Sergei Schurov博士,GF加工解决方案万博 尤文图斯
今天,机床仍然是推动技术进步的主要工具。工业4.0技术的快速发展,包括机器连接、物联网(IoT)、制造过程模拟、生产流程建模和用于预测性维护的基于云的分析,极大地影响了这一行业。
人工智能和机器学习技术在工业物联网中有着特殊的地位。一方面,由于制造性能需求增加、技术复杂性增加、熟练操作人员基数减少、产品周期和上市时间缩短,机床制造商必须以一种聪明的方式做出反应,以满足生产率提高的预期。这种预期的变化既适用于终端用户,如机器操作员和车间经理,也适用于机床制造商的产品开发团队。
作为一个主要的工业企业,GF加工解决方案在将机器学习技术集成到其产品的前沿。万博 尤文图斯s manbetx 845在本次演讲中,Sergei Schurov博士讨论了GF解决方案组合中这类算法的几个应用,并将探讨将它们引入新系统设计的好处和挑战,同时保持在市场上的竞争力。万博 尤文图斯
记录时间:2019年5月23日
早上好,每个人。很高兴来到这里。上次演讲已经过去三年了。
我想谈谈我们是如何将机器学习,人工智能,以及所有这些优秀的技术应用到现实中,为我们的客户提供价值。所以我把这叫做机器工具中的人工智能应用,但我会从我今天早上在火车上看到的新闻开始。消息来自新闻推送。
你可以看到,在季度收益电话会议中提到的人工智能已经超过区块链。好吧,我认为这在今天是合适的因为也许我们没有人在金融领域工作,但至少我们都知道什么是衍生品。那好的。
今天,我将谈谈人工智能,向工业现实的过渡。但首先,我要简单介绍一下公司。格奥尔格·费舍尔是这个行业的先驱。它于1881年在瑞士成立。
如果你还记得历史,那是在工业革命的中期,第一。格奥尔格·费希尔既是工业革命的受益者,也是工业革命的产物。因此,它是最早从手工生产向机床生产过渡的企业之一,再到机器生产,再到后来的机床生产。
现在我们生活在工业4.0时代。但在此之前,还有两场革命,从亨利·福特开始——嗯,从2.0开始,它带来了装配线。你还记得亨利·福特的名言吗,你知道,你可以订购任何一款福特T型车,只要它是黑色的。
然后是大规模定制,我们现在可能正在
你从汽车行业,从你的汽车经验中知道,你可以选择任何你喜欢的汽车,任何规格。事实上,选择是无限的。作为行业的供应商,作为行业解决方案的供应商,我们提供广泛的产品和技术。万博 尤文图斯s manbetx 845事实上,甚至选择最合适的技术也变得复杂和复杂。因此,我们的答案是提供系统解决方案,以满足客户日益快速的生产和产品开发周期万博 尤文图斯的期望。
三年前,当我在柏林的这个活动上演讲时,我问了一个问题,那么接下来会发生什么?我说,也许在工业4.0的框架下,我们需要关注智能工厂,自学习机器,以及智能机器。所以现在我们在这里。那么在过去的三年里发生了什么呢?
