基于人工智能技術(shù)的機械自動化應(yīng)用研究

李西鋒

(陜西國防工業(yè)職業(yè)技術(shù)學(xué)院,西安 710300)

0 引言

進入工業(yè)化新階段,也被稱為工業(yè)4.0[1]。人工智能等尖端技術(shù)的應(yīng)用對于構(gòu)建智能系統(tǒng)來說至關(guān)重要,可提高行業(yè)競爭力。智能制造和數(shù)據(jù)交換有助于工業(yè)轉(zhuǎn)型,實現(xiàn)高水平的工業(yè)自動化。機械自動化是對傳統(tǒng)機械制造的補充及擴展,其目標(biāo)是減少生產(chǎn)過程中的缺陷及錯誤。將機械自動化與人工智能技術(shù)相結(jié)合可改進制造方式,人工智能技術(shù)利用機器學(xué)習(xí)算法來處理復(fù)雜的數(shù)據(jù)集,從機械制造生產(chǎn)系統(tǒng)中實時收集數(shù)據(jù),感知環(huán)境變化,評估不同的場景,做出最佳決策,從而實現(xiàn)智能制造,其中工業(yè)物聯(lián)網(wǎng)形成了一個由大量機械、工具及其他設(shè)備組成的互聯(lián)網(wǎng)絡(luò),融合成一個智能系統(tǒng),提高生產(chǎn)力水平。智能設(shè)備利用嵌入式自動化軟件來執(zhí)行重復(fù)性任務(wù),自主解決復(fù)雜問題[2],可提高作業(yè)準(zhǔn)確性、可靠性及效率。

1 人工智能技術(shù)與機械自動化理論研究

1.1 人工智能技術(shù)

人工智能技術(shù)的發(fā)展經(jīng)歷了不同的階段。發(fā)展初期,互聯(lián)網(wǎng)技術(shù)不發(fā)達(dá),工業(yè)企業(yè)只能依靠手工生產(chǎn)。隨著互聯(lián)網(wǎng)的日益普及,技術(shù)水平不斷提高,但人工智能應(yīng)用不廣泛。隨著電子信息技術(shù)水平的不斷提高,人工智能技術(shù)進入發(fā)展成熟期,在各個領(lǐng)域得到了應(yīng)用[3]。人工神經(jīng)網(wǎng)絡(luò)是一種典型的算法數(shù)學(xué)模型,其功能由人工神經(jīng)網(wǎng)絡(luò)支撐。人工神經(jīng)元主要負(fù)責(zé)激活模擬人腦的神經(jīng)網(wǎng)絡(luò),利用此網(wǎng)絡(luò)處理一系列信息,從而有效存儲數(shù)據(jù)。本研究使用目標(biāo)間距點來創(chuàng)建跟蹤函數(shù)。設(shè)目標(biāo)軌跡在k時刻的位置矢量為SK,k+1時刻與k時刻的位置矢量之差,即相鄰時刻的位移矢量為：

(1)

可以發(fā)現(xiàn),不同模型的SK模式和方向變化規(guī)律存在差異,可用SK來生成軌跡的特征向量。假設(shè)軌跡段的長度即位置點的個數(shù)為m,i= 1,2,…,m-1,則模的特征向量為：

(2)

(3)

設(shè)i= 1,2,…,m-2,θK為SK的方向角,可得到位移矢量方向變化的特征矢量。

1.2 機械自動化

機械自動化已廣泛應(yīng)用于產(chǎn)品設(shè)計、生產(chǎn)管理及工藝實施中,可提高經(jīng)濟效益,為機械生產(chǎn)提供便利,促進機械行業(yè)發(fā)展。但機械自動化系統(tǒng)還存在一些問題,人工智能可及時、準(zhǔn)確地檢測系統(tǒng)錯誤,保證自動化系統(tǒng)的正常運行。

機器學(xué)習(xí)是人工智能的典型代表。學(xué)習(xí)過程是在已有經(jīng)驗的基礎(chǔ)上借助計算技術(shù),提高系統(tǒng)自身性能。機器學(xué)習(xí)的經(jīng)驗通常以數(shù)據(jù)形式表達(dá),是數(shù)據(jù)向智能轉(zhuǎn)化的主要技術(shù)途徑。機器學(xué)習(xí)分為不同的層次,包括傳統(tǒng)機器學(xué)習(xí)、強化學(xué)習(xí)、深度學(xué)習(xí)及遷移學(xué)習(xí)。經(jīng)過廣泛的研究,人工神經(jīng)網(wǎng)絡(luò)已經(jīng)建立深度學(xué)習(xí)概念[4]。在多層感知結(jié)構(gòu)中包含多個隱藏層,其中隱藏層采用無監(jiān)督的學(xué)習(xí)方式,可自動從數(shù)據(jù)中構(gòu)造新特征。通過逐層提取特征得到數(shù)據(jù)的隱式表示。與傳統(tǒng)的機器學(xué)習(xí)方法類似,深度學(xué)習(xí)可分為兩類,即無監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)。無監(jiān)督學(xué)習(xí)模型包括堆疊自編碼器、深度信念網(wǎng)絡(luò)、受限玻爾茲曼機等;監(jiān)督學(xué)習(xí)模型包括機器學(xué)習(xí)模型,如卷積神經(jīng)網(wǎng)絡(luò)。一個典型的深度學(xué)習(xí)回歸預(yù)測模型如圖1所示。

圖1 深度學(xué)習(xí)回歸預(yù)測模型Fig.1 Deep learning regression prediction model

2 控制系統(tǒng)結(jié)構(gòu)及故障診斷

2.1 基于人工智能算法的電氣自動化控制系統(tǒng)結(jié)構(gòu)

