（首都航天機(jī)械有限公司，北京 100076）

0 引言

隨著制造業(yè)的發(fā)展，多品種、小批量的生產(chǎn)模式已逐步成為離散型生產(chǎn)制造企業(yè)的主導(dǎo)模式[1]。在云計(jì)算、物聯(lián)網(wǎng)等新一代信息技術(shù)與制造技術(shù)的融合發(fā)展背景下，該生產(chǎn)模式中的產(chǎn)品設(shè)計(jì)、制造等環(huán)節(jié)已逐步進(jìn)行了智能化轉(zhuǎn)型升級，但總檢環(huán)節(jié)的傳統(tǒng)的人工檢測模式并未發(fā)生重大改變。航天制造業(yè)屬于典型的離散型制造企業(yè)，目前車間普遍采用手工測量采集數(shù)據(jù)的方法，再將測量數(shù)據(jù)人工回填至質(zhì)量記錄表單或手動錄入質(zhì)量信息系統(tǒng)。該方式簡單、靈活、經(jīng)濟(jì)，但采集速度慢、數(shù)據(jù)實(shí)時(shí)性差，無法避免讀數(shù)誤差、遺漏等問題，嚴(yán)重影響了質(zhì)量數(shù)據(jù)的可靠性和完整性[2]。這種低效的人工操作環(huán)節(jié)已無法滿足生產(chǎn)整體效率和產(chǎn)品質(zhì)量提升需求，因此亟需改變航天產(chǎn)品的傳統(tǒng)總檢模式，提高生產(chǎn)效率和質(zhì)量。

針對現(xiàn)階段航天產(chǎn)品總檢模式的不足，應(yīng)用人工智能方法解決了多品種、小批量生產(chǎn)模式下的車間檢測數(shù)據(jù)采集問題，并形成了集產(chǎn)品檢測過程管理、數(shù)據(jù)自動采集及質(zhì)量數(shù)據(jù)服務(wù)一體的數(shù)字化解決方案。

1 基于人工智能方法的航天產(chǎn)品總檢模式總體方案設(shè)計(jì)

圖1 基于人工智能方法的航天產(chǎn)品總檢模式設(shè)計(jì)方案

基于人工智能方法的航天產(chǎn)品總檢模式設(shè)計(jì)如圖1所示，方案包含檢驗(yàn)過程管理、數(shù)據(jù)自動采集及質(zhì)量數(shù)據(jù)服務(wù)三部分功能，總檢模式的工作流程如下：工藝人員使用工藝提取軟件讀入數(shù)字模型，自動提取檢測要素、公差帶和檢測要素的全局唯一標(biāo)識，形成檢測工藝并制定檢測任務(wù)后一鍵發(fā)送至后臺服務(wù)器；檢驗(yàn)人員在檢測終端獲取檢測任務(wù)，執(zhí)行檢測時(shí)應(yīng)用圖像、語音深度學(xué)習(xí)的人工智能方法完成檢測數(shù)據(jù)的自動采集；檢測任務(wù)完成后，將產(chǎn)品數(shù)據(jù)一鍵提交至質(zhì)量數(shù)據(jù)服務(wù)模塊，系統(tǒng)后臺集中實(shí)現(xiàn)檢測要素的超差計(jì)算以及不合格品審理單、質(zhì)量控制卡等多種表單的自動生成、存儲、管理和分析工作。

通過人工智能技術(shù)實(shí)現(xiàn)檢測數(shù)據(jù)的自動采集，完成了檢測任務(wù)、人員、量具統(tǒng)一信息化管理和質(zhì)量數(shù)據(jù)計(jì)算、存儲、管理和分析服務(wù)，并將上述內(nèi)容實(shí)現(xiàn)一體化集成，最終形成智能總檢系統(tǒng)平臺。系統(tǒng)對多個(gè)檢測工位的設(shè)備進(jìn)行組網(wǎng)，實(shí)現(xiàn)硬件與系統(tǒng)的連接以及數(shù)據(jù)傳輸，如圖2所示。服務(wù)器支持包括檢測過程管理、數(shù)據(jù)自動采集、質(zhì)量數(shù)據(jù)服務(wù)三個(gè)軟件的后端服務(wù),以及人工智能模型的算法服務(wù)。高分辨率相機(jī)和降噪麥克風(fēng)分別為圖像識別和語音識別提供硬件支持，主機(jī)和顯示器等硬件為工位提供終端交互服務(wù)。在智能總檢系統(tǒng)平臺下，實(shí)現(xiàn)了總檢環(huán)節(jié)數(shù)字化管理、智能化數(shù)據(jù)采集、全過程數(shù)據(jù)可追溯。