我已经说过,第四次工业革命就在我们身边。好吧,我们做了一些介绍。我们知道第四次工业革命,工业4.0,带来了互联互通。
但这并不是它带来的唯一东西。它确实给整个行业带来了变革,包括制造业、价值链。我的意思是——我们之前听说过敏捷。敏捷无处不在。
敏捷正在帮助加快开发周期,提供从一个想法到一个概念的更快时间,并提供多个迭代。这就是敏捷。我们之前在Andrew的演讲中听到的另一个工具是关于设计思维的。
设计思维是连接工程师和客户的纽带。你是否经常听到这样的故事,你开发了一个很棒的产品然后把它推向市场,你为什么要这么做?我真的需要吗?这就是设计思维的切入点。这让我们能够在早期原型的基础上获得早期客户的反馈,验证,迭代,回到设计委员会,重复,并快速连续。
所有这些都通过建模和仿真的使用成为可能,这就是MathWorks和MATLAB现在所处的位置,与Simulink,与Stateflow状态,就在中间。万博1manbetx模序降阶技术,减少了模拟时间。机器学习和人工智能通过尖端或基于云的计算工具为模型带来了力量。你经常可以在两者之间做出选择。
真正重要的是,所有这些都降低了开发周期的时间。在过去,我的意思是,Georg Fischer是一家实体公司。我们已开始生产金属。我们从管道生产开始。我们从机床开始,继续机床生产。
现在我们变成了一家软件公司。这确实是一个重大的范式转变。正如你在这里看到的,软件不仅仅是关于技术。它改变了我们的工作方式,所以产品开发周期,不再像机械原型那样,受到冗长的迭代周期的驱动。但这是由模型驱动的。
我认为这是这次演讲中非常重要的一点。现在让我们来看看我们在开发产品和解决方案时使用的一些构建模块。万博 尤文图斯s manbetx 845因此,有一系列的技术可以应用人工智能NML。我们说我们真正应用在整个价值链,生产和产品生命周期,产品价值链通过产品操作,从发展服务,客户,和维护阶段时我们可以帮助客户确保产品的持续可靠性和可用性。因此,人工智能给整个制造业价值链带来了价值。
再多说几句关于公司的事情——正如你所听到的,我们提供广泛的产品范围从铣削,电火花加工,激光,这已经是非传统的技术;s manbetx 845增材制造,这是更非传统的。所有这些都是通过工具和自动化来补充的,现在还注入了数字化转型的数字化思维,即工业4.0。我提到过Georg Fischer成立于1882年,是一家总部在瑞士的公司,去年年底有大约15000名员工,收入为45亿瑞士法郎。
我们几乎遍布全球50多个国家,拥有140家销售公司和57家生产工厂。并且有三个部分:管道,铸造解决方案,和加工解决方案。万博 尤文图斯所以今天,我代表了GF加工解决方案。万博 尤文图斯作为一个机械加工解决方案公司,我们认为自己在精密机床、万博 尤文图斯自动化解决方案以及生产增值部件的客户服务方面处于领先地位,我们在全球都有业务,总部设在瑞士。
现在回到我们的技术和解决方案的幻灯片上,我提到了开发操作和维护。万博 尤文图斯让我们看一些从运算开始的例子。这里我们可以谈谈,我可以谈谈为零缺陷制造的人工智能。重要的话题——当你买东西的时候,你想要确保它能用。
我在这里展示的例子是电蚀机。在我讲技术细节之前,先说几句,关于你们可能不熟悉的技术。电火花加工是硬质材料加工的首选技术。为什么?
因为它是通过电蚀工作的。意思是你通过产生电火花,去除小块材料,小块材料。这个过程的好处是它对材料的硬度不敏感。这意味着你可以使用世界上最坚硬的材料,只要它是导电的。电线沿着CNC路径。你可以选择,你可以沿着你在CAM中选择的任何形状或轨迹来产生你想要的结果或输出。
到目前为止,一切顺利。然而,这个过程相当复杂。如果控制不好,就会产生缺陷。正如你在这里看到的,这两条小线,虽然看起来很小,但它们可以作为压力的集中。这可能会导致一些不幸的事件,比如服务部件的故障。
显然,您希望避免这种情况,并且必须提前处理进程异常。好消息是,电火花加工过程是完全监控过程。我们知道每时每刻都在发生着什么,从电流,电压,到机器上的存取位置。我们知道一切。
