工業人工智能及應用研究現狀及展望

來源：《自動化學報》，作者李杰等

摘 要?工業4.0 將工業制造流程以及產品質量優化從以前依照經驗和觀察進行判斷轉變為以事實為基礎,通過分析數據進而挖掘潛在價值的完整智能系統.人工智能技術的快速發展在工業4.0 的實現中扮演著關鍵的角色.然而,傳統的人工智能技術通常著眼于日常生活、社會交流和金融場景,而非解決工業界實際所遇到的問題.相比而言,工業人工智能技術基于工業領域的具體問題,利用智能系統提升生產效率、系統可靠性并優化生產過程,更加適合解決特定的工業問題同時幫助從業人員發現隱性問題,并讓工業設備有自主能力來實現彈性生產并最終創造更大價值.本文首先介紹工業人工智能的相關概念,并通過實際的工業應用案例如元件級的滾珠絲杠、設備級的帶鋸加工機與機器群等不同層次的問題來展示工業人工智能架構的可行性與應用前景.

關鍵詞?工業人工智能,智能制造,自動化,工業4.0

目前,很多國家正積極發展著眼于工業4.0 的智能制造技術,許多領域的龍頭公司均通過投資和科研來開發其核心方法即人工智能技術.在2017 年,加拿大首開先例宣布政府將以12.5 億加幣投資人工智能[1].同年的七月,中國發表了次世代人工智能發展計劃,以1 500 億人民幣的投資來幫助國內人工智能產業的發展,以期在人工智能方面占領一席之地[2].次年8 月,德國推行5 點數字策略期望在2025 年成為人工智能的領軍者[3].2019 年二月,美國政府推行了類似的人工智能政策來刺激產業發展[4].工業人工智能也體現在流程工藝上,如鋼鐵或煉油制造產業等.從零部件級到設備端的預測維護均有相應的研究成果,以石油業為例,石油管線衰退評估是個重要的課題,其中管線孔蝕現象是最主要、影響最大的損壞機制,孔蝕的成長性與不確定性讓衰退預測變得更為困難,為了可以良好地評估管線內部侵蝕的情況,如何用一個好的衰退模型對孔蝕作預測是主要的研究方向.在分析的方法上,可以分成基于物理模型和數據驅動這兩大類,而傳統基于物理模型雖能在長期預測上有一定的優勢,但是其根本是簡化的物理公式或假設,對于例如管蝕這種復雜且高度不確定的機制會較為困難,數據驅動模型則可以較好地處理這類問題[5].在更高層級的平臺整合或是工業人工智能應用層面,也有相關企業正著手進行研究,例如埃克森美孚持續的改進自有的全球資訊系統,在標準化、安全化或是生命周期評估等方向上都有相應成果,同時也在改進生產排程、工程應用工具等方面有相關研究[6].今年埃克森美孚與CPLANE.ai 公司宣布將攜手合作進行工業協作,在環境法規日趨嚴格與開采成本提高的情況下,將會對其發展有著重要的影響.另一方面,我國的首鋼鋼鐵也有相應的工業人工智能應用在流程工藝上成功的案例,通過智能平臺可以用少量的技工調控其所有的煉鋼爐,同時也能回收在制造過程中產生的90 %廢棄物和廢水,實現每年九百萬噸以上高品質鋼鐵的產出.

對于基于智能技術的工業4.0 來說,這些措施都促使工業界產生前所未有的轉變,智能工廠所裝備的智能感知器在各個生產過程中產生大量的數據,因此數據變成增強產業競爭力的重要關鍵[7].通過實時數據分析來為決策者提供更全面的信息來做決策、提高生產效率、預測生產需求、自動化制造與庫存品優化[8].然而,根據現行的工業4.0 技術,數據處理過程仍需人類專家的介入來做決策,人工智能方案通常要能滿足及時決策與最少的人員介入的目標[9?10].因此,智能制造需要結合工業互聯網[11]、大數據分析[12]、云端計算[13]與網絡實體系統[14]等技術來實現彈性且有效率的數據處理.

即使有著諸多優勢,產業界仍對這樣的方案存有疑慮,主要的原因是對于同樣的問題,工程師在使用不同的算法會給出不同的方案,而這樣的情況會違反三個必須的特征:系統性、快速性與可繼承性.

另一方面,人工智能應用的主要成功來自于圖像處理、自然語言處理、社群網絡、機器人等方面,在工業環境下的制造設備所產出的數據架構和形式與前述大不相同,造成可應用性的局限[15?19].

其次,盡管部分產業已開始進行相關工作,但缺乏全面的技術藍圖與架構來有效地結合自身的發展策略.

第三個可能的原因是缺乏標準化的數據.目前,不同類型的機臺所產出的數據大不相同,形式也有差異,造成數據不一致.

第四個原因是故障數據難以取得,這個是阻礙人工智能技術發展的主要原因之一.在具體場景中,工業界難以允許機臺發生故障.另一方面,健康與故障的數據有時難以區分,這些因素都阻礙了人工智能技術的應用.

