在機械制造中,沖壓成形作為非常重要的塑性加工方法,廣泛應用于汽車、航空航天、電器等工業領域。眾所周知，汽車車身的大部分覆蓋件和結構件均為薄板沖壓件，沖壓工藝水平與沖壓質量的高低對汽車制造企業至關重要。

　　某汽車制造企業生產基地的沖壓車間建有三條沖壓生產線，主要生產側圍、翼子板、車門、引擎蓋等輪廓尺寸較大且具有空間曲面形狀的乘用車車身覆蓋件。在沖壓生產過程中，部分側圍在拉伸工序中易產生局部開裂現象，需反復進行參數調整與試制；在生產線線尾，需配備大量質檢人員進行沖壓件表面缺陷人工檢測。

　　1.沖壓產線線尾現有檢測方式為人工手動檢測，需要在有限生產節拍時間內，快速分揀出帶有開裂、刮傷、滑移線、凹凸包等表面缺陷的沖壓件，檢測標準不統一、穩定性不高、質檢數據難以有效量化和存儲，不利于企業數據資源收集、質量問題分析與追溯。

　　2.在沖壓生產試制過程中，影響側圍在拉伸工序中產生局部開裂的因素眾多，如設備參數、模具狀態、板材性能等，調整參數與反復試制的方法，具有一定的盲目性，成本大、效率低。

　　3.影響因素多、數據形式差異大，且分布在車間不同業務系統中，既有設備實時數據，又有非結構化的圖像數據，對數據采集、管理與存儲的要求極高。

　　基于上述情況，美林數據為企業構建大數據平臺，實現對工廠沖壓車間的設備、模具、材料、制造過程數據、質檢數據的集成、存儲與統一管控，并借助基于機器學習的數據挖掘、基于機器視覺的智能檢測技術，實現對側圍沖壓開裂的預測與產品件表面缺陷的智能識別。

　　◎依據沖壓設備加工參數、板材參數、模具性能參數及維修記錄等，通過數據挖掘機器學習算法，建立沖壓工藝智能預測模型。通過樣本積累與模型訓練調優，準確預測沖壓件開裂風險。最后，確定制造過程影響因素間的相關性，制定生產過程參數組合控制策略，為沖壓制造過程工藝優化和質量把控提供支持。

　　◎基于機器視覺的沖壓件缺陷智能識別檢測，立足生產線現有條件，設計圖像采集系統，通過圖像實時采集與智能分析，快速識別沖壓件是否存在表面缺陷，并自動將所有檢測圖像及過程處理數據存儲至大數據平臺。通過質檢數據、生產過程工藝參數、產品設計參數間的關聯，借助大數據分析技術，形成沖壓產品質量問題分析管理的閉環連接，實現沖壓產品質量的精確控制和優化提升。

　　1.通過預測沖壓件開裂風險，提升企業新車型沖壓件加工參數設計效率，減少試制次數和試制成本。

　　2.通過快速智能檢測沖壓件表面缺陷，提高生產線檢測的穩定性、可靠性，降低質檢工人勞動強度和人工成本。同時，產品質檢數據被有效存儲，為實現質量閉環分析與追溯提供重要數據支持。

　　3.為企業的智能制造轉型推進探索出一條切實可行的示范道路，并為工業大數據、人工智能等技術在同行企業中的推廣與應用積累了寶貴經驗。

　　汽車制造、航空航天、家電生產等具有沖壓、噴涂工藝，且對產品表面質量要求較高的行業。

案例提供商