但是如果你试图通过直接分析,你不会走得太远,因为你在这里可以看到,所有这些脉冲都是有效的脉冲它们可能发生在正常的侵蚀过程中。这些都是有效的——不一定是你想要的,但不一定会产生缺陷。所以正常的脉冲,减少的脉冲,甚至是开路,这都不是缺陷的同义词。
你需要做的,我们所做的,是将这些脉冲或其他特征,从电流和电压,分组到特定的类别中。然后我们应用机器学习使用分析分裂的50个样本集,被分为训练集和测试集,然后运用三层脚反向传播神经网络,提出了预测结果关联数据与测量数据、控制数据。你们在这里可以看到的是,你们在这里可以看到一个点,结果显示最优的相关性不一定对应于最大的节点数。
21个节点是97%,6个节点是100%。怎么了吗?所以工程师面临的挑战是优化模型以确保它有正确的复杂度,但同时,它也有正确的精度。
让我们看看它在实践中是如何工作的。这是我们叠加缺陷的部分的CAM图像,预测的缺陷。你可以在这个模拟中看到这些红线或黄线表示缺陷可能发生的地方。
显然,在轨道上,你不会有那么多的缺陷。但当你有了它,这就是你要去的地方。这是质检员真正想要检查零件的地方,看它是否好,而不是需要检查所有东西,零件的每一毫米。所以我不想在技巧上讲得太深。
这是一种神经网络分析,利用预测数据和实测数据之间的相关性来训练模型。对我们来说有趣的是,每台机器和每一个几何图形都有一个独立的机器学习签名,它需要经过训练。另一个学习,正如我之前提到的,机器精度并不总是随着神经网络节点数的增加而增加。
好的,这就是零缺陷制造的例子。好的,你需要看下一张幻灯片。现在让我们看一个开发中的例子。这就是开发工程师,应用工程师,使用他们的过程知识和机器学习技术来开发定制应用程序的地方。
为什么定制的应用程序?因为通常情况下,标准的开箱即用的解决方案对终端用户来说已经不够好了,他们希望推动我们在他们的领域万博 尤文图斯更深入、更专业,以满足他们的特殊需求。同样,您前面看到的edm的例子是YEDM机器。
当你使用薄电极来钻孔时,电火花加工也可以存在于稍微不同的应用中。为什么要钻孔?例如,在空气范围内——温度可以超过——气体温度可以超过1200度甚至更高。
通常[听不清]材料,镍合金,在800或850或以上的温度下,它们的性能开始下降。所以解决办法就是冷却引擎叶片,他们的引擎叶片。这是通过钻冷却孔来实现的。电火花加工是硬质金属的独特解决方案。所以在这种情况下是非常适用的。
但现在我们做的是简单的计算——250个冷却孔乘以40个叶片,再乘以8个叶片再乘以每年生产的几千台发动机。你有几千万甚至上亿个洞要打。钻一个单孔的时间大约是10秒,5到10秒。意味着每一秒都很重要。
现在我们可以做得很快,但我们不想失去质量的轨迹。电火花加工过程是复杂的,因为有超过100个变量需要控制。并非所有这些都同等重要。但即使你深入到15,10,5,10,15个变量,它们也必须保持在最佳状态。
找到最优方案是一个非常非常大的挑战。为什么如此?因为过程是相互依存的。存在局部极小值。有一个过程噪音。应用程序必须是具体的。
最后,看看这个。Spark是随机的。你永远不知道什么时候会发生。你无法预测它是在这里,还是在那里,还是在这里。所以你必须用统计的方法,用统计的形式来处理这个问题。
你想要达到的是这样的结果。如果你不小心的话,你会得到那个。意味着火花浓度是在错误的地方,它造成了凸出,这显然是不可取的。
因此,必须优化工艺,以最大限度地提高切削速度而不损失质量。我们该怎么办?我认为这是一个结合领域专家知识的例子专家知识,是我们的专家工程师或应用工程师或操作员,甚至,与我们称之为应用冠军或应用专家,他可以调整机器学习输入,并将其与融合规则结合,为机器生成最优参数集。所以我们用随机优化算法来求过程的最小值。
一个简短的演示它是什么意思,你在左边看到的是我们想要控制的一组参数。你在右边看到的是我们想要得到的输出的集合。首先是材料去除率。第二个是钻孔的时间,第三个输出是电极磨损。显然,你想要最大化第一个,同时最小化另外两个。让我们看看会发生什么。
