e-works数字化企业网  »  文章频道  »  基础信息化  »  大数据

搭建工艺质量智能预警系统,为汽车制造保驾护航

2023/1/31    来源:e-works    e-works:e-works整理      
关键字:智能工厂案例  e-works年度盘点  智能制造  理想汽车  
本文为“2022年度中国智能制造最佳应用实践奖”参评案例。本次活动将评选出2022年度,为中国智能制造领域带来突出效益的最佳实践工程,全面介绍企业推进智能制造的步骤、重点与难点、获得效益等,分享建设过程中的经验,供广大制造业行业企业学习供鉴。
一、企业简介

       理想汽车创立于2015年7月,总部位于北京,生产基地位于江苏常州,是一家用户驱动的汽车科技企业。自创立以来,理想汽车始终坚持“创造移动的家,创造幸福的家”这一品牌使命,致力于为家庭用户打造更安全、更便捷、更舒适的智能电动车,成为家庭首选的豪华电动车品牌。理想汽车的首款产品理想ONE于2018年10月发布,自2019年12月开始交付,至今已累计交付超过20万辆。2022年,理想汽车先后发布全新一代车型家庭六座旗舰SUV理想L9和家庭六座豪华SUV理想L8,两款车型分别于8月和11月正式开启交付。2022年12月,理想汽车总交付量突破2万辆,理想L9和理想L8交付量双双破万,标志着理想汽车在2022年底成为30-50万价格区间SUV车型销量第一的品牌。配合即将于2023年2月上市的家庭五座旗舰SUV理想L7,理想汽车迅速建立了清晰完整的产品序列,全面覆盖家庭用户对于豪华电动车的多样化需求。

       理想汽车在全国范围建立了线上线下一体化的直营销售和服务体系。截至2022年12月31日,理想汽车在全国已有288家零售中心,覆盖121个城市;售后维修中心及授权钣喷中心318家,覆盖223个城市。
图1 理想汽车常州工厂
图1 理想汽车常州工厂

二、企业在智能制造方面的现状

       理想汽车自成立以来,坚持自建工厂,公司从2015年开始就选择自建智能制造基地作为唯一的生产模式。从理想ONE到L系列,产线的迭代,必须达到更好的产线质量控制、更高的效率和更低的制造成本。

       理想汽车坚持智能制造先进硬件、应用软件核心技术自研的策略,加大对产线以及所需工业软件的研发投入。目前常州工厂的智能产线达行业领先水平,将生产、质量、设备、工艺、物流、能源等数字化管理与制造体系进行融合,实现生产过程实时可视化,生产设备动态预测,整车质量全流程全生命周期管理。

       硬件上,理想汽车自研视觉AI技术打造行业内首个无人检测线,车辆将在检测工位之间自动驾驶通过,自动化完成原本需要人来完成的检测工作。理想汽车已经实现了底盘检查、快慢充检测等关键工艺的100%无人化,以前给车做快慢充检测,需要工人来对准充电口插拔充电枪。现在理想汽车可以通过视觉机器人来替代人的眼睛和手来完成检测工作,视觉定位算法能达到小于0.1mm的对接精度;另外,理想汽车还能针对底盘的27个工序和32类潜在缺陷进行无人化质检,这在行业内是没有先例的;自研的XCU中央域控制器实现了整车的电检智能,成为了国内第一家无人化电检的整车厂,传统的电检,需要工人手持设备去检测,理想汽车通过自研的智能诊断系统,利用整车核心算力单元自动对整车40余个电子控制单元进行软、硬件的自诊断,极大提升诊断质量和效率。
图2 检测线无人化
图2 检测线无人化

       软件上,理想汽车自研的智能制造操作系统(Li-MOS),整合了大数据、云计算、人工智能等前沿技术,赋予工厂“超级大脑”,打造了一套安全高效的智能生产系统,通过AI智能,让制造机器更智能。主要包括:订单管理系统,拧紧系统,电检系统,AVI系统,质量系统(QMS),生产一致性管理系统(COP),设备管理系统(EAM),生产变化点管理系统,能源管理系统(EMS),零件运输管理系统(TMS),仓储管理系统(WMS),物料拉动系统(LES),仓储调度系统,智能检测系统等。涵盖工厂人机料法环全生命周期,全流程闭环管理。实现工厂透明化,数字化,智能化,提升工厂运营效率,达到通过数据驱动业务流程诊断,优化的目标。
图3 Li-MOS系统架构
图3 Li-MOS系统架构

