一种基于智能控制的汽车内饰件柔性生产线及制造方法与流程
本技术涉及汽车零部件智能制造,具体涉及一种基于智能控制的汽车内饰件柔性生产线及制造方法。
背景技术:
1、随着汽车消费市场日趋个性化,内饰件品种和配置需求呈爆发式增长,同一车型常提供多种颜色、材质及功能组合,使生产呈现多品种、小批量、高频切换的显著特征。传统刚性生产线切换产品时需人工更换模具、调整工艺参数和重排流程,存在切换时间长、效率低、成本高、难以响应订单波动等问题。
2、近年来,部分企业尝试柔性化改造,如采用可调内饰滑板兼容不同车型,或通过模块化设计与智能调度实现快速切换。但仍存在以下不足:其一,现有改造多为局部优化,缺乏从订单解析、智能调度到工艺自适应的全流程系统架构;其二,调度多依赖人工经验或简单规则,难以在动态环境下兼顾效率、利用率与切换成本等多目标全局优化;其三,工艺参数调整仍主要靠工程师经验与反复试模,耗时长、成本高且质量一致性差;其四,缺少与物理产线同步的数字孪生模型,无法进行事前仿真验证与实时监控预警;其五,质量检测多为离线抽检,结果无法实时反馈至控制系统以动态调整工艺,质量问题发现与纠正严重滞后。
3、综上,现有技术亟需一种系统化、智能化、虚实融合的柔性生产线解决方案。
技术实现思路
1、有鉴于此,本技术提供了一种基于智能控制的汽车内饰件柔性生产线及制造方法,解决了现有汽车内饰件生产线柔性不足、调度优化能力弱、工艺参数调整依赖人工试错、缺乏虚实融合的闭环优化机制以及质量检测与生产控制脱节的技术问题。
2、为实现上述目的,本发明提供如下技术方案:
3、一种基于智能控制的汽车内饰件柔性生产线包括物理感知及执行层、数字孪生层、智能决策层和实时控制网络。物理感知及执行层包括多个可重构制造单元、设置于各可重构制造单元上的多源传感器组,以及用于在各可重构制造单元之间转运物料和工装的自动导引运输车集群。各可重构制造单元包括标准化机械接口和快换工装组件,快换工装组件通过标准化机械接口与可重构制造单元可拆卸连接。可重构制造单元包括注塑成型单元、搪塑成型单元、发泡成型单元、包覆贴合单元、超声波焊接单元和在线质量检测单元。通过标准化机械接口和快换工装组件的设计,实现了不同产品型号生产时工装的快速更换,大幅缩短了产品切换时间。
4、数字孪生层与物理感知及执行层通信连接,用于构建与物理感知及执行层同步映射的数字孪生模型。
5、智能决策层与数字孪生层通信连接,包括订单解析引擎、多目标调度优化引擎和工艺参数自整定引擎。订单解析引擎用于接收生产订单并解析为制造任务序列。多目标调度优化引擎用于根据制造任务序列和数字孪生模型的实时状态数据,以最小化最大完工时间、最大化设备利用率和最小化工艺切换损耗为优化目标,采用基于帕累托优化的多目标进化算法生成各可重构制造单元的任务分配方案和调度时序。工艺参数自整定引擎用于根据待加工内饰件的产品信息,从自适应工艺知识库中检索基准工艺参数集,并结合数字孪生模型的仿真反馈对基准工艺参数集进行迭代优化,生成最优工艺参数集。
6、实时控制网络分别与物理感知及执行层、数字孪生层和智能决策层通信连接,用于将智能决策层生成的任务分配方案、调度时序和最优工艺参数集下发至物理感知及执行层中的各执行设备。
7、进一步地,多源传感器组包括:视觉传感器,设置于各可重构制造单元的入口和出口处,用于采集待加工内饰件的二维图像和三维点云数据;力觉传感器,设置于各可重构制造单元的加工执行末端,用于实时采集加工过程中的接触力和力矩数据;温度传感器,设置于各可重构制造单元的模具和加热装置上,用于实时采集温度场分布数据;振动传感器,设置于各可重构制造单元的设备基座和运动部件上,用于实时采集振动频谱数据;编码器,设置于各可重构制造单元的运动轴上,用于实时采集位置和速度数据。
