新闻中心

       在阅读此文前，为了方便您进行讨论和分享，麻烦您点击一下“关注”，可以给您带来不一样的参与感，感谢您的支持。

       编辑/江畔雨落

       前言

       物理系统是由计算和物理组件的协同作用构建并依赖于其协同作用的工程系统，新兴的物理系统将是协调，分布式和连接的，并且必须强大且响应迅速，物理系统将改变工程系统的交互。

       就像互联网改变了人们与信息交互的方式一样，在制造业中，物理系统可以利用来自不同联网传感器、机器和系统的大数据。

       通过智能预测和诊断来提高生产率和质量，每个物理组件和机器在网络空间中都将有一个孪生模型。

       每个组件和机器都可以预测和防止潜在故障，并进一步具有自我意识、自我预测、自我比较和进一步的自我重新配置，以及自我优化，以实现强大的智能和性能。

       借助这些功能，未来的产品和系统可以转型为更加智能，并且能够适应不断变化的环境。

       如果一台机器可以从自己的历史和其他机器中学习呢？如果风力涡轮机可以向同一风电场内的同行学习，以便快速生成其状态和维护要求，会产生怎样的影响？

       机床还可以自我评估其部件退化，以便调整加工参数以防止零件质量问题，如果机器可以从人类知识和操作中学习，以提高其预防错误的智能，那会怎样？

       物理系统——全新发展战略

       自我意识和自我维护的机器系统被定义为可以自我评估其自身健康状况和退化的系统，并进一步使用来自其他同行的类似信息进行明智的维护决策，以避免潜在问题，实现这种智能的智能分析将用于单个机器以及车队级别。

       现阶段比较重要的问题就是解决在为自动化应用和相关机器开发自我意识和自我维护框架方面的研究差距，以便这些系统能够自我意识，自我比较，自我预测并进一步做出自我优先和自我优化的决策。

       主要目标是通过利用信息系统和基于云的分析的最新进展来设计一个统一的物理系统平台。

       自2007年以来，作为新发展战略的一部分，美国政府一直在处理物理系统研究领。

       物理系统的应用包括但不限于以下内容、制造、安全和监视、医疗设备、环境控制、航空、先进汽车系统、过程控制，能源控制、交通控制和安全、智能结构等。

       异构性是在任何现实生活中实现网络物理系统最具挑战性和最重要的因素之一。

       异构性要求对物理和网络组件之间的交互进行跨域建模，并最终导致需要一个基于模型、精确和可预测的框架，以实现可接受的物理系统行为。

       在为工业环境中的不同机器系统设计物理系统时，很难一步到位达到最高水平，因为它包括不同级别的技术实现，为了更好地评估当前状态并以系统的方式为制造业设计物理系统而提出了物理系统价值主张的分层架构。

       在这种架构中，物理系统可以从基本的最低连接和数据到信息级别实现，然后通过在更高级别添加高级分析和弹性功能来增加其对用户的价值。

       随着研发工作的成功，从机床和其他制造设备获取数据似乎将变得不那么困难，通用数据协议和数据格式标准也打破了实现连接级别的障碍。

       然而对于更复杂的工厂系统，例如半导体制造，集成异构数据源仍然是一个挑战，数据到信息层面以及预后和诊断方面的相关工作也受到了相当多的关注。

       模型的输入包括振动、温度和扭矩测量的特征，该方法可以检测和诊断进给轴系统上不同类型的感应故障。

       尽管该方法取得了可靠的结果，但有人指出，机器预热和其他因素的影响可能需要一个随着时间的推移适应或重新训练的模型。

       使用随着时间的推移而学习的时间历史和算法是必要的，这是为了达到网络水平，并为制造设备和自动化系统实现可靠的健康信息和寿命估计。

       开发使用不同退化时期的时间历史和来自车队中类似单位的数据的健康监测算法并非易事，直到最近才有研究解决了这一主题。

       尽管分析方法相当复杂，但对于实际使用，寿命预测方法必须考虑不同的操作条件以及维护操作对寿命估计的影响。

       与传统的健康监测基线方法相比，基于车队的相似性方法提供了更可靠的健康信息，但仍取决于大多数单位处于正常健康状况的警告。

       认知层面旨在使用推理和决策算法，根据来自受监控设备的健康信息推荐适当的维护或生产行动。

       尽管一些工作侧重于维护和生产决策支持系统，但它通常基于假定的设备健康或可靠性值，将实际设备健康值纳入决策过程的完全集成系统还不成熟，因此达到各个行业的认知水平仍然是一个挑战。

       健康监测系统将提供资产的剩余使用寿命预测作为输入，并使用期权理论来决定何时采取适当的维护措施，尽管建模方法考虑了几个成本因素和约束，但维护操作并未考虑降低负载或速度以进一步延长资产寿命的可能性。