       全自研Li-MOS制造运营系统,没有依赖任何供应商,这在国内是非常少的。这套操作系统,涵盖了一辆车汽车从生产开始到生产结束的整个流程,720个智能工位屏的所有设备和Li-MOS打通,实现了精准装配和自动防错校验,极大的提升了生产效率与产品质量。同时这套系统将应用到理想汽车今后所有工厂上,新工厂实施周期也会因此缩短3个月以上。

三、参评智能制造项目详细情况介绍

1. 项目背景介绍

       和时间赛跑最难的是,所有的偏差,都会累积到生产制造的最后一关,尤其是对制造质量、精致工艺产生巨大的挑战。守不住质量、精致的最后关卡,产品力就会在每个妥协的细节中,轰然倒塌,豪华、旗舰都无从谈起;

       理想汽车从诞生之日起,对产品质量的极致追求的基因就流通在血液里。

       在行业里,大家对于产品质量的管控基本采用工艺加工在前、质量检测在后的模式,上传的数据大多是制造结果数据,只记录开始和结束,制造过程数据是缺失的,这种状态有点像什么?有点像体检,小孩生下来到了60岁才体检,为时已晚。

       而随着大数据、人工智能等技术领域的飞速发展,一些原本较为隐蔽的质量特征、关联关系可以从设备制造过程数据中得到挖掘。理想汽车希望通过搭建工艺质量智能预警系统打通质量与工艺的数据壁垒,消除人机料法环中的不稳定因素,通过机器代人、设备联网、来料监控、环境监测等将各个环节的数据显性化,与质量检测数据形成数据闭环,搭建工业领域预警模型,有效识别来料、设计、制造等方面隐性质量问题;优化工艺加工在前、质量检测在后的模式,做到质量预测在前、工艺加工与质量检测同步,驱动质量管控从事后拦截向事前预测、预防方向转变,实现质量水平提升和质量经验知识积累。

       项目实施方法论--CRISP-DM

       工艺质量智能预警项目的实施过程中理想汽车参照欧盟起草的跨行业数据挖掘标准流程 CRISP-DM(Cross-Industry Standard Process for Data Mining)中的数据挖掘过程,以数据为中心,将相关工作分成业务理解、数据理解、数据准备、建模、验证与评估、实施与运行等六个基本的步骤,用以指导工业大数据分析的过程。
图4 项目实施方法论--CRISP-DM
图4 项目实施方法论--CRISP-DM

2. 项目实施与应用情况详细介绍

       2.1 项目概况

       2.1.1 汽车生产工艺流程简介

       一辆汽车的制造需要完成冲压、焊装、涂装、总装四个车间的制造流程。
图5 汽车生产工艺流程
图5 汽车生产工艺流程

       作为汽车制造生产中的龙头工艺,高效的冲压车间是一辆车与这个世界初识的完美开端。四个车间制造流程就像4X100接力一样,朝着车辆完美下线的目标冲刺。

       第一棒是冲压车间,在这个环节里,冲压设备会和冲压模具合力将钣金件按照工程师规划的尺寸和精度制作成车身需要的造型,从而为下一步的焊接工艺做好准备。冲压的坯料主要是热轧和冷轧的钢板和钢带,有60~70%产品是经过冲压制成成品。因此,冲压工艺及模具对汽车的零件产品质量和成本等都有非常重要的影响。
图6 冲压车间
图6 冲压车间

       第二棒是焊装车间,为了保证车身焊装的高效和品质的安全可靠性,焊装车间布局了大大小小的焊接机器人,机器人会按照预先设定的程序将各个车身结构件整装成为车身,业界也称之为白车身。主要的焊接总成有:发动机舱总成、地板总成、侧围总成、门盖总成等。
图7 焊装车间
图7 焊装车间

       第三棒是涂装车间,从焊装车间出来的白车身会进入涂装车间,白车身在涂装车间主要是经过电泳、中漆、面漆三个处理过程。进行电泳之前需要进行杂质清理、油污清理、磷化处理等,电泳的主要作用是白车身防腐,电泳完后经过烘干处理进入下一工艺流程。
图8 涂装车间
图8 涂装车间

       总装车间是四大车间里最复杂,也是最容易产生瑕疵的环节。会进行线束、车门、仪表板、动力总成、前后桥、电子电器轮胎等零部件的安装。主要目的是将车身、底盘、电子电器、内外饰等各个部分组装到一起,形成一辆完整的汽车。
图9 总装车间
图9 总装车间