所以我们开始模拟,我们允许机器学习查看输出结果并调整它的行为,以确保你得到这三个输出参数的最佳特性。有趣的结论来自我们——我们有专家。我们有业内最优秀的人来调试机器。
机器学习算法,他们可以做得更好。在每一个时间和每次迭代过程中,我们发现10%到15%的提高,不是因为我们的专家不够好,而是因为过程的复杂性,使其越来越难以找到合适的设置的参数只是根据经验。好的,让我们来看另一个例子。这次,我们要看看维修。
好的,我们今天早些时候听说过剩余有用寿命预测。这很重要,因为当你是一个用户,当你买了一台漂亮的机器,你不希望在机器坏掉的时候浪费时间。你想知道这个机器什么时候需要维护,什么时候需要停止服务。所以我们的用户,我们的客户,他们优化他们的工作流程计划,在一定程度上他们可以提供,保证他们的短时间交付给他们自己的用户,他们自己的客户。
用户的期望是什么?首先,他们想提前知道机器什么时候需要维修。其次,他们并不一定愿意为此支付不必要的费用。就像你的车一样。
当你把车开到修车厂时,因为它显示有2万公里,你知道,你会想,你知道,真的,我真的需要现在做这件事,还是我能再开1万公里?同样的对于我们。
客户说,我现在真的需要维修机器吗,或者我可以再等一个,我不知道,一个星期,一个月,等等?要给出答案并不容易,无论是对于汽车还是对于我们的机床。
为什么?因为没有自动维护卫生。机器不会告诉你或者汽车不会告诉你它什么时候要抛锚了除非你去帮它,对吧?另一件事是我们能得到的数据,当然是可用的。但是他们有大量的数据。
一台数控机床每个月产生几兆兆字节的数据,如果你装备了额外的传感器,甚至更多。这些数据来自不同的来源,它们是异构的。这意味着把这些信息联系起来并不是那么简单。今天早些时候,您听说不同通道输入之间的时间同步不是一项容易的任务。我说过,提前干预增加了不必要的成本,不仅对客户,对供应商也一样,对像我们这样的供应商,因为维护成本经常被纳入到产品成本中。
我们的方法是什么?我们使用了一种混合的状态监测技术我们将监督学习和非监督学习结合起来观察估计来估计剩余的有用寿命并预测意外的故障,对吧?因此两者同时运行,向用户提供何时进行干预的信息,并给他在强制干预之前还剩下的时间。
我们如何使用它?我们使用高斯模型,自适应高斯模型,来显示偏离正态的情况。首先,我们将对称高斯钟形曲线转化为概率混合模型分布。
这是我们和ETFL的同事一起做的工作。然后应用预测维护算法对数据进行聚类并提供训练数据集。最后,我们计算残差的有用寿命,以得到距离残差的回归计算的平均值作为失效概率测度。这里有点拗口,但基本上,它的意思是,越远的地方,这条曲线就表示出可能发生故障的地方。你离曲线越近,失败的可能性就越大。
让我们看一个如何在仪表板上运行的例子。这就是我们提供给客户的。这不是EDM的情况。我们正在看铣床的例子,我们需要告诉用户,以帮助用户了解多久的机器将持续之前,它需要维护。
例如,在这种情况下,我们有639天,这就足够了。机器可以正常工作。然后,在某一时刻,这组参数将向算法表明,故障的概率在增加,但机器仍然可以继续运行。之后,我们估计失败的概率是100%。
所以我们建议用户,现在是时候维护机器了。我们会继续监控这些参数。一旦一切都恢复了秩序,机器的可用性就可以恢复正常。
我想举的最后一个例子是内置计量。为什么内置计量?因为在某些情况下,生产中的操作或应用程序或机器必须是迭代的或交互式的,如果你愿意的话。
所以你得到的结果是你不能100%确定它是否足够好或者你需要再等一段时间。就像在厨房里,你知道吗?比如,你在做饭。有时你真的需要品尝它,直到你知道它是好是坏。这就是内置计量的用处所在。
我举一个关于功能性服务的例子,这是大自然的魔力之一。功能面是什么?看看这个视频。
