文/鄧盛彪，凌云漢，黃達(dá)力，彭宇升·北京機(jī)電研究所有限公司

《鍛造行業(yè)智能制造發(fā)展回顧及新技術(shù)展望》（上）見(jiàn)《鍛造與沖壓》2020 年第19 期

K 近鄰算法在鍛造領(lǐng)域的研究

人工智能中的機(jī)器學(xué)習(xí)

人工智能是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)，該領(lǐng)域的研究包含計(jì)算智能、機(jī)器感知、機(jī)器學(xué)習(xí)等，如圖7 所示。機(jī)器學(xué)習(xí)作為人工智能的一類(lèi)，它是一門(mén)多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門(mén)學(xué)科。機(jī)器學(xué)習(xí)專(zhuān)門(mén)研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類(lèi)的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。機(jī)器學(xué)習(xí)在工業(yè)中的典型應(yīng)用場(chǎng)景為：工況模式識(shí)別、設(shè)備故障診斷、產(chǎn)品質(zhì)量分類(lèi)等。本文將從機(jī)器學(xué)習(xí)中的K 近鄰算法來(lái)對(duì)鍛造領(lǐng)域進(jìn)行研究與探討。

K 近鄰算法

K 近鄰法(k-nearest neighbors)是機(jī)器學(xué)習(xí)中較基礎(chǔ)的一類(lèi)算法，它是由Cover 和Hart 于1968 年提出的，是懶惰學(xué)習(xí)(lazy learning)的著名代表。K 近鄰算法中每個(gè)數(shù)據(jù)都存在一個(gè)標(biāo)簽(label)，即數(shù)據(jù)的最終特征，此外還包含了影響數(shù)據(jù)特征的各影響因素，K 近鄰算法的工作機(jī)制如下：首先給定一個(gè)測(cè)試樣本，計(jì)算它到訓(xùn)練樣本的距離，然后取離測(cè)試樣本最近的k 個(gè)訓(xùn)練樣本，最終用“投票法”選出在這k個(gè)樣本中出現(xiàn)最多的類(lèi)別，就是預(yù)測(cè)的結(jié)果。樣本可以根據(jù)比例分為訓(xùn)練集與測(cè)試集，訓(xùn)練集負(fù)責(zé)用于模型的訓(xùn)練，測(cè)試集負(fù)責(zé)模型的實(shí)際測(cè)試，測(cè)試集中測(cè)試成功數(shù)量與測(cè)試集總數(shù)量之比為準(zhǔn)確率，準(zhǔn)確率也是衡量K 近鄰算法好壞的唯一標(biāo)準(zhǔn)。圖8 是筆者運(yùn)用傳統(tǒng)K 近鄰算法訓(xùn)練傳統(tǒng)Mnist 數(shù)據(jù)集的程序。Mnist數(shù)據(jù)集是K 近鄰算法的基礎(chǔ)數(shù)據(jù)集，共有70000 條數(shù)據(jù)，每個(gè)數(shù)據(jù)集都是由人為手寫(xiě)的數(shù)字構(gòu)成，每條數(shù)據(jù)共含有784 條特征。其中，此程序用了20000 個(gè)數(shù)據(jù)集作為測(cè)試，50000 個(gè)數(shù)據(jù)集作為訓(xùn)練，模型的準(zhǔn)確率達(dá)到了97.6%，如圖9 所示，機(jī)器通過(guò)圖片將手寫(xiě)的‘8’識(shí)別了出來(lái)。