圖2 硬件組網(wǎng)示意圖

2 基于人工智能的數(shù)據(jù)自動采集方法

將數(shù)據(jù)采集自動化、數(shù)字化、無紙質(zhì)化、智能化，可以提高數(shù)據(jù)采集效率，保證數(shù)據(jù)實(shí)時(shí)性、準(zhǔn)確性、完整性，降低數(shù)據(jù)管理成本和人力成本。利用人工智能技術(shù)對數(shù)顯量具的圖像和檢驗(yàn)人員的語音進(jìn)行深度學(xué)習(xí)，自動識別圖像和語音信息中的數(shù)字符號，完成數(shù)據(jù)的智能化采集。數(shù)據(jù)采集方式的智能升級為實(shí)現(xiàn)檢測過程、檢測數(shù)據(jù)自動化管理提供了基礎(chǔ)。

2.1 基于圖像深度學(xué)習(xí)的數(shù)據(jù)采集方法

工業(yè)領(lǐng)域中，檢驗(yàn)數(shù)據(jù)采集通常采用兩種方式：人工采集記錄和通過量具通信端口的數(shù)據(jù)傳輸采集方法。前者效率低，數(shù)據(jù)可靠性無法完全保證[3]。后者不適用于多品種、小批量的生產(chǎn)現(xiàn)場，由于不同品牌、版本的量具接口通信協(xié)議不同，導(dǎo)致兼容性差，配備品牌版本統(tǒng)一、覆蓋全線產(chǎn)品的專用量具成本高昂[4]。針對該現(xiàn)狀，采用圖像深度學(xué)習(xí)的方法對數(shù)顯量具的測量數(shù)據(jù)進(jìn)行采集，具有通用性強(qiáng)、效率高、經(jīng)濟(jì)實(shí)用等特點(diǎn)。

如圖3所示，數(shù)據(jù)采集的硬件裝置包括高分辨率相機(jī)、腳踏鼠標(biāo)。在檢測過程中，檢驗(yàn)員將量具的數(shù)顯屏幕放置在高分辨率相機(jī)視野范圍內(nèi)，同時(shí)踩下腳踏鼠標(biāo)，系統(tǒng)自動提取識別量具屏幕上的數(shù)碼管字符，并回填至工具軟件界面，即完成了一個(gè)實(shí)測數(shù)據(jù)采集過程。

圖3 檢驗(yàn)人員進(jìn)行自動數(shù)據(jù)采集

數(shù)顯圖像的學(xué)習(xí)訓(xùn)練原理如圖4所示。收集積累大量的不同規(guī)格種類、光照強(qiáng)度、偏轉(zhuǎn)角度、背景環(huán)境下的數(shù)顯量具圖片，用于識別模型的訓(xùn)練輸入。將量具上的數(shù)顯圖像進(jìn)行數(shù)據(jù)重點(diǎn)區(qū)域標(biāo)注、分割、字符結(jié)果標(biāo)示，然后將數(shù)據(jù)分為train，validation，test三個(gè)樣本集，進(jìn)行標(biāo)注、訓(xùn)練、測試，從而學(xué)習(xí)更多圖片特征，提高模型針對不同情況下的泛化性和識別能力，實(shí)現(xiàn)圖像的準(zhǔn)確識別。

