“三位一體”數字化制造實驗平臺設計與研究＊

劉基盛 譚自強 李 威 賈志新 方鵬程

（①北京科技大學機械工程學院，北京 100083；②清華大學工業工程系，北京 100084）

數字技能人才是實施數字化轉型的高質量資源，為推進產業數字化轉型打下堅實基礎，滿足傳統產業數字化轉型所需的人才需求，基于國際經驗我國應創新數字化轉型培訓機制[7]：一是建立數字化轉型的知識課程，為高校和企業提供數字化轉型的知識培訓；二是創建數字化轉型的實驗平臺，為數字化學習和培訓提供實踐基礎。

1 “三位一體”數字化制造知識架構

傳統機械設計制造實踐和培訓內容主要以簡易零件的設計、加工為主[8?9]，內容陳舊且沒有連貫性和整體性。筆者團隊秉著以受益對象為中心、以學習成果為導向的教育理念，創建了“三位一體”（設計、制造、檢測一體化）的數字化制造實踐學習內容。如圖1所示，以復雜零件的數字化制造為主線，構建了模塊化、柔性化的雙閉環實踐內容，研究了不同模塊之間的集成關系，實現了循序漸進、全面地講授復雜零件的數字化設計、制造與檢測一體化過程，解決了傳統培訓內容之間缺乏關聯性和系統性的問題。同時，突破了傳統陳舊的知識體系，將數字化、網絡化、信息化的智能制造技術融入了學習內容的三大模塊（數字化綠色設計與CAM、虛實結合智能加工與質量檢測、數控機床健康監測與精度檢測），使受益對象理解和掌握數字化制造的新理論、新方法、新技術和新工藝。

圖1 復雜零件“三位一體”數字化制造知識架構

2 “三位一體”數字化制造實驗平臺開發與建設

復雜零件“三位一體”數字化制造實驗學習知識架構和內容的實施離不開先進的實驗平臺，為了開展柔性化、智能化的實踐內容，設計了集成化的“三位一體”數字化制造實驗平臺，主要包括：綠色創新優化設計平臺、互聯網云實踐+虛實結合數控加工平臺以及五軸數控機床健康監測平臺。

2.1 復雜零件綠色創新優化設計平臺

復雜零件的幾何外形設計難度大，僅依靠傳統設計方法很難在短時間內完成，且在新產品開發中，全新結構設計只占20%，其余80%是重用以前的設計。因此，采用逆向工程技術[10?11]獲取數字化模型，可以大幅減低復雜零件設計成本和研發周期，如圖2。

圖2 復雜零件數字化逆向設計流程

以逆向技術獲取的復雜葉輪數字化模型為例，為了進一步提高其工作效率（壓氣機耗電量占全國總發電量6%～9%），提出了綠色創新優化設計方法，建立了雙bezier曲面參數化模型[12?13]，可分為如下6步驟，并結合多目標優化算法對復雜葉輪幾何外形進行了優化，流程如圖3。綠色創新優化設計方法可利用較少的設計變量實現復雜葉輪的全局優化，提高了計算效率，改善了求解質量。

圖3 綠色創新優化設計流程

（1）利用吸力面和壓力面兩個葉片曲面的葉型數據找到葉片前、尾緣點。（2）通過橫向插值的方式對各截面葉型數據點加密。（3）原始葉片各截面弦長歸一化。因為Bezier曲面是計算域內單位映射曲面，為了使原始葉片與Bezier曲面點一一對應，所以需把原始吸力面和壓力面葉片上各截面的點分別進行弦長參數化，通過公式（1）和（2）實現。

式中：ξi,j和 ηi,j分別為弦長歸一化后的橫坐標和縱坐標，i∈(1,Np)，Np為各個徑向截面的點數，j∈(1,Ns),Ns為總的徑向截面數；lc為徑向第j個截面第c段弦長長度；Lj為第j個截面上各段弦長的總和；lr為軸向第i個截面上第r段弦長長度；Li為i截面上各段弦長的總和。（4）生成兩個單位化Bezier曲面，由式（3）～（7）定義。

