基于測量大數據的白車身尺寸控制方法

摘 要：通過采用可視化系統和自動預警程序的綜合方法，實現了數據處理的從“人找數據”轉向“數據找人”，顯著提升了尺寸質量控制的效率和準確性，為汽車制造業提供了更為精確的白車身尺寸控制解決方案。在大數據背景下，持續研究和開發智能化數據處理方法，以更好地應對汽車生產中的尺寸管理控制需求，具有重要意義。

關鍵詞：白車身；尺寸控制；大數據；可視化系統；自動預警；數據處理

白車身尺寸質量控制整體概述

車身制造是整車制造中非常重要的環節，在最終的產品上第一眼呈現在客戶面前的便是車身狀態，白車身的制造水平是質量控制中的重中之重，車身尺寸的控制影響著車身相關的間隙和面差以及相關零部件的裝配，這些都是客戶評價整車質量的重要組成。隨著工藝不斷地優化提升，設備逐年升級，生產規模不斷擴大，在數據量爆發的當下，過去白車身尺寸控制方法中面臨著來自多方面的挑戰[1]。

1.數據量擴大

白車身尺寸數據主要來源于測量，尺寸數據就是通過測量獲取的相關測量特征的數據。選擇測量特征的依據包括：功能尺寸目錄、夾緊和安裝概念、車身鈑金件的通用技術規范以及公差規范（PMI 數據記錄）。測量范圍（特征或測點數量）則由質量部根據這些文件確定。對車身總成及分總成進行幾何尺寸測量的目的是驗證尺寸精度是否符合研發的幾何規范。某主機廠測量的數據內容按不同類別劃分包括Audit審核（QZ）相關測量特征，其他測量特征以及間隙、平順相關的尺寸測量。

上面描述了白車身尺寸相關的測量內容，而這些尺寸數據當下主要來源于三部分：手持測量設備、生產在線測量和離線三坐標測量。光學測量已經是測量工作的主要測量技術類型，通過光學測量使測量效率大幅提升，與傳統的接觸式測量設備相比，機器將在完成所有的元素掃描之后進行統一的計算，計算過程不足1min。

以三坐標測量后門總成為例，掃描式光學測量可以節約將近70%的時間，從1.5h縮減到0.5h，得到的測點數更是從不到1000個上升到數萬個。

可以看到，隨著光學測量的普及，測量能力的提升，可測量件數大幅上漲，測量的數據量隨之爆炸式增長。雖然可用數據增多了，但是在日常監控上如何在大數據中更高效地甄別不合格測點的信息，以及后期的數據如何更精準地追溯有用數據，帶來了更高的挑戰。

2. 考核模式改變

在白車身尺寸方面，根據控制計劃，通過在線測量、裝焊產品考核及白車身三坐標測量等手段，以監控整個生產流程的穩定性，也是通過質量反饋環來達到問題能快速追溯分析的目的。但當下整車制造環節復雜，車身零部件繁多，全部涉及尺寸考核的環節覆蓋多個數據源及數據終端。

以前，考核部門與生產部門數據缺乏互通，聯動效率差。生產部門自身主要通過Audit審核，即QZ評分作為自己的考核指標，QZ評分區別于SPC方法考核Cp、Cpk[2]，主要由于Cp、Cpk對于車身尺寸數據水平評估存在局限性。一是車身測點眾多，單獨測點一一評估不易于識別尺寸波動，且并非所有測點的重要性一致；二是整車生產線工藝、工裝及人員調整不定，不利于SPC評估的取樣。所以某主機廠應用QZ這種形式作為考核的方式，它是根據設計規范（公差和優先級限制），對一些定義好的功能相關尺寸和客戶相關特性進行評估匯總及打分，這里包含的源自研發提供的設計規范的測量內容就是Audit審核（QZ）相關測量特征，公差規范會完全體現在這些測量特征中。

