基于工业大数据的机械装备智能化设计综述*

□ 陶 渊 □ 刘福聪 □ 赵 楠

1.河北工业大学 机械工程学院 天津 300401 2.天津市高端智能数控机床工程研究中心 天津 300222 3.天津职业技术师范大学 机械工程学院 天津 300222

随着制造业向数字化、网络化、智能化快速发展,零部件加工成型的难度与精度要求不断提高,传统的机械装备已经不能满足高尖端行业的生产要求,机械装备设计面临更大的挑战[1]。当前,机械装备设计逐渐由传统人工设计转向计算机辅助设计,由静态和线性分析转向动态和非线性分析,由单机工作模式转向智能化工作模式[2]。工业大数据技术的出现,给机械装备设计带来了新思路、新方向。从机械装备应用过程中产生的海量数据中挖掘新知识,与机械设计理论相结合,为机械装备智能化设计开辟了广阔的发展前景[3-4]。开展基于工业大数据的机械装备智能化设计研究,不仅可以在技术上提升高精尖机械装备设计效率,而且能够在机械装备设计模式方面形成开创性拓展,推动制造业不断稳步前进[5]。

1 面向数据采集的机械装备

目前,针对个性化需求数据、工况数据、维护维修数据这三种数据类型,不同的数据采集方法在智能化机械装备领域得到了充分运用,需要根据零件加工特点和高效、高精度、低故障率等要求进行设计。

1.1 基于个性化需求数据的机械装备

基于个性化需求数据的机械装备在制造业产业链中主要涵盖复杂装备和重型装备,装备体积大,结构复杂,不同型号的产品都需要按照用户的要求设计,属于典型单件小批量生产方式[6]。

近年来,与机械装备性能相关的个性化需求通常体现在不同工作场景的操作任务中。相比传统大批量正向设计方法,侯亮等[7]提出一种基于运行数据驱动反向设计的复杂装备个性化设计方法,通过反向设计目标选择,运行大数据采集,基于个性化使用环境的系统参数识别与建模等,实现装载机变速箱的个性化定制。针对生产过程复杂、制造成本较高的问题,Wang Yi等[8]从基础层、支撑层、交互层、设计层四个维度构建基于个性化需求数据的基本框架,提出机械产品实施大规模个性化设计的关键技术,机械装备的个性化程度及环境适应性得到提高。利用工业大数据的收集管理系统,孙明耀等[9]提出一种基于数字孪生的复杂重型装备个性化协同制造模式,通过搭建数字孪生模型并仿真,完成各维度间的高度集成与开发,推动个性化数据自适应协同设计模式的实现,为未来重型复杂装备的转型升级提供指导。

1.2 基于工况数据的机械装备

机械装备的运行是一个人—机—环境交互系统。在机械装备作业过程中,可以通过传感器采集数据,精准掌握环境或工况对装备运行性能的影响[10]。

面对各类复杂的外部环境,国内外学者通过对典型工况进行数据采集与分析,提出基于工况数据的机械装备智能化设计方法。龚勋等[11]通过构建基于时序历程事件、自然环境因子、生产环境因子的环境剖面基因模型,提出一种产品适应性设计方法,实现对液压机结构的适应性设计,有效适应了液压系统复杂工况的运行环境。王少杰等[12]、常绿等[13]面向装载机变速箱进行优化设计,提出基于运行大数据采集、分析、应用的装载机变速箱与传动比设计流程,并且利用仿真模型验证了设计的合理性,实现最优解。基于工况数据的装载机变速箱与传动比设计流程如图1所示。面向内燃机等装备,姚良等[14]设计了基于工况环境的在线数据采集与处理系统,对内燃机的参数进行有效判断与处理,满足故障诊断过程中的实时需求。由以上介绍可见,基于工况数据的机械装备对不同工况下工业大数据的采集与动态分析,给未来机械装备的智能升级和创新设计带来了新思路。