下面本文將對(duì)鍛造行業(yè)的KNN 算法進(jìn)行探索與研究，首先對(duì)精密鍛件工藝參數(shù)的集中管理和統(tǒng)一下達(dá)，并結(jié)合生產(chǎn)線(xiàn)集成控制系統(tǒng)對(duì)相應(yīng)產(chǎn)品工藝參數(shù)的單件全面采集，形成車(chē)間生產(chǎn)過(guò)程的海量數(shù)據(jù)基礎(chǔ)。通過(guò)對(duì)工藝設(shè)定值與工藝反饋值的離差分析，探尋工件成形質(zhì)量與生產(chǎn)工藝參數(shù)的關(guān)聯(lián)性。借助三維檢測(cè)等視覺(jué)系統(tǒng)判斷出當(dāng)前鍛件尺寸是否符合要求，令鍛件尺寸作為輸出變量，按照鍛件尺寸可以將label 劃分為優(yōu)、良、中、差四類(lèi)，影響因素為打擊能量、溫度，潤(rùn)滑、磨損等，利用生產(chǎn)線(xiàn)中積累的大數(shù)據(jù)進(jìn)行生產(chǎn)模型搭建，分析出鍛件結(jié)果數(shù)據(jù)(鍛件尺寸、性能等)與過(guò)程數(shù)據(jù)(打擊能量、溫度、潤(rùn)滑效果)之間的機(jī)理關(guān)系，算法流程如圖10 所示。算法的準(zhǔn)確率高達(dá)97.41%

K 近鄰算法中尋優(yōu)過(guò)程

⑴超參數(shù)選擇。

K 近鄰算法并不是單一固定的算法，其中包含了諸多影響因素，而這些影響因素是影響算法優(yōu)劣的重要指標(biāo)，本文將詳細(xì)介紹以下三類(lèi)指標(biāo)。

1) K 值。

K 近鄰算法中，測(cè)試集中的樣本中的每個(gè)點(diǎn)是以訓(xùn)練集中離該點(diǎn)最近的K 個(gè)點(diǎn)隸屬度來(lái)判斷該點(diǎn)的label,因此不同的K 值會(huì)產(chǎn)生不同的訓(xùn)練模型，K 值過(guò)小會(huì)使得模型不準(zhǔn)確，沒(méi)有參考意義，然而K 值過(guò)大可能會(huì)造成模型訓(xùn)練時(shí)間過(guò)長(zhǎng)，也同樣會(huì)造成模型偏離實(shí)際，因此K 值是K 近鄰算法中的重要指標(biāo)。

2)權(quán)重。

權(quán)重也是影響算法的關(guān)鍵指標(biāo)，如圖11 所示，當(dāng)K=5 時(shí)，判斷該綠點(diǎn)周?chē)罱? 個(gè)點(diǎn)中有3 個(gè)藍(lán)色點(diǎn)，2 個(gè)紅色點(diǎn)，按K 近鄰算法原理來(lái)說(shuō)，綠點(diǎn)應(yīng)該屬于藍(lán)色區(qū)域，然而明顯該點(diǎn)距離紅點(diǎn)更近，應(yīng)該隸屬于紅色區(qū)域。因此在進(jìn)行隸屬度判斷是，每個(gè)點(diǎn)對(duì)于測(cè)試點(diǎn)的判斷應(yīng)該是不一樣的。近點(diǎn)的影響因素應(yīng)該高于遠(yuǎn)點(diǎn)，因此算法一般取距離的倒數(shù)來(lái)作為權(quán)重，來(lái)保證算法的真實(shí)性。

3)距離度量P。

該參數(shù)是衡量?jī)蓚€(gè)樣本之間距離定義的關(guān)鍵因素，一般來(lái)說(shuō)P=2 時(shí)表示的是歐氏距離，P=1 時(shí)表示的是曼哈頓距離，P 趨近于無(wú)窮時(shí)即為切比雪夫距離。通常情況下樣本采用歐式距離作為樣本間距。

⑵網(wǎng)格搜索法尋優(yōu)。

為保證訓(xùn)練的準(zhǔn)確率最大化，就必須保證模型采用最合適的超參數(shù)來(lái)進(jìn)行訓(xùn)練，網(wǎng)格搜索法是指定參數(shù)值的一種窮舉搜索方法，通過(guò)將估計(jì)函數(shù)的參數(shù)通過(guò)交叉驗(yàn)證的方法進(jìn)行優(yōu)化來(lái)得到最優(yōu)的學(xué)習(xí)算法。通過(guò)遍歷各種超參數(shù)來(lái)優(yōu)化模型，使得模型性能更優(yōu)。網(wǎng)格搜索法模型尋優(yōu)流程如圖12 所示。

