智能制造装备及系统-基础理论与关键技术.ppt

2.8.3 远程运维在智能制造领域的应用 以国家机床质量监督检验中心的“数控机床远程运维平台”为例，对面向数控设备的远程运维现场应用示例进行介绍。 清华大学和中国石油大学联合沈机（上海）智能系统研发设备有限公司、宝鸡忠诚机床股份有限公司和纽威数控装备（苏州）有限公司3家数控机床行业领军企业，在国家机床质量监督检验中心搭建云平台，以数控车床和加工中心作为验证对象完成远程监控的试验，运维平台场景如下图所示。 2.9 小结 （1）描述了智能制造装备与系统的组成。智能制造装备包含制造装备本体与智能使能技术，而智能制造系统从下至上可分为智能制造装备、数字化生产线、数字化车间、智能工厂与应用层。 （2）详细地介绍了物联网、大数据、云计算、机器学习、智能传感、互联互通与远程运维7项智能使能技术，给出了各项技术的概念、主要实现方式与其在智能制造领域的应用案例。 2.4.3 云计算在智能制造领域的应用 对于工艺流程复杂的钢铁企业，收集、检索、分析生产过程中的数据并不轻松，实现工业信息化更是非常困难。自主搭建的传统主机系统，信息储存在硬盘上，成本高且效率低下，而云计算平台可以实现庞大数据量的传输与处理，帮助企业优化生产过程，提升工业信息化程度。以宝钢为例，企业建设了相应的云平台，该云平台具有三层结构，即移动终端层、网络传输层与应用层。通过使用云计算技术，不仅可以更好地进行企业管理，还可以向社会提供云服务，为企业创造更大的商业价值。 2.5 机器学习 2.5.1 机器学习的概念 机器学习是一门典型的交叉学科，主要指利用计算机模拟人类的学习行为，使其自主获取新的知识或掌握某种技能，并在实践训练中重组自己已有的知识结构，不断改善其工作性能。机器学习过程的本质是基于已知数据构建一个评价函数，其算法成立的基本原理在于数值和概念可以相互映射。 机器学习的基本实现流程如下图所示。 2.5.2 机器学习的主要实现方式 1. 概述 机器学习算法整体上已形成多种分类形式，如下图所示。 1）根据学习态度和灵感来源，可分为符号主义、联结主义、进化主义、贝叶斯主义和类推主义等。 2）根据学习模式和样本结构，可分为监督学习、无监督学习、半监督学习和强化学习等。 3）依据学习方法和模型复杂度，可分为传统机器学习和深度学习。 4）其他常见学习算法包括迁移学习、主动学习、集成学习和演化学习等。 2. 典型算法 1）人工神经网络 基于工业大数据的人工神经网络是目前技术最成熟、应用最广泛的机器学习算法，其最基本的数据处理单元如经典的M-P神经元模型。 2） KNN（K临近）算法与K-Means（K均值）算法 KNN算法与K-Means算法均利用特征值之间的距离表征样本间的不相似度。其中，KNN算法是监督学习中典型的聚类算法， K-Means算法是无监督学习中典型的聚类算法。 2.5.3 机器学习在智能制造领域的应用 由机器学习构建的人工智能决策系统是“智能制造”体系中智能化的直接表现，可广泛应用于故障诊断、个性化定制、在线检测、预测性维护、科学排产、运营管理、制造工艺优化与机器人智能控制等诸多工业场合。 机器学习作为一种数据分析与特征挖掘的工具，可以有机融入到生产过程的专家系统中。在复杂环境下的工业信号处理与参数优化方面，通过采集故障机床的工作信号，整理为带标记的初始样本集，构建深度神经网络，挖掘该故障的信号特征，避免了繁杂的理论分析过程，为之后的智能故障诊断提供决策依据。 2.6 智能传感 2.6.1 智能传感的概念 智能传感主要是指利用压电技术、热式传感技术、微流控Bio MEMS技术、磁传感技术和柔性传感技术等将待感知、待控制的参数进行量化，并集成应用于工业网络，具有信息感知、信息诊断、信息交互的能力。通过多个智能传感器还可组建成相应的网络拓扑，具备从系统到单元的反向分析与自主校准能力。 2.6.2 智能传感的主要实现方式 1. 概述 智能传感融合传感器、微处理器和执行器三者至同一系统，首先对输入信号完成检测、处理、记忆等过程，再将调理好的信号发送到执行器或者控制系统，其原理如下图所示。智能传感的主要特征体现在信息处理和通信功能，配合传感器本身的信息感知，实现系统间的物物相连。此外，通过融合多种类别的传感器构成复杂的传感络，利用不同传感器的特殊属性互补，可以达到延长使用寿命和提高感知精度的目的。 2. 功能构架 智能传感的功能构架主要包含三个层次： 应用层； 网络层； 感知层。 3. 技术内容 智能传感的主要技术内容包括： （1）基于全光信号处理的无源光波导传感器技术。 （2）基于MEMS的微结构电参量传感器技术。 （3）基于敏感材料的传感器技术。 （4）智能传感器现场能量采集与微取能技术。 （5）传感器高可靠边缘计算与物联网技术。 2.6.3 智能传感在智能制造