边缘计算在精冲裁质量检测中的应用

基于边缘计算方法的精冲裁切边质量表征

1. 引言

精冲裁是一种用于大规模生产的板材分离工艺，例如在汽车、航空或医疗行业[1]。在精冲裁过程中，卷状的金属板带（称为卷材）通过卷料机送入矫平装置，见图1(a)。

矫平装置可使材料平整并消除内应力变形[2]。在经过矫平装置后，材料通过润滑装置被送入精冲压力机。该精冲压力机采用三动式工具从金属板带中冲切出平板金属制品。根据现有技术水平，无法避免剪切边缘出现模具滚轮或撕裂现象[3]，见图1(b)。

1.1. 经济问题

精冲裁的目的是制造数百万乃至数十亿个相同零件[4]。因此，使用随机样本和光学测量设备来分析精冲零件的质量特性。在图2(a)中，使用基恩士VR 3200光学显微镜及其默认软件确定模具滚轮。

此过程耗时且成本高昂——尽管测量过程本身只需几秒钟——因为无法在机器本身上直接进行测量。在工业环境中，因此无法对部件质量[5]进行100%检验。

然而，必须进行100%检测，因为线圈的材料质量无法提供恒定的力学[6]和强度性能[7]。例如，图2(b)显示，所需的0.7毫米名义板厚通常被超过，并且随着板材长度的增加（至约2000米）而减小，之后甚至出现明显的不连续性。这种不连续性可能是由于为了保持所需的3000米总长度，将另一批次材料与现有材料进行了连接所致。即使未进行这种人工连接，后续的1000米也显示出明显的板厚波动。波动的板厚直接影响力学平衡并加剧刀具磨损。刀具磨损进而导致零件的质量特性不理想。

1.2. 科学问题

目前，在精冲裁过程中无法实现100%控制，也无法构建完整的工艺网络，从而实现单独的工艺设置。

通过单独的工艺设置，可根据材料、环境或随机波动情况，找到最优精冲工艺，以最小化模具滚轮或撕裂现象。

1.3. 目标

本文的目的是展示一种基于传感器网络的计算方法，该方法应用于示例精冲压力机，可利用深度学习、数字图像处理和GPU计算的方法直接在机器上分析精冲零件的撕裂高度。未来将使用人工智能来发现未知模式。

2. 材料与方法

Feintool XFT 2500 speed 精冲压力机用作演示装置。XFT 2500 speed 是一种三动伺服压力机，包含线圈、矫平和润滑装置。材料采用16MnCr5渗碳钢。箭形工件的长度应为31毫米，宽度22毫米，厚度6毫米。模具滚轮不得超过1.3毫米，撕裂值必须为零。

2.1. 机器和模具信号

除了来自机器控制系统的1000多个数据信号外，额外的模拟传感器还扩展了精冲裁模具。压机行程通过2个位移传感器 Heidenhain ST3078 确定，冲头力通过4个测力传感器 Kistler 9041A 确定，压边力通过4个测力传感器 Kistler 9021A 确定，反冲力通过一个测力传感器 Kistler 9031A 确定。所有信号均使用 National Instruments 硬件和软件 LabVIEW 以10 千赫兹的频率进行记录。

2.2. 额外环境数据信号

此外，在下部工具上安装了一个三轴加速度传感器BMA280、一个三轴陀螺仪BMG160、一个三轴磁力计BMM150、一个组合式空气湿度/压力/温度传感器BME280以及一个声学传感器。加速度计和陀螺仪的采样频率为2 千赫兹，磁力计为300 赫兹，湿度/压力/温度传感器为182赫兹。

2.3. 传感器网络和数据湖的设置

所有信号都被输入到一个中央数据湖中。为此，建立了一个基于消息队列遥测传输的传感器网络 [8]，见图3(a)，这是一种基于ISO标准的发布‐订阅式消息协议，该协议工作在TCP/IP协议之上。数据湖背后是基于Apache Hadoop或Spark [9]的Lambda架构。该架构的目标是利用数据湖中存储的数据精确训练新的模型和神经网络，并可将这些模型实时应用于流数据。Lambda架构依赖于6台DELL R730服务器，共提供12颗2.2 GHz Intel Xeon E5‐2698 v4处理器，总计240个核心，1.52 TB RDIMM 2,400 MT/s内存，360 TB硬盘驱动器以及6块NVIDIA Tesla P100 12 GB GPU卡。