針對上述問題,如何有效利用人工智能完成實際生產應用的任務,是當前工業人工智能研究的熱點問題之一.2006 年,Anghel 等基于極大極小概率回歸模型,在實際數據上準確地預測出污染物排放中各氣體濃度[20].2015 年,Min 針對遺傳算法在供應鏈管理中的應用,回顧了以往的成功案例,提出了供應鏈管理中最適用于遺傳算法的領域[21].同年,Hu 等通過多目標優化算法,實現軋制規程的優化,提高熱軋帶鋼的產品質量[22].2018 年,Yang 等通過對文字數據的知識提取以及可視化處理提取到有用的信息并應用在汽車零部件數字化預裝的質量改進[23].同年,Cupek 等針對傳統方法難以準確預測小批量多變量生產的問題,采用了基于K?均值聚類的方法,實現了性能指標的自動估測[24].同年,Mundada等通過神經網絡和模擬退火算法準確預測出了不同磨銑作業的工件表面粗糙度[25].2019 年,Liu 等對鋼帶表面缺陷進行了研究,基于GoogLeNet,提出了可以用于實時分類的方法,并在6 種表面缺陷的鋼帶數據上實現了98.57%的準確率[26].2020 年,Kesse 等提出了一種智能化惰性氣體焊算法用于幫助操作人員選擇理想的系數從而達到良好的焊接質量[27].同年,Li 等提出了基于深度學習的壽命預測方法,并在實際生產中用于切割液晶屏的刀具上表現了較好的準確性[28].同年,Kalil 等建立了一個用在切削刀具上的磨損監測系統,通過對刀具的邊緣圖像處理,達到94.3%的磨損以及破碎檢測率[29].

由于人工智能的實際應用需要一系列關鍵的基礎技術與創新思維,李杰教授提出了一套系統性的方法來實現人工智能并命名為工業人工智能[30?33].工業人工智能由一套完整的技術體系與標準化方法架構所組成,其核心技術包含數據技術、分析技術、平臺技術與運籌技術,Cyber physical system (CPS)的5C 架構則作為實現這個閉環過程的功能框架[30?34].

1 CPS 的5C 技術體系與方法架構

自從計算機的誕生以來,賽博空間與實體空間的組合快速成為人類日常生活不可或缺的一部分,從高度普及的家用電器到日益成熟的無人機,從發電站的調度安排到實時的人體機能監控,無不體現了賽博空間與實體空間的深度融合[35].而CPS 作為一種整合網絡世界和物理世界的多維度的變革性智能技術體系[36],以大數據、網絡與海量計算為基礎,通過核心的智能感知、分析、挖掘、評估、預測、優化等技術手段,融合計算、通信與控制,做到以數據為模型驅動的自治和智能支持促進工業的智能化發展.如圖1 所示,5C 作為CPS 在制造領域的架構為其在制造領域的開發和部署提供了完整的指導方針.5C 分別代表Connection (智能感知層)、Conversion (智能分析層)、Cyber (網絡層)、Cognition (智能認知層)、Configuration (智能決策與執行層),具體含義如下:

圖1 CPS 在制造領域的支撐技術[32-34]
Fig.1 Enabling technologies for realization of CPS in manufacturing[32-34]

1)智能感知層(Connection):如何以高效率和高可靠性來采集數據是在機器或是組件層面上的首要任務.如從數據的來源、采集和管理方式來確保質量和全面性,構建CPS 上層的數據環境基礎.除結構環境和采集通道外,另一核心的概念是按照目標和分析的需求自動地選擇所偏好的數據采集方式.

2)智能分析層(Conversion):在工業環境中,數據來源于各種不同類型的資源,這些代表著機器的不同狀況,但必須將原先采集到的低價值數據轉化為有意義且實際的信息.在這層中可以對數據進行特征工程、分類和優先級排列等工作來確保數據的可解釋性,其中也包括對數據的前處理.

3)網絡層(Cyber):即網絡化的管理,網絡環境中信息的融合和建模,將機臺狀況、周圍環境與群體結合,包括精確同步、關聯建模、變化記錄、分析預測等以構建能夠指導實體空間的分析環境.

4)智能認知層(Cognition):依據不同的需求進行數據評估與預測,與其他數據作比較,并能提供解決方案,同時結合數據可視化工具和決策優化算法工具為用戶提供決策.

5)智能執行層(Configuration):依照目標的不同與前一層的分析結果,對決策進行優化,并將結果回饋給管理系統,使管理人員能基于信息做出正確的決策,保證時效性和管理的協同性.

在實際的工業領域中通過智能技術來發揮制造系統的最大價值需要系統化、結構化地建立信息世界和物理世界的紐帶,找到對解決問題最重要的影響參數而不是盲目地積累數據,最終形成閉環優化.另一方面,如何在技術層面來執行CPS 架構則是另一重大課題.工業人工智能4 個核心技術中,平臺與數據技術是工業智能化的首要條件,有效的數據連接與傳輸和成熟的平臺技術是其系統實現的前提,分析技術是設備展現智能化的靈魂,而運籌技術是創造價值的關鍵,以下將對這4 個核心技術分別做討論:

1.1 數據技術(Data technology)

工業人工智能的基礎來自于數據本身,高質量的數據是成功的關鍵,為從設備中取得具有代表性且質量良好的數據,此類技術將著重在解決以下幾類問題:

1)數據采集與傳輸;

2)數據的儲存、管理與大量數據的實時處理;

3)邊緣計算.

第一類的問題依靠傳感器與通訊技術的進步,和工業數據的內在物理意義.為進一步了解設備特性,傳感器的加裝可以有效的獲取具代表性的信息,在更為復雜且關鍵的工業過程如半導體產業更是如此.通過傳感器來進行數據采集,而傳感器的選擇、位置安裝、改良與研發應用都是在DT 數據技術層面中所要面對的關鍵問題.

傳感器技術的長足進步也引發第二類問題,大量的數據考驗著從業者如何去傳輸、儲存、管理,因此需要先進的通訊技術和設備來進行穩定的傳輸.現行的設備與通訊技術大多可以滿足其基本需求,常用的通訊協議包括MTconnect、Modbus 等.在數據管理和儲存方面,應用云端和數據庫技術來進行高效率的儲存、搜尋和實時處理,并用當下熱門的邊緣計算來實現數據挖掘的實時性并節省儲存空間.基于這些技術,此類關鍵問題著重于保證數據的穩定性和安全性,以及節省計算資源與儲存空間.