QZ的計算方式是“1+10×超差測點數量/全部測點數量”，核心是超差點數占比，可以看出QZ基本含義為合格率的一種特殊表示形式，用來評估缺陷等級，“乘十加一”是為了讓結果更加可視可讀，它的評估目標是最小化缺陷的邊際。序列化生產后通常生產會定義“1.8”為目標分值，即8%的測點超差則整體QZ評價為不合格，完美狀態的QZ為1，但實際生產中很難達到這樣的狀態，缺點還在于如果計算中的測量特征量過低，QZ分值反應非常敏感，造成最終結果的誤判。QZ的優勢在于即使在不同的工廠，QZ 所涉及的測量特征、法向和功能特性以及權重系數也可以保持在同一車型系列中一致。還有一些其他的可用測量特征則來自PE、可制造性或下游流程提出的一些需求，這些測量特征可以使用內部的通用公差但不作為QZ評分所用，實際應用中卻往往包含了當前重點關注的區域。

以降低QZ分值為基礎目標的生產部門概念和最終考核出的實際問題在當前環境下存在著諸多不匹配。例如某區域白車身尺寸沒有問題，QZ分值也達到預期，但最終的成品車發生某區域尺寸問題，需要配合調整，調整可能會影響原始的QZ分值。又或是QZ分值沒有達到要求，某區域點也非QZ考核點，但卻最終影響了成品車尺寸，這樣的問題發生的頻率隨著車型增多，產量的上升而凸顯的越來越多?？梢钥闯鰡我訯Z作為控制手段已無法滿足當下的尺寸控制需要，而根據實際的問題參照，增加數據篩選，更有效地識別出風險尺寸點的波動，更為精準地監控預警可能發生問題的區域顯得尤為重要。

3. 產品開發周期的數據容量

在新能源汽車時代，新車型不斷推出，產品開發周期相較傳統的模式有所縮短，產品會更快速地進入投產階段，生產能力不斷爬坡。在零號線試裝及產品試裝階段由于產量并不高，尺寸問題追蹤與解決會更加快速，且由于數據量較小，對于車身尺寸問題來說相對容易溯源查找，而在正式投產后，考核數據量會大幅攀升，如在尺寸數據量擴大的挑戰中提到的，此時數據用作監控尺寸波動，覆蓋面會非常全，但當終端考核檢驗出整車尺寸問題時，很難去一一快速對應找到需要的各個批次的零部件、沖壓件、白車身等的數據信息。

4.質量控制的分析與挑戰

根據上面所列舉的白車身尺寸控制，在序列化生產階段面臨著來自數據量擴大、考核模式改變以及尺寸問題分析三方面的挑戰，綜合來看，這些挑戰帶來了日常監控上如何在大數據中更高效地甄別不合格測點的信息，后期如何更精準地追溯過往有用數據的問題以及如何更有效地識別風險尺寸信息，監控預警未來可能會發生問題的區域的問題。在當前大數據背景下，本文將根據現有的軟件應用以及自主開發的方法結合，通過可視化系統和自動預警程序綜合解決上述提到的諸多問題。

可視化應用系統搭建

1.數據的存儲管理

針對如何在大數據中更高效地甄別不合格測點的信息及更精準地追溯有用數據，對數據庫中數據的可視化顯示至關重要，但在可視化前，數據的積累存儲是非常重要的環節。隨著技術升級，某公司用作尺寸數據采集的軟件眾多，包括IQ-VIS、PiWeb及QDA等等，數據雜亂，在后期查詢時往往需要調用多個客戶端，把數據統一到一個平臺是亟需的。

對比各個軟件優劣，選擇基于其中的質量數據軟件PiWeb（供應商為德國卡爾蔡司）開發出了相應的報告可視化匯總平臺。PiWeb作為質量數據軟件提供了基于微軟SQL的中央數據庫，用于存儲和管理質量相關數據。企業可以將整車制造過程中的包括供應商、生產線及試制等環節的測量數據集中儲存。通過集中的數據存儲和管理系統的建立更好地跟蹤產品的整個生命周期尺寸數據狀態，進行數據分析和比較，并從中獲取有價值的經驗，幫助改進產品質量。