在使用歐式距離以及distance 作為權(quán)重變量進(jìn)行測(cè)試，網(wǎng)格搜索法的部分算法程序及結(jié)果如圖13、圖14 所示。

由訓(xùn)練結(jié)果可知當(dāng)K=8 時(shí)準(zhǔn)確率最高，可以高達(dá)97.66%，要高于之前的準(zhǔn)確率，模型得到了優(yōu)化。模型的準(zhǔn)確性可以量化不同材料下精密鍛件的成形工藝窗口，優(yōu)化工藝參數(shù)區(qū)間，對(duì)生產(chǎn)過(guò)程中的穩(wěn)定性起到了至關(guān)重要的作用。

深度學(xué)習(xí)算法的應(yīng)用及展望

鍛造行業(yè)中數(shù)據(jù)影響因素較多，數(shù)據(jù)需要更高的穩(wěn)定性及準(zhǔn)確性。K 近鄰算法作為機(jī)器學(xué)習(xí)中一種典型的模糊分類(lèi)方法，在工業(yè)中應(yīng)用非常廣泛，然而，K 近鄰算法并不能獲取更精確的模型，因此需要更加完善的特征提取手段以及數(shù)據(jù)分析技術(shù)。

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)中的一種，近幾年在諸多互聯(lián)網(wǎng)公司得到了很多應(yīng)用，然而在工業(yè)中應(yīng)用卻少之又少，這是由于深度學(xué)習(xí)嚴(yán)重依賴(lài)數(shù)據(jù)，不光需要海量的數(shù)據(jù)，還需要海量的平衡數(shù)據(jù)。平衡數(shù)據(jù)就是不光要覆蓋所有場(chǎng)景，還需要讓所有場(chǎng)景下的數(shù)據(jù)呈平均分布，在工業(yè)中的數(shù)據(jù)形態(tài)未必有那么理想。目前深度學(xué)習(xí)僅在識(shí)別任務(wù)上大放異彩，較容易應(yīng)用到工業(yè)目標(biāo)的識(shí)別，如物件抓取，成品缺陷檢測(cè)，例如康耐視公司將深度學(xué)習(xí)算法融入到生產(chǎn)線(xiàn)中，可以實(shí)現(xiàn)缺陷自動(dòng)檢測(cè)、產(chǎn)品質(zhì)量自動(dòng)分析等功能，目前也僅僅停留在生產(chǎn)級(jí)別的功能。

在未來(lái)更加完善的信息化工廠(chǎng)里，一定會(huì)有精密的傳感儀器，形成更加完善的數(shù)據(jù)儲(chǔ)備，這就為深度學(xué)習(xí)以及機(jī)器學(xué)習(xí)提供了一定良好的基礎(chǔ)。數(shù)據(jù)是企業(yè)信息化價(jià)值的核心，在數(shù)據(jù)的持續(xù)累積過(guò)程中，必定讓數(shù)據(jù)逐步發(fā)揮其應(yīng)有的使用價(jià)值。

智能制造熱點(diǎn)技術(shù)

基于5G 的智能工廠(chǎng)大數(shù)據(jù)共享技術(shù)

當(dāng)前鍛造企業(yè)車(chē)間自動(dòng)化改造以及智能化提升依舊存在以下幾種問(wèn)題：

⑴傳統(tǒng)的線(xiàn)纜通訊和無(wú)線(xiàn)通訊存在不少弊端，例如使用線(xiàn)纜通訊導(dǎo)致現(xiàn)場(chǎng)線(xiàn)纜眾多，容易損壞且不易檢修，更換線(xiàn)纜成本較高；而藍(lán)牙、WIFI 等無(wú)線(xiàn)通訊帶寬受限，時(shí)延較高，傳輸距離受限，導(dǎo)致面對(duì)大量數(shù)據(jù)采集和實(shí)時(shí)精確控制時(shí)顯得力不從心；

