基于工業大數據的機械裝備智能化設計綜述*

□ 陶 淵 □ 劉福聰 □ 趙 楠

1.河北工業大學 機械工程學院 天津 300401 2.天津市高端智能數控機床工程研究中心 天津 300222 3.天津職業技術師范大學 機械工程學院 天津 300222

隨著制造業向數字化、網絡化、智能化快速發展,零部件加工成型的難度與精度要求不斷提高,傳統的機械裝備已經不能滿足高尖端行業的生產要求,機械裝備設計面臨更大的挑戰[1]。當前,機械裝備設計逐漸由傳統人工設計轉向計算機輔助設計,由靜態和線性分析轉向動態和非線性分析,由單機工作模式轉向智能化工作模式[2]。工業大數據技術的出現,給機械裝備設計帶來了新思路、新方向。從機械裝備應用過程中產生的海量數據中挖掘新知識,與機械設計理論相結合,為機械裝備智能化設計開辟了廣闊的發展前景[3-4]。開展基于工業大數據的機械裝備智能化設計研究,不僅可以在技術上提升高精尖機械裝備設計效率,而且能夠在機械裝備設計模式方面形成開創性拓展,推動制造業不斷穩步前進[5]。

1 面向數據采集的機械裝備

目前,針對個性化需求數據、工況數據、維護維修數據這三種數據類型,不同的數據采集方法在智能化機械裝備領域得到了充分運用,需要根據零件加工特點和高效、高精度、低故障率等要求進行設計。

1.1 基于個性化需求數據的機械裝備

基于個性化需求數據的機械裝備在制造業產業鏈中主要涵蓋復雜裝備和重型裝備,裝備體積大,結構復雜,不同型號的產品都需要按照用戶的要求設計,屬于典型單件小批量生產方式[6]。

近年來,與機械裝備性能相關的個性化需求通常體現在不同工作場景的操作任務中。相比傳統大批量正向設計方法,侯亮等[7]提出一種基于運行數據驅動反向設計的復雜裝備個性化設計方法,通過反向設計目標選擇,運行大數據采集,基于個性化使用環境的系統參數識別與建模等,實現裝載機變速箱的個性化定制。針對生產過程復雜、制造成本較高的問題,Wang Yi等[8]從基礎層、支撐層、交互層、設計層四個維度構建基于個性化需求數據的基本框架,提出機械產品實施大規模個性化設計的關鍵技術,機械裝備的個性化程度及環境適應性得到提高。利用工業大數據的收集管理系統,孫明耀等[9]提出一種基于數字孿生的復雜重型裝備個性化協同制造模式,通過搭建數字孿生模型并仿真,完成各維度間的高度集成與開發,推動個性化數據自適應協同設計模式的實現,為未來重型復雜裝備的轉型升級提供指導。

1.2 基于工況數據的機械裝備

機械裝備的運行是一個人—機—環境交互系統。在機械裝備作業過程中,可以通過傳感器采集數據,精準掌握環境或工況對裝備運行性能的影響[10]。

面對各類復雜的外部環境,國內外學者通過對典型工況進行數據采集與分析,提出基于工況數據的機械裝備智能化設計方法。龔勛等[11]通過構建基于時序歷程事件、自然環境因子、生產環境因子的環境剖面基因模型,提出一種產品適應性設計方法,實現對液壓機結構的適應性設計,有效適應了液壓系統復雜工況的運行環境。王少杰等[12]、常綠等[13]面向裝載機變速箱進行優化設計,提出基于運行大數據采集、分析、應用的裝載機變速箱與傳動比設計流程,并且利用仿真模型驗證了設計的合理性,實現最優解。基于工況數據的裝載機變速箱與傳動比設計流程如圖1所示。面向內燃機等裝備,姚良等[14]設計了基于工況環境的在線數據采集與處理系統,對內燃機的參數進行有效判斷與處理,滿足故障診斷過程中的實時需求。由以上介紹可見,基于工況數據的機械裝備對不同工況下工業大數據的采集與動態分析,給未來機械裝備的智能升級和創新設計帶來了新思路。

