Sergei Schurov博士,GF加工解决方案金宝搏官方网站
机床仍然是当今推动技术进步的主要工具。该行业板块深受工业4.0技术快速发展的影响,包括机器连接、物联网(IoT)、制造过程模拟、生产流程建模和基于云的预测性维护分析。
人工智能和机器学习技术在工业物联网中有着特殊的地位。一方面,由于制造性能需求增加、技术复杂性增加、熟练操作人员基数减少、产品周期和上市时间缩短,机床制造商必须以一种聪明的方式做出反应,以满足生产率提高的预期。这种预期的变化既适用于终端用户,如机器操作员和车间经理,也适用于机床制造商的产品开发团队。
作为主要的工业参与者,GF Maching Solutions处于将机器学习技术集成到金宝搏官方网站其产品中的最前沿。在本演示文稿中,Sergei Schurov博士讨论了此类算法在GF解决方案组合中的若干应用,并将探讨在保持市场竞争力的同时将其引入新系下载188bet金宝搏统设计的好处和挑战。
记录时间:2019年5月23日
大家早上好。很高兴来到这里。自上次报告以来已经三年了。
我想谈谈我们是如何将机器学习,人工智能,以及所有这些优秀的技术应用到现实中,为我们的客户提供价值。所以我把这叫做机器工具中的人工智能应用,但我会从我今天早上在火车上看到的新闻开始。消息来自新闻推送。
你可以看到,在季度收益电话会议中提到的人工智能已经超过区块链。好吧,我认为这在今天是合适的因为也许我们没有人在金融领域工作,但至少我们都知道什么是衍生品。那好的。
今天,我将谈论AI,过渡到工业现实。但首先,关于公司的几句话。Georg Fischer真的是该行业的先驱。它成立于1881年,在瑞士。
如果你记得历史,那是在工业革命的中间爆炸,第一。而Georg Fischer既是受益者和该工业革命的产品。因此,它是从手工生产到机床的首次过渡到机器生产以及后来的机床。
现在我们生活在工业4.0时代。但在此之前,还有两场革命,从亨利·福特开始——嗯,从2.0开始,它带来了装配线。你还记得亨利·福特的名言吗,你知道,你可以订购任何一款福特T型车,只要它是黑色的。
然后是大规模定制,我们现在可能正在
你从汽车行业,从你的汽车经验中知道,你可以选择任何你喜欢的汽车,任何规格。事实上,选择是无限的。作为行业的供应商,作为行业解决方案的供应商,我们提供广泛的产品和技术。金宝搏官方网站下载188bet金宝搏事实上,甚至选择最合适的技术也变得复杂和复杂。因此,我们的答案是提供系统解决方案,以满足客户日益快速的生产和产品开发周期金宝搏官方网站的期望。
三年前,当我在柏林的这个活动上演讲时,我问了一个问题,那么接下来会发生什么?我说,也许在工业4.0的框架下,我们需要关注智能工厂,自学习机器,以及智能机器。所以现在我们在这里。那么在过去的三年里发生了什么呢?