       2.1.2 工艺质量智能预警系统简介

       一辆汽车由3000多类、3万~5万种零部件组成,生产过程要经历冲压、焊装、涂装、总装四大车间、200多种生产工艺,每个车间的生产设备完全不一样,工艺质量智能预警系统从汽车产品质量要素的视角,建立人、机、料、法、环等全要素的大数据模型和基础关联分析算法,形成物料不确定性、人工操控行为、设备运维、工艺参数和环境变化对质量的影响的分析模型。然后,从质量相关的生产活动的视角,实现设计、生产、检测、调试和后服务等环节中的典型应用,实现质量管理的实时化、精细化、智能化、系统化和全局化。

       自主研发的工艺质量智能预测系统实现对全车4894个自制焊点、349个自制铆点、137750mm自制涂胶、226个自制螺柱、616个拧紧点等工艺数据的实时采集与监控,覆盖超过1万个全流程工艺点,超过100万个制造数据点位,每天上传制造数据上亿条,对关键制造工艺及设备进行实时监控和智能预警,为生产线的产能优化和提升提供了全面的数据基础;同时对产品制造过程的工艺数据100%在线监控以及历史追溯,形成一车一档车身数据档案(行业内属于首次全覆盖工艺过程在线化)
图10 工艺质量智能预警系统
图10 工艺质量智能预警系统

       工艺质量智能预警系统包含四个方面功能:

       1)数据采集采集产品生产过程中的产品性能参数、生产过程数据、关键工艺参数、关键质量要素、产品质检结果等重要业务数据;大体流程:首先源数据通过OPCUA、MQTT、API等协议从设备层(比如机器人,拧紧机等)被提取到采集层中的不同类型本地数据库中,其次将源数据通过ETL方式进行清洗后,逐级放入大数据的云端DMP+平台层(ods,dw,dm)进行存储;

       2)模型建立: 在对不同场景的物理化学机理深入了解以及学习后,利用已采集的关键数据,以统计学或机器学习为基础建立模型,通过训练历史数据集找出x(工艺参数、制造过程数据)与y(产品质量结果)之间的映射关系(f),实现对制造过程所产生的质量问题进行识别、监控和预警等。目前已实现的场景中可大体分为预测类模型,判异类模型两种;

       3)模型部署:根据具体的业务需求,将模型部署到服务器或者边缘端上,比如对于大数据的离线模型一般会布置在云端服务器上,这种模型的部署一般具有历史数据分析量大,对计算实时性要求比较低的场景;而有一些场景对模型运算的结果要求实时性比较高,比如拧紧曲线分析,需要布置在工厂线边的边缘端上;

       4)质量预警:打通连山应用层(见下图)和飞书平台之间的数据链路,利用飞书实现质量预警信息定向为特定人员或群体推送;打通边缘端与MES系统之间的数据链路,实现质量预警信息实时推送。
图11 工艺质量智能预警系统架构
图11 工艺质量智能预警系统架构

       工艺质量智能预警流程:
图12 工艺质量智能预警流程
图12 工艺质量智能预警流程

       2.2 项目主要内容

       工艺质量智能预警覆盖冲焊涂总四个车间,主要包含以下场景:
表1

       2.2.1 焊装质量智能预测

       焊装车间包含点焊、涂胶、螺柱焊、弧焊、铆接等工艺,在生产过程中产生大量过程数据,这部分数据对焊接质量分析预测和工艺参数调试具有着巨大的价值,整合焊接过程数据和检测数据,实现过程与结果闭环管理,对有质量风险的问题进行提前预警;

       在焊装车间通过工艺质量智能预警理想汽车实现了对全车4894个自制焊点、349个自制铆点、137750mm自制涂胶、226个自制螺柱等工艺数据的实时采集与监控,通过实时flink流计算和机器学习算法对关键制造工以及设备进行实时监控和智能预警,为焊装生产线的产品质量优化和提升提供了全面的数据基础;同时对产品制造过程的工艺数据100%在线监控以及历史追溯,形成一车一档车身数据档案。
图13 焊接质量智能预警
图13 焊接质量智能预警

       以焊点质量智能预测为例:

       对于汽车车身的连接,90%以上部位是由焊点连接而成。通常一个白车身含有4000个以上焊点,每个焊点均有其设计的连接强度。然而电阻点焊过程是一个高度非线性过程, 任何一个外界因素的波动都对焊接质量产生极大影响,甚至会产生焊点虚焊、核小等焊接强度缺陷, 对整车安全性能造成极大影响。传统焊点质量检测方法是通过人工破解、超声波检测、涡流在线检测等手段来控制焊点质量。以上方法都是抽检,不能达到100%检测,且焊接参数和质量数据没有实时的互通,发现质量问题后去追溯,缺乏时效性。

