人工智能和机器学习

建模软件和机器学习提高了生产效率

自动化数据处理和机器学习算法的进步提高了模型和仿真的价值

亚历山德拉·达·席尔瓦(Alessandra Da Silva)著 2021年9月13日
图1:理想的模型1的趋势线很少被实现,因为如果不采取措施,模型的准确性会随着时间的推移而降低,就像模型2和模型3的趋势线一样。礼貌:西门子

现代制造过程会产生大量的数据,随着工业物联网的发展,工业车间的传感器数量越来越多,现在可以获得的数据也越来越多。

在过去,数据通常以一种非常保守的方式使用——主要是让用户知道,回顾一下,在车间发生了什么。然后,这些数据可以用于监管报告,在某些情况下,还可以用于发现趋势和识别问题。

然而,随着人工智能(AI)和机器学习(ML)的日益突出,使用车间数据所能完成的工作是没有极限的,最明显的是识别模式,然后使用这些信息加速上市时间和优化生产。

电脑与直觉

专家们曾经认为,计算机只能计算人类能理解的算法。他们还认为没有办法教软件如何锻炼直觉——比如识别一张图片是大人还是小孩,是猫还是狗——但数据科学家现在知道这不再是正确的。

有了ML,人类已经成功地教会计算机执行直观的任务,而无需向计算机明确解释任务。简单地给机器输入足够多的不同的例子——比如猫狗的图片,然后对它们进行相应的识别——机器就可以通过识别例子中的模式来学习确定新图片的主题。类似地,计算机现在可以处理工业问题,曾经认为不能用ML解决,而无需复杂的编码。

工厂车间的设备可以将大量的生产过程数据输入计算机的ML算法。例如,在印刷过程的质量保证中,ML算法可以检测出使用不正确的油漆颜色、不准确的位置、缺失细节和其他缺陷。机器可以随着时间的推移学习测试这些和其他质量,而不需要程序员预先定义所有测试参数。最终印刷产品的分析细节决定了主题是否通过整体质量测试。

随着计算机对生产程序越来越熟悉,它可以在质量检测的最终结果之前将生产过程数据联系起来。该信息可用于近乎实时地预先确定某一特定生产批次是否能通过质量测试。通常情况下,工艺调整可以节省一批否则走向质量测试失败。通过在收集的数据集中识别对质量有影响的主要因素,计算机可以快速识别人类无法自动调整流程或警告操作人员的模式,以便他们采取行动。

机器学习的挑战

不幸的是,ML实现并不是简单的即插即用。像学生一样,机器需要正确的指令才能出色地执行任务。

收集高质量的数据是ML实现过程中最大的初始挑战,这一步非常关键,因为机器无法从损坏、噪声、扭曲或分类错误的数据中学习。适当的收集包括以标准格式记录数据,有时需要从原始格式进行转换。

在数据收集之后,ML模型需要一个标记的数据集来进行学习。这个数据集是按类分类的,比如OK或not OK,通过或失败——但许多组织没有可用的专家和资源来识别和标记这些ML模式。

ML模型通常依赖于一般动态数据的静态历史提取来进行训练。然而,在模型实施后,由于工艺条件的变化、动态的人为干预等原因,生产数据可能会以一种未知的、不被发现的方式快速变化。随着时间的推移,这通常会导致模型的预测性能和可靠性下降(参见图1)。

图1:理想的模型1的趋势线很少被实现,因为如果不采取措施,模型的准确性会随着时间的推移而降低,就像模型2和模型3的趋势线一样。礼貌:西门子

图1:理想的模型1的趋势线很少被实现,因为如果不采取措施,模型的准确性会随着时间的推移而降低,就像模型2和模型3的趋势线一样。礼貌:西门子

当模型错误地分类属性或给出低置信度的结果时,需要使用新的或额外的标记数据集对其进行重新训练。

监控生产系统

典型的ML应用程序接收来自传感器(如摄像机、麦克风、温度计等)的数据输入。在导入和预处理之后,ML模型分析数据并推断模型输出(参见图2)。

图2:ML模型接收输入数据,使用它执行一组定义的计算和操作,并生成用于随时间调整模型的结果数据。礼貌:西门子

图2:ML模型接收输入数据,使用它执行一组定义的计算和操作,并生成用于随时间调整模型的结果数据。礼貌:西门子

例如,在质量预测用例中,模型输出通常是与产品质量相关的分数,或者生产可接受的部件或批次的概率。ML应用程序向各种消费者提供这种质量预测,比如一个能够调整工艺参数以进行优化的制造执行系统,或者仅仅是为了操作人员可视化。

为了防止模型精度随时间的推移而下滑,ML应用程序必须将其预测输出与实际结果进行比较,根据模型偏离现实的情况调整未来的建模。这种偏差为事件处理和bug跟踪的模型下一次迭代提供了可操作的见解。通过这种细化行为,模型可以学习识别数据流中的新模式。