⑵鍛造企業(yè)對(duì)于物料的管理不夠完善，工序之間的物料流轉(zhuǎn)不夠透明，同時(shí)對(duì)于物料的搬運(yùn)、存儲(chǔ)管理也比較粗放，缺少良好的物料流轉(zhuǎn)管理方式；

⑶企業(yè)面對(duì)采集上來(lái)的大量數(shù)據(jù)，不論是數(shù)據(jù)存儲(chǔ)與數(shù)據(jù)分析都將投入大量人力物力，提高企業(yè)成本，這給企業(yè)智能化升級(jí)造成了諸多困難。

針對(duì)企業(yè)面臨的上述問(wèn)題，機(jī)電所提出基于5G技術(shù)的設(shè)備互聯(lián)、實(shí)時(shí)控制與高效物流，在簡(jiǎn)化車(chē)間布線(xiàn)的同時(shí)，提高設(shè)備信息采集的傳輸速度與數(shù)據(jù)量，增強(qiáng)車(chē)間產(chǎn)線(xiàn)的控制精準(zhǔn)度。并且基于5G 技術(shù)獲取的鍛造車(chē)間大量數(shù)據(jù)，利用云平臺(tái)提高企業(yè)的信息分析能力和信息可視化能力，并且為企業(yè)提供遠(yuǎn)程運(yùn)維、設(shè)備健康管理、故障診斷等服務(wù)。

⑴基于5G 的鍛壓裝備數(shù)據(jù)采集、互聯(lián)互通與精準(zhǔn)控制。

利用5G 技術(shù)實(shí)現(xiàn)更加協(xié)調(diào)、高效的設(shè)備互聯(lián)，在保障數(shù)據(jù)實(shí)時(shí)性和可靠性的前提下，利用5G 的高通量特點(diǎn)獲取更多生產(chǎn)數(shù)據(jù)與參數(shù)，為企業(yè)數(shù)據(jù)分析提供基礎(chǔ)。研究利用5G 技術(shù)低延時(shí)特點(diǎn)的更加精準(zhǔn)的實(shí)時(shí)控制，不僅可以增強(qiáng)不同工序之間的協(xié)調(diào)能力，加快生產(chǎn)節(jié)拍；也可以利用低延時(shí)特點(diǎn)，提高設(shè)備響應(yīng)速度，確保安全有序生產(chǎn)，實(shí)現(xiàn)工業(yè)自動(dòng)化閉環(huán)控制。

⑵基于5G 的鍛造車(chē)間物流優(yōu)化調(diào)度。

鍛造車(chē)間物料流轉(zhuǎn)是生產(chǎn)線(xiàn)中關(guān)鍵一環(huán)，物料流轉(zhuǎn)不僅需要在動(dòng)態(tài)變化的環(huán)境中作出快速?zèng)Q策，同時(shí)也需要不斷獲取物料自身或物料搬運(yùn)設(shè)備的位置信息。根據(jù)獲取的實(shí)時(shí)數(shù)據(jù)，計(jì)算交通模型，協(xié)調(diào)搬運(yùn)流程和路線(xiàn)，提高整體系統(tǒng)性能。5G 技術(shù)將利用其高帶寬、穩(wěn)定可靠、延時(shí)低的特點(diǎn)，不僅可以為物料流轉(zhuǎn)規(guī)劃最優(yōu)路徑，同時(shí)也可以根據(jù)現(xiàn)場(chǎng)反饋，及時(shí)下達(dá)指令，保障物流交通的通暢與安全。

⑶基于5G 大數(shù)據(jù)的鍛造企業(yè)設(shè)備診斷云平臺(tái)。

借助“5G+工業(yè)互聯(lián)網(wǎng)”技術(shù)，以生產(chǎn)車(chē)間覆蓋的5G 網(wǎng)絡(luò)系統(tǒng)為基礎(chǔ)，在工廠(chǎng)車(chē)間布設(shè)云網(wǎng)關(guān)，全面建設(shè)基于5G 云平臺(tái)和大數(shù)據(jù)的車(chē)間關(guān)鍵裝備的健康管理與運(yùn)維平臺(tái)，實(shí)現(xiàn)對(duì)產(chǎn)線(xiàn)關(guān)鍵設(shè)備的全生命周期管理，云平臺(tái)集中式管理，為企業(yè)打造一站式服務(wù)。不僅為企業(yè)提供大數(shù)據(jù)存儲(chǔ)能力，也為企業(yè)提供數(shù)據(jù)處理與分析服務(wù)。