我已经说过,第四次工业革命已经到来。好吧,我们有一些关于这一切的介绍。我们知道第四次工业革命,工业4.0,带来了连通性。
但这不是它带来的唯一东西。它确实给整个行业、制造业和价值链带来了变革。我的意思是,我们之前听说过敏捷。敏捷无处不在。
敏捷正在帮助加快开发周期,提供从一个想法到一个概念的更快时间,并提供多个迭代。这就是敏捷。我们之前在Andrew的演讲中听到的另一个工具是关于设计思维的。
设计思维与客户连接工程师。您多久听一次故事,您知道,您开发了一个精彩的产品,您将它带到市场上,好吧,为什么这样做?我真的需要吗?所以这就是设计思考的地方。它允许根据早期的原型,验证,迭代,回到设计板,重复,并在快速连续中获得早期客户反馈。
所有这些都通过建模和仿真的使用成为可能,这就是MathWorks和MATLAB现在所处的位置,与Simulink,与Stateflow状态,就在中间。金宝app模序降阶技术,减少了模拟时间。机器学习和人工智能通过尖端或基于云的计算工具为模型带来了力量。你经常可以在两者之间做出选择。
真正重要的是,所有这些都降低了开发周期的时间。在过去,我的意思是,Georg Fischer是一家实体公司。我们已开始生产金属。我们从管道生产开始。我们从机床开始,继续机床生产。
现在我们变成了一家软件公司。这确实是一个重大的范式转变。正如你在这里看到的,软件不仅仅是关于技术。它改变了我们的工作方式,所以产品开发周期,不再像机械原型那样,受到冗长的迭代周期的驱动。但这是由模型驱动的。
我认为这一点在这次演讲中非常重要。现在让我们看看我们在产品和解决方案开发中使用的一些构建块。因此,有一系列技术可以应用AI NML。我们说,我们确实在整个价值链、生产和产品生命周期、产品价值链中应用了这一点,因此从产品运营、服务、客户和维护阶段的开发开始,我们可以帮助客户确保产品的持续可靠性和可用性。因此,人工智能为整个制造下载188bet金宝搏价值链带来了价值。金宝搏官方网站
再多说几句关于公司的事情——正如你所听到的,我们提供广泛的产品范围从铣削,电火花加工,激光,这已经是非传统的技术;下载188bet金宝搏增材制造,这是更非传统的。所有这些都是通过工具和自动化来补充的,现在还注入了数字化转型的数字化思维,即工业4.0。我提到过Georg Fischer成立于1882年,是一家总部在瑞士的公司,去年年底有大约15000名员工,收入为45亿瑞士法郎。
我们几乎遍布全球50多个国家,拥有140家销售公司和57家生产工厂。并且有三个部分:管道,铸造解决方案,和加工解决方案。金宝搏官方网站所以今天,我代表了GF加工解决方案。金宝搏官方网站作为一个机械加工解决方案公司,我们认为自己在精密机床、金宝搏官方网站自动化解决方案以及生产增值部件的客户服务方面处于领先地位,我们在全球都有业务,总部设在瑞士。
现在回到关于我们的技术和解决方案的幻灯片,我提到了开发、操作和维护。让我们看看一些从操作开始的例子。在这金宝搏官方网站里我们可以谈论我可以谈论制造人工智能的零缺陷制造。重要的话题当你买东西的时候,你要确保它有效。
我在这里展示的例子是电蚀机。在我进入技术细节之前,先说几句话,关于你可能不熟悉的技术。电火花加工是一种较难加工材料的首选技术。为什么?
因为它是通过电腐蚀工作的。意味着你通过产生电火花来移除小块材料,小块材料。这个过程的好处是它对材料的硬度不敏感。意味着你可以使用世界上最硬的材料,只要它是导电的。导线沿着CNC路径运行。你可以选择跟随你在你的CAM中选择的任何形状或轨迹,产生你想要的结果或输出。
到目前为止,一切顺利。然而,这个过程相当复杂。如果控制不好,就会产生缺陷。正如你在这里看到的,这两条小线,虽然看起来很小,但它们可以作为压力的集中。这可能会导致一些不幸的事件,比如服务部件的故障。
显然,您希望避免这种情况,并且必须提前处理进程异常。好消息是,电火花加工过程是完全监控过程。我们知道每时每刻都在发生着什么,从电流,电压,到机器上的存取位置。我们知道一切。
