過程數據。

在對上面的三類基本數據進行采集的基礎上，結合焊接機器人的失效模式、失效表象、失效成因、失效影響，對外部成因、本體性能、工藝參數進行關聯分析，通過振動、聲音、電流、扭矩等工作過程信號，建立基于健康評估的評價模型，采用人工智能算法對發生異常的設備進行深度健康評估與預測。健康診斷與異常預測業務模型圖如圖6所示。

圖6 健康診斷與異常預測業務模型圖

基于經驗知識與模型學習，建立設備典型故障數據庫、焊接質量異常數據庫，通過高維高密度數據挖掘與知識發現，采用深度學習神經網絡分析設備的健康狀況、焊接異常，能力與效率，優化策略以及能力預測，為拉動式排程提供依據。同時根據不同異常狀態，設立分級應急管理機制，包括緊急停機、人工干預、遠程預警等。

3.6 基于微服務架構的邊緣側云邊業務協同

采用基于微服務架構的模式，有效拆分ERP、MES、SCM等大型系統中面向焊接產線的應用，實現構架焊接成型產線業務的邊緣側敏捷開發和部署。微服務架構如圖7所示。

圖7 微服務架構圖

通過邊緣交換把各工位設備、傳感器、視頻攝像頭、PLC控制器、智能網關、協議轉換盒子連接起來，分配固定IP，統一地址管理?；?G的設備邊緣側AI-BOX（邊緣服務器）實現工位的資源管理、算力調度、業務數據、應用下發等解決方案，將中心云的彈性計算下沉至邊緣，提高運維效率，減小運維成本。

邊緣側業務主要實現工位的運管維一體化，業務涉及MES/APS、DNC/MDC、PHM、EHS、LES、PTC。

1）安全：視頻分析人員串崗、倚靠、跌倒等不安全不規范行為動作，以及起火等異常；

2）調度：開工完工報送給MES；訂單任務下發到 工位；

3）物流：設備叫料請求，MES訂單下發，RGV任務與調度，拉動構架精準配送；

4）生產：來料RFID識別、判斷防錯、工位上料，調用焊接工藝程序；

5）健康：狀態、稼動率、焊機異常、設備異常；

6）集控：工位數字孿生、現場概覽、異常反饋與停機處置。

3.7 構建基于數字孿生的生產過程透明化集控模式

通過建立三維數字孿生生產線平臺，將機器人三維高精度數字模型、工藝流程、物流路徑、傳感器實時數據、設備屬性以及運營管理數據等進行融合，直觀地展示生產線的生產流程，與生產執行系統相結合，實現生產的遠程化管理控制。

數字化建模：采用CAD、3DMax和Unity3D等工具軟件，對焊接機器人物理現場進行輕量化建模、運動約束關系定義、模型渲染，最終搭建焊接機器人虛擬仿真環境。

數據集成管理：對焊接機器人運行數據進行集成與管理，包括外部數據刷新、運動驅動、數據存儲、分析、數據請求響應等，數據類型包括機器人每個關節運行速度、轉角、電流、溫度，焊接電流、電壓，工單信 息等。

數據驅動定義：定義符合機器人的運動規范和主隨動關系，通過實時數據驅動，精確得到數字空間與物理空間完全匹配的運動呈現。

監控視角模塊：跟隨視角、固定對象視角、自由視角等，對焊接機器人進行多視角可視化監控。

狀態顯示模塊：通過在三維模型上交互式動作觸發，以懸浮標主信息框方式顯示焊接機器人運行狀態信息，包括關節信息、工件信息、焊接信息。

機器人健康管理模塊：建立機器人典型故障數據庫，顯示機器人故障類型和代碼、發生頻次，和維護保養信息管理和預警。

焊接生產信息管理模塊：當前機器人工作狀態、工件工單信息、累計工作時長、周生產信息、月生產信息等。

4 構架組焊磨測柔性化生產線應用驗證

中車四方B5-3是一條高速動車組關鍵零部件構架焊接生產線，生產綱領日產3輛車構架，主要由焊接生產線控制系統、物流自動輸送系統RGV、自動組裝系統、自動焊接系統、自動打磨系統、自動檢測系統組成。共包含224個工位，共470臺位。組裝、點焊、拼焊、打磨、焊修和檢測等工藝分別在組焊區、緩存區、物流區和機器人焊接區、打磨區完成。

經過上述智能制造技術與模式模式的實施，目前該線側梁外體焊接時間4.5h/根，橫梁焊接時間平均4.5h/根，構架（外環）焊接時間節省平均較人工焊接節省8 h。

此柔性線自投入使用以來，產線已完成復興號動車組、各類型地鐵在內數百列車輛生產任務，包括A型地鐵、SDB80地鐵、SW-220K車型的轉向架產品。同時，并行混線生產時機械手夾具、存料臺須通用，也能進行相關項目的兼容生產。

5 結束語

面向準黑燈化的焊接生產線柔性智能制造新模式，實現了各個作業區域的動態組合和柔性成線，達到了生產線無人、作業區域少人、準備時間減少、作業效率高的目的。該成果符合面向訂單驅動下的復雜零件制造、多干擾因素下物流精益化配送和智能調度等業務場景，可以在工程機械、船舶等行業應用推廣。