智能车间系统下面向加工深度分析的聚类应用 郭安 于东 胡毅 毕筱雪 刘劲松 李浩 中国科学院大学 中国科学院沈阳计算技术研究所 高档数控国家工程研究中心 沈阳高精数控智能技术股份有限公司 摘 要： 为兼顾系统对数据“实时性”与“海量性”的要求, 提出一种具有实时数据库与历史数据库的智能车间系统架构并着重论述采集层实现方案。为平衡系统代价与应用性能, 完成理想模型向加工环境的转换, 提出一种以理想平台实验、仿真对比实验、验证性实验为核心的 (ISVE) 系统应用开发模式。提出一种生产参数分析应用模型, 通过运用自适应滤波、小波包分解、模糊逻辑等方法处理加工过程中主轴进给方向加速度信号实现矩形铣削平面深度的批量识别。遵循 ISVE 模式开发该应用, 评估模型本身及相应传感器性能, 以合理参数配置工业传感器, 在所提出的系统架构下作验证性实验, 最终以较小的系统软硬件代价换取较高的应用性能。关键词： 信息物理系统; 智能车间; 模糊聚类; 作者简介：郭安 (1989-) , 河南安阳人, 博士研究生, 研究方向:数控技术、智能车间等;E-mail:guo_anqq.com;作者简介：于东 (1966-) , 辽宁辽阳人, 博士, 研究员, 博士生导师, 研究方向:数控技术等;作者简介：胡毅 (1982-) , 四川广安人, 博士, 博士后, 研究员, 研究方向:数字化车间等;作者简介：毕筱雪 (1992-) , 山东济宁人, 博士研究生, 研究方向:信息物理系统等;作者简介：刘劲松 (1990-) , 河南新县人, 博士研究生, 研究方向:智能监控系统等;作者简介：李浩 (1990-) , 河南郑州人, 博士研究生, 研究方向:数控技术。收稿日期：2017-04-14基金：2016 年智能制造综合标准化与新模式应用项目A Clustering Algorithm Application for Cutting Depth Analysis in Intelligent Workshop SystemGUO An YU Dong HU Yi BI Xiaoxue LIU Jingsong LI Hao University of Chinese Academy of Sciences; Shenyang Institute of Computing Technology, Chinese Academy of Sciences; National Engineering Research Center for High-End CNC; Abstract： Architecture building and application development serve as the common practice in intelligent workshop construction that accelerates the transformation of technology into productivity. Proposes an intelligent workshop system architecture to reconcile the demand of for both “real-time” and “massiveness” in a data collection module, with more focuses on the implementation of data collection layer. Proposes an ideal platform, simulation and verification experiments (ISVE) centered system application developing pattern to balance system hardware cost and application performance, conversing the ideal model to practical application environment. Proposes an application model for production parameter analysis: the depth of rectangular milling plane is achieved by using processed acceleration signal in the feed direction during machining, and the methods of signal processing includes adaptive filtering, wavelet packet decomposition and fuzzy logic. The application is developed following ISVE pattern with performance evaluation of both the model and the sensors. Finally, we configured the industrial acceleration sensor with proper parameter and conducted verification experiment in the proposed system, obtaining a higher application performance at a smaller system software and hardware price.Keyword： Cyber-physical systems; Intelligent workshop; Fuzzy clustering; Received： 2017-04-140 引言近年来, 随着工业 4.0 和中国制造 2025 计划的提出, 制造业向信息化、智能化方向发展。