但是如果你尝试通过直接分析,你不会走多远,因为你在这里看到的,例如,所有这些都是有效的脉冲,它们可能发生在正常的侵蚀过程中。这些都是有效的,不一定是你想要的,但它们不一定会产生缺陷。所以正常的脉冲,减少的脉冲,甚至开路,这不是缺陷的同义词。
你需要做的,我们所做的,是将这些脉冲或其他特征,从电流和电压,分组到特定的类别中。然后我们应用机器学习使用分析分裂的50个样本集,被分为训练集和测试集,然后运用三层脚反向传播神经网络,提出了预测结果关联数据与测量数据、控制数据。你们在这里可以看到的是,你们在这里可以看到一个点,结果显示最优的相关性不一定对应于最大的节点数。
21个淋巴结占97%,6个淋巴结占100%。怎么会这样?因此,工程师们面临的挑战是优化模型,以确保它具有适当的复杂性,但同时,它也具有适当的精度。
让我们看看这在实践中是如何工作的。这是我们叠加缺陷的零件的CAM图像,预测的缺陷。您可以在这个模拟中看到,这些红线或黄线表示缺陷可能发生的位置。
显然,在轨道上,你不会有那么多的缺陷。但当你有了它,这就是你要去的地方。这是质检员真正想要检查零件的地方,看它是否好,而不是需要检查所有东西,零件的每一毫米。所以我不想在技巧上讲得太深。
这是一种神经网络分析,利用预测数据和测量数据之间的相关性来训练模型。对我们来说,有趣的是,每台机器和每种几何图形都有一个单独的机器学习特征,需要对其进行训练。另一个学习,正如我前面提到的,机器精度并不总是随着神经网络节点数的增加而增加。
好的,这就是零缺陷制造的例子。好的,你需要看下一张幻灯片。现在让我们看一个开发中的例子。这就是开发工程师,应用工程师,使用他们的过程知识和机器学习技术来开发定制应用程序的地方。
为何定制申请?因为经常,标准的开箱解决方案不再足够好,但最终用户也不够好,他们希望推动我们更深入,更专业地到他金宝搏官方网站们的领域,以其特殊需求。再次,示例来自EDM - 您之前所看到的是YEDM机器。
当你使用薄电极来钻孔时,电火花加工也可以存在于稍微不同的应用中。为什么要钻孔?例如,在空气范围内——温度可以超过——气体温度可以超过1200度甚至更高。
通常[听不清]材料,镍合金,在800或850或以上的温度下,它们的性能开始下降。所以解决办法就是冷却引擎叶片,他们的引擎叶片。这是通过钻冷却孔来实现的。电火花加工是硬质金属的独特解决方案。所以在这种情况下是非常适用的。
但现在我们做的是简单的求和——250个冷却孔乘以单级40个叶片乘以八级乘以每年生产的数千台发动机。你有几千万或几亿个洞要挖。生成单个孔的时间大约为10秒,即5到10秒。意味着每一秒都很重要。
现在我们可以快速走,但我们不希望失去质量的轨道。EDM过程复杂,因为有超过100个变量来控制。并非所有这些都同样重要。但即使您将其钻到15,10,5,10,15个变量,它们也必须保持在最佳状态。
找到最优方案是一个非常非常大的挑战。为什么如此?因为过程是相互依存的。存在局部极小值。有一个过程噪音。应用程序必须是具体的。
最后,看看这个。火花真的是随机的。你永远不知道什么时候会发生。你无法预测它是在这里,还是在那里,还是在这里。所以你必须以统计的方式,以统计的形式来处理这个问题。
你想要达到的是这样的结果。如果你不小心,你可以得到它。这意味着火花浓度位于错误的位置,它产生了明显不需要的凸起。
因此,必须对工艺进行优化,以在不损失质量的情况下最大限度地提高切割速度。我们该怎么办?我认为这是一个将专家知识和领域专家知识相结合的例子,专家知识是我们的专家工程师或应用工程师或操作员,甚至和我们所称的应用冠军或应用专家相结合,谁能调整机器学习输入,并将其与融合规则联系起来,为机器生成最佳参数集。所以我们使用随机优化算法来寻找过程的极小值。
一个简短的演示它是什么意思,你在左边看到的是我们想要控制的一组参数。你在右边看到的是我们想要得到的输出的集合。首先是材料去除率。第二个是钻孔的时间,第三个输出是电极磨损。显然,你想要最大化第一个,同时最小化另外两个。让我们看看会发生什么。