圖4 深度學(xué)習(xí)模型訓(xùn)練原理圖

圖像模型采用RPN算法以及RNN+CTC網(wǎng)絡(luò)模型，網(wǎng)絡(luò)示意圖如圖5所示。RPN是一種結(jié)構(gòu)簡單又高效的方法，可以很容易結(jié)合到Fast RCNN中，用來提取候選區(qū)域，具有耗時(shí)少的優(yōu)點(diǎn)[5]。將提取的特征向量使用RNN網(wǎng)絡(luò)進(jìn)行計(jì)算。通過RNN+CTC網(wǎng)絡(luò)，將特征向量序列與字符序列進(jìn)行對齊計(jì)算，得到最大概率的序列結(jié)果。

圖5 RPN網(wǎng)絡(luò)示意圖

基于圖像深度學(xué)習(xí)的數(shù)據(jù)采集方法應(yīng)用于總檢現(xiàn)場，識別效果如圖6所示。隨機(jī)選取每種數(shù)顯量具圖片各500張，建立測試樣本庫，識別準(zhǔn)確率的統(tǒng)計(jì)結(jié)果如表1所示。在生產(chǎn)過程中持續(xù)積累量具圖片，不斷提升識別精確度和可靠性，優(yōu)化數(shù)據(jù)識別效果，降低企業(yè)成本，提高生產(chǎn)工作效率。

圖6 圖像識別效果

表1 識別準(zhǔn)確率測試準(zhǔn)確率統(tǒng)計(jì)

2.2 基于語音深度學(xué)習(xí)的數(shù)據(jù)采集方法

基于語音的數(shù)據(jù)采集方法具有操作靈活、適用范圍廣泛的優(yōu)點(diǎn)。使用深度學(xué)習(xí)方法開發(fā)語音識別功能，該算法的模型訓(xùn)練原理如圖7所示：將音頻數(shù)據(jù)經(jīng)過FFT編碼器進(jìn)行頻譜變換，通過神經(jīng)網(wǎng)絡(luò)模型對頻譜數(shù)據(jù)進(jìn)行訓(xùn)練、分類和識別，最后經(jīng)過NN解碼器將語音頻譜數(shù)據(jù)還原得到結(jié)果數(shù)據(jù)。訓(xùn)練過程中根據(jù)現(xiàn)場人員、使用環(huán)境和使用方式等情況對數(shù)據(jù)進(jìn)行分析，對語音數(shù)據(jù)和環(huán)境噪聲數(shù)據(jù)清洗、打標(biāo)簽、分類和處理，通過積累大量的語音數(shù)據(jù)進(jìn)行模型訓(xùn)練，以實(shí)現(xiàn)在復(fù)雜環(huán)境下的語音準(zhǔn)確識別[6]。

圖7 語音深度學(xué)習(xí)模型訓(xùn)練原理圖

在語音識別采集系統(tǒng)進(jìn)行深度訓(xùn)練過程中，以現(xiàn)場采集到的五萬余條語音信息為基礎(chǔ)建立了語料庫，為開展深度學(xué)習(xí)提供數(shù)據(jù)樣本，經(jīng)過深度學(xué)習(xí)算法的設(shè)計(jì)和長時(shí)間的學(xué)習(xí)修正，在車間現(xiàn)場環(huán)境下語音識別平均準(zhǔn)確率可達(dá)到97.8%，實(shí)現(xiàn)了對模型的精準(zhǔn)識別。

3 檢測過程管理方案及實(shí)現(xiàn)

根據(jù)車間總檢現(xiàn)場管理需求，在智能總檢系統(tǒng)平臺上定制開發(fā)了檢測過程管理模塊，管理架構(gòu)如圖8所示，主要包括工藝編輯、任務(wù)編輯、人員管理、量具管理等功能。

工藝編輯功能可實(shí)現(xiàn)檢測工藝的數(shù)字化管理，包含檢測工藝創(chuàng)建、版本控制、查詢、刪除等功能，以滿足工藝管理的要求。在智能總檢系統(tǒng)平臺上定制開發(fā)了工藝自動提取軟件，功能界面如圖9所示，上傳零件dwg格式電子圖紙后，可實(shí)現(xiàn)軟件自動逐條提取圖紙尺寸理論值、公差、標(biāo)注信息等內(nèi)容，并實(shí)時(shí)進(jìn)行尺寸的高亮提示，輔助工藝人員再次確認(rèn)關(guān)鍵重點(diǎn)尺寸，以保證檢驗(yàn)工藝正確性。實(shí)現(xiàn)快捷錄入檢驗(yàn)工藝所需信息，一鍵形成檢驗(yàn)工藝。

