基于人工智能方法的航天產品總檢模式研究與應用

（首都航天機械有限公司，北京 100076）

0 引言

隨著制造業的發展，多品種、小批量的生產模式已逐步成為離散型生產制造企業的主導模式[1]。在云計算、物聯網等新一代信息技術與制造技術的融合發展背景下，該生產模式中的產品設計、制造等環節已逐步進行了智能化轉型升級，但總檢環節的傳統的人工檢測模式并未發生重大改變。航天制造業屬于典型的離散型制造企業，目前車間普遍采用手工測量采集數據的方法，再將測量數據人工回填至質量記錄表單或手動錄入質量信息系統。該方式簡單、靈活、經濟，但采集速度慢、數據實時性差，無法避免讀數誤差、遺漏等問題，嚴重影響了質量數據的可靠性和完整性[2]。這種低效的人工操作環節已無法滿足生產整體效率和產品質量提升需求，因此亟需改變航天產品的傳統總檢模式，提高生產效率和質量。

針對現階段航天產品總檢模式的不足，應用人工智能方法解決了多品種、小批量生產模式下的車間檢測數據采集問題，并形成了集產品檢測過程管理、數據自動采集及質量數據服務一體的數字化解決方案。

1 基于人工智能方法的航天產品總檢模式總體方案設計

圖1 基于人工智能方法的航天產品總檢模式設計方案

基于人工智能方法的航天產品總檢模式設計如圖1所示，方案包含檢驗過程管理、數據自動采集及質量數據服務三部分功能，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識，形成檢測工藝并制定檢測任務后一鍵發送至后臺服務器；檢驗人員在檢測終端獲取檢測任務，執行檢測時應用圖像、語音深度學習的人工智能方法完成檢測數據的自動采集；檢測任務完成后，將產品數據一鍵提交至質量數據服務模塊，系統后臺集中實現檢測要素的超差計算以及不合格品審理單、質量控制卡等多種表單的自動生成、存儲、管理和分析工作。

通過人工智能技術實現檢測數據的自動采集，完成了檢測任務、人員、量具統一信息化管理和質量數據計算、存儲、管理和分析服務，并將上述內容實現一體化集成，最終形成智能總檢系統平臺。系統對多個檢測工位的設備進行組網，實現硬件與系統的連接以及數據傳輸，如圖2所示。服務器支持包括檢測過程管理、數據自動采集、質量數據服務三個軟件的后端服務,以及人工智能模型的算法服務。高分辨率相機和降噪麥克風分別為圖像識別和語音識別提供硬件支持，主機和顯示器等硬件為工位提供終端交互服務。在智能總檢系統平臺下，實現了總檢環節數字化管理、智能化數據采集、全過程數據可追溯。

圖2 硬件組網示意圖

2 基于人工智能的數據自動采集方法

將數據采集自動化、數字化、無紙質化、智能化，可以提高數據采集效率，保證數據實時性、準確性、完整性，降低數據管理成本和人力成本。利用人工智能技術對數顯量具的圖像和檢驗人員的語音進行深度學習，自動識別圖像和語音信息中的數字符號，完成數據的智能化采集。數據采集方式的智能升級為實現檢測過程、檢測數據自動化管理提供了基礎。

2.1 基于圖像深度學習的數據采集方法

工業領域中，檢驗數據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據傳輸采集方法。前者效率低，數據可靠性無法完全保證[3]。后者不適用于多品種、小批量的生產現場，由于不同品牌、版本的量具接口通信協議不同，導致兼容性差，配備品牌版本統一、覆蓋全線產品的專用量具成本高昂[4]。針對該現狀，采用圖像深度學習的方法對數顯量具的測量數據進行采集，具有通用性強、效率高、經濟實用等特點。

如圖3所示，數據采集的硬件裝置包括高分辨率相機、腳踏鼠標。在檢測過程中，檢驗員將量具的數顯屏幕放置在高分辨率相機視野范圍內，同時踩下腳踏鼠標，系統自動提取識別量具屏幕上的數碼管字符，并回填至工具軟件界面，即完成了一個實測數據采集過程。

圖3 檢驗人員進行自動數據采集

數顯圖像的學習訓練原理如圖4所示。收集積累大量的不同規格種類、光照強度、偏轉角度、背景環境下的數顯量具圖片，用于識別模型的訓練輸入。將量具上的數顯圖像進行數據重點區域標注、分割、字符結果標示，然后將數據分為train，validation，test三個樣本集，進行標注、訓練、測試，從而學習更多圖片特征，提高模型針對不同情況下的泛化性和識別能力，實現圖像的準確識別。