人工智能技術(shù)在電氣自動化控制中得到了廣泛應(yīng)用,其融合了電子、電信、計算機等技術(shù),可模擬人類意識或思維,實現(xiàn)精確的控制操作,有效提高智能化水平,減少對人工交互的依賴,避免人為因素造成的錯誤。圖2是基于人工智能算法的電氣控制系統(tǒng)結(jié)構(gòu)。在微機調(diào)速器出現(xiàn)之前,調(diào)速器(主要是機器調(diào)速器和模擬電路調(diào)速器)的主要任務(wù)是根據(jù)額定單位頻率偏差調(diào)節(jié)導(dǎo)水機構(gòu)/槳機構(gòu)(注針/變流器機構(gòu))。

圖2 基于人工智能算法的電氣控制系統(tǒng)結(jié)構(gòu)Fig.2 Electrical control system structure based on artificial intelligence algorithm

2.2 基于人工智能技術(shù)的機械自動控制故障診斷

當(dāng)機械自動化系統(tǒng)發(fā)生故障時,需對系統(tǒng)功能故障性質(zhì)及原因進行分析。人工智能控制方法主要包括人工神經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)及模糊集理論。在實際應(yīng)用過程中可對電氣機械設(shè)備運行狀態(tài)進行判斷,對故障類型進行模糊分析,從而保證機械自動化控制系統(tǒng)故障診斷的準(zhǔn)確性。特別是在發(fā)動機、發(fā)電機及變壓器故障診斷中可有效發(fā)揮智能技術(shù)的作用。引起自動化控制系統(tǒng)故障的因素有很多,有些設(shè)備的故障頻率較高,需要通過檢測設(shè)備找到故障點及故障原因。如果是軟件故障,系統(tǒng)將自行處理;如果是硬件故障,系統(tǒng)將直接把故障問題顯示到計算機終端,以便采取有效措施。

人工神經(jīng)處理方法具有強大的知識獲取能力,是模擬人腦組織結(jié)構(gòu)和人類認(rèn)知過程的信息處理系統(tǒng)。利用標(biāo)準(zhǔn)樣本學(xué)習(xí)和訓(xùn)練,對信息故障進行自動處理及自動適應(yīng),將每個人工神經(jīng)過程分成相應(yīng)的部分,每個小部分負(fù)責(zé)不同的故障診斷。人工神經(jīng)網(wǎng)絡(luò)具有快速處理能力和良好的分類能力,被廣泛應(yīng)用于電力系統(tǒng)的實時控制及故障診斷與狀態(tài)評估中。目前,神經(jīng)網(wǎng)絡(luò)已成為一種應(yīng)用廣泛的技術(shù)方法。當(dāng)自動化系統(tǒng)出現(xiàn)故障時,現(xiàn)象與故障之間的關(guān)系是模糊的,可利用模糊集理論中的關(guān)系矩陣處理。專家系統(tǒng)的應(yīng)用原理是以系統(tǒng)領(lǐng)域?qū)＜业慕?jīng)驗和計算機程序為基礎(chǔ),將其應(yīng)用于系統(tǒng)檢測與診斷、系統(tǒng)恢復(fù)及事故篩選中?？偨Y(jié)故障中的典型事故與診斷經(jīng)驗,形成專家知識庫系統(tǒng)。故障診斷流程如圖3所示。

圖3 故障診斷流程Fig.3 Fault diagnosis process

在機械故障識別過程中,所有的診斷分析行為都需要基于機械特征信號。通過特征向量的提取,為后續(xù)故障識別提供基礎(chǔ)數(shù)據(jù)。利用聲波傳感器采集相應(yīng)的鍵盤振動信號,通過軟閾值去噪,去除信號中的干擾信息,包括高頻噪聲信號及超低頻信號趨勢項。對預(yù)處理后的信號進行多層小波包分析,這是小波變換的一種升級算法。分解層數(shù)和選擇的小波基函數(shù)對分解結(jié)果有明顯的影響,在機械信號分析過程中,小波基函數(shù)需要滿足正交性、正則性及緊湊性的要求。Wang[5]利用聲敏傳感器采集鍵盤和弦的力學(xué)數(shù)據(jù),采用小波包分解提取數(shù)據(jù)特征,選擇“db10”對采集到的聲信號進行5層小波包分解,用于探索機械信號在頻域的分布。對分解結(jié)果進行歸一化處理,分別得到頻率通道特征向量和總體特征向量。小波包分解過程如圖4所示。其中Dj,k為原始信號,f為信號頻率?？梢钥闯?原始信號被分解為3層。根據(jù)特征提取結(jié)果,為了提高神經(jīng)網(wǎng)絡(luò)的處理速度,將網(wǎng)絡(luò)輸入節(jié)點最小化,從而提高網(wǎng)絡(luò)速度,以達(dá)到在力學(xué)數(shù)據(jù)中選擇特征量的目的。

圖4 小波包分解原理Fig.4 Wavelet packet decomposition principle

3 結(jié)束語

人工智能技術(shù)在機械自動化控制中的應(yīng)用越來越廣泛,其與傳統(tǒng)技術(shù)相比具有明顯的優(yōu)勢,在自動化控制系統(tǒng)中具有高精度、高效率、高協(xié)調(diào)的特點,在實現(xiàn)自動控制的同時可大大提高控制系統(tǒng)的運行效率及質(zhì)量。與人工操作相比,自動化技術(shù)更安全、更高效,可進一步提高機械制造速度,節(jié)約資源,實現(xiàn)資源的優(yōu)化配置,減少成本投入,提高企業(yè)經(jīng)濟效益,促進我國工業(yè)的可持續(xù)發(fā)展。