神经网络模型在开发涂胶工作站中的应用

Application of Neural Networks Model in Developing Glue-Coating Workstation

摘要: 本文基于车灯涂胶工艺和统计过程控制的思想，对胶量克重系统进行分析，评估了测量系统的稳定性，并确定了涂胶工艺的评价基准。基于数据建模的思想和BP神经网络模型，通过分析工艺过程参数之间的相关性，搭建了胶量克重和工艺过程参数之间的数据模型。利用在线编程，实现了涂胶工作站对胶量克重的在线预测。为保证涂胶产品质量(防止涂胶缺陷)，对涂胶产品克重进行管理，实现了在线反馈调节功能。

Abstract: Based on the idea of car lamp gluing process and statistical process control, this article analyzes the gluing weight system, evaluates the stability of the measurement system, and determines the evaluation benchmark of the gluing process. Based on the idea of data modeling and BP neural networks model, a data model between gluing weight and process parameters is built by analyzing the correlation between process parameters. Online programming is used to achieve online prediction of gluing weight in the gluing workstation. In order to ensure the quality of gluing products (prevent gluing defects), the gluing weight is managed and the online feedback adjustment function is realized.

1. 引言

随着汽车产业的快速发展，汽车零部件生产逐渐脱离整车企业并形成专业化的零部件集团。汽车车灯作为汽车的点睛之笔，也迎来了更多的机遇和挑战[1]。涂胶工艺作为汽车总装工厂的关键工艺之一，牵涉面广，技术要求高。为了更好地提升产品质量和生产效率，考虑在产线生产过程中保证产品的一致性和工艺参数的稳定性，从而引入了涂胶工作站的模式[2]。而涂胶作为防腐和密封的重要工序，能够直接影响到车灯的使用性能[3]。因此，涂胶产品的质量问题是备受车灯行业关注的痛点问题。

为了推动产业升级，利用各种数字化技术如大数据、人工智能、物联网、云计算等实现企业的数字化转型成为潮流[4]。而基于大数据分析，处理涂胶类的相关问题，成为近几年来的研究热点。

2021年，张建国等人基于改进的Canny算法，提出一种更为精确的边缘提取算法来获取涂胶区域，从而识别涂胶缺陷[5]。2023年，陈甦欣等人提出一种区域生长和融合特征支持向量机的涂胶缺陷检测算法，实现对涂胶区域缺陷的精确检测[6]。

传统的目视法和破坏性检查法已不能满足新产能下的车间工作环境[7]，利用图像处理实现自动化检测涂胶缺陷的研究越来越多。为响应数字化转型，实现涂胶工作站自动化检测涂胶缺陷，本文将神经网络模型用于涂胶工作站的开发中。

2. 涂胶工艺及常见的质量问题

涂胶工艺是指通过等离子处理增大胶槽表面附着力，再利用规定的胶粘剂在连接面上产生一定的机械结合力、物理吸附力和化学键合力而使两个胶接件联结起来的工艺方法。涂胶工艺在车灯制造过程中常应用于前部灯具，包括前照灯、日行灯、前雾灯、前位置灯、格栅灯等。

涂胶过程中常见的质量问题包括：溢胶、少胶、断胶等(见图1)，这些工艺现象将直接影响产品的主要性能(外观、气密、匹配)。因此，胶量的控制问题是产品涂胶产品质量问题的根本原因之一。

溢胶 少胶 断胶

Figure 1. Common defects in glue-coating products

图1. 涂胶产品常见缺陷问题

为解决我司涂胶产品的胶量稳定性问题，以及响应数字化转型，实现“互联网 + 制造业”模式，现对涂胶工艺过程进行数据分析，通过模型建立，预测涂胶产品胶量，实现对胶量的智能化在线监控。

3. 涂胶胶量管控方法

目前对涂胶产品的胶量检测是在涂胶工作站中搭接涂胶克重系统(见图2)，通过计算壳体胶槽涂胶前与涂胶后的重量差值读取出当前涂胶克重数据。

Figure 2. Glue-coating weight system

图2. 涂胶克重系统

基于统计过程控制(SPC)对涂胶产品的胶量克重进行稳定性分析，通过均值极差控制图，涂胶产品稳定受控，并且计算出胶量克重上限(见图3)：106.5 g，胶量克重下限：99.8 g作为涂胶产品质量的评价基准，超出控制限的产品视作涂胶异常。

Figure 3. Control chart for glue weight

图3. 胶量克重的控制图

4. 工艺数据采集

根据车灯涂胶工艺流程绘制控制方案电气原理图(启动–机械臂系统–等离子表面处理–涂胶前称重–机械臂涂胶–胶量克重称量–结束)，通过原理图(见图4)梳理整个涂胶过程中影响胶量克重的关键工艺参数并通过传感器采集某款车灯的工艺参数和对应的胶量克重(见图5)。

Figure 4. Electrical schematic diagram of glue-coating workstation

图4. 涂胶工作站电器原理图

Figure 5. Data acquisition of glue-coating process

图5. 涂胶工艺数据采集

5. 工艺数据处理

对采集的工艺过程数据进行处理，保证数据分析结果的有效性。通过箱线图对原始数据进行异常值检验，数据存在异常(见图6)。由于异常数据所对应的产品质量OK，即该数据异常不是产品异常造成的，而是源于采集数据造成的异常，因此可通过均值补偿处理异常。对处理后的数据进行正态性检验，数据呈现正态分布(见图7)，具备典型性，分析的结果具备有效性。

