面向数控生产线的智能质量管控技术

针对航天制造企业在实现由研制型向研制与批产相结合型转变过程中，对生产能力和产品质量一致性持续提升的需求，研究了基于在线测量的批产零件质量特性自动采集技术、基于SPC的零件质量控制技术、基于实时数据流的加工过程监测与分析评价技术、质量问题分析与溯源技术等，突破MBD模型驱动的在机测量程序的自动生成技术、基于多源数据的生产加工过程平稳性分析等关键技术，开发了面向数控生产过程的涵盖质量数据采集、过程监测与分析处理于一体的集成化质量管控系统，为提高产品质量和过程能力提供技术方法与工具支持。PART

1序言随着产品订货需求的日益增加，原来的面向单件小批生产模式的质量管控方法已难以满足多品种、大批量混线生产情况下质量管控的需要。顺应智能化发展趋势，企业纷纷开展了管理的信息化和加工制造过程的数字化与智能化，管理能力有了较大的提升。然而，虽然在生产设备方面实现了自动化和一定程度的智能化，但如何提升产品质量的一致性和可靠性依然是企业需要解决的关键问题之一。随着传感器、工业互联网、人工智能、大数据分析和MBD技术的发展，使得产品加工过程质量数据的自动采集、加工过程的实时监测以及数据快速分析和过程质量评价成为可能，这些都为提高产品质量的一致性、提升交付产品的可靠性提供了研究基础。因此，有必要对智能生产环境下的质量管控方法展开研究，研究关键产品质量特性的自动采集、关键控制特性的实时采集和过程监测，在此基础上，基于统计质量控制技术（SPC）和实时数据流分析技术对产品质量和过程能力进行分析、监测与评价，及时发现生产过程中存在的质量问题，并对质量问题进行溯源分析，进而达到提高产品质量、提升产品质量一致性和产能的目的。PART

2总体研究方案总体研究方案如图1所示，共包括基础层、基于MBD模型的在机检测规划、生产过程质量数据采集与过程监控、多源质量数据整合与统计分析4个主要部分。图1

总体研究方案（1）基础层

包括硬件、操作系统和数据库等。该层主要通过构建面向数控机床的数据采集网络系统，采用基于工业现场的数据访问协议进行机床数据的采集；同时，针对数据类型、数据量和实时性的需要进行数据存储策略的设计，该层是进行生产过程质量数据采集与管理的基础。（2）基于MBD模型的在机检测规划

该部分工作主要是开展基于MBD零件工序模型的PMI信息提取和几何特征解析，基于几何特征的测点规划与路径规划以及在机测量程序的自动生成等的技术方法研究，并在此基础上进行软件工具的开发。该部分软件将基于Creo2.0三维建模软件采用Pro/Toolkit二次开发包设计开发，实现MBD模型驱动的在机测量程序的自动生成和在机测量的自动进行。

(3)生产过程质量数据采集与过程监控

该部分工作主要是基于所构建的生产现场质量数据采集网络，采用数据访问协议（FANUC数控系统采用FOCAS协议、SIEMENS数控系统采用OPCDA/UA协议）采集与生产过程质量监测相关的机床坐标值、主轴转速、进给速度、进给倍率、工作模式、程序段信息及主轴负载等工况信息；在此基础上实现对工况数据的封装和整合，实现加工工况的监测与可视化。基于检测规划生成的在机检测程序，采用数据访问协议实现工序质量特性检测结果的数据采集，基于统计过程控制（SPC）技术实现加工过程质量监测与加工质量评价，并进行过程能力指数Pp、Ppk的计算。同时，对于加工质量不满足要求，需要进行返工或返修的零件，研究质量偏差的分析与评价技术，并实现基于测量结果的刀具偏置补偿值的自动计算，以及返工/返修后检测结果的采集与质量评价，在此基础上，实现产品加工过程质量状态的管理（一次检验合格、返工返修合格和报废）。该部分软件基于前后端分离的SpringBoot+Vue框架，采用Java语言设计开发。

（4）多源质量数据整合与统计分析

该部分工作主要是基于采集到的来自数控生产线中各台机床的工况数据、被加工零件各道工序的质量特性数据、加工过程质量状态数据（一次交检合格、返工返修合格、报废）等，进行质量数据整合方法研究和软件功能开发，实现产品质量过程控制卡自动生成、产品制造过程质量数据包（包含某个零件或某一批零件加工过程的工况数据、质量特性理论值和实测值数据、加工过程质量状态数据等）等的管理；此外，还对收集到的质量数据进行多维度的统计，实现包括面向工序、产品、设备的质量数据（如一次交检合格率、加工优良品率、返工/返修次数及工艺参数变动次数等）统计；基于质量数据对加工过程进行分析，以便进行加工工艺的改进，主要包括：基于平稳熵的加工过程平稳性分析、质量问题日志管理和问题溯源以及产品质量波动分析等。该部分软件基于SpringBoot+Vue框架，采用Java语言设计开发。

