利用機器學習實現地腳螺栓生產中可靠的實時質檢
在這個應用中，一家專門從事緊固件生產跨國公司需要生產各種地腳螺栓。瑞士東部應用科技大學（Ostschweizer Fachhochschule）debukesixiaoquzuijinkaizhanleyigekaifaxiangmu，zhizaicongxianyoudeshebeishujuzhongshishiquedingxiangguanjinshutaotongdemifengzhiliang，bingjiangqizuoweixueshixueweilunwendeyibufen。shijianzhengming，tongguobeifu TwinCAT Machine Learning 軟件實施的機器學習（ML）是一種合適的解決方案。
機械地腳螺栓一般由螺栓、墊圈、liujiaoluomuhejinshutaotongzucheng。taotonghezuankongbizhijiandemocaliquebaolezaishiyongshiyouzugoudefuzheli。yongjinshuluoshuandezhuixingtoufenkaitaotongyuzuankong，yibiangeizuankongshijiafuzhelisuoxudezhengxiangli。
項目目標
該項目由研發工程師 Robin Vetsch 負(fu)責(ze)，作(zuo)為(wei)瑞(rui)士(shi)東(dong)部(bu)應(ying)用(yong)科(ke)技(ji)大(da)學(xue)係(xi)統(tong)科(ke)技(ji)學(xue)士(shi)學(xue)位(wei)課(ke)程(cheng)的(de)一(yi)部(bu)分(fen)，重(zhong)點(dian)關(guan)注(zhu)預(yu)成(cheng)型(xing)衝(chong)孔(kong)套(tao)筒(tong)封(feng)閉(bi)連(lian)接(jie)地(di)腳(jiao)螺(luo)栓(shuan)錐(zhui)頸(jing)的(de)密(mi)封(feng)過(guo)程(cheng)。預(yu)成(cheng)型(xing)的(de)金(jin)屬(shu)套(tao)筒(tong)采(cai)用(yong)新(xin)開(kai)發(fa)的(de)製(zhi)造(zao)方(fang)案(an)，通(tong)過(guo)兩(liang)個(ge)伺(si)服(fu)缸(gang)密(mi)封(feng)在(zai)螺(luo)栓(shuan)頸(jing)部(bu)。兩(liang)個(ge)伺(si)服(fu)缸(gang)由(you)倍(bei)福(fu)的(de) AX5206 伺服驅動器精確控製。
zhegexueshixueweibiyelunwenxiangmudemubiaoshijiezhujiqixuexifangfakaifayigequanzidongzhijianchengxu。zhijianchengxujiangjinshiyongxianyoudeshebeishujuyuan，jiwuxuanzhuangewaidechuanganqi。zaikaizhanzhegexiangmuzhiqian，caozuorenyuanjibendoushishiyongliangjushoudongjianzhaluoshuantaotongdemifengzhiliang。xianzaibiaoming，genjuzhiliangguifan，suoyouwaikedoukeyifenweisangebutongdedengji（閉合過鬆，正好，閉合過緊）。此外，需要使用回歸分析法預測包圍套筒關鍵的幾何數據（套筒寬度、高度和開口）。對密封過程進行 100% 檢驗可以在早期階段檢測出異常趨勢或偏差。
一(yi)個(ge)圓(yuan)柱(zhu)形(xing)測(ce)試(shi)套(tao)筒(tong)用(yong)作(zuo)質(zhi)量(liang)基(ji)準(zhun)。用(yong)套(tao)筒(tong)密(mi)封(feng)的(de)螺(luo)栓(shuan)必(bi)須(xu)完(wan)全(quan)適(shi)合(he)這(zhe)個(ge)規(gui)格(ge)，也(ye)就(jiu)是(shi)說(shuo)，套(tao)筒(tong)不(bu)能(neng)把(ba)螺(luo)栓(shuan)閉(bi)合(he)得(de)過(guo)緊(jin)或(huo)過(guo)鬆(song)。根(gen)據(ju)對(dui)密(mi)封(feng)過(guo)程(cheng)進(jin)行(xing)的(de)各(ge)種(zhong) FEM 仿真結果，定義會影響密封結果的參數。然後根據這些信息進行調整，隨後進行大量的密封測試，期間用 TwinCAT Scope 軟件示波器記錄來自兩個伺服缸的所有重要實時數據，如功耗、扭矩和伺服電機的滯後誤差。
