Использование машинного обучения для улучшения управления процессами формирования и обеспечения качества

Общие алгоритмы в промышленном ML включают случайные леса, машины для повышения градиента, машины вектора поддержки и глубокие нейронные сети. Выбор зависит от размера данных, сложности функций и необходимости интерпретируемости. Например, случайный лес может обеспечить ранжирование важности функций, помогая инженерам понять, какие сенсорные сигналы наиболее влияют на качество - критическое требование при развертывании моделей на цехе, где объяснимость имеет значение для доверия и устранения неполадок.

Надзорное обучение для некорректного прогнозирования

Одним из наиболее простых применений контролируемого обучения является прогнозирование дефектов. Во время цикла формирования датчики захватывают данные временных рядов от нагрузочных ячеек, термопар, датчиков смещения и акселерометров. Эти сигналы, наряду со статичными параметрами, такими как пакет материала и геометрия инструмента, становятся особенностями модели, которая выводит вероятность дефекта. Например, дерево с градиентом может научиться распознавать условия, которые предшествуют видимому расколу или размерному несоответствию. Исследователи сообщили о точности выше 95% для классификации хороших и дефектных штампов с использованием моделей ансамбля, обученных на тысячах циклов (] Журнал технологии обработки материалов, 2020 .

Для развертывания такой модели в производстве инженеры должны устранить дисбаланс классов - дефекты редки в хорошо работающей линии. Такие методы, как SMOTE (Synthetic Minority Over-sampling Technique) или обучение с учетом затрат, помогают модели обращать внимание на класс меньшинства. Кроме того, порог решения модели может быть настроен на баланс ложных тревог (которые вызывают ненужные остановки) против упущенных дефектов (которые позволяют протекать плохим частям).

Неконтролируемое обучение для обнаружения аномалий

Не все дефекты формирования известны или помечены. Износ инструмента, поломка смазки или внезапные сдвиги свойств материала могут создавать новые режимы неисправности. Модели обнаружения неконтролируемых аномалий, такие как автокодеры, одноклассные СВМ или леса изоляции, могут узнать распределение обычных сигнатур процессов и отмечать любое отклонение. Например, автокодер, обученный на окнах датчиков от хороших штампов, будет иметь высокую ошибку реконструкции при подаче данных со стадии с трещинным кристаллом. Этот подход особенно ценен для прогнозного обслуживания, обсуждаемого позже.

При практическом развертывании порог аномалии должен быть установлен тщательно. Инженеры завода часто используют комбинацию правил статистического управления процессами (SPC) и оценок аномалий, полученных из ML, для уменьшения ложных срабатываний. Интеграция SPC и ML обеспечивает многоуровневую защиту: SPC улавливает постепенные сдвиги, в то время как ML обнаруживает сложные многовариантные аномалии, которые SPC может пропустить.

Усиление обучения для оптимизации процессов

Усиление обучения (RL) предлагает способ непрерывной оптимизации параметров процесса в реальном времени. В формирующей линии агент RL может наблюдать текущее состояние (например, температуру, тоннаж, измерение толщины) и выбирать действие (например, увеличить силу держателя бланка на 2%). Окружающая среда затем переходит в новое состояние и дает вознаграждение на основе качества деталей и времени цикла. В течение сотен или тысяч эпизодов агент узнает политику, которая максимизирует кумулятивное вознаграждение. Обучение подкрепления особенно перспективно для процессов с несколькими взаимодействующими параметрами, такими как глубокий рисунок, где сила держателя бланка, скорость удара и смазка взаимодействуют сложным образом.

Одна из проблем заключается в эффективности выборки: реальные операции формирования не могут позволить себе десятки тысяч циклов проб и ошибок. Вот почему многие реализации RL используют цифровой двойник — высокоточную симуляцию процесса — для предварительной подготовки агента перед развертыванием. После физической линии агент тонко настраивает свою политику с ограниченным исследованием реального мира. Исследование из Procedia CIRP (2022) продемонстрировало, что агент RL, обученный на моделировании FE процесса штамповки листового металла, уменьшил вариацию пружинного отката на 32% по сравнению с фиксированным набором параметров.

Приобретение данных и предварительная обработка

Успех любого проекта ML в процессах формирования критически зависит от качества и объема данных. Современные прессы оснащены различными датчиками: нагрузочными ячейками на баране, температурными зондами в матрице, пьезоэлектрическими датчиками для акустических выбросов и линейными кодерами для перемещения. Данные обычно приобретаются с высокой скоростью отбора проб - сотни измерений в секунду - и передаются в устройство историка или края. Однако сырые данные датчика шумны, высокоразмерны и часто неполны. Предпроцессорные этапы включают фильтрацию (например, фильтры с низким пропуском Баттерворта для удаления электрического шума), нормализацию (z-балл или масштабирование до минимума) и сегментацию (изолирование цикла формирования от холостых и переходных фаз).