PART

3实施过程3.1MBD模型驱动的数控加工过程在机测量规划技术在机测量系统中的信息流转过程可以简述为从对MBD数据集的解析出发，来获取符合产品几何量技术标准规范与认证（GPS）的检测信息源，进而对检测项目做检测工序和检测工步规划，通过映射模式文件将检验工艺信息映射到测量程序中去进行在机测量，利用OPC协议对数控系统进行检测结果数据采集，最终通过验证检测结果是否满足GPS对产品几何特征的技术要求。在机测量系统的信息流如图2所示。图2

在机测量系统信息流测量循环是SIEMENS/FANUC/HEIDENHAIN等公司针对数控加工在机测量的需要设计开发的面向测量任务的子程序集，可以在具体问题上通过参数匹配特定的测量任务，是市面上主流的在机测量解决方案之一。本文以该类循环为操控数控系统的主要接口，完成在机测量规划方法的映射和程序的自动生成。

FANUC公司的测量循环对刀具、特征等均可测量，其中P9810-P9814子程序主要对钻孔、轴、槽、搭边和矩形内外部等特征进行轴向测量，计算出工令。我们将P9811/P9812/P9814能测的特征测量方式分别命名为内孔测量、外圆测量、凹槽测量、隔断测量、矩形凸台测量和矩形腔测量，并根据特征的CSG和B-rep信息建立测量方式与MBD解析特征的映射关系，见表1。表1测量方式与特征和标注的对应关系测量方式分别对应不同的解析特征和标注类型，根据表1可建立由标注及依附特征确定的一个标注对应多种测量方式的一对多映射关系。测量循环不仅需要特征信息，还需要测量的参数信息，根据测量循环用户手册归纳可知，P98XX各测量方式在规划阶段均需要包含以下参数：测量方式、测量理论值、测量点坐标、测量行程、安全高度、下探深度及测量坐标轴方向等，其中测量理论值、测量点坐标和测量坐标轴方向参数均可通过基于测量坐标系解析关联特征自动获取，如测量点的可坐标根据待测特征的B-rep形式获取边界位置，并计算出特征中心坐标作为测量点坐标；其余测量参数需人为配置，但根据特征边界均给出推荐值。

FANUC数控系统中的P98XX固定循环有6种测量方式，分别为外圆、内孔、隔断、凹槽、矩形腔和矩形凸台，标注类型与测量方式的映射关系如图3所示。图3标注类型与测量方式映射关系在完成基于MBD模型的在机测量规划后，已经将待检测特征与测量方式进行了匹配，规划完成的任务存放进数据库中。其中，MODE字段代表了该测量任务的测量类型；SETVAL代表特征的标称值，如圆柱的直径、凹槽的宽度等；X、Y代表了待测特征的中心坐标值；ZDEPTH、ZHEIGHT代表Z轴的定位深度。

查询规划结果数据库，根据MODE字段进行测量类型的匹配。以钻孔测量为例，MODE=1时，匹配到钻孔测量的程序模板。读取X、Y的值，将测头定位到钻孔的中心位置，然后根据ZDEPTH的值将测头下探进钻孔内部。测量速度使用默认值，将上述测量参数填入模板，即可生成最终的在机测量程序。3.2基于智能感知的生产过程数据采集与在线监测技术生产现场的FANUC数控机床都提供了进行数据访问的网络接口（RJ45接口），通过网线和交换机建立起数控生产线的数据采集和访问控制网络。借助所构建的局域网，采用FANUC系统提供的FOCAS数据访问协议可以实现机床坐标值、主轴转速、进给速度、进给倍率、主轴负载、工作状态、程序号和程序段信息等加工工况数据的采集，以及刀具数据和在机测量结果数据的采集。这些数据都存储到质量管控系统服务器中。为了实现生产加工过程对产品质量的实时监控，同时在每台机床边配置一台计算机，计算机与“质量管控服务器”之间的数据传输通过无线路由器提供的Wifi无线信号来实现，质量管控系统通过广域网实现数据的传输和访问。图4

数控生产线智能质量管控系统业务分工图4所示为数控生产线智能质量管控系统业务分工。服务端实现系统所有功能，并为边缘端提供面向固定IP的分账户管理。每一台数控机床边缘端的计算机为操作人员实时监控零件加工质量提供加工任务信息、被加工零件的质量特性实测值信息、产品质量的评价、质量特性实测值的波动曲线、预控图等，同时，提供操作人员对需要返工/返修零件的命令接收，刀具偏置补偿值的计算，以及“报完工”操作等。通过服务端与边缘端的交互实现了数控生产线质量控制的实时检测、自动补偿与闭环控制。数控生产线的加工设备通常具有多种状态，最基本的状态为开机和关机。为了实现自动化采集，必须对机床的状态进行判断，只对处于起动状态的机床进行数据采集。通过对机床进行心跳监测，来判断机床是否处于关机状态。如果一个采集的请求发送失败，则启动心跳监测程序。在采集失败后，心跳监测程序对机床发送心跳包，如果得到了响应，则重新激活采集程序，如果多次没有得到响应，则认为机床处于关机状态，降低发送心跳包的频率，以每分钟/次的频率发送心跳包，来监控机床是否开机。在机床开机后，心跳包得到了响应，再次启动采集程序。数据采集策略见表2。