1.2 分析技術(Analytic technology)

分析技術是工業人工智能的靈魂.分析技術用于發現數據的潛在模式、數據間的關系與制造本身的未被發掘的隱含信息,這些此前未被發現的信息都將為后續的決策提供依據.此外,其有用的分析結果可累積成為數據庫,一方面可避免因人事變更或是流動造成其經驗或是技能流失,另一方面,也可以提升產業的核心競爭力.分析技術主要著重在兩個方面:

1)特征工程:數據預處理、特征提取、特征篩選

2)機器學習和模式識別

特征是對數據中有用信息的數學總結.特征工程在分析技術是重要的一環,通過數學方法來得到代表性的信息,如對時域或是頻域進行特征提取方便后續的建模工作[37?38].在實現特征工程的過程中,首要考慮的是數據的可靠性.在采集數據的過程中,會有各種不確定性的因素存在,如不同來源信號的采樣頻率不同,以及采集過程中可能存在損壞點等問題,需要先進行預處理排除,以得到較好的數據進行分析[39?40].在完成提取特征的步驟后,往往會再進行特征篩選,進一步去除不必要、不相關的特征,只保留對分析目標有用的特征.在特征篩選中,最具代表性的主成分分析(PCA)與費雪準則(Fisher criterion)被廣泛用在各工業場景.費雪準則主要對應分類問題,該方法通過對原始特征中的每一個特征來評價分類的有效性.接下來的步驟為模型建立,主要是用機器學習、模型識別算法來辨認數據潛在的模式并挖掘其中的關系.常用的算法如回歸算法、分類、聚類、估計算法等,各自對應不同類型的問題與應用場景.目前熱門的深度學習與遷移學習等技術也在諸多實際問題中取得了良好的成果.以上主要介紹的是特征工程中的手動特征提取.手動特征提取的局限性在于需要利用領域知識對特定問題從零構建特征.目前熱門的深度學習與遷移學習等技術讓自動特征提取在諸多實際問題中取得了良好的成果[41?51].自動特征提取能夠根據不同的應用以及數據更有效率地建模,同時還能提供更好的模型表現以及預防數據泄露.通過深度學習實施的自動特征提取可以在幾天內趕上以前人工花幾個月甚至幾年的工作成果,而且工業門檻更低,特征覆蓋更全面,可以把大數據的優勢應用在更多設備上建模.因此,對于從業人員來說,需要考慮的關鍵問題在于如何在不同的應用場景下選用適合的算法.

1.3 平臺技術(Platform technology)

平臺技術是其他技術的載體,在工業人工智能的架構下,其主要包含如下方面:

1)數據存儲平臺:數據的安全存儲與快速檢索;

2)智能計算平臺:智能平臺的計算能力、計算效率和可擴展性;

3)用戶接口平臺:用戶接口和功能擴展.

云平臺的應用可以幫助企業實現對于數據的統一管理的需求并支持不同客群的快速數據檢索和信息共享[52].云平臺可以解決ERP (企業資源計劃系統)、MES (制造企業生產過程執行管理系統) 和SCM (供應商管理系統)等造成的信息隔離,從而對多來源信息進行有效管理[53?54].信息集中化更方便實現智能分析和快速部署算法,平行計算等核心技術可以大幅降低時間成本,提高計算效率.在這方面,先進的GPU 與TPU 技術提供了相關的解決方案,與串行處理的CPU 相比,GPU 擁有數以千計的處理核心,讓其在并行運算上有極大的優勢,而TPU又名張量處理器是一款可編程的AI 加速器,可用于加速模型測試過程所需的運算.

對于用戶接口平臺而言,良好的人機接口與可擴展功能有助于將數據與信息可視化,而設計友好的軟件系統可以提高服務質量,平臺接口的多樣化,如個人電腦、手機、遠程集控中心等,也有助增加用戶粘性,進而生成新的商業生態.

1.4 運籌技術(Operation technology)

運籌技術的主要目的是分析結果轉化成新的價值,客戶基于有用信息做出決策,因此運籌技術是實現價值創造的最后一步.在工業人工智能領域,運籌技術可以幫助實現:

1)設備的自感知、自預測、自適應等功能

自感知、自預測與自適應是工業人工智能領域的重要課題,自感知所代表的具體意義為設備對于潛在故障有著自動預警的功能,在運行過程中由實時分析傳感器所收集的數據,對系統本身與關鍵零組件的故障作診斷.自預測所代表的是基于偵測到的故障,對其嚴重程度作評價,并預測未來的使用壽命.自適應則是基于優化模型對設備本身進行保護,如降速運行等操作來避免實際的損壞和更加嚴重的事故發生.

2)彈性制造系統

彈性制造指的是面對生產過程中出現的突發狀態可以彈性的調整,以保證生產活動的不間斷進行.其特色是在實際生產發生變化的時候,可以基于智能優化計算并依照現場情況,對控制系統進行修正.

3)運維排程及優化

排程優化和設備維護是每個企業和工廠都需面對的考驗,在這個部分,排程的優化和設計需要明確了解其狀態和健康程度并安排相對應的生產和維修活動.

2 工業智能帶來的新機會空間

生產系統中的問題大致可以分為可見的和不可見的問題.設備衰退、潤滑不足、精準度損失、零件磨損以及資源浪費都是不可見問題中的常見問題.可見問題通常由不可見因素例如零部件故障、機器故障以及產品質量下降等因素累計而成.傳統的人工智能技術注重于解決可見問題并試著取代在重復工作上人類專家的知識和判斷.這些人工智能模型并沒有幫助人們更好地理解和處理潛在的風險.另一方面,工業人工智能的系統實現可以幫助解決不可見的預測問題并通過避免并修復實現制造過程的無憂化.具體來說,工業人工智能可以被劃為4 個機會空間如圖2 所示:

圖2 工業人工智能機會空間的4 個象限
Fig.2 The four quadrants opportunity space in industrial AI

1)第一個機會空間注重通過生產系統的持續改善與連續優化,解決生產系統中的可見問題.

