在閱讀此文前，為了方便您進行討論和分享，麻煩您點擊一下“關注”，可以給您帶來不一樣的參與感，感謝您的支持。

       編輯/江畔雨落

       前言

       物理系統(tǒng)是由計算和物理組件的協(xié)同作用構建并依賴于其協(xié)同作用的工程系統(tǒng)，新興的物理系統(tǒng)將是協(xié)調，分布式和連接的，并且必須強大且響應迅速，物理系統(tǒng)將改變工程系統(tǒng)的交互。

       就像互聯(lián)網(wǎng)改變了人們與信息交互的方式一樣，在制造業(yè)中，物理系統(tǒng)可以利用來自不同聯(lián)網(wǎng)傳感器、機器和系統(tǒng)的大數(shù)據(jù)。

       通過智能預測和診斷來提高生產(chǎn)率和質量，每個物理組件和機器在網(wǎng)絡空間中都將有一個孿生模型。

       每個組件和機器都可以預測和防止?jié)撛诠收希⑦M一步具有自我意識、自我預測、自我比較和進一步的自我重新配置，以及自我優(yōu)化，以實現(xiàn)強大的智能和性能。

       借助這些功能，未來的產(chǎn)品和系統(tǒng)可以轉型為更加智能，并且能夠適應不斷變化的環(huán)境。

       如果一臺機器可以從自己的歷史和其他機器中學習呢？如果風力渦輪機可以向同一風電場內(nèi)的同行學習，以便快速生成其狀態(tài)和維護要求，會產(chǎn)生怎樣的影響？

       機床還可以自我評估其部件退化，以便調整加工參數(shù)以防止零件質量問題，如果機器可以從人類知識和操作中學習，以提高其預防錯誤的智能，那會怎樣？

       物理系統(tǒng)——全新發(fā)展戰(zhàn)略

       自我意識和自我維護的機器系統(tǒng)被定義為可以自我評估其自身健康狀況和退化的系統(tǒng)，并進一步使用來自其他同行的類似信息進行明智的維護決策，以避免潛在問題，實現(xiàn)這種智能的智能分析將用于單個機器以及車隊級別。

       現(xiàn)階段比較重要的問題就是解決在為自動化應用和相關機器開發(fā)自我意識和自我維護框架方面的研究差距，以便這些系統(tǒng)能夠自我意識，自我比較，自我預測并進一步做出自我優(yōu)先和自我優(yōu)化的決策。

       主要目標是通過利用信息系統(tǒng)和基于云的分析的最新進展來設計一個統(tǒng)一的物理系統(tǒng)平臺。

       自2007年以來，作為新發(fā)展戰(zhàn)略的一部分，美國政府一直在處理物理系統(tǒng)研究領。

       物理系統(tǒng)的應用包括但不限于以下內(nèi)容、制造、安全和監(jiān)視、醫(yī)療設備、環(huán)境控制、航空、先進汽車系統(tǒng)、過程控制，能源控制、交通控制和安全、智能結構等。

       異構性是在任何現(xiàn)實生活中實現(xiàn)網(wǎng)絡物理系統(tǒng)最具挑戰(zhàn)性和最重要的因素之一。

       異構性要求對物理和網(wǎng)絡組件之間的交互進行跨域建模，并最終導致需要一個基于模型、精確和可預測的框架，以實現(xiàn)可接受的物理系統(tǒng)行為。

       在為工業(yè)環(huán)境中的不同機器系統(tǒng)設計物理系統(tǒng)時，很難一步到位達到最高水平，因為它包括不同級別的技術實現(xiàn)，為了更好地評估當前狀態(tài)并以系統(tǒng)的方式為制造業(yè)設計物理系統(tǒng)而提出了物理系統(tǒng)價值主張的分層架構。

       在這種架構中，物理系統(tǒng)可以從基本的最低連接和數(shù)據(jù)到信息級別實現(xiàn)，然后通過在更高級別添加高級分析和彈性功能來增加其對用戶的價值。

       隨著研發(fā)工作的成功，從機床和其他制造設備獲取數(shù)據(jù)似乎將變得不那么困難，通用數(shù)據(jù)協(xié)議和數(shù)據(jù)格式標準也打破了實現(xiàn)連接級別的障礙。