表2

数据采集策略FOCAS2协议中，相关采集项的方法见表3。表3

采集方法整体的采集流程如图5所示。图5

整体采集流程3.3基于多数据融合的生产加工过程平稳性分析技术基于多数据融合的质量管理与统计分析主要包括基于设备、人员、产品和批次的零件加工质量分析与评价，生产加工过程质量在线监测等。（1）基于零件在机测量数据的加工质量实时监测技术

具体内容如下所述。本文引入了预控图的设计思想，将规格限作为控制限过程质量的监测，此外，为了提高监测的准确性，将控制图的“小概率事件”原则引入到控制图的设计中，给出了控制图的4个排列不随机的判异准则，从而建立起了零件加工过程质量控制图。由于零件的几何质量特性均为区间值，即产品在设计时，设计人员均定义了明确的名义尺寸和上下偏差值，因此，控制限的计算方法为：中心线CL=（USL-LSL）/2，上控制限UCL=USL，下控制限LCL=LSL。其中，USL=名义尺寸+上偏差；LSL=名义尺寸+下偏差。为了进行有效的质量监测与过程质量预测，本文将控制限分成了A、B、C三个区，如图6所示。图6加工过程质量控制其中，A、B、C三个区是对USL-LSL公差区间的6等分。控制图中的点为某机床在进行某工序加工过程中，按照时序测量得到的零件的在机测量的质量特性实测值，即每批次零件每道工序在每个设备加工的零件的每个质量特性都会有一张控制图来对加工质量波动进行监测与评价。基于控制图的判异原理，本文给出了与单值图判异相适应的4项判异准则，主要包括点出界判异和排列不随机判异两类。点出界就判异，即一旦实测值超出了控制图的上下控制限（规格限）就认定系统出现异常，即此时系统已出现不合格品，需要进行分析和改进，如图7所示。图7

点出界异常当出现连续9个以上测量值在中心线一侧，判断过程出现异常，即均值出现了偏移，存在系统性的偏差，需要查明原因，并采取措施，9点链异常如图8所示。图8

9点链异常当连续7个以上的测量值持续上升或下降，判断过程出现异常，即加工过程存在持续增加的误差，存在趋势性的偏差，造成不合格的风险较大，需要查明原因，并采取措施，趋势异常如图9所示。图9

趋势异常当测量值出现明显的周期性上升或下降的情况，表明过程存在一些周期性的产品质量的因素，如刀具磨损、电压和电流波动、环境温度影响及机床运行状态等，需要查明原因，并采取措施，周期性异常如图10所示。图10

周期性异常当出现连续3个测量值中有2个（可以不连续）落在中心线同一侧的B区以外，说明均值发生了不确定性的跳变，需要查明原因，并采取措施。接近异常如图11所示。图11

接近异常基于多数据融合的生产过程质量评价技术

具体内容如下所述。本文提出了用于评价生产过程质量的过程能力波动图，具体计算方法如下所述假设有n个某质量特性的实测值x1，x2，x3，...，xn，该质量特性值为某一设备加工的同一产品的在机测量实测值。若n≥10,则10个数据为一组进行分组，最后不足10个的数据为一组；若n<10,则将所有数据作为一组进行过程能力指数Ppk数据的计算，具体计算方法为：先计算每组数据的均值和标准差σj。其中，j=1，2，…round（n/10）+1。则。基于每一组均值和标准差可以计算对应的Ppkj值，即。

这样就可以计算得到每一组实测值的工序能力的波动情况，进而可以对生产过程进行平稳性分析与评价。PART

4面向批生产过程的集成质量管控系统开发与应用4.1生产线质量管控系统软件架构设计综合考虑生产线质量管控系统中功能业务的动静态关系、静态情境数据与动态时序数据间的关系、边缘端与服务端的数据互操作、长时间生产线运行过程的监测与数据存储等的需求，生产线质量管控系统软件采用前后端分离的B/S架构技术进行设计开发，其中，软件后端使用Java语言进行开发，由SpringBoot构建；前端由Vue框架构建。软件架构如图12所示。图12

系统软件架构4.2系统业务逻辑设计软件系统业务逻辑如图13所示，系统的业务流程具体分为以下几个步骤。图13

软件系统业务逻辑1）管理人员进行情境信息的录入，包括人员信息、工位信息、机床设备信息、产品信息和工艺信息。2）加工人员根据实际生产计划，配置加工工位、加工人员、加工设备、加工产品和加工工序等情境信息，完成软件系统内部加工任务的创建。3）基于加工任务搭建数控机床数据采集的硬件环境，主要指通过RJ45网线、交换机和无线路由器实现硬件设备互联，包括数控机床、软件系统和