2)第二個機會空間注重通過分析數據,挖掘新的系統知識以避免可見問題.

3)第三個機會空間是對數據線索、數據關聯性和因果性進行深入挖掘,通過建立這些關系來實現不可見問題的顯性化.

4)第四個機會空間注重在不確定的動態環境中尋找和彌補不可見的價值缺口,并減弱不可見因素的影響.

在此階段,大多數制造企業都將重心放在改善第一和第二機會空間,可以解決可見問題.在第三和第四機會空間中,需要制造系統產業鏈閉環式的整合去優化系統的設計方面,進而避免不可見的問題.采用工業人工智能技術可以在生產中增強創造新價值的機會.例如,在機械刀片損壞后去替換的方法屬于第一和第二空間,通過人工智能技術基于振動以及其他數據對機械刀片的壽命進行預測,在刀片故障前進行刀片更換的方法屬于第三和第四空間.

3 工業人工智能的案例分析

3.1 零部件級別的案例分析

3.1.1 滾珠絲杠

滾珠絲杠是制造系統里需要高準確性的關鍵部件,任何潛在的損壞或是退化都會影響其效率和位置精度,甚至會影響到機臺的控制精度或造成機臺損壞,而其復雜的運動軌跡及安裝位置的空間限制,讓數據采集與分析變得非常困難.

實際上,在滾珠絲杠的衰退分析中,其預載損失是一種最常被觀察到的現象,其分析方法可分為兩大類,一為基于物理模型的分析方法,另一類則是數據驅動分析法.物理模型利用其損壞機理來推算軸承內環軌道損壞頻率,但至今仍沒有公認的公式可以用來分析,而數據驅動則是利用量測數據本身來預測其健康度,因此可以較為有效地應用在實際場景.

在實際的工業應用上,相關的制造商也開始搭建自己的工業人工智能系統,如圖3 所示,在DT數據技術上,數據來源通常來自加裝的加速度傳感器與其內部的控制器,控制器本身可以提供轉速和力矩數據等有用信息以供分析,AT 分析技術上會全盤比較不同的信號來源所產生的特征,并用特征工程對特征進行系統性的篩選提取,在模型建立上則是運用幾種常見的算法,如:支持向量機、線性回歸和高斯過程等算法來解決不同的任務,而為了實現早期診斷機臺故障的目標,常用分類模型來對不同的衰退情況作分類,將衰退情況分為三大類:無衰退、些微衰退與完全衰退,接著再將三種不同的分類轉換為健康指標,最后再依此指標預測壽命.

圖3 滾珠絲杠維護系統工業應用架構圖
Fig.3 Industrial application architecture of ball screw maintenance system

在PT 平臺技術上采用云計算系統,用戶將可通過手機應用程序線上讀取當前滾珠絲杠的健康狀態,查看如剩余壽命預測、潤滑油量診斷和溫度診斷等關鍵指標,進而通過OT 技術來進行決策.

3.1.2 齒輪箱

PHM 協會在2009 年承辦的工業大數據競賽,以通用工業齒輪箱為目標,通過振動加速度數據與齒輪箱本身的規格來進行故障診斷與估計如圖4 所示.要求參賽者在沒有任何故障標簽的情況下,利用信號處理的方法與相關的背景知識來識別出故障部件、程度和模式.

數據集一共有560 個樣本,每個樣本各4 秒,包含3 個變量,2 個采樣頻率為66.7 kHz 加速度傳感器裝在輸入輸出軸的支撐板上,1 個每轉10 脈沖的轉速傳感器裝在輸入軸上,三者同時通過采樣得到.齒輪箱本身由正齒輪與斜齒輪組成,數據一共包含10 種工況,14 種故障模式.

以下將簡述幾種有效的診斷策略.在這次的比賽中,前兩名皆來自美國辛辛那提大學智能維護系統中心(IMS)團隊.冠軍隊伍提出了信息重組法,利用18 個帶通濾波器組合來重建頻譜并對特定的頻域做特征提取,通過聚類來做工況區分且以HOLO系數雷達圖對14 種故障進行分類,這個方法迭加了多個帶通濾波器,在全局分析同時可以發現局部特征,對于模型建立提供了很好的幫助.

第二名的隊伍則是采取了不同的策略,先對信號本身做常見的時域與頻域處理與小波分解、包絡譜等,在特征提取上取得了大量的特征,再由觀察輸入軸的轉速變化分離負載,利用齒輪嚙合頻率與頻譜相似性來分辨不同的齒型,再用健康評估的方法來得到無故障的樣本作基準,將剩余樣本與其找出的基準計算距離作對照,并以機率模型給出分類結果.

第三名的方法使用一種基于包絡譜和譜峭度來作分類的方法,在包含故障信息的信號微弱而噪音為主導的情況下,包絡譜分析并不能提供有效的信息,因此在進行包絡譜分析前需用特定的帶通濾波器來進行濾波,可降低噪音對信號的影響.

在DT 數據技術上,主要依靠加速度傳感器與轉速傳感器來采集齒輪箱包含故障信息的信號.在AT 分析技術上則是側重在數據處理的部分,通過不同方法來降低信號的噪音并提取特征,如利用帶通濾波器來改善數據質量,再轉成包絡譜等提供相對應的特征.

