55、智能工厂中的大数据、机器学习与网络物理系统应用

智能工厂中的大数据、机器学习与网络物理系统应用

1. 主成分分析（PCA）在预测分析中的应用

主成分分析（PCA）可用于预测分析。在这个过程中，需要使用两个核心距离。当数据跨越第一个阈值时，系统会发出警告；而当跨越第二个阈值时，则会发出异常信号。

2. 系统优化

智能服务在制造业的另一个应用是工业过程的自我优化。这种优化可以针对不同的影响变量进行，例如时间或速度。这里主要关注能源消耗的优化，目标是分析和提高制造工厂的性能和效率，实现优化运营。由于能源价格不断上涨，工业自动化系统中能源效率的优化成为智能服务的一个重点。

常见的能源效率优化方法有：
- 更换设备 ：由工厂专家手动将旧的、低效的驱动器更换为新的、高效的驱动器。这是一个有用且必要的步骤，但需要人力和资金投入。
- 生产步骤时间规划 ：在制造执行系统（MES）中手动规划生产步骤的时间，以实现能源高效的过程。
- 使用能源控制器 ：通常位于电表处，监测能源消耗趋势。如果趋势指向不期望的水平，控制器会根据某些优先级和其他规则关闭设备，典型的监测时间段为15 - 30分钟。

对于实时优化（以秒或毫秒为间隔）的主动方法，相关研究较少。因为许多应用由于其过程动态性，需要快速调整过程参数以适应不断变化的运行条件。主动优化过程需要能够预测各种参数组合下未来过程行为的模型，以确定最佳过程参数。

在运输和物流应用中，电气驱动系统是能源消耗大户。以两个驱动器的工厂设置为例，主要的优化问题是最小化两个转换器（$E_{L,WR}$）和电机（$E_{L,mot}$）在时间实例$k = 0…n - 1$的总能源消耗。此外，还需要最小化反馈到内部直流链路的能量$E_g(k)$（再生功率和动力功率之差）。为了实现这一目标，能源消耗和能源反馈会根据功率反馈的主要用途（制动电阻消耗、向电网的再生反馈以及电容器的临时存储）用因子$\lambda$进行加权。最终，输送系统的最佳驱动速度$v$可以通过求解以下优化问题得到：

$v = \text{argmin} \left( \sum_{k = 0}^{n - 1} \sum_{c = 0}^{n_c - 1} y_c(k) + \lambda \sum_{k = 0}^{n - 1} E_g(k) \right)$

这个优化问题是一个混合整数二次约束问题（MIQP），可以用标准方法高效求解。输送系统运动的能源效率优化评估结果表明，可实现约7%的能源节省。两个驱动器的共同优化会形成一种运动曲线，即在第二个驱动器加速阶段，第一个驱动器会减速。在这种特定应用情况下，第一个驱动器的全部再生能量可作为第二个驱动器的输入，从而自动协调电机速度，防止不必要的能源反馈。

3. 智能服务与应用

数据驱动的机器状态监测和优化是新的技术服务（即智能服务）的基本特征，如远程机器操作和新的商业模式。目前，机器的常见生命周期是：机器制造商制造并将机器出售给生产公司，生产公司操作机器并生产产品。但机器操作员并非机器专家（机器专家是制造商），因此机器往往无法以最佳操作参数运行，导致产品质量、产量、材料和能源利用以及生态方面都不理想，总体生产成本较高。

数据驱动的机器状态监测和优化具有两个基本特征：
- 机器的运行比以前更独立于人类操作员。
- 机器专家和过程专家可以进行远程操作。

这使得生产公司不再需要自己操作机器，机器制造商可以承担机器操作员的角色，从而实现商业模式的转变：机器不再出售给生产公司，而是由制造商保留，生产能力出租给产品公司。这样，生产公司可以专注于其核心竞争力（产品）并节省投资成本，机器制造商则可以实施全新的商业模式，并将其专业知识用于新机器的制造和机器的高效运行。

以下是一些公司应用数据驱动智能服务的案例：
|公司名称|行业|问题描述|解决方案|
| ---- | ---- | ---- | ---- |
|Miele|家电制造|洗碗机生产需要在生产时间、材料和能源方面实现高效，但提高产量、节省材料和能源等目标相互冲突，单一专家难以解决。|采集特定生产过程的机器信号，使用机器学习算法OTALA进行学习，得到一个定时离散自动机。该自动机显示了特定过程状态的时间变化，从而确定了更高产量的更好参数。|
|Tönsmeier|废物管理|废物处理设施中，分拣机的输入（废物）差异大，容易导致堵塞和停机等故障。|评估数据驱动的实时状态监测的性能，以预测和防止堵塞问题。|
|Audi|汽车制造|新生产系统启动阶段，故障检测和系统测试需要大量时间。|评估数据驱动的辅助系统，该系统从机器的PROFINET通信中收集过程数据，将机器行为学习为离散状态机。这个状态机是复杂机器行为的简化可视化，有助于奥迪的过程工程师查找问题、编程PLC，并用于机器的验收和认证测试。|
|Deutsche Windtechnik|风力发电|需要在系统错误形成之前检测过程中的微小变化。|实施能够预测风力发电厂磨损的状态监测系统。收集风力涡轮机的所有数据（传感器值、能源数据、天气数据等），通过自学习系统分析以建模过程的正常行为。借助适配器和工业通信协议OPC UA，将风力涡轮机连接到互联网，将过程数据传输到中央服务器进行数据分析，使用主成分分析生成模型，检测实时数据与模型之间的差异。|

