0 引言

新能源汽车的快速发展对驱动电机的功率密度、效率及可靠性提出了更高要求。扁线定子制造的核心环节——线成形与扭头工艺，其成形质量直接决定了绕组的电气性能与装配精度。然而，该工艺存在材料回弹非线性、工艺参数耦合性强、质量控制依赖经验等问题，导致传统产线在应对多品种、小批量订单时调试周期长、产品质量波动大。

数字孪生技术通过构建物理产线的虚拟映射，为工艺优化与质量控制提供了新途径。现有研究多集中于数据采集与可视化，但在工艺机理建模与实时自适应控制方面仍显不足。有限元仿真虽能揭示成形过程中的应力应变分布与回弹规律，但其计算效率与模型精度难以满足实时管控需求。为此，本文提出一种融合高精度有限元仿真与数据驱动智能算法的数字孪生系统，实现扁线成形过程的实时仿真预测、误差智能补偿与工艺参数自适应优化，旨在提升产线柔性与质量控制水平。

1 系统总体架构

为应对扁线成形工艺中多变量耦合、质量波动大以及调试依赖经验的行业挑战，本研究提出并构建了一种“物理－仿真－管控”三层一体化的智能自适应管控数字孪生系统。该系统旨在打通从物理世界数据感知、虚拟空间高保真仿真到智能决策精准执行的闭环通路，实现对扁线成形质量的实时预测、动态优化与自适应控制。系统总体架构如图1所示，其核心在于通过精准的有限元仿真构建工艺机理“数字骨架”，并利用实时数据与AI算法为其注入“智能神经”，形成一个持续学习、自主优化的“虚拟工艺专家”系统。

图1 系统总体架构

（1）物理实体层

物理实体层作为系统的实体基础与数据来源，由扁线成形产线的实体装备、全覆盖传感网络及高速数据采集系统构成。其核心工艺装备主要包括完成2D折弯的伺服成形机与完成3D空间成形的扭头机，以及配套的送线、校直、剪切等辅助单元。为实现全要素感知，系统部署了多源异构数据采集系统，通过PLC与伺服驱动器接口实时获取设备状态数据，通过集成力、位移传感器及视觉测量系统采集工艺过程数据，并利用在线激光测量仪实时检测产品质量数据。为保证数据流的实时性，系统采用基于时间敏感网络（TSN）的工业以太网与5G无线传输混合组网，确保海量过程数据与实时控制指令的可靠、低延迟传输，为上层仿真与决策提供连续的数据流。

（2）仿真层

仿真层是系统的核心建模单元，负责构建一个与物理实体同步演化、精准映射的参数化有限元仿真数字孪生体。该孪生体基于Abaqus/Explicit平台，建立了充分考虑材料非线性、接触非线性与几何大变形的动力学显式分析模型。为实现仿真精度与物理过程的一致性，系统构建了仿真－数据协同迭代修正机制。在此机制下，物理工作循环结束后，系统会自动提取工艺参数以驱动仿真模型进行同步计算；随后，将仿真预测的回弹量、应力分布等结果与在线测量获取的实际工件尺寸进行自动比对；最后，基于比对残差，采用逆向优化算法动态反演并修正有限元模型中的关键不确定参数，使仿真模型能够持续跟踪因模具磨损、材料批次差异等产生的时变特性，从而保持长期的预测精度。

（3）管控层

管控层作为系统的智能决策与闭环控制中心，接收仿真层的预测结果和物理层的实时反馈，通过人工智能算法生成优化决策。该层首先通过一个深度神经网络（DNN）模型实现质量误差的智能预测，该模型深度融合实时工艺参数与虚拟测量指标，以实现毫秒级的质量偏差快速预测。在此基础上，系统核心的工艺参数自适应优化器采用强化学习框架构建，它以仿真孪生体为训练环境，将当前工艺参数、设备状态及误差预测定义为状态，将关键工艺参数的微调定义为动作，并以成形质量指标作为奖励，从而训练智能体获得最优参数调整策略。在实际运行时，该优化器根据实时状态生成补偿指令，通过前馈－反馈复合控制模式，动态调整成形设备的NC程序或伺服参数，从而在线、自适应地消除质量误差。

（4）系统集成与运行流程

三层架构通过统一的数据总线与中间件进行高效集成，形成一个有机整体，其运行遵循典型的“感知－仿真－决策－执行”闭环流程。具体而言，当物理产线开始一个成形周期，其实时数据被采集并上传，同时系统驱动仿真孪生体进行同步计算。仿真结果与实时数据汇聚至管控层后，误差预测模型快速评估质量风险，随即优化器计算出最优工艺参数补偿方案。该补偿指令被下发至物理层设备执行，而新周期产生的效果数据又被重新采集、仿真与评估，由此形成持续迭代的自适应优化闭环。该架构深度融合了机理模型的可解释性与数据模型的适应性，为高端扁线电机定子产线的快速交付与稳定高质量生产提供了坚实的技术平台。