8、进一步地,多目标进化算法为改进的非支配排序遗传算法(nsga-ii),具体包括:初始化模块,用于随机生成初始种群,每个个体包括各制造任务与各可重构制造单元之间的分配关系编码以及各任务在各制造单元上的加工顺序编码;适应度评估模块,用于以最小化最大完工时间、最大化设备利用率和最小化工艺切换损耗为三个优化目标,计算种群中每个个体的适应度向量;非支配排序模块,用于根据帕累托支配关系对种群中的个体进行分层排序;拥挤度计算模块,用于计算同一非支配层中每个个体的拥挤度距离;选择与进化模块,用于根据锦标赛选择策略从当前种群中选择父代个体,通过交叉操作和变异操作生成子代个体;精英保留模块,用于将父代种群与子代种群合并,基于非支配排序和拥挤度距离筛选出下一代种群;终止判定模块,用于当迭代次数达到预设最大迭代次数或种群收敛时,输出帕累托最优解集,并根据预设的权重偏好从帕累托最优解集中选取最终调度方案。
9、进一步地,工艺参数自整定引擎包括:工艺参数基准提取模块,用于根据待加工内饰件的产品型号和材料牌号,从自适应工艺知识库中检索匹配的基准工艺参数集,基准工艺参数集包括注塑温度、注塑压力、注塑速度、保压压力、保压时间、冷却温度、冷却时间、搪塑加热温度、搪塑旋转速度和搪塑固化时间;数字孪生仿真模块,用于将基准工艺参数集输入数字孪生模型进行加工过程仿真,输出仿真质量指标,仿真质量指标包括翘曲变形量、体积收缩率、表面粗糙度和残余应力分布;参数优化模块,用于构建工艺参数与仿真质量指标之间的代理模型,采用贝叶斯优化算法对基准工艺参数集进行迭代寻优,以最小化仿真质量指标的加权综合为目标,输出最优工艺参数集;参数验证模块,用于将最优工艺参数集再次输入数字孪生模型进行仿真验证,当仿真质量指标满足预设阈值时确认最优工艺参数集,否则触发参数优化模块重新寻优;知识库更新模块,用于将经过实际生产验证的最优工艺参数集与对应的产品型号、材料牌号关联存储至自适应工艺知识库。
10、优选地,代理模型为高斯过程回归模型,其核函数采用5/2核函数与周期性核函数的组合核函数;贝叶斯优化算法的采集函数采用期望改进采集函数。
11、进一步地,数字孪生层包括:数据同步模块,用于通过opc ua通信协议实时获取物理感知及执行层中各类传感器的采集数据,并对采集数据进行时间戳对齐和坐标空间配准;模型构建模块,用于根据物理感知及执行层的三维设计模型和设备参数,构建数字孪生模型,数字孪生模型包括设备级数字孪生子模型、单元级数字孪生子模型和产线级数字孪生子模型;实时映射模块,用于将经时间戳对齐和坐标空间配准后的采集数据实时映射至数字孪生模型中对应的虚拟设备上,实现虚实同步;仿真推演模块,用于根据当前时刻的数字孪生模型状态,对预设时间窗口内的生产执行过程进行仿真推演,输出预测性的产线状态和产品质量数据;异常检测模块,用于实时比对数字孪生模型的虚拟状态与物理感知及执行层的实际状态,当偏差超过预设阈值时生成异常预警信号。
12、进一步地,在线质量检测单元包括:三维视觉检测模块,用于通过结构光相机和激光轮廓扫描仪采集已完成加工的内饰件的三维点云数据,并与标准三维模型进行比对,计算面差数据和轮廓偏差数据;表面缺陷检测模块,用于通过高分辨率工业相机采集内饰件的表面图像,基于深度学习语义分割模型对表面图像进行像素级缺陷识别与分类;尺寸测量模块,用于根据三维点云数据提取内饰件的关键尺寸特征,并与设计尺寸进行比对,输出尺寸偏差值;综合判定模块,用于根据面差数据、轮廓偏差数据、缺陷识别结果和尺寸偏差值,按照预设的质量判定规则输出内饰件的质量合格性判定结果。
13、进一步地,还包括设备健康管理模块,设备健康管理模块用于:获取多源传感器组采集的设备运行数据,设备运行数据包括振动频谱数据、温度数据和电流数据;对设备运行数据进行时域特征提取和频域特征提取,构建多维特征向量;将多维特征向量输入预训练的设备健康状态评估模型,输出设备健康度评分;当设备健康度评分低于预设阈值时,生成预测性维护预警信号,并将预警信号发送至多目标调度优化引擎;多目标调度优化引擎响应于预警信号,将待维护设备上的未完成任务重新分配至其他可重构制造单元。