圖8 檢測過程管理架構(gòu)

圖9 檢驗(yàn)工藝自動提取

在智能總檢系統(tǒng)平臺上，檢驗(yàn)人員可根據(jù)生產(chǎn)調(diào)度安排來制定相應(yīng)的檢測任務(wù)，如圖10所示，包括基本管理（增刪改查）、任務(wù)狀態(tài)提示（未開始、已開始、已完成）等功能，實(shí)現(xiàn)檢測任務(wù)的數(shù)字化、信息化統(tǒng)一管理。

圖10 檢測任務(wù)管理

智能總檢系統(tǒng)對人員和量具進(jìn)行統(tǒng)一管理，管理軟件界面如圖11所示，明確使用人員的分類和職責(zé)，將人員分類為管理員、工藝人員、檢驗(yàn)人員角色，分配不同的系統(tǒng)權(quán)限，對任務(wù)、數(shù)據(jù)、產(chǎn)品信息的編輯、查詢、刪除、修改等操作權(quán)限進(jìn)行統(tǒng)一規(guī)劃和限定，保證排除數(shù)據(jù)偽造、修改等人為影響。系統(tǒng)對量具的管理包括基本功能（增刪改查）、有效期自動判定、識別和輸出量具二維碼、送檢標(biāo)定臨期提示等功能，保證產(chǎn)品質(zhì)量數(shù)據(jù)的來源可追溯性與過程可靠性。

圖11 系統(tǒng)人員和量具管理

4 質(zhì)量數(shù)據(jù)服務(wù)方案及實(shí)現(xiàn)

質(zhì)量數(shù)據(jù)服務(wù)模塊提供全過程數(shù)據(jù)的查詢和管理服務(wù)，模塊架構(gòu)和數(shù)據(jù)查詢界面分別如圖12和圖13所示。系統(tǒng)后臺集中實(shí)現(xiàn)檢測要素的超差計(jì)算和多種數(shù)據(jù)表單的快速生成，包括機(jī)械加工過程中通用認(rèn)可的質(zhì)量控制記錄卡、不合格品審理單、超差內(nèi)容描述等多種表單，節(jié)省了質(zhì)量數(shù)據(jù)人工回填錄入的時(shí)間和管理成本，保證數(shù)據(jù)存儲的完整性和流轉(zhuǎn)共享的一致性。智能總檢系統(tǒng)對接QMS、MES和ERP系統(tǒng)后，將全部的產(chǎn)品檢測數(shù)據(jù)實(shí)時(shí)上傳至云端服務(wù)器，實(shí)現(xiàn)產(chǎn)品數(shù)據(jù)統(tǒng)一管理、監(jiān)控和分析，輔助企業(yè)生產(chǎn)管理和決策。

圖12 質(zhì)量數(shù)據(jù)服務(wù)

圖13 檢測數(shù)據(jù)查詢

5 結(jié)束語

本文結(jié)合航天產(chǎn)品總檢現(xiàn)場普遍采用手工測量方法，并將測量數(shù)據(jù)人工回填至質(zhì)量記錄表單并錄入質(zhì)量信息系統(tǒng)的現(xiàn)狀，提出了一種基于人工智能方法的航天產(chǎn)品制造總檢模式，并形成了智能總檢系統(tǒng)平臺。該模式解決了多品種、小批量生產(chǎn)模式下的車間檢測數(shù)據(jù)采集問題，并形成了集產(chǎn)品檢測過程管理、數(shù)據(jù)自動采集及質(zhì)量數(shù)據(jù)服務(wù)一體的數(shù)字化解決方案，對提高企業(yè)的數(shù)字化生產(chǎn)和智能制造水平具有一定的現(xiàn)實(shí)意義。