數(shù)字孿生技術(shù)

數(shù)字孿生是以數(shù)字化方式創(chuàng)建物理實(shí)體的虛擬模型，借助數(shù)據(jù)模擬物理實(shí)體在現(xiàn)實(shí)環(huán)境中的行為，通過(guò)虛實(shí)交互反饋、數(shù)據(jù)融合分析、決策迭代優(yōu)化等手段，為物理實(shí)體增加或擴(kuò)展新的能力。在全球制造業(yè)新一代革命的大背景下，數(shù)字孿生作為實(shí)現(xiàn)制造物理世界和虛擬信息世界交互融合的關(guān)鍵技術(shù)得到了制造行業(yè)的廣泛和高度關(guān)注。隨著以大數(shù)據(jù)、人工智能等為代表的新一代信息技術(shù)與制造業(yè)的融合與應(yīng)用以及PLM、MES 等技術(shù)的發(fā)展完善，數(shù)字孿生在制造業(yè)的落地將更加便捷。

作為典型的制造企業(yè)，引入數(shù)字孿生技術(shù)后的鍛造企業(yè)將實(shí)現(xiàn)對(duì)產(chǎn)品的全生命周期管理。從產(chǎn)品的設(shè)計(jì)開(kāi)發(fā)、生產(chǎn)加工、使用，直到最后的報(bào)廢環(huán)節(jié)，都將直觀(guān)地呈現(xiàn)給企業(yè)。在數(shù)字孿生的幫助下，企業(yè)將及時(shí)甚至提前發(fā)現(xiàn)存在的問(wèn)題，從生產(chǎn)到管理的各個(gè)方面都將獲得質(zhì)的提升。針對(duì)鍛造企業(yè)，本文粗略地總結(jié)了數(shù)字孿生的幾個(gè)典型應(yīng)用場(chǎng)景，希望能給鍛造企業(yè)的智能制造升級(jí)有所啟發(fā)：

⑴產(chǎn)品設(shè)計(jì)開(kāi)發(fā)。

借助數(shù)字孿生技術(shù)，鍛造企業(yè)的工藝研發(fā)部門(mén)可以便捷地在虛擬空間進(jìn)行設(shè)計(jì)研發(fā)。在無(wú)需實(shí)際生產(chǎn)測(cè)試的情況下，驗(yàn)證諸如模具、工藝等設(shè)計(jì)在真實(shí)的物理世界的合理性。這將對(duì)鍛造企業(yè)產(chǎn)品設(shè)計(jì)研發(fā)環(huán)節(jié)產(chǎn)生巨大的影響，不僅節(jié)約了設(shè)計(jì)研發(fā)階段的試產(chǎn)等成本，還極大地提升了產(chǎn)品設(shè)計(jì)研發(fā)的效率。

⑵生產(chǎn)過(guò)程管理。

在生產(chǎn)加工前，企業(yè)可以利用數(shù)字孿生提前對(duì)需要生產(chǎn)的各個(gè)工單進(jìn)行排產(chǎn)、排程。根據(jù)工廠(chǎng)實(shí)際的設(shè)備產(chǎn)能、產(chǎn)品目標(biāo)數(shù)量等參數(shù)建立對(duì)應(yīng)的模型，找出最優(yōu)的方案，有助于提升訂單的交付速度。在生產(chǎn)過(guò)程中，企業(yè)可以利用數(shù)字孿生對(duì)鍛造、熱處理、打磨修傷等各個(gè)生產(chǎn)工序之間的在制品進(jìn)行調(diào)度優(yōu)化，保證生產(chǎn)物料流轉(zhuǎn)的順暢，縮短了產(chǎn)品的生產(chǎn)周期。同時(shí)，數(shù)字孿生的運(yùn)用還將為企業(yè)提供產(chǎn)品完整流程的質(zhì)量管理數(shù)據(jù)，極大地方便了后期的質(zhì)量追溯。

