在這個應用中，一家專門從事緊固件生產(chǎn)跨國公司需要生產(chǎn)各種地腳螺栓。瑞士東部應用科技大學（Ostschweizer Fachhochschule）的布克斯校區(qū)最近開展了一個開發(fā)項目，旨在從現(xiàn)有的設備數(shù)據(jù)中實時確定相關金屬套筒的密封質(zhì)量，并將其作為學士學位論文的一部分。實踐證明，通過倍福 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、六角螺母和金屬套筒組成。套筒和鉆孔壁之間的摩擦力確保了在使用時有足夠的附著力。用金屬螺栓的錐形頭分開套筒與鉆孔，以便給鉆孔施加附著力所需的正向力。

 

 

該項目由研發(fā)工程師 Robin Vetsch 負責，作為瑞士東部應用科技大學系統(tǒng)科技學士學位課程的一部分，重點關注預成型沖孔套筒封閉連接地腳螺栓錐頸的密封過程。預成型的金屬套筒采用新開發(fā)的制造方案，通過兩個伺服缸密封在螺栓頸部。兩個伺服缸由倍福的 AX5206 伺服驅(qū)動器精確控制。

 

這個學士學位畢業(yè)論文項目的目標是借助機器學習方法開發(fā)一個全自動質(zhì)檢程序。質(zhì)檢程序?qū)H使用現(xiàn)有的設備數(shù)據(jù)源，即無需安裝額外的傳感器。在開展這個項目之前，操作人員基本都是使用量具手動檢查螺栓套筒的密封質(zhì)量?，F(xiàn)在表明，根據(jù)質(zhì)量規(guī)范，所有外殼都可以分為三個不同的等級（閉合過松，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(shù)據(jù)（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。

 

一個圓柱形測試套筒用作質(zhì)量基準。用套筒密封的螺栓必須完全適合這個規(guī)格，也就是說，套筒不能把螺栓閉合得過緊或過松。根據(jù)對密封過程進行的各種 FEM 仿真結(jié)果，定義會影響密封結(jié)果的參數(shù)。然后根據(jù)這些信息進行調(diào)整，隨后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(shù)據(jù)，如功耗、扭矩和伺服電機的滯后誤差。

 

 

在一個經(jīng)典的 ML 框架內(nèi)開發(fā)了一個非常強大的機器學習回歸模型（這里是 Scikit Learn），并在所記錄的測試數(shù)據(jù)基礎上進行訓練。機器學習框架內(nèi)的工作包括準備和選擇數(shù)據(jù)、建模和訓練合適的 ML 算法及其評價。在這個開發(fā)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(shù)據(jù)之間的關系。在 TwinCAT 3 中布署訓練好的 ML 模型接口與數(shù)據(jù)接口一樣都是開放式的，并支持行業(yè)標準的開放式神經(jīng)網(wǎng)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制器中。Robin Vetsch 介紹說，他們?yōu)榇耸褂昧?TwinCAT 3 Neural Network Inference Engine（TF3810），有了這個軟件，只需幾行代碼，即可使用非常簡單的方式在 TwinCAT 實時環(huán)境中實施轉(zhuǎn)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(zhuǎn)換為二進制格式（。bml），然后存儲在目標系統(tǒng)（嵌入式控制器或控制柜式 PC）中。在加載 .bml 文件后，Runtime 模型將自身配置為在工業(yè) PC 的 CPU 上有效地執(zhí)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，并支持 TwinCAT 3 中所有常見的編程方法：從 PLC、C/C++ 或直接通過循環(huán)任務調(diào)用該模塊。

 

 

由于執(zhí)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（相當于相對誤差低于 2%）分析評估密封套筒的高度和寬度，并能夠以 10% 的相對誤差分析套筒開口。它可以作為一個簡化后的近似值，確定所使用的測試套筒是否滿足規(guī)定密封套筒的高度和寬度。我們?yōu)榇耸褂昧?MLP（多層感知機）類型的神經(jīng)網(wǎng)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(xiàn)除回歸分析法之外的簡單分類法。

 

據(jù) Robin Vetsch 介紹，公司通過基于數(shù)據(jù)的質(zhì)量檢測獲得了很多優(yōu)勢。這樣，無需額外的傳感器或測試工位即可實現(xiàn) 100% 在線質(zhì)量檢測。此外，每個密封過程的現(xiàn)有質(zhì)量數(shù)據(jù)可用于進行更詳細的分析。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。最后，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。

 

 

測試統(tǒng)計數(shù)據(jù)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(fā)工程師 Robin Vetsch

 

將套筒寬度作為套筒密封質(zhì)量標準之一來表示