1.3 基于维护维修数据的机械装备

故障诊断是保障机械装备安全运行的前提。在机械装备的设计过程中,基于维护维修数据建立高效、智能的机械故障诊断系统,是实现机械装备故障诊断的关键[15-16]。

随着故障诊断进入工业大数据时代,新的智能故障诊断理论与方法不断涌现。雷亚国等[17]结合工业大数据与深度学习特点,提出一种新型机械装备健康监测方法,通过自适应提取机械装备监测过程中蕴含的多域故障数据,有效识别故障,完成多级齿轮传动系统的智能诊断。刘学勇等[18]基于专家推理建立具有维修决策与指导、维修教学与训练功能的新型工程机械诊断系统,实现维护维修数据的分析与预测,由此克服传统智能诊断系统的缺陷,提升机械装备的智能化水平。针对轴承和齿轮等部件存在的故障情况,Shen Changqing等[19]研究基于向量机的旋转机械智能诊断方法,通过在不同分解深度下采用数据预处理技术,从获得的信号中提取统计参数,使轴承和齿轮箱试验台实现高精度故障诊断,减少潜在的机械磨损,旋转机械的寿命周期得到延长,生产效率得到提高。另一方面,机械装备故障自愈原理的提出,有力地推动了机械装备的设计由传统模式向预测型模式转变,同时为研制出具有自愈功能的新一代智能化机械装备提供了科学依据[20]。

▲图1 基于工况数据的装载机变速箱与传动比设计流程

2 基于工业大数据的装备智能设计

当前,数据挖掘、数据预处理、数据分析技术结合各类智能算法,为装备的智能设计提供了有效技术手段。基于工业大数据的装备智能设计主要包括通用机床设备和工业机器人等。

2.1 通用机床设备

在进行机床结构设计时,早期采用传统材料力学简化计算与经验设计相结合的方法,不能解决实时信息不确定性问题。对此,国内外科研人员开展在机床结构设计过程中应用数据挖掘技术的研究,针对机床的多样化设计提出不同类型的结构优化方法,在保证刚度、强度、动态性能的前提下实现机床的优化设计。

针对数控机床进给机构的动静态性能要求,刘世豪等[21]采用反向传播神经网络和遗传算法对机床的进给机构进行结构多目标优化,设计了一套数控机床进给机构智能设计优化系统,有效加速了设计自动化的进程。任珍刚等[22]将有限元方法与优化程序相结合,利用神经网络对工业大数据进行处理与分析,对设计中较大的结构进行调整,减少了计算时间,实现了隐式表达下以性能指标为设计变量的机床结构优化设计。根据加工过程中刀具、工件、机床单元之间的运动关系,Heisel等[23]提出一种自动适应机床结构的智能设计算法,在选择最优结构配置阶段,通过收集设计过程中的数据参数,加快自身的学习速度,提高设计过程的灵活性,实现机床结构的自动化开发,机床的动态性能和静刚度同时得到明显提高。

定位精度是决定数控机床性能的一个重要因素,提高数控机床定位精度,能够明显提高加工精度。在设计数控机床时,需要通过定位误差补偿的方法有效控制定位精度,改善数控机床的各项技术指标。需要注意的是,由于数控机床定位误差影响因素复杂,模糊规则难于获取,因此需要不断改进误差补偿模型来实现高精度的实时补偿。对此,在设计过程中可以将神经网络与各种优化算法相结合,通过对误差数据进行预测分析,建立精度更高、泛化能力更强、鲁棒性更佳的各类误差预测模型,应用于不同的数控机床场景中。具有代表性的基于工业大数据的数控机床误差补偿模型见表1。

表1 基于工业大数据的数控机床误差补偿模型

针对机床空间网格点误差数据的存储问题和非网格点误差值的预测问题,向华等[24]以机床空间网格数据为样本,采用反向传播神经网络模型进行训练,将训练好的神经网络模型用于预测机床空间非网格点误差值,实现数据之间的映射,为机床误差数据拟合非网格点误差值精确预测提供理论支持[25-28]。