將 ML 集成到設備控製器中
在一個經典的 ML 框架內開發了一個非常強大的機器學習回歸模型（這裏是 Scikit Learn），並在所記錄的測試數據基礎上進行訓練。機器學習框架內的工作包括準備和選擇數據、建模和訓練合適的 ML 算法及其評價。在這個開發步驟中會生成一個訓練好的機器學習模型，它表示輸入和目標數據之間的關係。在 TwinCAT 3 中布署訓練好的 ML 模型接口與數據接口一樣都是開放式的，並支持行業標準的開放式神經網絡交換（ONNX）格式。
項目的下一步是將訓練好的 ML 模型實時集成到設備控製器中。Robin Vetsch 介紹說，他們為此使用了 TwinCAT 3 Neural Network Inference Engine（TF3810），有了這個軟件，隻需幾行代碼，即可使用非常簡單的方式在 TwinCAT 實時環境中實施轉換為 ONNX 格式的模型。在進行此類在 TwinCAT 3 中布署 ML 模型時，導出的 ML 模型被轉換為二進製格式（.bml），然後存儲在目標係統（嵌入式控製器或控製櫃式 PC）中。在加載 .bml 文件後，Runtime 模型將自身配置為在工業 PC 的 CPU 上有效地執行機器學習模型的推理計算。這樣可以就確保所生成的模塊是一個實時推理引擎，能夠無縫集成到 TwinCAT 3 中，並支持 TwinCAT 3 中所有常見的編程方法：從 PLC、C/C++ 或直接通過循環任務調用該模塊。
項目取得重大成果
由於執行了為檢測地腳螺栓而訓練好的 ML模型，因此能夠以 +/-0.15 毫米的精度（相當於相對誤差低於 2%）分析評估密封套筒的高度和寬度，並能夠以 10% 的de相xiang對dui誤wu差cha分fen析xi套tao筒tong開kai口kou。它ta可ke以yi作zuo為wei一yi個ge簡jian化hua後hou的de近jin似si值zhi，確que定ding所suo使shi用yong的de測ce試shi套tao筒tong是shi否fou滿man足zu規gui定ding密mi封feng套tao筒tong的de高gao度du和he寬kuan度du。我wo們men為wei此ci使shi用yong了le MLP（多層感知機）類型的神經網絡。模型的輸出變量是套筒寬度、高度和開口的估算值。通過在 PLC 中定義的簡單極限值，還可以實現除回歸分析法之外的簡單分類法。
據 Robin Vetsch 介紹，公司通過基於數據的質量檢測獲得了很多優勢。這樣，無需額外的傳感器或測試工位即可實現 100% 在線質量檢測。此外，每個密封過程的現有質量數據可用於進行更詳細的分析。ML 解決方案的實時能力為盡早剔除檢測到的壞件提供了最佳基礎。最後，通過 TwinCAT HMI 的詳細趨勢顯示，操作人員可以在需要時迅速做出響應。
圖片注釋：
測試統計數據的可視化顯示
項目團隊（左起）：OST 計算工程研究所（ICE）科學助理 Christian Egger，ICE 講師 Christoph Würsch 教授博士，以及研發工程師 Robin Vetsch
將套筒寬度作為套筒密封質量標準之一來表示
關於德國倍福
倍福（Beckhoff）公司總部位於德國威爾市。作為全球自動化技術的驅動者，倍福定義了自動化領域的許多國際標準。公司所生產的工業 PC、現場總線模塊、驅動產品和TwinCAT自動化軟件構成了一套完整的、相互兼容的控製係統，可為各個工控領域提供開放式自動化係統和完整的解決方案。倍福於1997年進入中國市場，致力於幫助製造企業提升競爭優勢，加速轉型升級。倍福在業內享有“創新引擎”的美譽，公司所倡導的PC控製技術具有良好的開放性，將IT技術、互聯網和自動化技術完美融合，助力實現工業 4.0 和智能製造。憑借領先的技術優勢和豐富的行業知識，倍福的創新產品和解決方案廣泛應用於風力發電、半導體、光伏太陽能、電子製造、金屬加工、包裝機械、物流輸送以及樓宇自控等眾多領域。
更多信息，請登錄 Beckhoff 中文官方網站：www.beckhoff.com.cn