锻造行业智能制造发展回顾及新技术展望（下）

《锻造行业智能制造发展回顾及新技术展望》（上）见《锻造与冲压》2020 年第19 期

K 近邻算法在锻造领域的研究

人工智能中的机器学习

图7 人工智能的划分领域

人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，该领域的研究包含计算智能、机器感知、机器学习等，如图7 所示。机器学习作为人工智能的一类，它是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习在工业中的典型应用场景为：工况模式识别、设备故障诊断、产品质量分类等。本文将从机器学习中的K 近邻算法来对锻造领域进行研究与探讨。

K 近邻算法

K 近邻法(k-nearest neiors)是机器学习中较基础的一类算法，它是由Cover 和Hart 于1968 年提出的，是懒惰学习(lazy learning)的著名代表。K 近邻算法中每个数据都存在一个标签(label)，即数据的最终特征，此外还包含了影响数据特征的各影响因素，K 近邻算法的工作机制如下：首先给定一个测试样本，计算它到训练样本的距离，然后取离测试样本最近的k 个训练样本，最终用“投票法”选出在这k个样本中出现最多的类别，就是预测的结果。样本可以根据比例分为训练集与测试集，训练集负责用于模型的训练，测试集负责模型的实际测试，测试集中测试成功数量与测试集总数量之比为准确率，准确率也是衡量K 近邻算法好坏的唯一标准。图8 是笔者运用传统K 近邻算法训练传统Mnist 数据集的程序。Mnist数据集是K 近邻算法的基础数据集，共有70000 条数据，每个数据集都是由人为手写的数字构成，每条数据共含有784 条特征。其中，此程序用了20000 个数据集作为测试，50000 个数据集作为训练，模型的准确率达到了97.6%，如图9 所示，机器通过图片将手写的‘8’识别了出来。

图8 典型K 近邻算法程序

图9 K 近邻算法结果

下面本文将对锻造行业的KNN 算法进行探索与研究，首先对精密锻件工艺参数的集中管理和统一下达，并结合生产线集成控制系统对相应产品工艺参数的单件全面采集，形成车间生产过程的海量数据基础。通过对工艺设定值与工艺反馈值的离差分析，探寻工件成形质量与生产工艺参数的关联性。借助三维检测等视觉系统判断出当前锻件尺寸是否符合要求，令锻件尺寸作为输出变量，按照锻件尺寸可以将label 划分为优、良、中、差四类，影响因素为打击能量、温度，润滑、磨损等，利用生产线中积累的大数据进行生产模型搭建，分析出锻件结果数据(锻件尺寸、性能等)与过程数据(打击能量、温度、润滑效果)之间的机理关系，算法流程如图10 所示。算法的准确率高达97.41%

图10 常规K 近邻算法流程

K 近邻算法中寻优过程

⑴超参数选择。

K 近邻算法并不是单一固定的算法，其中包含了诸多影响因素，而这些影响因素是影响算法优劣的重要指标，本文将详细介绍以下三类指标。

1) K 值。

K 近邻算法中，测试集中的样本中的每个点是以训练集中离该点最近的K 个点隶属度来判断该点的label,因此不同的K 值会产生不同的训练模型，K 值过小会使得模型不准确，没有参考意义，然而K 值过大可能会造成模型训练时间过长，也同样会造成模型偏离实际，因此K 值是K 近邻算法中的重要指标。

2)权重。

权重也是影响算法的关键指标，如图11 所示，当K=5 时，判断该绿点周围最近的5 个点中有3 个蓝色点，2 个红色点，按K 近邻算法原理来说，绿点应该属于蓝色区域，然而明显该点距离红点更近，应该隶属于红色区域。因此在进行隶属度判断是，每个点对于测试点的判断应该是不一样的。近点的影响因素应该高于远点，因此算法一般取距离的倒数来作为权重，来保证算法的真实性。

图11 KNN 算法实例

3)距离度量P。

该参数是衡量两个样本之间距离定义的关键因素，一般来说P=2 时表示的是欧氏距离，P=1 时表示的是曼哈顿距离，P 趋近于无穷时即为切比雪夫距离。通常情况下样本采用欧式距离作为样本间距。