6. 工艺数据分析

对工艺数据进行主成分分析(见图8)和相关性分析(见图9)，其目的是信息浓缩，选择关键特征。

根据主成分分析结果，可提取5个特征。根据变量相关性强度图可知：涂胶压力和压合时间、等离子压力和等离子流量、机械手全局速度和机械手局部速度存在共线关系。因此，对于描述车灯的胶量克重的涂胶工艺问题可选择特征：机械手全局速度、自行下距离、等离子压力、压合时间、胶量克重，保证因素和其余因素之间独立同分布(见图10)。

Figure 6. Outlier analysis

图6. 异常值分析

Figure 7. Normality test

图7. 正态性检验

Figure 8. Principal component analysis

图8. 主成分分析

Figure 9. Variable correlation intensity map (heat map)

图9. 变量相关性强度图(热图)

Figure 10. Key variable correlation intensity map (heat map)

图10. 关键变量相关性强度图(热图)

7. 涂胶工艺模型

确定工艺品质指标Y (胶量克重)与各因素X (机械手全局速度、自行下距离、等离子压力、压合时间)之间的关系Y = F(X)，通过指标Y评估涂胶质量。

基于MATLAB，将原始数据分为训练集和测试集两部分。对训练集进行模型训练(见图11)，并计算出涂胶胶量克重的预测模型系数。

Figure 11. Modeling training of neural networks

图11. 神经网络模型训练

基于MATLAB训练BP神经网络模型(见图12)，根据决定系数($R^2=\frac{\text{SSR}}{\text{SST}}=\frac{{\displaystyle {\sum }_{i=1}^n{\left({\widehat{y}}_i-\overline{y}\right)}^2}}{{\displaystyle {\sum }_{i=1}^n{\left(y_i-\overline{y}\right)}^2}}$，也称拟

合优度，R²越接近1相关的方程式参考价值越高；越接近0参考价值越低)评价模型质量，选择最佳的训练模型。

Figure 12. Determination coefficient of training model

图12. 训练模型的决定系数

根据迭代结果，计算出模型系数，确定胶量克重模型(1)，并根据残差图和相对误差图，对模型质量进行评价。

$y={\displaystyle {\sum }_{i=1}^5{w}_{1i}^{\left(2,3\right)}}\ast \text{tansig}\left({\displaystyle {\sum }_{j=1}^4{w}_{ij}^{\left(1,2\right)}{x}_i}+b_i^{\left(2\right)}\right)+b_1^{\left(3\right)}$ (1)

其中，$w_{ij}^{\left(1,2\right)}=\left[\begin{array}{cccc}1.1317& -1.9209& 1.3416& 4.0875\\ -0.7779& -0.3940& 1.9484& 3.0958\\ 1.2210& -0.0615& 0.9660& -0.2554\\ -1.2459& -0.0571& 1.9273& 0.6066\\ -0.6453& 1.0766& -1.8279& 0.4566\end{array}\right]$ ，$b_i^{\left(2\right)}=\left[\begin{array}{c}3.2112\\ -0.7967\\ 0.5565\\ -0.1358\\ 0.9745\end{array}\right]$ ，$w_{1i}^{\left(2,3\right)}={\left[\begin{array}{c}-1.7607\\ -0.1181\\ 0.6034\\ 0.1435\\ 0.7344\end{array}\right]}^{\text{T}}$ ，$b_1^{\left(3\right)}=0.7407$ 。

根据模型(1)对测试集进行预测，基于残差分析(见图13)对比真实值和预测值的误差，评估模型的准确性：预测值与真实值偏差±2以内，为可接受误差。

Figure 13. Residual analysis

图13. 残差分析

使用该模型对新项目的涂胶工艺进行管控(见表1)，预测出涂胶异常，与实际情况相符(见图14)。

Table 1. Comparison of model prediction results

表1. 模型预测结果对比

样件序号	样件1	样件2	样件3
实际胶量	105.3 g	101.9 g	110.5 g
预测胶量	105.5 g	99.2 g	112.1 g
相对误差	0.19%	2.65%	1.45%
涂胶质量	OK	OK	NG

Figure 14. Glue-coating defect detection results

图14. 涂胶缺陷检测结果

8. 总结

本文在我司对涂胶灯具的传统缺陷检测方法的基础上，利用了数据建模的方法，对涂胶胶量克重进行了预测，再利用过程控制对涂胶胶量克重的缺陷异常实现了在线监测，减少了人工检测的成本，并对涂胶异常进行矫正提供了数据支撑。本课题的研究工作及成果主要有以下四部分：

1) 基于统计过程控制(SPC)，确定了胶量克重的合格范围：99.842 g~106.847 g，可作为检测涂胶产品的评估标准，超出控制限的判定涂胶异常。

2) 基于数据分析，确定了决定涂胶胶量克重的关键过程参数：机械手全局速度、自行下距离、等离子压力、压合时间。

3) 基于BP神经网络模型，建立了涂胶胶量克重的数学模型：

$y={\displaystyle {\sum }_{i=1}^5{w}_{1i}^{\left(2,3\right)}}\ast \text{tansig}\left({\displaystyle {\sum }_{j=1}^4{w}_{ij}^{\left(1,2\right)}{x}_i}+b_i^{\left(2\right)}\right)+b_1^{\left(3\right)}$

4) 基于胶量克重的合格范围和建立的克重模型，对新项目的涂胶克重进行了预测和判定，结果与实际情况相符。