因此,我们开始模拟,我们允许机器学习查看输出结果并调整其行为,以确保您获得这三个输出参数的最佳特性。来自美国的有趣结论 - 我们有专家。我们在行业中拥有最好的人如何调整机器。
机器学习算法,他们可以做得更好。在每一个时间和每次迭代过程中,我们发现10%到15%的提高,不是因为我们的专家不够好,而是因为过程的复杂性,使其越来越难以找到合适的设置的参数只是根据经验。好的,让我们来看另一个例子。这次,我们要看看维修。
好的,我们今天早些时候听过关于剩余有用寿命的预测。这一点很重要,因为当你是一个用户,当你买了一台漂亮的机器时,你不想在机器出现故障时出人意料地花费时间。您想知道这台机器什么时候需要维护,什么时候需要以编程方式停止使用。因此,我们的用户,我们的客户,他们优化了他们的工作流程规划,在一定程度上,他们可以提供,保证他们向自己的用户,向自己的客户提供短的交付时间。
用户的期望是什么?首先,他们想提前知道机器什么时候需要维修。其次,他们并不一定愿意为此支付不必要的费用。就像你的车一样。
当你把车开到车库,因为它显示有20000公里,你知道,在你的脑海里,你有一个想法,你知道,真的,我真的需要现在这样做,还是我可以再开10000公里?我们也一样。
客户说,我真的需要立即维护机器,还是可以等待另一个,我不知道,一周,一个月,无论如何?答案并不容易,既不是汽车也不是我们的机床。
为什么?因为没有自动维护卫生设施。除非你帮忙,否则机器不会告诉你或者汽车不会告诉你它什么时候要坏了,是吗?另一件事是,我们可以得到的数据,当然是可用的。但是他们有大量的数据。
如果您配备了附加传感器,则一个CNC机器每月生成几个数据或甚至更多。和数据,它们来自不同的来源,这是异构的。所以意味着连接这些信息并不是那么简单。您今天早些时候听说过,不同通道输入之间的时间同步不是一项简单的任务。我说,提前干预不必要地增加了成本,不仅向客户而且还向供应商那样增加给提供者,因为经常,这些天的维护成本建立在产品的成本中。
我们的方法是什么?我们使用了一种混合的状态监测技术我们将监督学习和非监督学习结合起来观察估计来估计剩余的有用寿命并预测意外的故障,对吧?因此两者同时运行,向用户提供何时进行干预的信息,并给他在强制干预之前还剩下的时间。
我们如何使用它?我们使用高斯模型,自适应高斯模型,来显示偏离正态的情况。首先,我们将对称高斯钟形曲线转化为概率混合模型分布。
这是我们和ETFL的同事一起做的工作。然后通过聚类数据和提供训练数据集,应用预测维护算法。最后,我们计算了剩余使用寿命,从回归计算的平均值中得出距离剩余,作为失效概率度量。这里有点多,但基本上,它的意思是,曲线越远,表明故障可能发生在哪里。你越接近曲线,你就越有可能失败。
让我们来看一个示例,说明如何在仪表板上运行。这是我们向客户提供的。这次EDM的情况并非如此。我们正在看铣床的例子,在这个例子中,我们需要告诉用户,以帮助用户了解机器在需要维护之前可以使用多长时间。
例如,在这种情况下,我们有639天,这就足够了。机器可以正常工作。然后,在某一时刻,这组参数将向算法表明,故障的概率在增加,但机器仍然可以继续运行。之后,我们估计失败的概率是100%。
所以我们真的建议用户,现在是维护机器的时候了。我们继续监控参数。一旦一切恢复正常,机器的可用性就可以恢复正常。
所以我想给出的最后一个例子是关于内置计量学。为什么内置计量?因为在某些情况下,如果需要,生产中的操作、应用程序或机器必须是迭代的或交互式的。
所以你得到的结果是你不能100%确定它是否足够好或者你需要再等一段时间。就像在厨房里,你知道吗?比如,你在做饭。有时你真的需要品尝它,直到你知道它是好是坏。这就是内置计量的用处所在。
我举一个关于功能性服务的例子,这是大自然的魔力之一。功能面是什么?看看这个视频。