2.4. 边缘设备的设置

此外，为了实现实时处理视觉流数据，采用了NVIDIA Jetson TX2模块，通过基于Lambda架构训练的模型对精冲零件的数字图像进行分类。Jetson TX2是一种嵌入式人工智能计算设备，基于NVIDIA Pascal TM系列GPU，配备8 GB内存和59.7 GB/s内存带宽。由于其外形尺寸小巧，便于在压力机上集成。

首先，在实验室条件下拍摄了精冲箭形工件的数字图像。为此，将配备安森美MT9F002和CMOS传感器的工业相机Basler acA4600‐7gc通过GigE连接至Jetson TX2。该Basler相机的分辨率为1400万像素（4608像素 x 3288像素），传感器尺寸为6.5毫米 x 4.6毫米，像素尺寸为1.4微米 x 1.4微米。7帧每秒的较低帧率比精冲压力机（最大每秒2个零件）快3.5倍，因此足够使用。小巧的外形尺寸（长x宽x高）为42毫米 x 29毫米 x 29毫米，使得相机日后可安装在冲裁工序附近的紧邻位置。相机配备了一个焦距为12毫米、光圈范围为f/1.8至f/22的超紧凑型镜头。

3. 方法与结果

在上一章中，介绍了用于采集机器、工具和环境条件的现有传感器网络。这些条件代表了决定工艺输出的过程输入变量。在精冲裁中，重要的过程输出变量是精冲零件的质量特征。边缘计算方法的核心在于对这些质量特征进行在线检测。例如，从数字图像中提取撕裂高度。如果已知特定操作的该信息，则首次可以建立过程输入变量与输出变量之间的实时相关性。编程环境采用在Jetson TX2上配置的Ubuntu LTS 16.04和 Python。图像处理使用了OpenCV库。OpenCV是一个广泛使用的开源库，提供了从简单到非常复杂的图像操作[10]。该方法论基于两个步骤：第一步必须消除图像背景，见图4(a)；第二步可检测撕裂，见图4(b)。

3.1 背景提取

使用OpenCV库从文件读取图像后，通过cv2.cvtColor()函数将彩色图像转换为灰度图像。然后通过阈值处理将灰度图像转换为二值黑白图像，该阈值处理基于大津法[11]。背景采用黑色，工件为白色，见图4(a)。为了去除图像噪声并形成连续闭合的白色工件区域，使用cv2.morphologyEx()进行了形态学变换。现在可以计算围绕工件的边界框，以找到交点的角点并消除背景。

3.2 撕裂高度的计算

步骤1的方法几乎完全相同，用于计算撕裂高度，参见图4(b)。通过阈值处理，但这次不是采用大津法，而是使用130的阈值进行常规处理，将剪切边缘的彩色图像转换为灰度图像，然后转换为二值黑白图像。缺陷部分选择黑色，整齐切割部分选择白色。模具滚轮、裂纹和撕裂已可被人眼清晰识别。为了去除噪声，进行了形态学双重变换。首先进行腐蚀，然后进行膨胀操作，接着再以相反顺序重复一次。腐蚀用于去除像素，膨胀用于标记轮廓。得到的图像清晰地将模具滚轮和撕裂部分与整齐切割表面区分开来。随后通过确定最高和最小黑色像素来计算撕裂部分的高度。

4. 讨论与展望

本文提出了一种将精冲压力机 Feintool XFT 2500 speed 实现完全联网并对工件几何形状进行实时分析的概念。尽管该研究仍处于初期阶段，但已经表明，现代嵌入式AI设备可用于在机房中执行GPU计算。然而，未来有必要提高在实验室条件下所拍摄图像和开发算法的鲁棒性，使其能够在恶劣的工业条件下（低光照比、倾斜拍摄角度和脏污表面）可靠运行。只有这样，才能确保在精冲裁工艺中发现未知的工艺模式以及输入和输出参数之间的新因果关系。