圖4 深度學習模型訓練原理圖

圖像模型采用RPN算法以及RNN+CTC網絡模型，網絡示意圖如圖5所示。RPN是一種結構簡單又高效的方法，可以很容易結合到Fast RCNN中，用來提取候選區域，具有耗時少的優點[5]。將提取的特征向量使用RNN網絡進行計算。通過RNN+CTC網絡，將特征向量序列與字符序列進行對齊計算，得到最大概率的序列結果。

圖5 RPN網絡示意圖

基于圖像深度學習的數據采集方法應用于總檢現場，識別效果如圖6所示。隨機選取每種數顯量具圖片各500張，建立測試樣本庫，識別準確率的統計結果如表1所示。在生產過程中持續積累量具圖片，不斷提升識別精確度和可靠性，優化數據識別效果，降低企業成本，提高生產工作效率。

圖6 圖像識別效果

表1 識別準確率測試準確率統計

2.2 基于語音深度學習的數據采集方法

基于語音的數據采集方法具有操作靈活、適用范圍廣泛的優點。使用深度學習方法開發語音識別功能，該算法的模型訓練原理如圖7所示：將音頻數據經過FFT編碼器進行頻譜變換，通過神經網絡模型對頻譜數據進行訓練、分類和識別，最后經過NN解碼器將語音頻譜數據還原得到結果數據。訓練過程中根據現場人員、使用環境和使用方式等情況對數據進行分析，對語音數據和環境噪聲數據清洗、打標簽、分類和處理，通過積累大量的語音數據進行模型訓練，以實現在復雜環境下的語音準確識別[6]。

圖7 語音深度學習模型訓練原理圖

在語音識別采集系統進行深度訓練過程中，以現場采集到的五萬余條語音信息為基礎建立了語料庫，為開展深度學習提供數據樣本，經過深度學習算法的設計和長時間的學習修正，在車間現場環境下語音識別平均準確率可達到97.8%，實現了對模型的精準識別。

3 檢測過程管理方案及實現

根據車間總檢現場管理需求，在智能總檢系統平臺上定制開發了檢測過程管理模塊，管理架構如圖8所示，主要包括工藝編輯、任務編輯、人員管理、量具管理等功能。

工藝編輯功能可實現檢測工藝的數字化管理，包含檢測工藝創建、版本控制、查詢、刪除等功能，以滿足工藝管理的要求。在智能總檢系統平臺上定制開發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，可實現軟件自動逐條提取圖紙尺寸理論值、公差、標注信息等內容，并實時進行尺寸的高亮提示，輔助工藝人員再次確認關鍵重點尺寸，以保證檢驗工藝正確性。實現快捷錄入檢驗工藝所需信息，一鍵形成檢驗工藝。

圖8 檢測過程管理架構

圖9 檢驗工藝自動提取

在智能總檢系統平臺上，檢驗人員可根據生產調度安排來制定相應的檢測任務，如圖10所示，包括基本管理（增刪改查）、任務狀態提示（未開始、已開始、已完成）等功能，實現檢測任務的數字化、信息化統一管理。

圖10 檢測任務管理

智能總檢系統對人員和量具進行統一管理，管理軟件界面如圖11所示，明確使用人員的分類和職責，將人員分類為管理員、工藝人員、檢驗人員角色，分配不同的系統權限，對任務、數據、產品信息的編輯、查詢、刪除、修改等操作權限進行統一規劃和限定，保證排除數據偽造、修改等人為影響。系統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、送檢標定臨期提示等功能，保證產品質量數據的來源可追溯性與過程可靠性。

圖11 系統人員和量具管理

4 質量數據服務方案及實現

質量數據服務模塊提供全過程數據的查詢和管理服務，模塊架構和數據查詢界面分別如圖12和圖13所示。系統后臺集中實現檢測要素的超差計算和多種數據表單的快速生成，包括機械加工過程中通用認可的質量控制記錄卡、不合格品審理單、超差內容描述等多種表單，節省了質量數據人工回填錄入的時間和管理成本，保證數據存儲的完整性和流轉共享的一致性。智能總檢系統對接QMS、MES和ERP系統后，將全部的產品檢測數據實時上傳至云端服務器，實現產品數據統一管理、監控和分析，輔助企業生產管理和決策。

圖12 質量數據服務

圖13 檢測數據查詢

5 結束語

本文結合航天產品總檢現場普遍采用手工測量方法，并將測量數據人工回填至質量記錄表單并錄入質量信息系統的現狀，提出了一種基于人工智能方法的航天產品制造總檢模式，并形成了智能總檢系統平臺。該模式解決了多品種、小批量生產模式下的車間檢測數據采集問題，并形成了集產品檢測過程管理、數據自動采集及質量數據服務一體的數字化解決方案，對提高企業的數字化生產和智能制造水平具有一定的現實意義。