式中：Sˉ是指Bezier曲面上每一點的坐標(Sˉ=(Sx,Sy,Sz)，Sx=ξi,j，Sy=ηi,j，Sz=δ) ；Pk,l是Bezier曲面控制頂點，控制點總數為 (m+1)×(n+1)；均是Bernstein基函數，其中v和u是兩個變化范圍為[0,1]的自變量，由式（6）計算得到，由式（7）計算得到。（5）設定優化變量和優化空間，由優化算法給出兩個Bezier曲面控制頂點的變量值，計算原始葉片吸力面和壓力面數據點的變化量和單位法向量。（6）將吸力面和壓力面數據點的變化量分別疊加在原始曲面的法向上，得到吸力面和壓力面兩個曲面的新表面數據點。如式（8）所示。

繼續上述的文獻計量法，如果Node types選擇keyword，CiteSpace軟件運行后的可視化圖譜呈現，模塊值(簡稱Q值)為0.7517，平均輪廓值(簡稱S值)為0.7155。一般而言，當S值在0.5以上，聚類一般認為是合理的；當S值在0.7時，聚類是令人信服的；Q值一般在區間[0,1)內，Q>0.3就意味著生成的網絡結構是清晰的。因此，就Q值和S值而言，本次聚類都較為有效合理。[14]聚類后發現，國內學界對新漢學中的政治學研究成果的關注主要集中在以下五大熱點問題。

式中：ynew指 的是新葉片坐標值；yold指的是原始葉片坐標值；?s指的是從Bezier曲面上對應而來的該點的方向移動值。

2.2 互聯網云實踐+虛實結合數控加工平臺

為了幫助學生理解和掌握先進智能制造技術，引導學生完成預習和復習工作，開發了線上“云實踐”學習平臺，網頁開發軟件使用Dreamweaver，版本為Adobe Dreamweaver CC 2018，語言采用html與css，服務器以Windows 10為平臺，如圖4a。

五軸聯動數控機床因其精度高、剛性好及加工時間少等優點，成為復雜零件加工制造的主要載體，但五軸數控機床價格昂貴、占地面積大，不利于動手操作，且加工制造過程中容易出現碰撞危險、耗材損耗和環境污染等問題，為此采用了虛實結合的技術手段。如圖4b～c所示，利用UG創建看了五軸數控機床的數字化整機模型[14]。

圖4 基于虛實結合的五軸機床的數控加工

將整機模型、數控代碼導入操作簡便的虛擬仿真軟件Ncsimul進行模擬加工，檢驗零件的干涉碰撞，無誤后可進行現場實際加工。Ncsimul具有獨特的功能：在不同 CNC 系統間動態轉換加工部件，而無需重新編程；僅用復制/粘貼功能即可重新使用 APT 文件或G代碼文件，優化制造過程；集成了 CNC 處理器，自動重新計算加工序列之間的最佳路線，利用Ncsimul可有效地縮短調試和編程時間，提高了生產效率。

2.3 五軸數控機床健康監測平臺

伴隨著新一代信息技術的快速發展，傳統制造業正轉向數字化、信息化的智能制造，而數控機床作為制造業的“工業母機”，其智能化程度是實現智能制造的核心因素。基于工業互聯網技術、傳感技術和數據處理技術的深度融合可對運行狀態進行實時健康狀態監控，該實驗平臺的開發有助于學生理解和掌握智能制造的關鍵技術。

OPCUA是一套安全、可靠用于工業通訊的數據交互規范[15]，該規范使得不同操作系統和不同設備之間可以進行高效數據交互，具有強大的語義表達能力和建模能力，基于HTTP、TCP/IP、SOAP和XM等標準可以統一各類物聯感知設備的傳輸協議和數據接口，既能實現設備底層的數據采集、設備互操作等橫向信息集成，又可以完成設備到SCADA、SCADA到MES、設備與云端的垂直信息集成，已經成為信息化智能工廠運行和管理的主要技術手段，如圖5所示。

圖5 基于OPCUA數據采集的信息化制造系統框架

利用OPCUA標準協議，構建了基于事件驅動的五軸數控機床孿生數據采集系統，對設備層數據進行采集并封裝，形成統一數據格式，編程語言采用Java，結合ProsysOPC SDK對840D sl數控系統進行了數據采集系統的開發。HTTP 服務器通過響應對應的功能指令分發給OPCUA服務器，OPCUA服務器根據指令獲取地址空間中的數據反饋給客戶端，實現對制造資源的數據采集、數據處理及健康監測。如圖6，客戶端采用vue構建用戶界面的漸進式框架，利用超文本標記語言HTML構建靜態網頁，基于級聯樣式表進行頁面美化，使用Typescript對頁面DOM處理。

