弗劳恩霍夫的研究人员使用机器学习套件来提高钣金加工的效率
德国弗劳恩霍夫应用研究促进协会(Fraunhofer)的研究人员表示,为 ML4P(生产机器学习)项目开发的软件套件中使用的模块化和透明方法可以降低小公司的进入门槛。
该套件旨在通过使用ML提高工业制造效率,据报道非常灵活,可以应用于现有的生产流程。配备大量传感器的现代机器提供了越来越多的数据,通过使用人工智能(AI)和ML进行数据分析,会为生产带来了巨大的优化潜力。一个由若干弗劳恩霍夫研究所组成的联盟试图利用这一尚未开发的潜力来造福制造业。
在为期四年的项目中,该联盟结合了流程模型和ML软件工具,旨在使生产更快、能源和资源效率更高。例如,该套件可以分析机器数据以发现隐藏的趋势并使用这些数据来优化制造过程。随着时间的推移,它还可以“学习”以持续改进生产。研究团队不只是为一家公司提供完整的软件解决方案,而是引导他们完成流程模型,采取有条不紊、逐步的方法。
该团队表示,第一步是分析生产过程的当前状态。然后,专家们确定潜在的优化领域,设定目标,并制定实施 ML4P 的概念。然后,他们检查是否可以使用可用的机器和数据实际实施该概念,以及它如何与公司的目标保持一致。
接下来的步骤涉及将来自机器的过程数据转换为“全面的数字信息模型”,这需要工程师掌握所有生产步骤的专业知识。这被集成到“ML4P 管道”中,该管道从机器数据中学习流程模型。随后是实施和测试操作,最终部署流程模型并开始日常生产。
该软件套件包括用于典型任务的通用工具,例如监控机器的运行状态。它们与多种工业通信接口兼容,例如OPC UA(开放平台通信统一架构)。开发人员尽可能避免使用专有软件协议,而是依赖已建立的标准和编程接口。
一旦投入运行,每个模块都可以进行定制,以不断更新流程模型并突出进一步优化的潜力。弗劳恩霍夫研究人员表示,新旧机器都可以集成,即使是 30-40 岁的机器。与其说是机器,不如说它是否能提供合适的数据,例如是否配备了专用传感器。
开发人员表示,较小的公司也可以应用 ML4P,即使他们只想优化制造过程的特定部分。许多公司仍然对 AI或ML的使用持怀疑态度,因为他们还没有认识到ML为生产提供的巨大潜力。然而,弗劳恩霍夫的模块化平台提供了透明度、灵活性和可扩展性,从而降低了进入门槛。
该团队在各种应用中测试了集成概念,包括热钣金成型、薄膜过滤器的生产和玻璃弯曲。