1.3 基于維護維修數據的機械裝備

故障診斷是保障機械裝備安全運行的前提。在機械裝備的設計過程中,基于維護維修數據建立高效、智能的機械故障診斷系統,是實現機械裝備故障診斷的關鍵[15-16]。

隨著故障診斷進入工業大數據時代,新的智能故障診斷理論與方法不斷涌現。雷亞國等[17]結合工業大數據與深度學習特點,提出一種新型機械裝備健康監測方法,通過自適應提取機械裝備監測過程中蘊含的多域故障數據,有效識別故障,完成多級齒輪傳動系統的智能診斷。劉學勇等[18]基于專家推理建立具有維修決策與指導、維修教學與訓練功能的新型工程機械診斷系統,實現維護維修數據的分析與預測,由此克服傳統智能診斷系統的缺陷,提升機械裝備的智能化水平。針對軸承和齒輪等部件存在的故障情況,Shen Changqing等[19]研究基于向量機的旋轉機械智能診斷方法,通過在不同分解深度下采用數據預處理技術,從獲得的信號中提取統計參數,使軸承和齒輪箱試驗臺實現高精度故障診斷,減少潛在的機械磨損,旋轉機械的壽命周期得到延長,生產效率得到提高。另一方面,機械裝備故障自愈原理的提出,有力地推動了機械裝備的設計由傳統模式向預測型模式轉變,同時為研制出具有自愈功能的新一代智能化機械裝備提供了科學依據[20]。

▲圖1 基于工況數據的裝載機變速箱與傳動比設計流程

2 基于工業大數據的裝備智能設計

當前,數據挖掘、數據預處理、數據分析技術結合各類智能算法,為裝備的智能設計提供了有效技術手段。基于工業大數據的裝備智能設計主要包括通用機床設備和工業機器人等。

2.1 通用機床設備

在進行機床結構設計時,早期采用傳統材料力學簡化計算與經驗設計相結合的方法,不能解決實時信息不確定性問題。對此,國內外科研人員開展在機床結構設計過程中應用數據挖掘技術的研究,針對機床的多樣化設計提出不同類型的結構優化方法,在保證剛度、強度、動態性能的前提下實現機床的優化設計。

針對數控機床進給機構的動靜態性能要求,劉世豪等[21]采用反向傳播神經網絡和遺傳算法對機床的進給機構進行結構多目標優化,設計了一套數控機床進給機構智能設計優化系統,有效加速了設計自動化的進程。任珍剛等[22]將有限元方法與優化程序相結合,利用神經網絡對工業大數據進行處理與分析,對設計中較大的結構進行調整,減少了計算時間,實現了隱式表達下以性能指標為設計變量的機床結構優化設計。根據加工過程中刀具、工件、機床單元之間的運動關系,Heisel等[23]提出一種自動適應機床結構的智能設計算法,在選擇最優結構配置階段,通過收集設計過程中的數據參數,加快自身的學習速度,提高設計過程的靈活性,實現機床結構的自動化開發,機床的動態性能和靜剛度同時得到明顯提高。

定位精度是決定數控機床性能的一個重要因素,提高數控機床定位精度,能夠明顯提高加工精度。在設計數控機床時,需要通過定位誤差補償的方法有效控制定位精度,改善數控機床的各項技術指標。需要注意的是,由于數控機床定位誤差影響因素復雜,模糊規則難于獲取,因此需要不斷改進誤差補償模型來實現高精度的實時補償。對此,在設計過程中可以將神經網絡與各種優化算法相結合,通過對誤差數據進行預測分析,建立精度更高、泛化能力更強、魯棒性更佳的各類誤差預測模型,應用于不同的數控機床場景中。具有代表性的基于工業大數據的數控機床誤差補償模型見表1。

表1 基于工業大數據的數控機床誤差補償模型

針對機床空間網格點誤差數據的存儲問題和非網格點誤差值的預測問題,向華等[24]以機床空間網格數據為樣本,采用反向傳播神經網絡模型進行訓練,將訓練好的神經網絡模型用于預測機床空間非網格點誤差值,實現數據之間的映射,為機床誤差數據擬合非網格點誤差值精確預測提供理論支持[25-28]。