       然而對于更復雜的工廠系統(tǒng)，例如半導體制造，集成異構數(shù)據(jù)源仍然是一個挑戰(zhàn)，數(shù)據(jù)到信息層面以及預后和診斷方面的相關工作也受到了相當多的關注。

       模型的輸入包括振動、溫度和扭矩測量的特征，該方法可以檢測和診斷進給軸系統(tǒng)上不同類型的感應故障。

       盡管該方法取得了可靠的結果，但有人指出，機器預熱和其他因素的影響可能需要一個隨著時間的推移適應或重新訓練的模型。

       使用隨著時間的推移而學習的時間歷史和算法是必要的，這是為了達到網(wǎng)絡水平，并為制造設備和自動化系統(tǒng)實現(xiàn)可靠的健康信息和壽命估計。

       開發(fā)使用不同退化時期的時間歷史和來自車隊中類似單位的數(shù)據(jù)的健康監(jiān)測算法并非易事，直到最近才有研究解決了這一主題。

       盡管分析方法相當復雜，但對于實際使用，壽命預測方法必須考慮不同的操作條件以及維護操作對壽命估計的影響。

       與傳統(tǒng)的健康監(jiān)測基線方法相比，基于車隊的相似性方法提供了更可靠的健康信息，但仍取決于大多數(shù)單位處于正常健康狀況的警告。

       認知層面旨在使用推理和決策算法，根據(jù)來自受監(jiān)控設備的健康信息推薦適當?shù)木S護或生產(chǎn)行動。

       盡管一些工作側重于維護和生產(chǎn)決策支持系統(tǒng)，但它通?；诩俣ǖ脑O備健康或可靠性值，將實際設備健康值納入決策過程的完全集成系統(tǒng)還不成熟，因此達到各個行業(yè)的認知水平仍然是一個挑戰(zhàn)。

       健康監(jiān)測系統(tǒng)將提供資產(chǎn)的剩余使用壽命預測作為輸入，并使用期權理論來決定何時采取適當?shù)木S護措施，盡管建模方法考慮了幾個成本因素和約束，但維護操作并未考慮降低負載或速度以進一步延長資產(chǎn)壽命的可能性。

       當前的技術涉及人類參與循環(huán)，機器自我調整或配置的能力不是當前的做法，達到最終自我配置水平的機器示例尚未成熟，因此在這方面推進存在重要的研究機會。

       雖然遠未達到自我配置的完整概念，但對于旋轉機械，在主動振動控制和軸不平衡補償方面已經(jīng)做了一些工作，但是尚未實現(xiàn)其他組件退化或調整操作條件以延長壽命的考慮。

       此外一組機器或生產(chǎn)線的自我配置的這一方面甚至不太發(fā)達，但卻是配置級別整體愿景的一部分。

       技術方法

       沒有適當?shù)钠脚_和分析技術，網(wǎng)絡空間和實物資產(chǎn)空間之間的接口就無法實現(xiàn)，這適用于自動化系統(tǒng)或資產(chǎn)的網(wǎng)絡，并且需要先進的學習算法和使用歷史機器狀態(tài)“時間機器”來實現(xiàn)這種準確的網(wǎng)絡表示。

       就物理世界而言，首先必須選擇要為哪個資產(chǎn)群構建網(wǎng)絡物理模型，以及資產(chǎn)的哪些屬性對最終用戶很重要并具有價值，對于信息物理機器自動化示例，可以考慮各種不同的資產(chǎn)。

       例如機床車隊、工業(yè)機器人車隊或自動導引車車隊，根據(jù)特定工廠或最終用戶的需求，系統(tǒng)組也可以在組件或子系統(tǒng)級別，例如主軸軸承組或機床滾珠絲杠組。

       在選擇要考慮的物理資產(chǎn)以及層次結構級別之后，還應該考慮機器的隱藏狀態(tài)很重要，并且應該由網(wǎng)絡表示捕獲。

       設備的性能下降是否是一個關注點，最終產(chǎn)品質量是主要關注領域，或者是否是要防止的最重要的意外故障問題。

       從工廠經(jīng)理的角度來看，他們的整體興趣可能集中在系統(tǒng)層面，例如提高工廠生產(chǎn)力。

       實際上，這些“時間機器”與處理后的機器和工廠數(shù)據(jù)的收集是不同建模技術的輸入，然后可以創(chuàng)建資產(chǎn)車隊的網(wǎng)絡表示。