       当前的技术涉及人类参与循环，机器自我调整或配置的能力不是当前的做法，达到最终自我配置水平的机器示例尚未成熟，因此在这方面推进存在重要的研究机会。

       虽然远未达到自我配置的完整概念，但对于旋转机械，在主动振动控制和轴不平衡补偿方面已经做了一些工作，但是尚未实现其他组件退化或调整操作条件以延长寿命的考虑。

       此外一组机器或生产线的自我配置的这一方面甚至不太发达，但却是配置级别整体愿景的一部分。

       技术方法

       没有适当的平台和分析技术，网络空间和实物资产空间之间的接口就无法实现，这适用于自动化系统或资产的网络，并且需要先进的学习算法和使用历史机器状态“时间机器”来实现这种准确的网络表示。

       就物理世界而言，首先必须选择要为哪个资产群构建网络物理模型，以及资产的哪些属性对最终用户很重要并具有价值，对于信息物理机器自动化示例，可以考虑各种不同的资产。

       例如机床车队、工业机器人车队或自动导引车车队，根据特定工厂或最终用户的需求，系统组也可以在组件或子系统级别，例如主轴轴承组或机床滚珠丝杠组。

       在选择要考虑的物理资产以及层次结构级别之后，还应该考虑机器的隐藏状态很重要，并且应该由网络表示捕获。

       设备的性能下降是否是一个关注点，最终产品质量是主要关注领域，或者是否是要防止的最重要的意外故障问题。

       从工厂经理的角度来看，他们的整体兴趣可能集中在系统层面，例如提高工厂生产力。

       实际上，这些“时间机器”与处理后的机器和工厂数据的收集是不同建模技术的输入，然后可以创建资产车队的网络表示。

       机器或组件的每个网络表示也称为系统的“孪生”或“虚拟”模型，因为网络模型从其自身的历史和其他类似单元中学习，并且可以被视为物理资产的网络孪生。

       实现这种网络表示的第一步是知识积累模块，对于机器退化算法，在实践中使用它们的困难之一是，由于基线条件已更改，因此在执行维护后模型可能不太准确。

       因此，可以使用自适应聚类算法将新的工作条件或基线状态添加到运行状况监视算法中，从而随着时间的推移改进建模，此外，传统的健康监测方法没有有效地使用来自车队中类似单位的数据。

       如果它纳入来自车队中类似资产的数据，则可以开发更强大和可靠的模型，影响组件或子系统退化率的利用率信息和应力因素也是知识库的一个重要方面。

       该知识库包括添加新制度或基线的能力，以及利用率寿命矩阵，为对受监控的机器群进行自我评估和自我预测提供了支持基础，通过将当前数据模式与知识库中积累的数据模式进行比较。

       可以使用各种统计、机器学习和分类方法来评估机器健康状况，这种自我意识和自我预测的退化信息可以从网络空间传输到物理空间。

       其中健康信息可以呈现给机器操作员、维护技术人员或工厂经理，健康信息和工厂级数据也可以输入到工厂决策支持系统中。

       这种系统可用于优化维护和生产调度，有关工厂级决策和维护机会窗口分析的更多详细信息。

       制造对高精度和高效率的要求越来越高，滚珠丝杠广泛用于这些高精度制造应用，用于将旋转运动转换为直线运动，具有高精度、可逆性和高效率。

       由于它是机器系统中最重要的部件之一，其精度直接影响整机的整体精度，它通常以高刚性和精度预加载，从而增加摩擦阻力。

       反复使用后会使内表面变质，这最终会影响机器系统，造成不希望的位置精度损失，因此滚珠丝杠的精度是高精度机器的主要指标之一。

       智能维护系统中正在与台湾HIWIN技术合作，为滚珠丝杠系统添加附加功能，包括位置误差估计和寿命预测算法，已经建造了一个内部滚珠丝杠试验台来执行寿命测试，并开发和验证自我意识和寿命预测模型。

       滚珠丝杠通常需要数年才能失效，在正常运行条件下了解其行为非常耗时，采用加速实验室实验来加速降解，并在有限的时间和成本内发现其不同的降解模式。

       滚珠丝杠在高加速度、高速、高负载和垂直测试条件下加速，安装外部传感器来测量滚珠丝杠的性能，位置误差是决定滚珠丝杠精度的重要标准。

       因此在滚珠丝杠旁边放置了一个线性编码器来测量滚珠丝杠可以到达的实际位置，滚珠丝杠不断来回运行，产生高摩擦和振动，摩擦引起的热量会损坏其内表面，因此会发生反冲，然后最终会失去精度。

       通过这种方式，建立使用振动信号的健康监测模型来预测位置误差，同时使用位置误差信号对振动信号计算的健康值进行基准测试。

       结论

       健康监测算法可以准确估计和预测滚珠丝杠位置精度，滚珠丝杠的这种自我感知能力只是一个方面，目前正在开发实现更高功能水平的重新配置。

       所提出的具有预测分析能力的架构可以使制造商更早地获取其工厂资产的健康和质量信息，并立即改进当前流程，最终可以优化制造过程，也可以扩展到制造商，供应商和客户之间的协作。