2 耦合精准有限元仿真的数字孪生建模方法

为实现对扁线成形过程的高保真虚拟映射与精准预测，本研究构建了以精准有限元仿真为核心的数字孪生建模方法。该方法旨在摒弃传统离线、静态的仿真模式，通过建立参数化模型、引入数据驱动的动态修正机制以及开发高效的实时同步求解器，构建一个能够与物理产线同步演化、自我校准的数字孪生体。该孪生体为上层智能决策提供了既符合物理机理又紧贴生产实际的可靠虚拟验证环境。

2.1 面向工艺机理的高保真参数化有限元模型构建

为在虚拟空间中精确复现物理成形过程的内在机理，本研究基于Abaqus/Explicit求解器，构建了充分考虑多重非线性的高保真参数化有限元模型。如图2所示，该模型的保真度首先体现在对材料特性的精确描述上：通过实验获取扁线铜导线的各向异性硬化本构关系，精准定义其在2D伺服折弯与3D模具冲压/扭头过程中的材料流动与应变硬化。其次，在接触定义上，该模型精细刻画了导线与模具型面间的摩擦接触条件，并依据实测数据对摩擦系数进行了标定。模型采用高精度六面体单元划分网格，并在折弯半径等关键变形区域进行局部加密，以准确捕捉大变形下的应力集中与回弹效应。至关重要的是，模型的所有关键工艺参数（如折弯角度、冲头速度及模具几何尺寸等）均被设计为可通过外部API接口动态输入的形式，这使得单一模型能够快速适配不同产品的工艺规程，为后续的实时仿真与优化奠定了灵活而坚实的模型基础。

图2 2D伺服折弯有限元模型

2.2 生产数据驱动的仿真模型动态修正与迭代

为确保数字孪生体在整个生命周期内保持预测精度，本研究建立了一套由“生产－仿真”数据闭环驱动的模型动态修正与迭代机制，如图3所示。该机制的核心是将物理产线在线测量系统获取的实际成形工件尺寸（如最终线长、角度）作为基准，与对应工况下有限元模型的仿真预测结果进行自动、系统的比对。当预测误差超过预设阈值时，系统将自动启动逆向标定流程。此流程通过构建一个以材料本构参数（如屈服应力、硬化指数）和边界条件（如摩擦系数）为设计变量、以仿真结果与实测数据差异最小化为优化目标的数学优化问题，并采用响应面法与遗传算法相结合的优化策略，反向辨识出符合当前生产状态的最优模型参数。这一过程使仿真模型不再是静态的理论快照，而成为一个能够跟随模具磨损、材料批次波动、设备性能漂移等时变因素持续自我演进、自我校准的自适应模型，其预测结果始终与物理世界保持高度一致性。

图3 仿真模型动态修正流程

2.3 满足实时性需求的仿真求解加速与同步技术

为满足数字孪生闭环管控对仿真速度的严苛要求（通常需要在秒级甚至亚秒级内完成单次分析），本研究采用了一套多层次的仿真求解加速与同步技术。在模型层面，研究开发了参数化模型的自动降阶技术，在保证关键输出变量（如回弹量、最大应力）精度的前提下，通过子结构法或模态叠加法大幅缩减模型自由度。在计算层面，本研究利用GPU并行计算技术对显式动力学求解中的大规模矩阵运算进行硬件加速。此外，系统预先计算常用的工艺参数组合及其对应的仿真结果，并构建成一个可供快速查询的仿真结果数据库。在实际运行中，系统优先查询该数据库；若查询未命中，则触发GPU加速的快速求解，并将新结果存入数据库，从而实现仿真响应的智能化提速。通过集成上述高保真参数化模型、数据驱动迭代机制与高效求解技术，本研究最终构建了一个既能深刻反映工艺物理本质，又能快速响应、同步更新的耦合了精准有限元仿真的数字孪生建模体系。

3 智能自适应管控策略

基于耦合了精准有限元仿真的数字孪生模型所提供的精准预测能力，本章详细阐述一套完整的智能自适应管控策略。该策略旨在将仿真揭示的“物理机理”与数据驱动的“智能决策”深度融合，形成一个能够感知质量偏差、追溯误差原因并实时执行优化补偿的闭环控制系统，如图4所示。其核心目标在于将传统依赖人工试错的被动式质量控制，转变为由模型与算法驱动的主动、自适应质量保证体系。

图4 智能自适应管控原理

3.1 基于深度神经网络的误差智能预测

为实现对扁线成形质量的前瞻性预判，系统构建了一个基于深度神经网络（DNN）的误差智能预测模型。该模型创新性地将实时工艺参数、设备状态时序数据以及由仿真孪生体输出的虚拟传感数据（如预测的等效塑性应变场、回弹云图）进行多源特征融合，作为模型的共同输入。通过设计深层非线性网络结构，模型能够从这些高维、异构的输入中自动学习并挖掘出它们与最终关键质量指标（如线长误差、角度偏差、直线度）之间复杂且非线性的映射关系。该模型作为管控系统的预测模块，能够在物理成形过程完成之后、实际测量结果产生之前的极短时间窗口内（毫秒级），快速、准确地预测出工件的尺寸误差及其分布，为后续的补偿决策提供及时、量化的依据。