14、按照本发明的第二方面,提供了一种基于智能控制的汽车内饰件制造方法,采用上述基于智能控制的汽车内饰件柔性生产线实施,包括以下步骤:
15、s1、订单解析步骤:智能决策层的订单解析引擎接收生产订单,从生产订单中提取产品型号、材料牌号、订单数量和交付期限信息,并将信息解析为制造任务序列。
16、s2、数字孪生同步步骤:数字孪生层实时获取物理感知及执行层的多源传感器数据,对多源传感器数据进行时间戳对齐和坐标空间配准后映射至数字孪生模型,保持数字孪生模型与物理生产线的同步。
17、s3、智能调度步骤:智能决策层的多目标调度优化引擎基于制造任务序列和数字孪生模型的实时状态数据,以最小化最大完工时间、最大化设备利用率和最小化工艺切换损耗为优化目标,采用多目标优化算法生成各可重构制造单元的任务分配方案和调度时序。
18、s4、工艺参数优化步骤:智能决策层的工艺参数自整定引擎根据产品型号和材料牌号从自适应工艺知识库中检索基准工艺参数集,将基准工艺参数集输入数字孪生模型进行仿真验证,当仿真质量指标不满足预设阈值时,采用迭代优化算法对基准工艺参数集进行优化,生成最优工艺参数集。
19、s5、指令下发步骤:实时控制网络将任务分配方案、调度时序和最优工艺参数集下发至物理感知及执行层中的各执行设备。
20、s6、柔性生产执行步骤:物理感知及执行层根据接收到的指令,通过自动导引运输车集群将物料和工装转运至对应的可重构制造单元,各可重构制造单元按照最优工艺参数集执行加工操作。
21、s7、在线质量检测步骤:在线质量检测单元对完成加工的内饰件进行三维视觉检测和表面缺陷检测,输出质量合格性判定结果。
22、s8、反馈迭代步骤:将在线质量检测步骤的检测结果反馈至智能决策层,工艺参数自整定引擎根据检测结果对最优工艺参数集进行微调,并将经过实际生产验证的工艺参数集更新至自适应工艺知识库。
23、进一步地,步骤s3中,多目标优化算法为改进的非支配排序遗传算法;步骤s4中,迭代优化算法为贝叶斯优化算法,包括:采用拉丁超立方采样方法在工艺参数搜索空间中采集初始样本点,对各初始样本点通过数字孪生模型进行仿真评估,获得对应的仿真质量指标;基于初始样本点及其对应的仿真质量指标,构建高斯过程回归代理模型;以期望改进采集函数作为采集函数,通过多起点梯度优化方法最大化期望改进采集函数,确定下一个采样点;将下一个采样点输入数字孪生模型进行仿真评估,获得对应的仿真质量指标并加入训练数据集;基于更新后的训练数据集重新训练高斯过程回归代理模型;重复上述确定下一个采样点、迭代评估和代理模型更新的步骤,直至达到预设最大迭代次数或期望改进采集函数的值小于预设阈值,输出当前最优工艺参数集。
24、从上述的技术方案可以看出,本发明的优点是:
25、1.本发明通过构建“物理感知及执行层—数字孪生层—智能决策层—实时控制网络”四层架构,实现从订单到交付的全流程智能闭环控制,克服局部柔性化缺陷,形成系统性柔性生产方案。并采用基于帕累托优化的多目标进化算法,在最小化完工时间、最大化设备利用率与最小化切换损耗之间实现最优平衡,显著提升调度全局优化能力与动态适应性。
26、2.本发明通过工艺参数自整定引擎融合数字孪生仿真与贝叶斯优化,自动寻优工艺参数,避免人工试错,大幅缩短调试周期,提高了产品一致性。构建与物理产线同步的多层级数字孪生模型,支持事前仿真验证、实时虚实映射、过程推演与异常预警,增强了生产过程透明度和可控性。并且集成在线质量检测单元并实时反馈结果至决策层,实现质量检测与生产控制闭环联动,及时发现质量问题并动态调整工艺参数。还通过设备健康管理模块实现预测性维护,并在设备健康劣化时触发调度优化引擎重新分配任务,有效减少非计划停机对生产的影响。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com