工业 4.0 以信息-物理融合系统 (Cyber-physical Systems, CPS) 为基础, 其核心思想是通过高带宽的时间敏感网络 (Time Sensitive Network, TSN) 将具有高可靠性的传感器、执行器与服务器互联, 形成传感器网络。应用程序通过服务器与传感器、执行器实时交互, 实现以应用程序为代表的计算信息与以传感器所表征的外部环境的深度融合1。现阶段与智能制造研究课题相关的理论建模与形式化验证等工作多以大数据为驱动, 以生产应用为导向, 围绕产品完整生命周期展开。智能工厂 (Intelligent Factory) 、健康管理预警系统 (Prognostics and Health Management, PHM) 2、智能故障诊断系统 (Intelligent Fault Diagnosis System) 是智能制造下的核心应用。姚锡凡、张益等3通过对当前制造业信息化相关主流理念的分析、总结与提炼, 分别提出智慧制造与智慧工厂的制造模式与参考模型, 探讨了实现智能制造模式的途径与架构。以上研究成果对智能车间工程应用有重要借鉴价值, 但在智能车间的实践化过程中尚需考虑以下因素:1、“智能”概念的侧重点。“智能化”涵盖整个产品的生命周期:从原料进入工厂开始到产品最终送达客户, 包括质量管控、生产调度、状态监控、生产统计/数据分析与工艺指导、产品配送等。某些特殊制造业甚至可以把智能化周期延伸到产品寿命的终结:美国航空工业引入“数字孪生”概念, 将飞机零件实体与信息模型永久同步 5、6。然而对某一特定制造行业, 实现整个产品周期的“智能化”是代价高昂而冗余的, 针对不同制造业特点, “智能”所处的环节应有所侧重。2、理论模型与现实环境差异。智能应用所采用的模型精细, 往往需要精确的时序数据作为其输入, 对数据缺失、时序错误等问题抗性差, 而由于系统本身的局限性或加工环境的干扰, 数据不可避免会产生以上问题。图 1 所示为由于传感器采样频率不足而导致的数据时序混乱。图 1 一种时序混乱情形 下载原图在图 1 中, e 1、e 2为系统中待测事件, 矩形长度表示事件持续时间, 左右边对应的时间点分别表示起止时间。s 1、s 2表示与 e1、e 2对应的传感器采样点, 假设采样是瞬时的。s 1于 t1时刻采样, 但并未探测到 e1的发生;s 2于 t 2时刻采样, 探测到 e2的发生。系统会根据传感器采样结果, 错误地认为 e2先于 e1发生, 这是有悖于事实的。综上所述, 智能车间的工程实践应以行业需求为导向, 力求实现产品生命周期中的某些重要环节, 算法与模型应考虑加工环境和平台的限制, 以较低的代价达到合适的性能。本文以某离散制造业智能车间改造项目为背景, 提出一种侧重于生产监控与数据分析的智能车间系统, 重点阐述数据传输层、采集层的实现, 结合系统特点及所处加工环境特点提出一种系统应用开发模式, 依照该模式开发一种面向铣床加工深度的聚类算法应用, 使用实验型精密加速度传感器在理想环境下采集原始数据, 探究应用理论模型性能, 对原始数据处理, 探究应用性能随传感器参数的变化趋势, 根据实验结果, 在合理范围内调整平台参数, 最后在文章提出的智能车间架构下验证算法性能。1 系统架构及应用开发模式1.1 系统架构的提出离散制造业生产工艺复杂, 生产环节繁多:加工精度要求高, 生产参数调整不当可能造成废品率上升或影响生产安全, 生产过程实时可视化监控与大数据分析可提升良品率, 促进安全生产;每个生产环节容量不同, 生产过程调度与生产效率息息相关, 合理的调度应用可帮助技术人员统筹任务分配, 提高生产效率。上述典型应用同时对数据实时性与海量性提出了要求。基于该行业特征与典型应用要求, 提出一种面向实时可视化监控、任务调度、大数据分析的智能车间系统架构, 其逻辑模型与物理拓扑分别如图 2 所示:图 2 逻辑模型与物理拓扑 下载原图通过“数字孪生”模型实现车间实体域向信息域的完整映射。“数字孪生”是车间信息化模型的拓展, 具有如下特点:1、实体域与信息域映射的完备性:不同于传统信息化模型, “数字孪生”模型强调车间每个实体、实体状态、实体之间的关系、事件向信息域的一一映射, 同时, 该模型不仅着眼实体域当前映射, 还应记录历史映射状态。2、映射的高动态性、高实时性:实体域变化在一定时间限制内反馈到信息域。3、模型海量数据特征:由于信息域需记录实体域中大量实体、实体状态及实体关系的变动, 会产生海量数据。“数字孪生”模型与实体域信息交互接口位于智能车间感知层, 在物理拓扑图中, 包括与服务器连接的汇聚节点 (Sink Node) 、计算机单元 (Personal Computer Unit, PCU) 、可编程逻辑控制器 (Programmable Loagic Controller, PLC) 、模数转换器 (Analog to Digital Converter, ADC) 等硬件设备及相应的协议、优化算法等。机床进给轴编程值、实际值、主轴转速、报警号、剩余量等内部运行参数可从PCU 或 PLC 读取, 采样周期范围 1 毫秒到 1 秒。机床特定位置加速度、声发射、电流数据需从现场安装的外部传感器读取。根据数据传输信道的不同, 外部传感器又分为有线和无线传感器。无线传感器体积小安装方便, 芯片选择灵活性强, 应用较为广泛, 适合于加速度、温湿度等集成电路 (Integrated Circuits, IC) 封装形式的芯片。霍尔电流传感器、电压传感器不宜做成无线传感节点, 可用成品模块连接模数转换器后再接入服务器。为满足不同应用对系统响应速度与容量的要求, 设计实时与历史数据库。实时数据库存放产生于一定时间之内的数据, 响应速度快,