2.2 工业机器人

工业机器人基于自身可编程、位置可控、自动运行的特点,广泛应用于机械装备领域。在结构设计过程中,结合工业大数据进行工业机器人的优化设计,采用多领域、多尺度融合建模,可以大大降低生产成本,提高设计效率。

现阶段,工业机器人优化设计的研究内容主要体现在提高可靠性和精度方面。Zhong Xiaolin等[29]、周炜等[30]分别提出基于工业大数据的工业机器人定位误差补偿方法,前者提出一种基于人工神经网络的工业机器人逆补偿方法,通过实时大数据提取、性能仿真优化,解决末端执行器局部和全局标定问题,后者在工业机器人空间网格精度补偿方法的基础上,提出粒子群优化工业机器人综合精度补偿方法,将大数据分析应用于工业机器人受温度影响的误差补偿模型,补偿后定位精度得到提高。Angelidis等[31]通过白光计量法测量工业机器人特定运动轨迹上特定点位置的定位误差,利用数据分析技术计算工业机器人的各关节坐标,进行补偿控制,进而实现工业机器人全寿命周期误差预测补偿。针对工业机器人运动学结构与嵌入空间的设计,Kim等[32]提出一个基于工业大数据的学习框架,利用图形神经网络来分析机械臂的结构与姿态,通过工业机器人的树结构训练不同的聚合策略,从子节点中提取大数据信息,解决工业机器人结构设计与优化问题。

控制系统是工业机器人设计的一个分支,在设计过程中经常面临环境、控制状态、控制对象复杂性、不确定性、多样性情况。工业大数据的预处理与分析技术可以有效解决工业机器人控制系统的设计难题。

基于工业大数据的控制系统必须具有自我学习能力,通过数据分析实现自身修正和调节,进而更加准确且快速地完成控制任务。针对工业机器人并联机构动力学建模不确定性强的特点,彭志文等[33]提出一种径向基函数神经网络在线补偿控制策略,通过处理实时工业数据,建立三角式机器人控制系统仿真模型,提高了工业机器人的控制效率与算法的自适应性。黄玉钏等[34]、杨马英等[35]将数据挖掘的概念与方法应用于工业机器人视觉控制,提出基于神经网络图像识别的工业机器人自主轨迹控制方案,利用切换控制器提高伺服控制精度,进一步改善神经网络控制用于实际系统时训练复杂性与控制精度问题,充分发挥工业大数据在神经网络技术中蕴含的信息潜能。由以上介绍可见,工业大数据通过神经网络、深度学习、智能算法等,为工业机器人控制系统的设计提供了新的科学依据,也为提高工业机器人的智能化提供了有效保障。

3 基于工业大数据的装置智能设计

机械装备的多样化促进着装置的改进和创新。通过各类数据处理技术,对设计阶段的数据进行实时存储、筛选、处理、交互,可以有效提高装置智能设计的准确性和智能化水平。基于工业大数据的装置智能设计主要包括齿轮传动装置、主轴部件、直线运动单元等。

3.1 齿轮传动装置

齿轮传动装置是机械装备的重要部件,以各种类型的减速器为主,其工作性能直接影响整机性能及设备生产率。

随着产品对空间和质量的要求越来越高,传统齿轮传动装置的设计很难满足产品开发的要求。对此,可以在设计阶段借助数据挖掘技术,建立目标函数,使动态优化的过程趋于简单化。针对二级齿轮减速器的设计与优化,Padmanabhan等[36]提出一种基于种群的进化算法,通过收集生产过程数据,以设计应力为约束条件,使齿轮材料体积和中心距不断减小,以达到功率和效率的最高提升。谢雄伟等[37]将数据挖掘应用于优化设计RV减速器的关键零件尺寸公差,以零件加工成本为目标函数,以许用回差和装配尺寸链为约束条件,采用遗传算法实现摆线轮、曲柄轴、针轮尺寸误差的优化。雷明远[38]、高畅等[39]将改进的反向传播神经网络应用于齿轮传动装置的结构优化设计,前者通过建立遗传算法的数据挖掘模型,对神经网络的参数进行优化,获取参数之间复杂的非线性关系,实现小体积的优化设计目标,后者基于蚁群算法对标准反向传播神经网络进行改进,提出一种遗传算法—蚁群优化算法—反向传播神经网络参数优化算法,提升行星齿轮箱的故障诊断准确性。