4. 网络物理系统（CPS）项目概述

一个紧密合作的自动化和IT供应商平台，旨在实现可持续的商业模式，支持欧洲制造业管理日益复杂的跨组织生产网络，并使其与全球供应链高效对接。该平台通过整合跨企业事件管理（通过深度学习进行异常处理、通过语义门户进行知识管理、智能用户界面）、数字产品记忆技术和智能对象虚拟化来实现这一目标。

项目有三个里程碑：
1. CPS知识工程 ：理解应用案例的正式要求并进行形式化。
2. 软件模块实施 ：实施软件模块，调整形式化模型和规则，以测试物理环境中的异常检测场景。包括具有深度学习能力的功能编程，以及通过语义门户基础设施和智能用户界面进行本体创建、操作和扩展。
3. 模块转移与业务建模 ：将模块转移到工业环境中，进行首次评估并建立商业模式。

5. 技术基础设施

要解决的主要挑战是将网络物理系统（CPS）的安全性和性能相结合。CPS是一个具有物理输入和输出的交互元素网络，形成一个控制物理实体（如工业4.0工厂）的协作计算元素系统。在解决安全挑战的过程中，会产生一些关于人类操作员行为的模型，特别是如何确保安全。除了机器人系统的故障，人类也可能犯错，因此一个理想的结果是建立一个模型，考虑人类在应对可预测的维护任务和不可预测的事件时产生异常的情况。

主要的技术进步包括：
1. 基于GPU的深度学习机器学习基础设施，用于异常处理和数据挖掘。
2. 智能工厂知识门户基础设施，用于异常实例库（知识获取和管理）。
3. 基于模型的预测与异常检测，随后进行工作流管理，包括实时验证，可能还会借助机器学习实现更早的异常检测。
4. 智能用户界面，用于专家知识获取、人类行为输入以及人机交互（例如使用视觉传感器）。

这些组件构成了一个架构，并将进一步扩展以描述可能表现出异常行为的人类协作者。网络物理系统在人类环境中实施，软件/硬件成果包括一个异常管理系统，包括智能工厂的控制器。未来工业4.0工厂的工作计划包括为工业4.0技术制定商业模式，以应对需要解决的“未建模”异常。具体步骤如下：
1. 检测和聚类异常。
2. 利用人类专家领域知识进行建模。
3. 计算机辅助优化，包括扩展本体或异常字典以及相关的（自动化）节省成本的工作流管理。

6. 深度学习

基于最近的研究成果，利用深度神经网络对复杂的感官数据进行表示和降维。传统的神经网络通常被认为是20世纪80年代末和90年代初研究的通用近似器，具有几层隐藏的S形单元，但其训练是NP完全问题。深度网络（或深度信念网络）具有类似的结构，但隐藏层数量更多，通常超过100层。最近引入了一些高效的方法。

新一代的深度神经网络不仅可以将输出与输入关联起来，还可以反向工作，从表示中生成输入，这种网络被称为自动编码器。它们具有远超其他网络的表示和泛化能力。不过，对于大多数应用案例，数据库越大、越丰富，其性能越好。神经网络的复兴得益于三个重要因素：
- 深度学习的发展，包括受限玻尔兹曼机解决梯度消失问题。
- 通过众包增加数据集大小。
- 在计算中使用图形处理器（GPU），使处理速度提高了多达两个数量级，从而允许在大型数据集中进行认真的超参数搜索，最终实现更好的优化。

需要强调的是，神经网络和贝叶斯机器学习之间仍然存在重要的差异。在很大程度上，贝叶斯分析不适用于非线性神经网络，目前还无法对方法或结果进行严格的数学分析。不过，最近的发展为某些类型的网络提供了可证明的界限。概率神经网络已经得到发展并广泛应用，此外，利用自动编码器概念的变分近似方法最近也受到了关注。