当你在看这个,这实际上是在解释疏水表面,排斥液体的功能表面,当你在看这个漂亮的视频时,我可以给你一些关于应用的评论。应用领域包括汽车涡轮喷气式家用电器的自清洁、医疗中的抗菌应用、防结冰应用、航空航天和其他行业,以及防粘附。例如,您不希望零件粘在一起太多。例如,在模具中,您希望塑料能够轻松地从模具零件、成型机上分离。
测量这些特性的方法通常是通过测量粗糙度来完成的。粗糙度是一个阵列。基本上,这是波谷和零件峰值之间的峰-峰距离。
问题是,正如你在这里看到的,粗糙度并不能提供所有你需要的数据,因为在左边的情况下,你有标准的粗糙度,标准的组成部分不是功能表面,它不会是疏水的。它不会拒水。在右边,它是一个功能曲面。
数组是相同的。峰到峰的距离是相同的。但是你可以看看个人资料。你可以看到表面的微观图像,你可以看到它明显不同。当然,接下来的行为会有所不同。
如果我们有内置的计量系统,我们就能检测出缺陷。除了识别表面,我们可以延迟对缺陷的标记,并希望在部件仍在原位时纠正它们。我们可以优化整个过程,使用自学习算法和自动化,正如我们之前看到的。当然,这里的另一个附加价值是内置的计量,当你可以测量零件的尺寸精度,并在必要时进行修正。
因此,为了获得所需的性质,需要进行原位表征。我们怎么做呢?我们有一个叫做表面解释器的工具。
首先,我们准备图像训练集。然后使用图像处理算法。然后我们可以用回归或分类技术对结果进行分类。回归分析利用训练数据导出表面粗糙度,并分类和估计使用哪种类型的技术来产生这种粗糙度——要么是功能表面技术,要么是常规表面技术。
因此,图像分析使用卷积神经网络来识别指纹。这是一个如何工作的例子。在左边,是输入图像。该系统使用机器学习分析法估计数组值,给出这三个例子的预测结果。
同时,它还将估计这是否是这里的功能表面,或者是否是用于生产该特定部分的传统标准技术。所以这可以使用边缘PC完成。实际上,它是使用边缘PC完成的,使用户可以在他自己的网站上运行所有这些应用程序,而无需重复云。但如果他恢复到云端,那么我们可以增强算法,他也可以从更好的准确性中受益。
这是最后一个例子。最后,我想说几句话,谈谈我们现在的处境和下一步的行动。所以我们看到开发,人工智能,在开发、操作和维护过程链的所有元素中都起作用。
因此,对于开发,我们将机器学习应用于快速技术开发,正如我们在钻床上看到的那样。对于操作,我们可以帮助用户确保零缺陷制造,提供灵活性和操作有效性,缺陷识别等。在维护中,我们可以预测剩余使用寿命,并确保及时完成服务,而不是太迟,也不是太早,而是及时维护机器可用性。
最后,一个反问句:我们能承受不使用人工智能的后果吗?好吧,我想投资者已经给了我们答案。但回顾行业的基本原理,加速客户对特定应用解决方案的需求——正如我所说的,标准还不够好。金宝搏官方网站
你需要专门化。你需要具体。每个客户都有自己的要求。为了扩大扩展,我们不能继续像往常一样继续工作。
制造价值链的复杂性增长,需要适应性。有一个连续的驱动器来提高性能生产力 - 连续请求更好,更快,更顺畅,依据而无需昂贵和易于出错的人力干预。人类 - 不要让我错了。我们将永远需要专家。
但专家的应用领域正在发生变化。现在,他们就像管弦乐队的指挥一样,去调整,去确保机器学习过程中的每一个元素都在正确的时间,在正确的地点,以正确的力量行动。他们不再只是掌握所有必要信息的专家,而是知道在什么时候拉什么弦。
最后但并非最不重要的一点是,我们必须关注亚洲正在发生的事情。在这里你可以看到,在人工智能相关的专利申请方面,中国正在加速。它们的申请量是美国的五倍,专利申请量是美国的五倍。
在这里,我们看看人工智能与深度学习之间的组合数据,将其拉起在一起。所以基本上,已经制作了AI的选择。它是自我启用,它正在加速。
我想用这个问题来结束我的演讲。事实上,我无法回答接下来会发生什么,但我可以告诉你现在已经发生了什么。我们处于4的中间,但是谈话是工业5,这是关于人工智能和机器学习的。谢谢你的关注。
您还可以从以下列表中选择一个网站:
选择中国网站(中文或英文)以获得最佳网站性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。