⑵网格搜索法寻优。

为保证训练的准确率最大化，就必须保证模型采用最合适的超参数来进行训练，网格搜索法是指定参数值的一种穷举搜索方法，通过将估计函数的参数通过交叉验证的方法进行优化来得到最优的学习算法。通过遍历各种超参数来优化模型，使得模型性能更优。网格搜索法模型寻优流程如图12 所示。

在使用欧式距离以及distance 作为权重变量进行测试，网格搜索法的部分算法程序及结果如图13、图14 所示。

由训练结果可知当K=8 时准确率最高，可以高达97.66%，要高于之前的准确率，模型得到了优化。模型的准确性可以量化不同材料下精密锻件的成形工艺窗口，优化工艺参数区间，对生产过程中的稳定性起到了至关重要的作用。

深度学习算法的应用及展望

锻造行业中数据影响因素较多，数据需要更高的稳定性及准确性。K 近邻算法作为机器学习中一种典型的模糊分类方法，在工业中应用非常广泛，然而，K 近邻算法并不能获取更精确的模型，因此需要更加完善的特征提取手段以及数据分析技术。

图12 网格搜索法寻优过程

图13 网格搜索法程序

图14 模型训练结果

深度学习作为机器学习中的一种，近几年在诸多互联网公司得到了很多应用，然而在工业中应用却少之又少，这是由于深度学习严重依赖数据，不光需要海量的数据，还需要海量的平衡数据。平衡数据就是不光要覆盖所有场景，还需要让所有场景下的数据呈平均分布，在工业中的数据形态未必有那么理想。目前深度学习仅在识别任务上大放异彩，较容易应用到工业目标的识别，如物件抓取，成品缺陷检测，例如康耐视公司将深度学习算法融入到生产线中，可以实现缺陷自动检测、产品质量自动分析等功能，目前也仅仅停留在生产级别的功能。

在未来更加完善的信息化工厂里，一定会有精密的传感仪器，形成更加完善的数据储备，这就为深度学习以及机器学习提供了一定良好的基础。数据是企业信息化价值的核心，在数据的持续累积过程中，必定让数据逐步发挥其应有的使用价值。

智能制造热点技术

基于5G 的智能工厂大数据共享技术

当前锻造企业车间自动化改造以及智能化提升依旧存在以下几种问题：

⑴传统的线缆通讯和无线通讯存在不少弊端，例如使用线缆通讯导致现场线缆众多，容易损坏且不易检修，更换线缆成本较高；而蓝牙、WIFI 等无线通讯带宽受限，时延较高，传输距离受限，导致面对大量数据采集和实时精确控制时显得力不从心；

⑵锻造企业对于物料的管理不够完善，工序之间的物料流转不够透明，同时对于物料的搬运、存储管理也比较粗放，缺少良好的物料流转管理方式；

⑶企业面对采集上来的大量数据，不论是数据存储与数据分析都将投入大量人力物力，提高企业成本，这给企业智能化升级造成了诸多困难。

针对企业面临的上述问题，机电所提出基于5G技术的设备互联、实时控制与高效物流，在简化车间布线的同时，提高设备信息采集的传输速度与数据量，增强车间产线的控制精准度。并且基于5G 技术获取的锻造车间大量数据，利用云平台提高企业的信息分析能力和信息可视化能力，并且为企业提供远程运维、设备健康管理、故障诊断等服务。

⑴基于5G 的锻压装备数据采集、互联互通与精准控制。

利用5G 技术实现更加协调、高效的设备互联，在保障数据实时性和可靠性的前提下，利用5G 的高通量特点获取更多生产数据与参数，为企业数据分析提供基础。研究利用5G 技术低延时特点的更加精准的实时控制，不仅可以增强不同工序之间的协调能力，加快生产节拍；也可以利用低延时特点，提高设备响应速度，确保安全有序生产，实现工业自动化闭环控制。

⑵基于5G 的锻造车间物流优化调度。

锻造车间物料流转是生产线中关键一环，物料流转不仅需要在动态变化的环境中作出快速决策，同时也需要不断获取物料自身或物料搬运设备的位置信息。根据获取的实时数据，计算交通模型，协调搬运流程和路线，提高整体系统性能。5G 技术将利用其高带宽、稳定可靠、延时低的特点，不仅可以为物料流转规划最优路径，同时也可以根据现场反馈，及时下达指令，保障物流交通的通畅与安全。