⑶企業(yè)智能管理。

目前，很多鍛造企業(yè)的管理仍然存在很多不足的地方，各個(gè)生產(chǎn)要素和生產(chǎn)環(huán)節(jié)之間的脫節(jié)嚴(yán)重。在數(shù)字孿生的幫助下，企業(yè)能夠?qū)θ?、機(jī)、料、法、環(huán)這些生產(chǎn)要素和研發(fā)、生產(chǎn)、銷(xiāo)售、物流等生產(chǎn)環(huán)節(jié)有一個(gè)清楚直觀(guān)的掌控。具體來(lái)說(shuō)，對(duì)于生產(chǎn)過(guò)程中實(shí)際生產(chǎn)數(shù)據(jù)的實(shí)時(shí)采集傳輸，企業(yè)的管理者將能夠及時(shí)地根據(jù)生產(chǎn)的全盤(pán)情況進(jìn)行更合理地決策，避免了生產(chǎn)和管理的脫節(jié)。此外，企業(yè)管理的數(shù)字孿生還能夠幫助管理者發(fā)現(xiàn)不合理的管理流程，為鍛造企業(yè)流程的暢通提供優(yōu)化依據(jù)。

⑷生產(chǎn)設(shè)備維護(hù)。

對(duì)于鍛造工廠(chǎng)來(lái)說(shuō)，生產(chǎn)設(shè)備（如電動(dòng)螺旋壓力機(jī)等）往往造價(jià)非常昂貴，并且具有結(jié)構(gòu)復(fù)雜、工作環(huán)境惡劣等特點(diǎn)，一旦出現(xiàn)故障需要耗費(fèi)大量的時(shí)間精力去排查、修復(fù)故障，將給企業(yè)生產(chǎn)帶來(lái)巨大的經(jīng)濟(jì)損失。通過(guò)建立生產(chǎn)設(shè)備的數(shù)字孿生模型，企業(yè)將能夠?qū)崟r(shí)監(jiān)測(cè)設(shè)備的運(yùn)行情況。同時(shí)還可以利用機(jī)器學(xué)習(xí)和知識(shí)圖譜等技術(shù)對(duì)設(shè)備數(shù)字孿生模型進(jìn)行分析，實(shí)現(xiàn)對(duì)生產(chǎn)設(shè)備的預(yù)測(cè)性維護(hù)。

結(jié)束語(yǔ)

本文針對(duì)鍛造領(lǐng)域智能制造發(fā)展進(jìn)行了深入研究，闡述了鍛造領(lǐng)域在智能制造發(fā)展進(jìn)程及局限性。同時(shí)，本文歸納總結(jié)了鍛造行業(yè)實(shí)現(xiàn)智能制造的前期關(guān)鍵性工作。在完善的數(shù)字化車(chē)間體系架構(gòu)基礎(chǔ)上，運(yùn)用機(jī)器學(xué)習(xí)中的K 近鄰算法對(duì)鍛造生產(chǎn)過(guò)程進(jìn)行研究與分析，最后，本文對(duì)鍛造領(lǐng)域進(jìn)行了展望，列舉了兩項(xiàng)鍛造領(lǐng)域的智能制造熱點(diǎn)技術(shù)。智能制造是一個(gè)循序漸進(jìn)的過(guò)程，既需要打通生產(chǎn)過(guò)程中的每個(gè)環(huán)節(jié)，又需要把各類(lèi)信息充分利用起來(lái)，以實(shí)現(xiàn)其價(jià)值的最大化。再通過(guò)不斷對(duì)新型技術(shù)的探索和完善，必定會(huì)實(shí)現(xiàn)更加完善的智能制造體系架構(gòu)，使鍛造領(lǐng)域生產(chǎn)過(guò)程效率最大化、更加智能化。