       通过深入挖掘焊接控制器焊接质量监控模块,提取焊接动态电阻曲线特征值,将焊接参数、焊接过程数据和质量数据紧密关联,形成焊接质量数据模型,能够通过监控参数的变化,更好地控制焊点质量并及时的进行预警,遏制不良品的产生。打造数据采集、上传云端、大数据分析、智能预测的智能化流程,同时建立了一车一档的焊接质量记录,利于后期问题的追溯。

       该系统通过智能仪表测量采集焊接过程电流、电压、UIP、PSF等参数,并将焊接过程数据上传至云端,与焊点质量测量数据一起进行分析、训练,最终得到焊接参数与质量数据的相关性,建立焊接质量智能预测数据模型。积累焊接参数和焊接质量的大量数据,与质量问题库一起作为企业的知识库沉淀下来。后续新车型根据车身位置、材料、板厚等信息可以快速的在系统库中找到准确的参数,从而节约新车型焊接参数调试时间。
图14 焊接质量智能预测系统框架
图14 焊接质量智能预测系统框架

       项目价值:

       1)通过关键焊接参数监控提前预警点焊质量风险,减少返修工作量,避免批量焊接质量问题,提升产品质量;

       2)通过算法识别电阻和能量特征发现来件异常波动;

       3)为焊接工艺改善提供指导与基础,缩短新车型焊接参数调试时间;

       2.2.2 总装扭矩质量智能预警

       在汽车总装车间,零部件与整车车身之间主要采用螺栓连接,螺栓与连接件之间依靠紧固扳手或电动拧紧工具拧紧。

       螺栓在拧紧过程中,采用拧紧工具对螺栓的拧紧扭矩进行控制,实现螺栓与连接件之间的可靠连接。

       总装车间拧紧质量是整车装配质量非常重要的一环,行业对拧紧质量管控面临以下问题:

       1)最终拧紧质量结果靠抽检,会出现质量问题延迟或遗漏发现情况;

       2)拧紧问题分析是提升拧紧质量的重要手段,目前的方法为人工查看拧紧曲线,然后运用专业能力分析,费时费力,且拧紧问题分析准确率依赖分析人员经验。

       总装扭矩质量智能预警通过引入机器学习技术,首先,依据不同的拧紧策略(二步&多步拧紧)将拧紧曲线自动进行分类,以能够覆盖住全部拧紧场景,再对拧紧曲线进行智能分段,将旋入、拧紧和返松等拧紧过程分开,并将噪点和无用数据进行清洗;其次,针对已完成分段的曲线数据进行特征提取,不同拧紧过程中所提取的关键特征不同;再次,使用机器学习中的分类算法建立模型进行异常判断;最后,通过不断累积的负样本让算法模型进行自主学习并不断迭代优化,负样本主要来源于两方面:一是静态残余扭矩的测量结果,二是项目前期使用专家经验对负样本曲线进行人工标注并归因(缺陷类型),直到算法精确率高于95%,算法正式上线。通过采用认证的拧紧场景对拧紧曲线进行分析,可以节省查看拧紧曲线和分析拧紧缺陷的时间,提高解决问题的时效性,在大规模量产期间不再依赖分析人员的经验,能够快速提升车间的拧紧合格率。
图15 总装扭矩智能预测系统框架
图15 总装扭矩智能预测系统框架

       项目价值

       1)实现在线的单个拧紧点的拧紧曲线数据分类全自动分析;

       2)对拧紧控制器判定为OK并放行的拧紧螺栓中质量仍存在中高风险的螺栓进行预警,提升良率;

       3)实现的拧紧曲线在线100%全检,提高效率;

       4)对历史选型及质量数据进行评估,提升紧固件选型及扭矩工艺开发成熟度;

3. 效益分析

       工艺质量智能预警系统目前主要用于理想汽车常州工厂,大幅提升冲焊涂总各车间的质量一次通过率(FTT),支撑公司召回率、批量质量问题等质量指标目标达成,提升客户满意度。
表2
责任编辑:吴婕
本文为e-works岁末盘点活动参评材料,版权属于提供材料的企业和本网站共同所有。本文严禁任何形式的转载,任何人不得以复制、转载、摘编等任何方式进行使用和传播,否则将负法律责任。如因作品内容、版权和其它问题需联系本网站,请发送邮件至editor@e-works.net.cn。
e-works
官方微信
掌上
信息化
编辑推荐
新闻推荐
博客推荐
视频推荐