2.2 工業機器人

工業機器人基于自身可編程、位置可控、自動運行的特點,廣泛應用于機械裝備領域。在結構設計過程中,結合工業大數據進行工業機器人的優化設計,采用多領域、多尺度融合建模,可以大大降低生產成本,提高設計效率。

現階段,工業機器人優化設計的研究內容主要體現在提高可靠性和精度方面。Zhong Xiaolin等[29]、周煒等[30]分別提出基于工業大數據的工業機器人定位誤差補償方法,前者提出一種基于人工神經網絡的工業機器人逆補償方法,通過實時大數據提取、性能仿真優化,解決末端執行器局部和全局標定問題,后者在工業機器人空間網格精度補償方法的基礎上,提出粒子群優化工業機器人綜合精度補償方法,將大數據分析應用于工業機器人受溫度影響的誤差補償模型,補償后定位精度得到提高。Angelidis等[31]通過白光計量法測量工業機器人特定運動軌跡上特定點位置的定位誤差,利用數據分析技術計算工業機器人的各關節坐標,進行補償控制,進而實現工業機器人全壽命周期誤差預測補償。針對工業機器人運動學結構與嵌入空間的設計,Kim等[32]提出一個基于工業大數據的學習框架,利用圖形神經網絡來分析機械臂的結構與姿態,通過工業機器人的樹結構訓練不同的聚合策略,從子節點中提取大數據信息,解決工業機器人結構設計與優化問題。

控制系統是工業機器人設計的一個分支,在設計過程中經常面臨環境、控制狀態、控制對象復雜性、不確定性、多樣性情況。工業大數據的預處理與分析技術可以有效解決工業機器人控制系統的設計難題。

基于工業大數據的控制系統必須具有自我學習能力,通過數據分析實現自身修正和調節,進而更加準確且快速地完成控制任務。針對工業機器人并聯機構動力學建模不確定性強的特點,彭志文等[33]提出一種徑向基函數神經網絡在線補償控制策略,通過處理實時工業數據,建立三角式機器人控制系統仿真模型,提高了工業機器人的控制效率與算法的自適應性。黃玉釧等[34]、楊馬英等[35]將數據挖掘的概念與方法應用于工業機器人視覺控制,提出基于神經網絡圖像識別的工業機器人自主軌跡控制方案,利用切換控制器提高伺服控制精度,進一步改善神經網絡控制用于實際系統時訓練復雜性與控制精度問題,充分發揮工業大數據在神經網絡技術中蘊含的信息潛能。由以上介紹可見,工業大數據通過神經網絡、深度學習、智能算法等,為工業機器人控制系統的設計提供了新的科學依據,也為提高工業機器人的智能化提供了有效保障。

3 基于工業大數據的裝置智能設計

機械裝備的多樣化促進著裝置的改進和創新。通過各類數據處理技術,對設計階段的數據進行實時存儲、篩選、處理、交互,可以有效提高裝置智能設計的準確性和智能化水平。基于工業大數據的裝置智能設計主要包括齒輪傳動裝置、主軸部件、直線運動單元等。

3.1 齒輪傳動裝置

齒輪傳動裝置是機械裝備的重要部件,以各種類型的減速器為主,其工作性能直接影響整機性能及設備生產率。

隨著產品對空間和質量的要求越來越高,傳統齒輪傳動裝置的設計很難滿足產品開發的要求。對此,可以在設計階段借助數據挖掘技術,建立目標函數,使動態優化的過程趨于簡單化。針對二級齒輪減速器的設計與優化,Padmanabhan等[36]提出一種基于種群的進化算法,通過收集生產過程數據,以設計應力為約束條件,使齒輪材料體積和中心距不斷減小,以達到功率和效率的最高提升。謝雄偉等[37]將數據挖掘應用于優化設計RV減速器的關鍵零件尺寸公差,以零件加工成本為目標函數,以許用回差和裝配尺寸鏈為約束條件,采用遺傳算法實現擺線輪、曲柄軸、針輪尺寸誤差的優化。雷明遠[38]、高暢等[39]將改進的反向傳播神經網絡應用于齒輪傳動裝置的結構優化設計,前者通過建立遺傳算法的數據挖掘模型,對神經網絡的參數進行優化,獲取參數之間復雜的非線性關系,實現小體積的優化設計目標,后者基于蟻群算法對標準反向傳播神經網絡進行改進,提出一種遺傳算法—蟻群優化算法—反向傳播神經網絡參數優化算法,提升行星齒輪箱的故障診斷準確性。