Не менее важна разработка характеристик. Область знаний помогает создавать такие производные функции, как пиковый тоннаж, наклон кривой смещения силы и интеграл силы над конкретной областью удара. Эти функции часто захватывают физику процесса лучше, чем значения необработанных сигналов. Альтернативно, модели глубокого обучения с сверточными или повторяющимися слоями могут автоматически изучать полезные функции из временных рядов, хотя они требуют больше данных и вычислительных ресурсов.

Управление процессами в реальном времени с помощью моделей ML

После того, как модель машинного обучения была обучена и проверена, она должна быть интегрирована в цикл управления, чтобы влиять на процесс формирования в режиме реального времени. Существуют две общие архитектуры развертывания: краевой вывод и облачный вывод. Крайний вывод запускает модель непосредственно на программируемом логическом контроллере (PLC) или промышленном ПК рядом с прессой, предлагая субмиллисекундную задержку и не полагаясь на сетевое подключение. Облачный вывод, с другой стороны, централизует управление моделью и позволяет переподготовку с агрегированными данными из нескольких линий, но вводит риски задержки и подключения.

Типичная схема управления замкнутым контуром работает следующим образом: во время каждого хода формирования потоки датчиков захватываются и предварительно обрабатываются. Модель ML (например, модель регрессии ансамбля, предсказывающая толщину детали) выполняется менее чем за 10 миллисекунд. Если прогнозируемая толщина выходит за пределы целевого диапазона, контроллер выдает корректировку настроек пресса - возможно, увеличивая высоту затвора на 0,1 мм - для следующего хода. Эта петля обратной связи может поддерживать неизменное качество даже при дрейфе свойств материала или износе инструмента. Например, в горячей ковке модель ML может предсказать окончательный размер зерна на основе времени нахождения и температуры, а затем регулировать скорость ковки, чтобы компенсировать более холодную заготовку.

Такой адаптивный контроль требует тщательного блокирования безопасности. Выход ML должен быть ограничен, чтобы предотвратить экстремальные корректировки, которые могут повредить инструментарий. Кроме того, ручная переопределение позволяет операторам взять под контроль, если модель ведет себя неожиданно. Многие производители внедряют подход «мягкого старта»: система ML работает в консультативном режиме в течение нескольких недель, прежде чем ей будет разрешено непосредственно изменять параметры процесса, создавая доверие оператора.

Повышение качества гарантии

Помимо управления процессом, машинное обучение улучшает обеспечение качества посредством автоматизированного контроля. Системы машинного зрения, оснащенные глубоким обучением, могут обнаруживать поверхностные дефекты (скрахты, вмятины, коррозия) и измерять геометрические размеры с точностью до субпикселей. Сверточные нейронные сети (CNN) доминируют в этом пространстве, потому что они изучают иерархические особенности из изображений: края, текстуры и формы. В линии штамповки камеры захватывают изображения каждой части сразу после формирования. Легкая CNN (например, MobileNet или пользовательская архитектура) может классифицировать детали как принимаемые / отклоняемые в течение миллисекунд, достигая точности выше 99% (] Научные отчеты, 2021 .

Сочетание встроенного контроля с данными процесса еще больше повышает качество. Например, если обнаружен небольшой дефект поверхности, система может соотнести его с последними показаниями датчиков для выявления первопричины, например, падение температуры на 2 ° C. Эта обратная связь замыкает цикл: качественные данные не только сортируют детали, но и запускают корректировки процесса для предотвращения рецидива. Производители, которые принимают этот комплексный подход, сообщают о сокращении количества отходов на 30-50% и значительном сокращении переработки труда.

Прогнозное обслуживание

Предиктивное техническое обслуживание является одним из самых высоких приложений ROI машинного обучения в формировании. Тулинг - краски, удары и формы - опыты износа и усталости в течение тысяч циклов. Незапланированные сбои инструмента вызывают дорогостоящее простои и могут производить дефектные части. Анализ вибрации, мониторинг акустических выбросов и отслеживание профиля нагрузки обеспечивают ранние показатели ухудшения. Классификатор ML может предсказать оставшийся срок полезного использования (RUL) гибки, позволяя планировать техническое обслуживание во время запланированного простоя, а не во время кризиса.

Например, случайный лес выживания, обученный на вибрационной RMS и пиковой амплитуде от ковочного пресса, может оценить вероятность отказа в течение следующих 100 ударов. Планировщики технического обслуживания используют эту информацию для проверки и реконструкции инструментария с оптимальными интервалами, продлевая жизнь на 10-20%, избегая при этом катастрофического поломки. Та же модель также может использоваться в качестве детектора аномалий: если вибрационная подпись отклоняется от изученного шаблона старения, она может указывать на другой режим отказа, такой как включение материала или несоответствие.