3.2 主轴部件

主轴是机床设备的典型功能部件。在设计阶段,主轴部件热态特性在很大程度上决定机床的切削速度和加工精度,应当通过热设计和优化措施来减小热误差对主轴部件的影响。

当前,国内外科研人员基于数据分析技术探索出多种训练速度快,有良好泛化性能的训练算法,用于对机床热误差进行建模。王续林等[40]提出一种基于极限学习机与神经网络的机床热误差补偿模型,将粒子群优化理论和极限学习机神经网络相结合,通过选取隐层神经元数,对数控机床热误差进行精确、有效实时补偿控制。针对预测性能不稳定的问题,谭峰等[41]提出集成反向传播神经网络的主轴热误差建模方法,综合利用模糊C-均值算法筛选温度敏感点,对测温点进行数据预测性分析,并在卧式加工中心上验证方法的可行性,使主轴部件运行的安全性和可靠性得到提升。Hong Haibo等[42]提出一种基于本体论的主轴部件设计方法,建立一个人为经验与计算机数据库相结合的主轴部件设计框架,有效实现了主轴部件静态、动态、热力学性能优化。基于本体论的主轴部件设计方法如图2所示。从当前研究来看,基于大数据技术建立最优合理的热误差模型,可以有效减小机床热误差,提高机床的热精度,加快设计效率。

▲图2 基于本体论的主轴部件设计方法

3.3 直线运动单元

直线运动单元往往采用各种类型的直线导轨,配合密封铝型材和精密导向技术,主要用于高速、高精密机械加工装备中。

基于工业大数据的工艺知识挖掘技术是直线运动单元工程设计的一个新思路。通过收集生产过程的具体数据,He Gaiyun等[43]建立试板应力与导轨几何误差之间的映射关系,提出导轨几何误差识别与调整方法。Shih Weicheng等[44]通过试验分析线性导轨接触刚度与预载水平之间的关系,从非结构化数据中进行预测建模,在实际应用中得到有效验证。针对机床滚动导轨动态特性参数难以准确确定的问题,王凯等[45]将有限元设计方法得到的最优校直行程作为训练数据样本,建立基于反向传播神经网络的校直行程预测模型,实现导轨全自动校直机控制系统的设计。朱坚民等[46]通过建立滑动接合面动态特性参数的反向传播神经网络模型,对不确定性数据进行分解和量化,为未来机械装备中直线运动单元的设计与动态特性参数识别提供范例。

4 结束语

由以上介绍可见,大数据技术在机械装备的设计过程中已经取得较好成果,为应用于未来自动化、智能化的设计提供了理论支持。同时,基于工业大数据的智能化机械装备给未来制造业带来新的机遇与发展。需要注意的是,大数据潜在价值在设计机械装备与内部装置时还没有完全充分发挥出来,应当从两个方面推进工业大数据在智能化机械装备领域应用的研究。

第一,在机械装备设计优化进程中,影响结构的静态常量和动态变量复杂多变,设计过程需要大量数据处理工作,并且大型复杂机械装备系统具有复杂性和异质性特点,通过大数据技术建立更加完整精确的数学模型,将有助于对机械装备进行后续科学划分和性能评估,进而高效进行多目标优化设计,克服应用过程中干扰与装备性能变化产生的影响。

第二,在未来智能机械装备的设计中,可以对大数据分析技术、智能科学技术、产品专业技术进行深度融合,建立基于工业大数据的完整设计理论体系,在此基础上,通过改进各种算法性能,完善各类智能装备设计软件,有助于提高整体设计过程的效率,推动机械装备设计在整个制造业中的应用。