⑶基于5G 大数据的锻造企业设备诊断云平台。

借助“5G+工业互联网”技术，以生产车间覆盖的5G 网络系统为基础，在工厂车间布设云网关，全面建设基于5G 云平台和大数据的车间关键装备的健康管理与运维平台，实现对产线关键设备的全生命周期管理，云平台集中式管理，为企业打造一站式服务。不仅为企业提供大数据存储能力，也为企业提供数据处理与分析服务。

数字孪生技术

数字孪生是以数字化方式创建物理实体的虚拟模型，借助数据模拟物理实体在现实环境中的行为，通过虚实交互反馈、数据融合分析、决策迭代优化等手段，为物理实体增加或扩展新的能力。在全球制造业新一代革命的大背景下，数字孪生作为实现制造物理世界和虚拟信息世界交互融合的关键技术得到了制造行业的广泛和高度关注。随着以大数据、人工智能等为代表的新一代信息技术与制造业的融合与应用以及PLM、MES 等技术的发展完善，数字孪生在制造业的落地将更加便捷。

作为典型的制造企业，引入数字孪生技术后的锻造企业将实现对产品的全生命周期管理。从产品的设计开发、生产加工、使用，直到最后的报废环节，都将直观地呈现给企业。在数字孪生的帮助下，企业将及时甚至提前发现存在的问题，从生产到管理的各个方面都将获得质的提升。针对锻造企业，本文粗略地总结了数字孪生的几个典型应用场景，希望能给锻造企业的智能制造升级有所启发：

⑴产品设计开发。

借助数字孪生技术，锻造企业的工艺研发部门可以便捷地在虚拟空间进行设计研发。在无需实际生产测试的情况下，验证诸如模具、工艺等设计在真实的物理世界的合理性。这将对锻造企业产品设计研发环节产生巨大的影响，不仅节约了设计研发阶段的试产等成本，还极大地提升了产品设计研发的效率。

⑵生产过程管理。

在生产加工前，企业可以利用数字孪生提前对需要生产的各个工单进行排产、排程。根据工厂实际的设备产能、产品目标数量等参数建立对应的模型，找出最优的方案，有助于提升订单的交付速度。在生产过程中，企业可以利用数字孪生对锻造、热处理、打磨修伤等各个生产工序之间的在制品进行调度优化，保证生产物料流转的顺畅，缩短了产品的生产周期。同时，数字孪生的运用还将为企业提供产品完整流程的质量管理数据，极大地方便了后期的质量追溯。

⑶企业智能管理。

目前，很多锻造企业的管理仍然存在很多不足的地方，各个生产要素和生产环节之间的脱节严重。在数字孪生的帮助下，企业能够对人、机、料、法、环这些生产要素和研发、生产、销售、物流等生产环节有一个清楚直观的掌控。具体来说，对于生产过程中实际生产数据的实时采集传输，企业的管理者将能够及时地根据生产的全盘情况进行更合理地决策，避免了生产和管理的脱节。此外，企业管理的数字孪生还能够帮助管理者发现不合理的管理流程，为锻造企业流程的畅通提供优化依据。

⑷生产设备维护。

对于锻造工厂来说，生产设备（如电动螺旋压力机等）往往造价非常昂贵，并且具有结构复杂、工作环境恶劣等特点，一旦出现故障需要耗费大量的时间精力去排查、修复故障，将给企业生产带来巨大的经济损失。通过建立生产设备的数字孪生模型，企业将能够实时监测设备的运行情况。同时还可以利用机器学习和知识图谱等技术对设备数字孪生模型进行分析，实现对生产设备的预测性维护。

结束语

本文针对锻造领域智能制造发展进行了深入研究，阐述了锻造领域在智能制造发展进程及局限性。同时，本文归纳总结了锻造行业实现智能制造的前期关键性工作。在完善的数字化车间体系架构基础上，运用机器学习中的K 近邻算法对锻造生产过程进行研究与分析，最后，本文对锻造领域进行了展望，列举了两项锻造领域的智能制造热点技术。智能制造是一个循序渐进的过程，既需要打通生产过程中的每个环节，又需要把各类信息充分利用起来，以实现其价值的最大化。再通过不断对新型技术的探索和完善，必定会实现更加完善的智能制造体系架构，使锻造领域生产过程效率最大化、更加智能化。

——文章来自《锻造与冲压》2020年第21期