在工廠內白車身尺寸數據主要來源于在線測量、三坐標測量以及手持測量設備。三坐標測量數據包括裝焊件及沖壓件等白車身相關測量數據，數據量也是三個來源中比例較大且作為主要參考基準的數據。對于手持測量設備，生成的結果可通過輸出時定義可接受的固定格式——“txt文本”，通過軟件上傳端口自動上傳。而在線測量的數據定期會通過“xml格式”從IQ-VIS導出，傳入PiWeb平臺匯總存儲。除工廠內的尺寸數據，部分零件數據來自供應商，這部分數據依托供應商尺寸考核KTMA協議，規定供應商定期發送既定格式的數據原始文件提供給主機廠，數據原始文件格式根據供應商測量設備不同，包括txt、xml、dmo及dfq等格式文件，收到后統一上傳至平臺端口，通過這一步的操作基本可以覆蓋全部白車身相關零部件的尺寸檢測數據。

2.可視化呈現及快速追溯

數據統一存儲管理后，下一步則是更好地可視化呈現報告。目前所有應用軟件的數據均已匯總至PiWeb處理，通過統一的規范標準定義報告模板的形式，使沖壓件、裝焊件及供應商來件報告以統一格式標準呈現，通過快速篩選可隨時查看任意歷史數據，對于試制或批量階段也可定義不同篩選，如果使用光學設備掃描的點云評價出的色差圖也可以呈現在報告中，同時應用軟件自身功能也能快速查看CP＼CPK及QZ分值（見圖1），這樣不同的責任工程師可以通過同一報告規則，更直觀清晰地查看所有需要的尺寸數據。

不過，這只是解決了數據呈現的問題，盡管統一了報告模板，閱讀報告效率得以提升，但當問題發生時翻找報告找尋歷史數據依舊耗時耗力，所以再次基于PiWeb軟件開發了Q-platform平臺，在此除了工廠基礎的尺寸數據的快速鏈接，終端考核部門的報告也匯總至此，此時日常監控與考核數據形成閉環。同時海外工廠數據也關聯至此平臺，使后期數據查看使用時更加快速便捷，能夠通過數據關聯，根據考核結果快速找到不合格點所在位置區域。

自動預警系統的搭建

1.尺寸控制模式

通過可視化系統（見圖2）的搭建，即Q-platform系統的投入使用可以解決如何高效的甄別不合格測點的信息的問題。但如何更精準地追溯有用數據的問題，更有效地識別出風險尺寸點的波動，監控預警常發問題的區域的問題還未解決。正如白車身考核模式改變中所提到，依靠QZ評分，即合格率考核，更趨近事后發現問題解決問題，當前質量降本增效的背景下，能更早地根據大數據預警可能發生的問題是更為迫切的需求。

QZ打分的核心是判斷測量特征是否滿足公差要求，公差內就是合格；公差外則是不合格。但就真實的生產狀況，這樣的模式在序列化生產之后會有很大局限，這里有兩種情況，一種情況是隨著生產時間推進，不同來自成品車問題的優化需求，部分區域白車身尺寸均值會有所偏移，相較設計公差區間會有一定變化，有一些超差點實際有利于最終的生產問題，通常這種情況下會應用研發的公差變更流程做出優化，但在變更流程審核通過前，需要避免相關測點在QZ打分中被重點提出，通過尺寸控制工程師對PiWeb數據庫中公差范圍做臨時公差偏移，并在可視化報告中做詳細偏移背景的文字標注來實現短期管控，等待變更流程審核通過再為取消。

另一種情況是在尺寸測量點在合格范圍內，但測點的某個方向波動會對最終成品車裝配造成很大影響。例如尾燈安裝孔的位置，假設Y向偏差在公差內波動0.5mm，但由于尺寸鏈上多重因素疊加可能會造成最終裝配時尾燈的配合間隙出現質量問題，回看白車身相關位置尺寸卻沒有超差，也沒有預警顯示。上述提到的兩種情況僅通過QZ打分是無法幫助白車身尺寸問題在早期得到有效的監控，所以需要增加前期數據篩選，更精準的預警會最終影響成品車尺寸問題的波動點。