在此次的比賽中所進行的故障診斷主要為穩定的工況與固定的負載和轉速,在實際的應用場景中,信號的噪音可能較強或者工況可能為動態變化,因此仍需進一步的研究來探討負載和轉速快速變化的情況下,相對應的數據處理策略與分析方法.

圖4 PHM 2009 數據競賽:齒輪箱的故障診斷
Fig.4 2009 PHM data competition fault diagnosis of gearbox

3.2 單臺設備級別的案例分析

3.2.1 設備刀具

成功的工業人工智能技術需要良好的架構,包含最小化點對點的通訊階層、行動裝置的支持、位置感知與裝置間的互動.在這樣的設計之下,裝置可以存取多種來自傳統云計算和網絡邊緣計算的資源.這樣的架構有著幾項優勢:

3)安全且高容量的數據存取而不必傳輸所有原始數據;

2)增強物理層和網絡層的連接能力;

一個傳統的方法是依靠操作人員的經驗,通過人員的觀察或是切削聲的程度來判斷刀具的健康狀況(圖2 左下區),人工智能技術可以通過偵測、診斷和預測刀具狀況來避免問題發生(圖2 左上區).然而,數據質量、數據可見性及結果的可重復性等因素阻礙了傳統人工智能的發展和無憂智能制造系統的實行(圖2 左上區),需要新的適應性強的人工智能算法來系統性的應用,實現實時且準確的刀具健康信息評估,完成工作量與廢棄量的減低(圖2右下區).

4)超算中心提供可擴展的網絡;

5)實時的數據存取;

6)通過平行運算進行實時的大數據分析.

一個概念性的架構設計如圖5 所示,兩臺切削機被實時監控且機器效能、刀具更換以及必要的維修可以被操作人員得知.

每一臺機器都安裝額外的振動信號傳感器與10 kHz 采樣頻率的工業控制器,量測數據會被送到霧層作為主要的分析,在霧層中進行數據的前處理以得到干凈的數據并區分刀具的不同工況.由于刀具的狀況可能來自不同的操作區間,必須對相似的工況作完整的分析.數據的前處理完成后,干凈的數據以及必要的分析會整合在一起送入云層作進一步的分析,通過基于一種相似性方法的分析,每一個刀具的性能會與相似的刀具做比對而且具有代表性的信息如刀具的健康狀況、預測刀具損壞的時間與維修計劃會告知操作人員來做決策.

這個例子中,DT 對應的是適合的傳感器安裝,控制器通過工業級的通訊協議如MTconnect、Modbus 等來傳遞數據,而更先進的通訊技術如4G 網絡被用來解析來自霧層的數據;AT 創造一個流程來轉換數據,讓先進的機器學習模型如卷積神經網絡可以用來評估刀具的健康狀況或是預測刀具的剩余壽命,刀具和其他部件的健康狀況通過可視化來呈現,相關的結果可從行動裝置和網絡服務得知.最后基于分析結果,操作人員來決定是否對該機臺進行維護、更換刀具和其他零部件等.

一般來說,在切削過程中,不同的結構件用不同規格的刀具加工,在這個例子,切削刀具的衰退以及剩余壽命的預測都是不可見的信息.工作量的降低、廢棄物的減少以及免憂慮是實現智能制造的關鍵.因此,工業人工智能的目的之一就是創造無憂的制造系統.

1)通過提供預測分析工具給終端而減少網絡階層;

圖5 工業人工智能在刀具智能制造系統上的應用
Fig.5 An application of the cutting tools in smart manufacturing systems of industrial AI

3.2.2 數控機床

數控機床主軸的健康監測和維護是工業人工智能在設備級別應用的范例.主軸是數控機床中最為關鍵的組件之一,不可預測的主軸故障會對經濟成本和作業時間造成顯著的影響.通常,工廠不會儲備主軸備件,因為主軸是機床中最為昂貴的部件并且故障率比較低.這就導致更換主軸的周期偏長.因此,主軸的生產商高度重視在客戶端隨時監測主軸的健康并在主軸產生故障前郵寄主軸備件.自我意識、自我配置、和自我預測是主軸智能化的三個標準,并對主軸廠家的高收益提供保證.

通過對主軸的智能系統進行數據采集模塊安裝,可以采集到高質量的振動數據以及電流監測數據等.數據采集是通過FCFT (固定工況特征測試)的方法,讓系統定周期重復在固定工況下運行并采集相應數據.在數據采集的過程中機床會進行恒速運行以及變速運行.采集到的數據會通過通信模塊和機床控制器的 “握手”進行整理.機床和數據采集單元的交流會提前讓系統為FCFT 做準備,并通知DAQ 系統采集數據的時間.

分析技術是由兩個部分組成的:1)前端的信號處理與特征提取部分;2)服務器(本地或遠端)上的數據驅動建模與學習部分.信號處理的專用特征是基于軸承的幾何形態、電機的型號以及傳動軸的轉速提取的.特征隨后會同其他廠房相同規格的機器一起儲存在數據庫中.機床的健康模型會通過利用在服務器的機器學習算法來合成.當系統檢測到一個偏差,人工智能技術會與資料庫中的數據進行比對,推理出故障種類以及預測下一次零件質量偏差發生的時間.

智能主軸的平臺技術由前端處理單元Cyberbox 組成.前端處理單元Cyber-box 包含內置數據采集器、通信模塊以及計算處理器,是平臺技術里重要的組成部分.當一個FCFT 周期完成采樣后,系統會將數據按照機床運行速度進行劃分然后對時間和頻率的域特征進行提取,提取出的特征會發送到服務器的數據庫中進行進一步的處理.人工智能技術會提取機床健康信息然后與機床信息以及時間戳一起儲存到服務器的數據庫中,同時會生產一個含有機床實時健康狀態和診斷信息的網頁界面.健康評估的分析結果可以讓機床對本身的健康狀態有自我意識的能力;同時,機床可以通過檢測到的故障對主軸進行剩余壽命預測,給予機床自我預測的能力;最后,主軸可以在運行中完成自我配置運行參數進而避免故障同時延長壽命.