3.2 主軸部件

主軸是機床設備的典型功能部件。在設計階段,主軸部件熱態特性在很大程度上決定機床的切削速度和加工精度,應當通過熱設計和優化措施來減小熱誤差對主軸部件的影響。

當前,國內外科研人員基于數據分析技術探索出多種訓練速度快,有良好泛化性能的訓練算法,用于對機床熱誤差進行建模。王續林等[40]提出一種基于極限學習機與神經網絡的機床熱誤差補償模型,將粒子群優化理論和極限學習機神經網絡相結合,通過選取隱層神經元數,對數控機床熱誤差進行精確、有效實時補償控制。針對預測性能不穩定的問題,譚峰等[41]提出集成反向傳播神經網絡的主軸熱誤差建模方法,綜合利用模糊C-均值算法篩選溫度敏感點,對測溫點進行數據預測性分析,并在臥式加工中心上驗證方法的可行性,使主軸部件運行的安全性和可靠性得到提升。Hong Haibo等[42]提出一種基于本體論的主軸部件設計方法,建立一個人為經驗與計算機數據庫相結合的主軸部件設計框架,有效實現了主軸部件靜態、動態、熱力學性能優化。基于本體論的主軸部件設計方法如圖2所示。從當前研究來看,基于大數據技術建立最優合理的熱誤差模型,可以有效減小機床熱誤差,提高機床的熱精度,加快設計效率。

▲圖2 基于本體論的主軸部件設計方法

3.3 直線運動單元

直線運動單元往往采用各種類型的直線導軌,配合密封鋁型材和精密導向技術,主要用于高速、高精密機械加工裝備中。

基于工業大數據的工藝知識挖掘技術是直線運動單元工程設計的一個新思路。通過收集生產過程的具體數據,He Gaiyun等[43]建立試板應力與導軌幾何誤差之間的映射關系,提出導軌幾何誤差識別與調整方法。Shih Weicheng等[44]通過試驗分析線性導軌接觸剛度與預載水平之間的關系,從非結構化數據中進行預測建模,在實際應用中得到有效驗證。針對機床滾動導軌動態特性參數難以準確確定的問題,王凱等[45]將有限元設計方法得到的最優校直行程作為訓練數據樣本,建立基于反向傳播神經網絡的校直行程預測模型,實現導軌全自動校直機控制系統的設計。朱堅民等[46]通過建立滑動接合面動態特性參數的反向傳播神經網絡模型,對不確定性數據進行分解和量化,為未來機械裝備中直線運動單元的設計與動態特性參數識別提供范例。

4 結束語

由以上介紹可見,大數據技術在機械裝備的設計過程中已經取得較好成果,為應用于未來自動化、智能化的設計提供了理論支持。同時,基于工業大數據的智能化機械裝備給未來制造業帶來新的機遇與發展。需要注意的是,大數據潛在價值在設計機械裝備與內部裝置時還沒有完全充分發揮出來,應當從兩個方面推進工業大數據在智能化機械裝備領域應用的研究。

第一,在機械裝備設計優化進程中,影響結構的靜態常量和動態變量復雜多變,設計過程需要大量數據處理工作,并且大型復雜機械裝備系統具有復雜性和異質性特點,通過大數據技術建立更加完整精確的數學模型,將有助于對機械裝備進行后續科學劃分和性能評估,進而高效進行多目標優化設計,克服應用過程中干擾與裝備性能變化產生的影響。

第二,在未來智能機械裝備的設計中,可以對大數據分析技術、智能科學技術、產品專業技術進行深度融合,建立基于工業大數據的完整設計理論體系,在此基礎上,通過改進各種算法性能,完善各類智能裝備設計軟件,有助于提高整體設計過程的效率,推動機械裝備設計在整個制造業中的應用。