瑞士军刀

当传感器和其他现场设备向现场计算机和服务器发送信号时——在很多情况下是向云发送信号——它们有助于创建一个设备当前状态的清单。这有助于告知操作人员,这些信息可以用来提高生产率,确保安全,并适应新的要求。

数字双胞胎工具可以促进持续优化的过程,这是其他工具无法比拟的,而且从车间传感器收集的数据可以极大地提高效率。

这种类型的工具不仅可以显示由已知重量、在特定日期生产、具有特定质量的特定材料或配料制成的产品,还可以显示影响最终产品的湿度、温度和许多其他因素,然后将这些环境因素与产品的结果质量联系起来。这个完整的数据集能够创建流程和产品的数字孪生,这是产品及其生产方式的完整虚拟表示。

在训练模型的真实数据难以生成的情况下,工程师可以创建一个数字双胞胎,运行模拟来创建必要的产品数据集来训练ML模型。数字双胞胎能够更好、更快地开发产品,因为模拟技术在任何物理原型生产之前就加速了设计和测试。数字双胞胎还提高了设计效率,因为它们使开发人员能够尝试和比较比物理模型更多的配置(参见图3)。

图3:西门子工厂模拟工具可用于创建一个数字双胞胎,用于优化新设施的设计,或用于试验方法,以改善现有设施的运营。礼貌:西门子

图3:西门子工厂模拟工具可用于创建一个数字双胞胎,用于优化新设施的设计,或用于试验方法,以改善现有设施的运营。礼貌:西门子

例如,在建造新建筑之前,可以使用数字双胞胎来提高能源效率。除了结合建筑几何元素的可视化,数字双胞胎还可以包括项目时间表和预算,以及有关建筑的能源供应、照明、消防和运营的数据。因此,工程师们甚至可以在破土动工之前优化建筑未来的气候影响。

此外,数字双胞胎在其生命周期中继续收集数据。这可能包括物理应力、失效部件或物体(如铣床、飞机或建筑物)如何运行的信息。这些信息支持在运行期间的优化,它帮助设计师,建筑师和工程师准备下一代产品。

学习“蚂蚁法”

为了创造真实技术系统的精确数字双胞胎,开发人员必须了解系统的物质价值、设计数据、功能工作流程和周围的自然法则。数字双胞胎还必须记录系统的建模和实际性能值之间的差异,以保持随时间推移的准确性。

利用ML和计算机对大数据集固有的快速处理能力,该模型可以揭示人类无法确定的高度复杂的连接,并且计算机可以调用“蚂蚁方法”来有效地优化模型。

在自然界中,蚁群利用气味来标记它们前往食物来源的路径。因为在最短路径上的蚂蚁比在较长的路径上的蚂蚁更频繁地穿过它,标记它,所以随着时间的推移,最短路径的气味比其他路径更强烈。

类似地,基于ml的建模利用这种方法随着时间的推移优化生产过程,因为一次性模拟所有可能的程序并相互比较会耗尽计算机处理资源。相反,机器会根据操作方法和质量测试结果之间的相关性,一点一点地调整生产过程。这种方法使ML模型能够确定执行操作的最有效方式。

一家领先的汽油、柴油和电动汽车动力总成制造商开始使用西门子SimCenter Amesim软件和服务来开发虚拟传感器和人工智能。仿真软件使他们能够创建动力系统的虚拟模型(见图4),从而在生产前确定理想的设计参数,减少了由于物理原型失败而导致的时间和成本。

图4:西门子SimCenter Amesim软件用于创建配备ai的虚拟模型,用于模拟和优化机械系统组件,加速物理生产和测试。礼貌:西门子

图4:西门子SimCenter Amesim软件用于创建配备ai的虚拟模型,用于模拟和优化机械系统组件,加速物理生产和测试。礼貌:西门子

除了硬件设计,制造商使用虚拟模型优化控制策略。通过将模型转换为部署到动力系统的机载电子控制单元的格式,他们为控制器配备了基于ai的ML能力。这使得动力系统能够根据当前的驾驶周期和应用情况自动调整输出。

模式识别授权

随着时间的推移,使用正确标记的数据集,ML算法正在改进,数字双胞胎正在成为产品、工厂和其他自动化系统开发的标准。因此,这些技术越来越多地被用于认证,比如符合安全和环境法规。

随着数字双胞胎变得越来越普遍,它们将与物理系统和产品的交付结合在一起,使用户能够在生产之前假设和测试他们的设计和流程的修改结果。

通过深入的ML和模式识别,来自数字双胞胎的模拟数据和来自现场传感器的实际数据可以被处理,以创建精确的和经过时间考验的生产模型。这些模型加速了流程和机器优化,提高了生产效率和上市时间,同时减少了维护成本和停机时间。


亚历山德拉•达席尔瓦
作者简介:Alessandra Da Silva是西门子工业公司的产品营销经理。