Проблемы реализации и передовая практика

Несмотря на очевидные преимущества, развертывание машинного обучения в процессах формирования не без препятствий. Доступность данных является основной проблемой: многие линии не имеют сенсорной инфраструктуры, необходимой для сбора всеобъемлющих данных обучения. Модернизация датчиков может быть дорогостоящей и требует тщательного планирования, чтобы избежать вмешательства в процесс. Компании должны начать с пилотной линии, тщательно ее обработать и собирать данные в течение по крайней мере нескольких месяцев, чтобы захватить достаточное количество вариаций процесса.

Модульная интерпретируемость — ещё одна проблема. Инженеры и руководители предприятий должны понять, почему модель сделала определённый прогноз, прежде чем они доверят ей управление прессой. Такие методы, как SHAP (SHapley Additive exPlanations) и LIME (Local Interpretable Model-agnostic Explanations) могут давать объяснения на уровне функций. Интеграция этих объяснений в интерфейс оператора повышает уверенность и помогает диагностировать ошибки модели.

Управление изменениями нельзя упускать из виду. Операторы, которые на протяжении десятилетий инстинктивно устанавливали параметры процесса, могут сопротивляться «черному ящику», внося коррективы. Успешные реализации включают в себя учебные программы, объясняющие, как работает система ML, ее ограничения и как вмешиваться, когда это необходимо. Многие компании также используют поэтапное развертывание: во-первых, система ML только регистрирует рекомендации; во-вторых, она предлагает корректировки, которые операторы могут принять или отклонить; наконец, разрешено вносить коррективы замкнутого цикла в рамках определенных ограничений.

Тематический анализ: автомобильная маркировка

Крупный автомобильный OEM-производитель пилотировал систему машинного обучения на высокоскоростной прогрессивной штамповочной линии, производящей панели кузова. Линия имела историческую скорость лома 4,2% из-за расколов и тонких пятен. Команда установила дополнительные датчики силы и температурные зонды на кристалле и собрала данные с 50 000 ударов. Они обучили классификатор повышения градиента для прогнозирования вероятности раскола для каждой части, используя такие функции, как пиковый тоннаж, наклон кривой силы и температурный градиент на кристалле.

Модель добилась отзыва 92% дефектных деталей с точностью 78%. При интеграции в линейный контроллер она автоматически корректировала силу заготовки держателя на ±5% между ударами на основе прогнозируемого риска дефекта. В течение трех месяцев норма лома снизилась до 1,1%, а линия производила более согласованные детали с меньшим количеством регулировок инструмента. OEM оценил срок окупаемости менее восьми месяцев, в первую очередь из экономии материала и сокращения простоев для проверки качества.

Будущие направления

Следующим рубежом для машинного обучения в процессах формирования является полностью автономная ячейка формирования. Цифровые двойники - виртуальные копии физической линии - позволят автономное обучение и оптимизацию без прерывания производства. Усиление обучающих агентов, обученных симуляции, будет перенесено на реальную линию с использованием методов рандомизации домена и передачи обучения, резко уменьшая потребность в физических испытаниях. Кроме того, федеративное обучение позволит нескольким заводам делиться улучшениями модели без раскрытия запатентованных данных процесса, ускоряя развертывание лучших практик в организации.

Еще одна новая тенденция - использование генеративных моделей для проектирования процессов. Вместо того, чтобы только контролировать существующий процесс, генеративные состязательные сети (GAN) или вариационные автокодировщики могут предлагать новые наборы параметров процесса, которые дают желаемый результат качества. Например, учитывая целевые механические свойства для кованой части, генеративная модель может выдавать оптимальную температуру, время ожидания и профиль давления. Эта способность, все еще находясь на стадии исследования, обещает сжать время, необходимое для запуска нового процесса формирования в производство.

Заключение

Машинное обучение уже оказывает измеримое влияние на формирование контроля процессов и обеспечения качества. Используя данные датчиков и передовые алгоритмы, производители могут прогнозировать дефекты, оптимизировать параметры в режиме реального времени, автоматизировать проверку и предвидеть сбои в инструментах. Технология не заменяет инженерный опыт, а дополняет его, превращая данные в действенные идеи, которые улучшают согласованность, сокращают отходы и повышают конкурентоспособность. Компании, которые инвестируют в необходимую инфраструктуру данных, тщательно пилотируют и управляют организационными изменениями, будут хорошо позиционированы, чтобы пожинать плоды, поскольку область продолжает развиваться.