下面是一个简单的mermaid流程图，展示了异常处理的基本流程：

graph LR
    A[数据采集] --> B[异常检测]
    B --> C{是否异常}
    C -- 是 --> D[异常聚类]
    C -- 否 --> A
    D --> E[人类专家建模]
    E --> F[计算机辅助优化]
    F --> G[更新模型和规则]
    G --> A

综上所述，大数据、机器学习和网络物理系统在智能工厂中有着广泛的应用前景，通过不断的技术创新和优化，可以提高工厂的效率、降低成本，并实现可持续发展。

7. 智能工厂应用的优势总结

智能工厂中大数据、机器学习与网络物理系统的应用带来了诸多显著优势，以下通过表格形式进行总结：
|应用领域|优势|
| ---- | ---- |
|预测分析（PCA）|通过设置两个核心距离阈值，能及时发出警告和异常信号，有效提前发现潜在问题，保障生产过程的稳定性。|
|系统优化| - 能源消耗优化可实现约7%的能源节省，降低生产成本。
- 自动协调电机速度，防止不必要的能源反馈，提高能源利用效率。|
|智能服务与应用| - 实现远程机器操作，使机器运行更独立于人类操作员，提高生产灵活性。
- 转变商业模式，让生产公司专注核心业务，机器制造商实施新商业模式，提高整体产业效益。|
|网络物理系统（CPS）| - 整合多种技术，支持制造业管理复杂生产网络，与全球供应链高效对接。
- 建立异常管理系统，保障生产过程的安全性和可靠性。|
|深度学习| - 深度神经网络（自动编码器）具有强大的表示和泛化能力，能处理复杂的感官数据。
- 借助GPU提高处理速度，实现大型数据集的超参数搜索和更好的优化。|

8. 实施步骤与操作建议

为了更好地在智能工厂中应用上述技术，以下给出具体的实施步骤和操作建议：

8.1 数据采集与预处理

• 确定数据来源 ：明确需要采集的数据，如机器信号、能源消耗数据、传感器数据等。
• 选择采集设备 ：根据数据类型和采集要求，选择合适的传感器、数据采集卡等设备。
• 数据清洗 ：去除采集数据中的噪声、异常值和缺失值，保证数据质量。
• 数据标准化 ：将不同类型的数据进行标准化处理，使其具有可比性。

8.2 模型建立与训练

• 选择合适的模型 ：根据应用场景和目标，选择如PCA、深度神经网络、自动编码器等合适的模型。
• 划分数据集 ：将预处理后的数据划分为训练集、验证集和测试集。
• 模型训练 ：使用训练集对模型进行训练，调整模型参数，使其达到最佳性能。
• 模型评估 ：使用验证集和测试集对训练好的模型进行评估，检查模型的准确性和泛化能力。

8.3 系统部署与优化

• 系统集成 ：将训练好的模型集成到智能工厂的生产系统中，实现数据的实时处理和分析。
• 异常监测与处理 ：设置阈值，实时监测系统运行状态，当出现异常时及时发出警告并采取相应措施。
• 持续优化 ：根据系统运行情况和反馈结果，不断优化模型和系统参数，提高系统性能。

9. 未来发展趋势

随着技术的不断进步，智能工厂的发展也将呈现出以下趋势：

• 更深度的融合 ：大数据、机器学习、网络物理系统等技术将进一步深度融合，实现更高效、智能的生产管理。
• 人工智能的广泛应用 ：人工智能技术如强化学习、迁移学习等将在智能工厂中得到更广泛的应用，提高系统的自主决策能力。
• 绿色智能制造 ：更加注重能源效率和环境保护，实现绿色智能制造，推动可持续发展。
• 人机协作的升级 ：人机协作将更加紧密和高效，人类与机器人将在生产过程中发挥各自的优势，共同完成任务。

10. 总结

智能工厂中的大数据、机器学习与网络物理系统应用为制造业带来了前所未有的机遇和变革。通过主成分分析进行预测分析、系统优化实现能源高效利用、智能服务与应用转变商业模式、网络物理系统保障生产安全以及深度学习提升数据处理能力，智能工厂能够提高生产效率、降低成本、提升产品质量，实现可持续发展。

在实施过程中，遵循数据采集与预处理、模型建立与训练、系统部署与优化的步骤，并不断关注未来发展趋势，持续进行技术创新和优化，将使智能工厂在激烈的市场竞争中占据优势地位。

以下是一个mermaid流程图，展示了智能工厂应用的整体流程：

graph LR
    A[数据采集与预处理] --> B[模型建立与训练]
    B --> C[系统部署与优化]
    C --> D[异常监测与处理]
    D --> E{是否异常}
    E -- 是 --> F[采取措施并优化]
    E -- 否 --> G[持续运行]
    F --> C

总之，智能工厂的发展是一个不断演进的过程，需要企业和科研机构共同努力，不断探索和创新，以实现制造业的转型升级和高质量发展。