当你看这个的时候,它实际上解释了疏水表面,排斥液体的功能表面,当你看这个视频的时候,我可以给你一些关于应用的评论。应用领域有汽车涡轮喷气家用电器的自清洁,医疗中的抗菌应用,防冰应用,再到航空航天等行业,再到防粘接。例如,你不希望零件太粘在一起。例如,在模具中,你想要塑料容易从模具部分,从成型机中分离出来。
测量这些特性的方法通常是测量粗糙度。粗糙度是数组。基本上,就是波谷和波峰之间的峰与峰之间的距离。
问题是,正如你在这里看到的,粗糙度并不能提供所有你需要的数据,因为在左边的情况下,你有标准的粗糙度,标准的组成部分不是功能表面,它不会是疏水的。它不会拒水。在右边,它是一个功能曲面。
Array也是一样。峰间距离是相同的。但你可以看看侧写。你可以看看表面的微观图像,你可以看到它们明显不同。当然,行为也会有所不同。
如果我们有内置的计量系统,我们就能检测出缺陷。除了识别表面,我们可以延迟对缺陷的标记,并希望在部件仍在原位时纠正它们。我们可以优化整个过程,使用自学习算法和自动化,正如我们之前看到的。当然,这里的另一个附加价值是内置的计量,当你可以测量零件的尺寸精度,并在必要时进行修正。
因此,为了获得所需的性质,需要进行原位表征。我们怎么做呢?我们有一个叫做表面解释器的工具。
首先,我们准备图像训练集。然后使用图像处理算法。然后我们可以用回归或分类技术对结果进行分类。回归分析利用训练数据导出表面粗糙度,并分类和估计使用哪种类型的技术来产生这种粗糙度——要么是功能表面技术,要么是常规表面技术。
所以图像分析使用卷积神经网络来识别指纹。这里有一个例子来说明这是如何运作的。左边是输入图像。该系统使用机器学习分析来估计数组值,给出这三个例子的预测结果。
同时,它也会估计这是一个功能性的表面,像这里一样,还是一个传统的标准技术,用来生产这个特定的部分。这可以用边缘PC来完成。事实上,这是通过使用边缘PC完成的,这样用户就可以在自己的站点上运行所有这些应用程序,而不需要回到云上。但如果他回到云端,我们就能增强算法,他也能从更高的精确度中获益。
这是最后一个例子。我想总结一下我们现在所处的位置以及接下来的步骤。因此,我们看到人工智能的发展,在开发、运营和维护的过程链的所有元素中发挥作用。
因此,在开发方面,我们将机器学习应用于快速轨道技术开发,就像我们在钻机上看到的那样。在操作方面,我们可以协助用户确保零缺陷制造,提供灵活性和操作有效性,缺陷识别等。而在维修中,我们可以预测剩余的使用寿命,并确保服务能够及时进行,不是太晚,不是太早,而是及时维护机器的可用性。
最后,一个反问句:我们能承受不使用人工智能的后果吗?好吧,我想投资者已经给了我们答案。但回顾行业的基本原理,加速客户对特定应用解决方案的需求——正如我所说的,标准还不够好。万博 尤文图斯
你需要专业化。你需要具体一点。每个客户都有自己的要求。为了扩大规模,我们不能继续像往常一样工作。
制造价值链在复杂性中成长,需要适应。有一个持续的驱动来提高性能生产力—连续请求做得更好、更快、更平滑等等,而不需要昂贵的和容易出错的人工干预。人类——不要误解我。我们总是需要专家。
但专家的应用领域正在发生变化。现在他们变成了管弦乐队的指挥,来调音,来确保机器学习过程的每个元素都在正确的时间、正确的地点、正确的力量下发挥作用。他们不再只是拥有所有必要信息的专家,而是知道在什么时候该拉什么关系。
最后但并非最不重要的是,我们必须警惕亚洲正在发生的事情。这里你可以看到图表,在人工智能相关的专利申请方面,中国正在加速。他们的专利申请是美国的五倍。
这里我们看看人工智能和深度学习之间的组合数据,它们被放在一起。所以从本质上说,AI已经做出了选择。这是自我实现的,而且还在加速。
我想用这个问题来结束我的演讲。事实上,我无法回答接下来会发生什么,但我可以告诉你现在已经发生了什么。我们正处于4.0的中期,但我们谈论的是工业5.0,这是关于人工智能和机器学习的。谢谢大家。
你也可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。