圖6 工業人工智能生產線機床的5C 架構體系
Fig.6 The flow of data and information in a 5C architecture based production line for machine tools

圖6 所展示的是用在數控機床維護網絡中的5C 架構.在零件級別,主軸的傳感器數據會被轉化成信息,數字孿生技術會對未來進行規劃來對每個零部件實現自我意識和自我預測.在第二層,更高級別的機床數據(例如控制器參數)會被整合在零部件信息中用來檢測機床狀態以及生成每個設備的數字孿生系統.這些CPS 設備中的數字孿生還會提供額外的自我比對能力.在第三層(生產系統),通過對零部件和設備級別的知識整合,可以實現工廠的自我配置和自我維護.這個級別的知識不僅可以保證無憂慮和 “近零故障”的生產,同時還可以提供工廠管理生產規劃和庫存管理規劃.最后,CPS 的5C 架構可以部署在云端平臺并應用在全世界各地的工廠.

3.3 生產級別的案例分析

3.3.1 富士康貼片機吸嘴的健康管理

SMT (Surface-mount technology)是一種表面貼焊(裝)技術的工藝,在工廠內是比較成熟且自動化程度相當高的一項工業過程.這項工藝主要是將電子零組件焊接在電路板表面上的一種組裝技術.該流程在電路板(Printed circuit board,PCB)上通過錫膏印刷機(Printer) 印上錫膏后,使用貼片機(IC mounter)執行打件處理(例如電阻、電容、二極管、晶體管和集成電路等),再經回焊爐(Reflow oven)工站的熱風使錫膏溶融,由此使得電子零件與電路板結合,完成零件的裝配與焊接,之后再通過AOI 光學檢測儀器來管控生產的質量.

SMT 制程中的貼片機臺(IC mounter)通過使用真空吸力技術來搬運電子零件,通過吸嘴濾芯傳輸真空來吸取零件,如BGA IC、聯接器(Connector)等,將這些電子零件放置到正確的電路板位置上.在實際生產中,吸嘴濾芯的使用壽命和使用程度將會影響到生產中的良率、吸嘴維護、更換工時和拋料成本,如果可以提前預測吸嘴的健康狀態,就能夠提升生產效率及穩定性進而增加公司的競爭力.此案例介紹工業人工智能體系應用于貼片機臺的方法,對貼片機臺上吸嘴的健康狀態實現有效的管理.

傳統的吸嘴一般沒有標記編號,且無法進行有效地搜集和追蹤吸嘴濾芯的健康狀態,需通過人工目檢的手段來檢驗濾芯臟污情形進行預測,然而這樣會造成手工作業時間成本增加.同時,檢驗人員的判斷標準不一致,一般會導致漏檢率高達10 %.因此,立項的前期,研究人員在設備生產端進行數據采集,試圖找出影響吸嘴的壽命的主要影響因素.通過收集生產57 小時的數據,分析得知吸嘴吸料次數和真空值有明顯的相關性,因此能夠將真空值視為一個主要失效關鍵測量值.在以數據為基礎進行分析后,研究人員進一步提出算法構架并建立吸嘴健康預測模型.

若能收集實時數據(吸料次數、拋料率、置件良率)建立模型來評價濾芯臟污面積并檢測吸嘴健康程度,于吸嘴衰退老化程度達到預警程度前及時進行濾芯清洗或自動更換,就可以達到降低拋料率、漏檢率的效果,同時縮短人員的手工作業時間.

在DT 采集數據過程中,通過鐳雕二維碼讓吸嘴具備獨立的ID,并通過IoT 技術與機臺連接,采集吸嘴持續使用至設備真空門坎值或吸嘴失效的數據,利用分布概要圖可以分析出失效區間之相關性.

在收集有效數據后,分析技術(AT)方面通過機器學習等方法訓練數據驅動模型,讓設備能自動判斷濾芯臟污區域,再通過改善吸嘴濾芯的潔凈度,延長其使用壽命.此模型目前在富士康集團經歷了多次優化及改善,使每一支吸嘴都有專屬的獨立健康模型,并植入所開發的APP 中,如圖7 所示,可以及時反應吸嘴受堵的異常狀態并警示維護人員,又能預測部件可用的剩余壽命.

圖7 Nozzle 吸嘴預測性維護APP
Fig.7 Nozzle predictive maintenance APP

通過吸嘴健康周期預測和自動更換,智能維護系統可有效降低吸嘴保養成本、更換吸嘴維護的工時同時節省66 %拋料費用成本,并降低64 %吸嘴庫存量.

3.3.2 富士康機床部件的預測性維護

機械加工的核心部件是用來切削工件的刀具部件,最直接影響加工工件的質量.在加工的過程中刀具會隨著切削工件而逐漸磨損,這樣會造成加工效率和質量的下降.同時,在磨損到一定程度后要進行更換,若無更換的話,嚴重則會導致主軸發生故障,引起更加嚴重的損失.富士康集團擁有超過10 萬臺不同種類的精密加工CNC 設備,需要海量的人工來管理及監控加工狀態和切削刀具的磨損情況,同時根據經驗來判斷更換刀具的時間.而刀具管理過程有很強的不確定性,例如材料差異、參數設定等因素,都會對刀具損耗的速度造成影響.所以,通常難以單純使用經驗法則來預測刀具的剩余使用壽命.