圖6 五軸數控機床健康監測客戶端

3 “三位一體”數字化制造應用實例及分析

現有硬件條件主要包括三維掃描儀、高檔五軸數控機床、三坐標測量機和激光干涉儀等，軟件條件包括逆向設計Geomagic Design X、計算機輔設計和制造NX、數控加工虛擬仿真Ncsimul、西門子仿真操作面板Sinutrain以及五軸機床自適應加工系統ACM。基于現有軟/硬件條件和自主研發功能構建了復雜零件數字化設計、制造與檢測一體化實驗平臺。以復雜曲面數字化制造過程為例，過程如下。

3.1 綠色創新優化設計平臺應用分析

如圖7所示，優化設計平臺首先采用三維掃描儀對100 kW燃料電池實物葉輪進行掃描得到點云數據；其次對點云數據進行處理得到復雜葉輪數字化模型[10]；然后采用創新優化設計方法對葉輪模型進行優化得到綠色模型，最后利用數控技術和計算機輔助制造方法得到數控加工刀軌和程序。如表1所示，優化設計后離心葉輪額定工況點的流量增大了3.92%，總壓比提升了0.37%，等熵效率提高了0.7%，喘振裕度提升了2.7%，優化后的氣動性能得到了明顯提升，驗證了綠色優化設計方法的有效性。

圖7 復雜葉輪綠色優化設計流程

表1 優化設計前后離心葉輪氣動性能對比

3.2 虛實結合智能制造平臺應用分析

如圖8a～b所示，首先對離心葉輪數字化模型進行刀軌驗證和仿真模擬加工，無誤后進行實物加工，通過ACM的自主感知、自主學習、自主決策與自主控制等功能，實現切削速度隨著機床負載的變化而調整；最后，利用數控三坐標測量機對加工零件進行質量檢測，若質量合格結束加工，若不合格對加工工藝和數控程序進行反饋優化。

圖8 五軸數控機床虛實結合智能加工

由圖8c～d可知，經數控模擬仿真驗證后，加工的復雜葉輪表面光滑，拐角平滑過渡，沒有出現過切和欠切現象，且流道內流線清晰細密，起到良好導流的作用，驗證了虛實結合智能制造平臺生成刀軌軌跡的正確性、有效性以及安全性。

3.3 數控機床健康監測平臺應用分析

利用五軸數控機床健康監測平臺采集資源數據（如圖6），通過分析、判斷、決策，可提前預知、規避潛在風險和錯誤。工作人員依據負載變化對機床進行故障診斷，通過激光干涉儀快速有效地檢測數控機床精度（如圖9），并計算出運動軸的精度。

圖9 五軸數控機床健康監測

基于國家標準規定，將Y軸等分為4段，共計5個檢測點，每個點進行雙向測量，并重復測量5次，測量結果如圖9b和表2所示，為某點的正向重復精度，為某點的反向重復精度；為某點的正向平均偏差，為某點的反向平均偏差；為某點的正向標準差，為某點的反向標準差。計算結果表明Y軸滿足出廠精度要求，若計算誤差較大，可將上述誤差值補償到數控系統，從而提高機床的使用精度。同理，經計算其他軸線也符合出廠標準，驗證了該機床可滿足使用要求。

表2 線性精度計算 mm

4 結語

通過對“三位一體”數字化制造實驗平臺的設計與研究，得出如下結論：

（1）基于逆向工程、現代機械設計方法、虛實結合、五軸數控加工以及工業互聯網等先進技術，設計了“三位一體”數字化制造實驗平臺，以復雜葉輪制造過程為例，實現了復雜葉輪的綠色設計、智能加工及質量檢測一體化過程，驗證了實驗平臺的有效性。

（2）“三位一體”實驗平臺和學習內容由三大模塊（設計、制造、檢測）組成，每個模塊之間既獨立又集成，且每兩個模塊之間形成閉環，下游模塊的數據可反饋給上游進行優化，最終提高加工質量和機床精度，實現了柔性化的設計制造全周期過程。

（3）在教育數字化轉型的背景下，“三位一體”實驗平臺的設計理念和實踐內容具有一定的先進性和前瞻性，為企事業單位和高等院校培養數字化制造人才提供了借鑒和參考方案，有利于培養機械工程領域的創新復合型人才。