       機器或組件的每個網(wǎng)絡表示也稱為系統(tǒng)的“孿生”或“虛擬”模型，因為網(wǎng)絡模型從其自身的歷史和其他類似單元中學習，并且可以被視為物理資產(chǎn)的網(wǎng)絡孿生。

       實現(xiàn)這種網(wǎng)絡表示的第一步是知識積累模塊，對于機器退化算法，在實踐中使用它們的困難之一是，由于基線條件已更改，因此在執(zhí)行維護后模型可能不太準確。

       因此，可以使用自適應聚類算法將新的工作條件或基線狀態(tài)添加到運行狀況監(jiān)視算法中，從而隨著時間的推移改進建模，此外，傳統(tǒng)的健康監(jiān)測方法沒有有效地使用來自車隊中類似單位的數(shù)據(jù)。

       如果它納入來自車隊中類似資產(chǎn)的數(shù)據(jù)，則可以開發(fā)更強大和可靠的模型，影響組件或子系統(tǒng)退化率的利用率信息和應力因素也是知識庫的一個重要方面。

       該知識庫包括添加新制度或基線的能力，以及利用率壽命矩陣，為對受監(jiān)控的機器群進行自我評估和自我預測提供了支持基礎，通過將當前數(shù)據(jù)模式與知識庫中積累的數(shù)據(jù)模式進行比較。

       可以使用各種統(tǒng)計、機器學習和分類方法來評估機器健康狀況，這種自我意識和自我預測的退化信息可以從網(wǎng)絡空間傳輸?shù)轿锢砜臻g。

       其中健康信息可以呈現(xiàn)給機器操作員、維護技術人員或工廠經(jīng)理，健康信息和工廠級數(shù)據(jù)也可以輸入到工廠決策支持系統(tǒng)中。

       這種系統(tǒng)可用于優(yōu)化維護和生產(chǎn)調度，有關工廠級決策和維護機會窗口分析的更多詳細信息。

       制造對高精度和高效率的要求越來越高，滾珠絲杠廣泛用于這些高精度制造應用，用于將旋轉運動轉換為直線運動，具有高精度、可逆性和高效率。

       由于它是機器系統(tǒng)中最重要的部件之一，其精度直接影響整機的整體精度，它通常以高剛性和精度預加載，從而增加摩擦阻力。

       反復使用后會使內(nèi)表面變質，這最終會影響機器系統(tǒng)，造成不希望的位置精度損失，因此滾珠絲杠的精度是高精度機器的主要指標之一。

       智能維護系統(tǒng)中正在與臺灣HIWIN技術合作，為滾珠絲杠系統(tǒng)添加附加功能，包括位置誤差估計和壽命預測算法，已經(jīng)建造了一個內(nèi)部滾珠絲杠試驗臺來執(zhí)行壽命測試，并開發(fā)和驗證自我意識和壽命預測模型。

       滾珠絲杠通常需要數(shù)年才能失效，在正常運行條件下了解其行為非常耗時，采用加速實驗室實驗來加速降解，并在有限的時間和成本內(nèi)發(fā)現(xiàn)其不同的降解模式。

       滾珠絲杠在高加速度、高速、高負載和垂直測試條件下加速，安裝外部傳感器來測量滾珠絲杠的性能，位置誤差是決定滾珠絲杠精度的重要標準。

       因此在滾珠絲杠旁邊放置了一個線性編碼器來測量滾珠絲杠可以到達的實際位置，滾珠絲杠不斷來回運行，產(chǎn)生高摩擦和振動，摩擦引起的熱量會損壞其內(nèi)表面，因此會發(fā)生反沖，然后最終會失去精度。

       通過這種方式，建立使用振動信號的健康監(jiān)測模型來預測位置誤差，同時使用位置誤差信號對振動信號計算的健康值進行基準測試。

       結論

       健康監(jiān)測算法可以準確估計和預測滾珠絲杠位置精度，滾珠絲杠的這種自我感知能力只是一個方面，目前正在開發(fā)實現(xiàn)更高功能水平的重新配置。

       所提出的具有預測分析能力的架構可以使制造商更早地獲取其工廠資產(chǎn)的健康和質量信息，并立即改進當前流程，最終可以優(yōu)化制造過程，也可以擴展到制造商，供應商和客戶之間的協(xié)作。