3.2 基于强化学习的工艺参数自适应优化

针对预测模型输出的误差信号，本系统采用一个基于强化学习（RL）框架的工艺参数自适应优化器来生成最优补偿策略。将耦合了动态修正机制的有限元仿真数字孪生体构建为一个高保真的虚拟训练环境。在此环境中，智能体（Agent）通过不断地试错进行学习：其状态（State）包含当前工艺参数、设备状态及误差预测值；动作（Action）定义为对关键可调工艺参数（如折弯角度补偿值、模具位置微调量）的连续控制指令；奖励（Reward）则根据仿真计算出的成形质量指标（如与目标尺寸的偏差）综合评定得出，以鼓励智能体寻找能最大化成形精度的动作策略。采用近端策略优化（PPO）等适用于连续动作空间的先进强化学习算法进行训练，使智能体学会一套复杂的参数调整策略。在实际在线运行时，该优化器根据实时状态即时输出最优补偿动作，通过前馈方式直接修正设备控制指令，实现对工艺偏差的自适应、精准、实时补偿。

3.3“前馈－反馈”复合闭环控制策略

为实现稳定可靠的自适应管控，将上述预测模型与优化器嵌入一个前馈－反馈复合的闭环控制流程中。在每一个生产节拍开始时，系统以前馈方式运行：基于当前设定的工艺参数，首先驱动仿真孪生体进行快速推演，随后误差预测模型根据推演结果给出质量预判，强化学习优化器则据此生成参数预补偿指令，并下发至设备执行，旨在“主动”消除预期误差。在一个节拍结束后，系统启动反馈环节：利用高精度在线测量系统获取该工件的实际质量数据，将其与预测值进行比对。产生的残差一方面用于驱动仿真模型的动态修正（如2.2节所述），另一方面则作为反馈信号输入强化学习优化器，以微调其决策策略，实现持续进化。这种“前馈预测补偿”与“反馈学习修正”相结合的复合闭环，不仅能够快速响应单次生产中的波动，更能使整个系统在长期运行中持续进化，不断提升对不同产品、材料、设备状态的适应性与管控精度。

4 结语

本研究针对扁线电机定子产线中成形工艺调试依赖经验、质量一致性差的核心痛点，设计并实现了一套“基于耦合精准有限元仿真的扁线成形质量智能自适应管控数字孪生系统”。该系统构建了“物理感知－仿真推演－智能决策”三层协同的总体架构。通过建立融合材料非线性与接触特性的高保真参数化有限元模型，并引入基于生产数据的动态迭代修正机制，系统创建了与物理产线同步演进、精准映射的数字孪生体。在此基础上，研发了基于深度学习的成形误差智能预测模型与基于强化学习的工艺参数自适应优化器，形成了“前馈预测补偿”与“反馈学习修正”相结合的复合闭环管控流程。

应用验证表明，本系统成功将虚实数据同步时延控制在400ms以内，关键工艺构型设计与重构计算耗时不超过100s，并实现了折弯角度精度±0.2°、线长精度±0.2mm等一系列高精度指标。其核心创新在于将机理模型的可解释性与数据模型的适应性深度耦合，不仅解决了工艺参数依赖人工试错的现实难题，更使产线具备了应对动态需求和工况波动的自适应能力。该系统的实施，为缩短产线调试周期、降低废品率和提升交付质量提供了切实可行的智能化解决方案，对推动高端扁线电机智能制造具有重要的工程价值。

参考文献

[1] MODESTO C, BORGES J, NAHUM C, et al. Towards a robust transport network with selfa da pti Ve netw o r k di gital twi n [ J ]. C om p ute r Networks, 2026, 276: 111967.

[2] X IE S, ZHANG W, SHEN M, et al. A modula r c o n F i g u r a t i o n - b a s e d r a p i d Ve r i f i c a t i o n and Validation framework combining analytical and simulation methods for intelligent manufacturing systems[J]. Simulation Modelling Practice and Theory, 2025, 142(2): 103136.

[3] 陶飞 , 马昕 , 胡天亮 , 等 . 数字孪生标准体系 [J]. 计算机集成制造系统 , 2019, 25(10): 2405-2418.

[4] 彭于华 . 数字孪生在新能源汽车驱动系统制造中的 实践与思考 [J]. 汽车制造业 , 2025, (02): 15-19.

[5] 赵浩然 , 刘检华 , 熊辉 , 等 . 面向数字孪生车间的 三维可视化实时监控方法 [J]. 计算机集成制造系 统 , 2019, 25(06): 1432-1443.

[6] 陶飞 , 张辰源 , 张贺 , 等 . 未来装备探索 : 数字孪 生装备 [J]. 计算机集成制造系统 , 2022, 28(01): 1-16.

[7] 周成 , 孙恺庭 , 李江 , 等 . 基于数字孪生的车间 三维可视化监控系统 [J]. 计算机集成制造系统 , 2022, 28(03): 758-768.

本文为“AI汽车制造业”首发，未经授权不得转载。版权所有，转载请联系小编授权（VOGEL100）。本文作者：王先锋，单位：邦迪智能科技（上海）股份有限公司。责任编辑龚淑娟，责任校对何发。本文转载请注明来源：AI汽车制造业