ОткрепитьЗакрепитьЗакрыть

Центральный офис в России
ООО «Бекхофф Автоматизация»

Серебряническая наб., д. 29
БЦ «Silver City», 1-й этаж
109028 г. Москва, Российская Федерация

+7 495 419 07 44
russia@beckhoff.com
www.beckhoff.com/ru-ru/

22 июл. 2021 г.

TwinCAT Machine Learning оптимизирует работу автоматической линии производства анкерных болтов

Машинное обучение обеспечивает надежный контроль качества процесса производства в режиме реального времени

Международная компания, специализирующаяся на производстве широкого диапазона крепежных деталей, помимо прочего изготовляет анкерные болты различного типа. Чтобы оценить качество сопряженной металлической гильзы на основании данных, полученных с существующего станка в режиме реального времени, был выполнен соответствующий научно-технический проект в качестве бакалаврской работы в Университете Прикладных Наук Восточной Швейцарии (Ostschweizer Fachhochschule, OST). Подходящим решением оказалось машинное обучение (ML) и ПО TwinCAT Machine Learning от Beckhoff.

Визуализация тестовой статистики.
Визуализация тестовой статистики.

Механический анкерный болт фактически состоит из болта, шайбы, шестигранной гайки и металлической полой гильзы. Силы трения, возникающие при вкручивании между гильзой и стенкой, обеспечивают достаточную прочность сцепления. Конический элемент под воздействием поступательного движения стержня распирает гильзу и закрепляет конструкцию в основании.

Цель проекта

В проекте, выполненном инженером по НИОКР Робином Ветчем в рамках программы бакалавриата «Системные технологии» университета OST, особое внимание уделялось рассмотрению процесса охвата готовой перфорированной гильзой конической части анкерного болта. Согласно недавно разработанной концепции производства предварительно собранные металлические гильзы закрываются вокруг болта при использовании двух сервоцилиндров, управляемых с помощью сервоприводов AX5206 от Beckhoff.

Целью бакалаврской работы была разработка процедуры автоматической проверки качества с помощью методов машинного обучения. При контроле качества использовались только данные от существующих станков, т.е. не потребовалась установка никаких дополнительных датчиков. До этого проекта качество охвата гильзы вокруг болта в основном проверялось вручную с помощью контрольного калибра. Теперь было продемонстрировано, что в рамках требований к качеству все оболочки можно разделить на три класса (слишком слабый охват, нормальный охват, слишком тугой охват). Более того, основные данные по геометрии охватывающей гильзы (длина, ширина и отверстие гильзы) прогнозировались с применением уравнения регрессии. 100% проверка процесса охвата позволит на ранней стадии выявить тренды или отклонения.

Команда проекта (слева направо): Кристиан Эггер, научный сотрудник Института Вычислительной Инженерии (ICE) Университета OST, профессор Кристоф Вюрш, преподаватель Института ICE, и инженер по НИОКР Робин Ветч.
Команда проекта (слева направо): Кристиан Эггер, научный сотрудник Института Вычислительной Инженерии (ICE) Университета OST, профессор Кристоф Вюрш, преподаватель Института ICE, и инженер по НИОКР Робин Ветч.

Цилиндрическая испытательная гильза использовалась как эталон качества. Болт, закрытый гильзой, должен точно устанавливаться внутрь этого контрольного калибра, т.е. гильза не должна охватывать болт слишком туго или слишком слабо. На основе моделирования процесса охвата методом конечных элементов (МКЭ), были определены параметры, способные оказать существенное влияние на результаты создания оболочки. Далее последовали многочисленные испытания оболочки, во время которых все важные данные с двух сервоцилиндров регистрировались посредством программных осциллографов TwinCAT Scope в режиме реального времени. Они включали, например, потребление электроэнергии, крутящий момент и ошибки вследствие запаздывания серводвигателей.

Интеграция ML в контроллер станка

В рамках классической платформы машинного обучения – в данном случае Scikit Learn – была разработана и обучена очень надежная регрессионная модель машинного обучения на основе записанных тестовых данных. Работа с платформой ML включает подготовку и создание выборки данных, моделирование и обучение подходящим алгоритмам ML, а также их оценка. Результатом этих шагов является подготовленная модель ML, которая отображает отношение между входящими и целевыми данными. Интерфейс для развертывания модели ML в ПО TwinCAT 3 является открытым, как и интерфейс для данных. Здесь, файл обмена формата ONNX (Open Neural Network Exchange) поддерживается в качестве установленного стандарта.

Следующим этапом в проекте была интеграция обученных ML-моделей в режиме реального времени в контроллер станка. Для этого использовался TwinCAT 3 Neural Network Inference Engine (TF3810), так что по словам Робина Ветча конвертируемую в ONNX-формат модель легко реализовывать в среде реального времени TwinCAT с помощью всего нескольких строк кода. Для развертывания модели ML в TwinCAT 3 экспортируемая модель ML конвертируется в двоичный формат (.bml), а затем сохраняется в целевой системе (Embedded PC или ПК для шкафов управления). После загрузки файла в формате .bml, модель среды выполнения конфигурируется таким образом, что точные вычислительные операции, необходимые для анализа модели ML, эффективно выполняются в ЦП промышленного ПК. Это гарантирует, что результирующий модуль является компонентом логического вывода, работающим в режиме реального времени, который интегрируется в TwinCAT 3 и поддерживает все известные способы программирования в TwinCAT 3: вызов модуля из ПЛК, из C/C++ или напрямую посредством циклических задач.

Представление ширины гильзы как один из критериев качества оболочки.
Представление ширины гильзы как один из критериев качества оболочки.

Результаты проекта

При выполнении модели ML, обученной для обследования анкерного болта, высота и ширина охватывающей гильзы оцениваются с точностью +/-0,15 мм, что соответствует относительной погрешности в 2%. Отверстие гильзы можно оценить с относительной погрешностью 10%. В качестве упрощенного приближения можно установить, что испытуемая гильза в достаточной степени определяет высоту и ширину охватывающей гильзы. Для этого использовалась нейронная сеть типа MLP (Multi Layer Perceptron). Отправными точками модели являются расчетные значения ширины, высоты и отверстия гильзы. С помощью простых предельных значений, заданных в ПЛК, в дополнение к регрессии можно реализовать простую классификацию.

По мнению Робина Ветча, благодаря контролю качества на основе данных, компания получает многочисленные преимущества. Таким образом, 100% поточный контроль качества можно реализовать без использования дополнительных датчиков или испытательных установок. Более того, данные о качестве, доступные для каждого процесса охвата, можно использовать для более подробного анализа. Возможность работы ML-решения в режиме реального времени обеспечивает идеальную основу для реализации механизмов раннего выявления и отбраковывания деталей с неудовлетворительными характеристиками. И наконец, детализированное представление тренда через TwinCAT HMI обеспечивает своевременное реагирование оператора.