具體來說,在手機結構件機加工和模具制造等過程中都會大量使用不同規格的刀具.對于車間的操作人員來說,刀具的剩余壽命和磨損狀態是不可見的,過去能夠憑借經驗來對其進行粗略估計,或者憑借操作員的經驗通過觀察切削火光和聲音判斷刀具狀態.目前富士康以無憂刀具為目標,使刀具的狀態能夠被實時并準確地評估,提高切削刀具的穩定性和壽命.此項目一直是富士康集團的核心研發項目之一,同時也是在國際上機械加工領域中的重要研究課題.

在實際生產中,影響刀具壽命和穩定性的因素很多,比如刀具的材料、結構、涂層以及加工機床的狀態、工件的材料、加工冷卻效果與場地環境等因素.傳統刀具壽命管理的痛點和瓶頸在于無法精確預測刀具加工過程中的正常磨損以及斷刀等狀況,通常通過加工者的經驗、刀具的加工時間或切削長度進行刀具壽命管理.然而,過早替換刀具部件會造成生產成本的提高,過晚替換刀具則可能造成產品質量異常,甚至引起加工機床重大損失.一般企業需要一定的人員進行質量的監控和檢測,同時承擔異常品的損失.因此,刀具壽命監控及預測的機制非常關鍵,可以顯著提高切削加工的效率及質量.傳統的數學分析方法在高頻數據與多種影響因素的干擾下難以滿足實際的分析需求.因此,需要利用工業人工智能技術對海量數據進行分析建模,解決刀具壽命預測的難題.

為了有效地進行刀具壽命監控及預測,首先在數據技術(DT)方面,在目標機床上部署邊緣端智慧硬件,將采集的原始傳感數據進行信號處理和特征提取后傳送至擁有高運算能力的FII 云計算平臺.通過使用邊緣計算,提取能夠表征刀具衰退狀態的400 多個影響健康狀態的特征,將傳輸的數據體積縮小了近百倍,有效降低了數據傳輸和算力的負擔,減小了通信等基礎設施的投資成本.在收集數據后和在建立模型前先評價數據可用性,采用有效的信息特征來建立數學模型并加以訓練,避免低質量的數據影響模型性能.

在本案例中我們通過采集傳感器與控制器中的高頻數據以及PLC 低頻數據進行分析,包含振動、電壓、電流信號以及加工單節、加工時間等數據信息.在進行數據的前處理、分割、特征提取后,得到不同種類的時域和頻率特征集合,并采用不同的自動化特征選取方法,建立刀具的磨損量評估模型,同時基于刀具磨損量的評價結果建立刀具剩余壽命預測模型.

最后將該模型部署于生產中的服務平臺,實現上層應用的用戶定制化界面開發,提供接口供指定刀具傳輸實時數據,實現刀具剩余壽命監控及預測能力.本案例技術構架如圖8 所示,通過采用刀具部件壽命監控及預測維護系統,可以最大限度的降低維護成本并優化產品質量.此系統為某條機殼加工線所帶來的效應根據初步統計,能夠減少60 %的意外停機時間,降低50 %巡視監控機臺狀態所需的人力,并且質量缺陷率從6 ‰進一步降至3 ‰,每年能夠節約16 %的刀具成本.

3.4 機器群級別的風力發電風場案例分析

風電行業是一個正在高速發展的領域,近十年中國在這方面保持著飛速發展的趨勢并且成為風電行業裝機規模增速最快的國家.越來越大的市場需求對風機的性能提出了更高的要求.風機設備制造商(OEM)在降低風機成本方面付出了很多人力物力,但是隨著風機制造技術的不斷完善,所剩余的改進空間越來越小.相對而言,風機的運營管理還處在一個起步階段,風機的故障診斷和健康管理還沒有被良好地利用.研發智能化風機系統的難度在于:

1)風資源的難預測性包含著風速、風向以及風能密度的非線性變化.這些隨機性的動態過程變量對于預測風速和風功率的精準性提出了更高的要求.

2)風場多建于偏遠地區以及環境多變的海上,這就對于維護工作提出了更高的要求,也會應用到一些特殊設備,導致維護成本和周期長度的提升.

3)風機傳動系統的衰退程度、潤滑狀態以及偏航齒輪條的磨損程度等會受風資源的復雜性影像而具有較大的個體差異性,因此傳統的預防性維護很難應用在風場運維中.

圖8 刀具壽命監控及預測技術構架圖
Fig.8 The four enabling technologies framework for tool life monitoring and prediction

基于目前的風電發展趨勢和運維挑戰,智能化風機系統需要滿足的關鍵功能總結如下:

1)風機以及其關鍵零部件的健康管理與衰退的精確化和透明化分析;

2)風機以及其關鍵零部件的健康趨勢分析和剩余壽命預測;

3)風機發電性能的實時監測和風場級別的風機性能分類;

4)風場基于風資源預測技術的智能調度管理;

5)風場基于風機以及其關鍵零部件性能檢測的運維優化調度.

智能化風機健康維護系統的核心是基于風機關鍵設備狀態的精準評估、環境情況的精準預測以及運維任務狀態的精準分析下,對風機運維的調度、排程和執行進行管理決策方面的優化.風機所處的周圍環境比較復雜,風機的運行機制多樣,風機內部的關鍵零部件較多,同時運維任務的流程和涉及到的情況比較復雜,這就需要在CPS 的框架構造基礎上對系統的功能層級以及順序進行分析.以IMS 中心創造的CPS 的5C 架構作為模版,開發智能化風機健康維護的CPS 功能結構,每一層的具體要求和實際機制如圖9 所示.