優化后的流程結合了QZ與波動點兩方面，尺寸工程師需對結果進行確認和分析，將異常風險信息反饋給生產工程師及后續的QFL考核部門，這里的異常風險信息是對發生過歷史問題的區域點（內部定義為白車身單點尺寸公差占成車間隙平順匹配點的公差范圍，如果占比過高，則車身的波動會對成車有更高概率造成影響）、當前生產頻發問題的區域以及定義的敏感度高的區域這三部分的精準化尺寸波動篩選，篩選出的波動點再依據高中低風險的判定特點（如高風險是對產品質量有重大影響，需裝焊立即優化，同時總裝需提前采取遏制手段等）根據預警流程處理，要求對風險點做出反饋并提供優化解決問題的計劃。但新的尺寸控制流程過程繁多，雖然結果上可以使尺寸控制的精準度和有效性得到提升，卻給尺寸控制人員帶來了巨大的數據篩選工作量，同時也存在著誤篩誤判的可能性，如何依據優化的尺寸控制流程高效精準的完成數據篩選則成為了需要解決的問題。

2. 自動預警系統的搭建

根據尺寸控制模式需要優化的方向，主要的工作量在于數據篩選這一步，評估現有數據庫和應用平臺，需要專業的人員去根據實際問題情況去逐一篩選測點數據，但數據量龐大，人工模式處理既增加成本又效率不高，耗費大量時間還容易漏查，且在篩選出波動點后，后續工作對下一步做尺寸預警的人員有較高專業背景的知識要求，而現有的數據處理軟件均無法滿足上述提到的需求，所以考慮通過算法實現數據篩選，自主開發自動預警系統。

自動預警系統是基于Python語言編寫的應用程序，主要實現的功能是自動篩選出異常偏差的測量點，并生成結果文件和頁碼統計結果。程序判斷邏輯如圖3所示，比較關鍵的是其中分數的產生。該數據來自兩部分，一個是波動等級和問題等級的乘積，目前定義規則表1所示的波動分級，所有波動點均是以當前測量實測值減去過去30次測量結果均值的絕對值與公差帶寬度T比對作為評估標準，即表格中的0.5T等。問題分級則是根據專業尺寸控制工程師按照三個方面根據經驗與實際情況提前評估賦予相關測點的權重。除此之外還需識別單次跳動點，它的邏輯則是判斷當前測量實測值減去過去30次測量結果均值的絕對值是否大于0.2。通過這套算法判斷出的結果會實時將所有進入數據庫的測量特征數據進行打分匯總（見圖4），結合PiWeb的可視化報告，尺寸工程師可以快速找到風險點所在區域，后續再依照流程，根據實際情況人工二次篩選高中低風險等級，在這里需要人為二次判斷的數據量就已經很小了，通過這步可以提高預警精準度，最后再告知相關部門，大幅提高預警效率，減少人力成本，降低成車的不合格率。

結語

白車身尺寸控制領域的重點集中在數據應用方面。多年來，測量數據的處理一直是白車身尺寸控制應用的一個關鍵挑戰。在過去幾年中，傳統的數據處理方法通常采用了數據采油模式，即將大量測量數據集中存儲，但需要人工處理以發現數據的實際價值，這種方法效率不高。

然而通過建立可視化系統和自動預警系統，已經實現了數據處理采油加煉油的模式。這些系統利用算法實現了數據的自動分析、篩選，并以清晰透明的方式呈現白車身尺寸信息。這一創新解決了以下問題：首先，如何在龐大的數據集中更高效地識別不合格的測點信息，其次，如何更精確地追溯有用的數據，以及如何更有效地識別風險尺寸信息，還有如何監控并提前警示可能發生問題的區域。

這意味著我們從過去的“人工尋找數據”階段邁向了“數據主動找人”的階段。而在將來，隨著GPT等AI模型的發展，更加智能化的數據處理必將是大勢所趨，當下的數據“采油加煉油”的模式也將會不滿足實際的尺寸控制需求，后續也會圍繞該趨勢繼續深入的研究尺寸數據的智能應用模式，為白車身尺寸控制提出更優的解決方法。

參考文獻：

[1] 黃祥，宗曉亮，何挺，等.基于大數據的白車身尺寸控制應用[J].時代汽車，2022（5）：149-150.

[2] 李軒，胡雨時，楊楠.淺談統計過程控制在汽車制造白車身關鍵尺寸控制中的應用[J].中國戰略新興產業，2017（8）：121-123.