風場具有一個典型多源異構體的數據類型.數據主要來源于監控和數據采集系統(Supervisory control and data acquisition,SCADA),以及狀態監測系統(Condition monitoring system,CMS).這些信息資源提供了環境信息、工作狀態信息、控制變量、狀態變量、關鍵零部件的振動信號,以及一些其他數據.額外的數據資源包括電網調度信息,工單系統,人事管理以及資源狀態的維護等.通過IMS 中心提供的Watchdog Agent 大數據分析工具包對以上各種數據資源的綜合分析,對風機進行建模以及可視化,形成一個可以廣泛應用的風機性能評估,剩余壽命預測和風場運行維護管理系統.

關于智能化風場的健康管理和運行維護方面的研究與開發分為兩部分:對于風機性能的預測分析和維護排程的優化.首先,通過對實時數據的分析,可以完成對當前工作環境的有效路徑識別和風資源的狀態評估.其次,提取的有效的健康特征可以建立風機以及關鍵零部件的健康模型,當前的風機衰退狀況也會被評估和分析.通過對風機以及關鍵零部件的健康評估,潛在的運營風險和儀器的可能失敗模式可以被進一步判斷,而且剩余的有效壽命也可以被預判.這些都可以作為最大化風機發電能力的保障,同時盡可能地減少系統的停機時間,避免重大停機問題的發生.

智能風機系統的模塊化設計具有更多的可伸縮性.例如,部署云端服務器可以提供更多的風場定制化服務的同時完成風機的智能化升級.通過對風機的數據進行處理,相關的特征和模型可以上傳到云端服務平臺來實現統一化管理.用戶也可以通過這個平臺實現多個風場風機的遠端實時監測和歷史性能的追蹤.

風場動態運營維護的優化需要對每一個風機進行精準的健康狀態評估,以及同步目前風扇健康信息,環境信息以及維護資源信息.風資源的預測也是風扇調度優化的一個重要方面.風機的維護需要在風資源貧乏的時候進行,這樣可以盡可能地減少由于停機維護而造成的發電影響.IMS 中心已經研發了一個用于海上風場的中短期運行維護計劃的優化模型.這個模型是基于風場的真實情況和優化設計方案以及非線性的約束條件來確保實際維護實施擁有最大限度的擴展性,該模型同時可以提供最優決策.

圖9 基于CPS 的5C 架構體系的智能化風力發電風場
Fig.9 The flow of data and information in a 5C architecture based wind farm

海上風場維護計劃的優化是基于海上風場維護工作的特性而定,船只的使用、天氣因素、維護人員安排、維護訂單安排、風機的健康狀態以及導航的費用都需要進行考慮.對于每一次維護作業,不同的維護團隊可以被安排在不同艘維護船只來提高維護計劃的靈活性同時降低成本.但是這樣一來就增加了可行性的搜索范圍,需要增加優化要求來解決更加復雜的優化問題,常用的優化軟件如Matlab Optimal Toolbox 和Guribi 很難在合理的時間內解決這種問題.為此IMS 中心設計了一種兩層的基因算法模型用于解決海上風場的運行維護優化問題.這個算法有著強大的擴展性,與商用優化軟件相比更好的計算能力以及可以更好地滿足風場的智能化實施.以一個海上風場的維護任務為例,與傳統調度計劃相比優化后的智能調度計劃可以降低多于25 %的維護成本,顯著提升了風場運行維護的效率.

3.5 Watchdog agent toolbox

IMS 中心在過去的研究中,從大量的應用場景中歸納總結出一套分析流程與算法工具包:Watchdog agent toolbox,如圖10 所示,其分析流程采用了以下的預測與診斷框架,包含數據采集、信號處理、特征提取、健康評估、健康預測與結果可視化.

這樣的分析流程已被廣泛地應用在不同層面上,從結構較為簡單的旋轉機械元件如軸承,到組成更為復雜的工程系統如發動機,也從產業如傳統制造到半導體制造等.在不同應用中,都需要通過算法工具獲取關鍵信息,而即使在同一應用環境下,仍然要根據實際情況來選擇適當的算法工具來進行分析.因此,IMS 中心發展了一套特別針對故障預測與健康管理的工具包來將廣泛使用的算法整合在一起,用系統化的方式對每種算法作優先度排序以減少實際應用中需要反復實驗的次數.

圖10 Watchdog 工具包簡介
Fig.10 Descriptions of the Watchdog agent toolbox

其預測結果可與企業本身的生產規劃系統結合來確保適當的維護措施可以在故障實際發生前進行,并加以優化維修策略,進一步降低額外的生產成本.

4 結束語

工業4.0 是將工業進程以及產品質量從過度依賴人員經驗轉移到注重以事實為基礎的智能系統.雖然人工智能在這個過程中起著至關重要的角色,但是傳統的人工智能技術過于注重日常生活、社會交流、金融等行業.相比而言,工業人工智能是一個基于工業領域,注重于效率性、可靠性、重復性以及系統優化的智能系統.工業人工智能技術更加適用于解決特定的工業問題.盡管當前工業人工智能技術正在飛速發展,然而整體上仍處于起步階段,工業界的許多實際的問題仍然沒有得到有效解決,如何發展工業人工智能方法體系以更好地服務實際工業生產并創造價值是未來的研究方向.具體來說,首先以深度學習為代表的計算方法是構建智能系統的核心因素,此類技術的發展會直接提升我們對工業大數據的利用能力;同時,當前對工業系統的分析主要集中于對傳統信號的處理,如振動信號、控制信號等,將最新的機器視覺方法引入傳統工業中對解決如質量檢測、實時反饋控制等實際問題有著巨大的潛力;隨著5G 技術的發展,低延遲的分布式工業物聯網系統也會為工業人工智能體系帶來新的機遇,進一步推動完善工業級數字孿生系統.本文所提出的工業人工智能系統框架預期會幫助專業人員探查復雜系統的隱性知識,同時通過對工業設備實現自主判斷能力來完成彈性生產并最終創造更大的社會價值.

審核編輯：符乾江