CN115989464A - 利用人工智能的表面处理过程中的故障预测 - Google Patents
利用人工智能的表面处理过程中的故障预测 Download PDFInfo
- Publication number
- CN115989464A CN115989464A CN202080103583.4A CN202080103583A CN115989464A CN 115989464 A CN115989464 A CN 115989464A CN 202080103583 A CN202080103583 A CN 202080103583A CN 115989464 A CN115989464 A CN 115989464A
- Authority
- CN
- China
- Prior art keywords
- surface treatment
- treatment process
- machine learning
- learning model
- fault
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 9
- 238000013473 artificial intelligence Methods 0.000 title description 7
- 238000000034 method Methods 0.000 claims abstract description 218
- 230000008569 process Effects 0.000 claims abstract description 178
- 238000004381 surface treatment Methods 0.000 claims abstract description 68
- 238000010801 machine learning Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 25
- 239000000463 material Substances 0.000 claims description 18
- 238000000151 deposition Methods 0.000 claims description 12
- 230000008021 deposition Effects 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 7
- 230000032798 delamination Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 238000013400 design of experiment Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 description 14
- 230000007547 defect Effects 0.000 description 6
- 238000010894 electron beam technology Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 4
- 230000000996 additive effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 239000002184 metal Substances 0.000 description 3
- 229910052751 metal Inorganic materials 0.000 description 3
- 229920000642 polymer Polymers 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000001465 metallisation Methods 0.000 description 2
- 150000002739 metals Chemical group 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- XMTQQYYKAHVGBJ-UHFFFAOYSA-N 3-(3,4-DICHLOROPHENYL)-1,1-DIMETHYLUREA Chemical compound CN(C)C(=O)NC1=CC=C(Cl)C(Cl)=C1 XMTQQYYKAHVGBJ-UHFFFAOYSA-N 0.000 description 1
- 229910000883 Ti6Al4V Inorganic materials 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013434 data augmentation Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000005293 duran Substances 0.000 description 1
- 238000000313 electron-beam-induced deposition Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000010421 standard material Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
Abstract
一种用于表面处理过程的故障分类的计算机实现的方法，该方法包括：接收表面处理过程的影响一个或多个故障模式的一个或多个过程参数；并且接收与表面处理过程相关的一个或多个过程状态的测量相关的传感器数据。该方法包括由部署在控制表面处理过程的边缘计算装置上的机器学习模型处理接收到的一个或多个过程参数和传感器数据，以产生输出，该输出借由一个或多个故障模式实时地指示过程故障的概率。该述机器学习模型在监督学习机制下，基于过程数据、和从表面处理过程的物理模拟获得的故障分类标签、以及与所述表面处理过程相关的历史数据而训练。
Description
关于联邦资助的开发的声明
本发明的开发部分地由次级授予协议号ARM-TEC-18-01-F-21支持，由先进机器人制造研究所(ARM)授予，该研究所根据美国陆军合约管理指挥部的技术投资协议号W911NF-17-3-0004运作。因此，美国政府对这项发明可以拥有一定的权利。
技术领域
本公开内容总体涉及表面处理过程中的故障预测领域。
背景技术
各行各业对不同尺寸、几何形状和材料的部件采用了广泛的表面处理过程。这些表面处理过程涉及能量和/或材料沉积到工件上，并且可能需要高度专业化的设备。这些表面处理过程的示例包括金属的直接能量沉积、电子束金属沉积、基于聚合物的增材制造等。当今行业的一个问题是，这些过程需要精确校准过程参数(例如沉积率、沉积头速度、沉积物的温度和基础温度)，以防止部件过热，并防止温度梯度，这反过来会导致残余应力。这些残余应力可能导致部件的退化和缺陷。
发明内容
简而言之，本公开内容的各个方面与一种利用部署在边缘装置上的人工智能算法实时预测表面处理过程中的一个或多个故障模式的技术相关。
本公开的第一方面提出了一种用于表面处理过程的故障分类的计算机实现的方法。该方法包括接收影响表面处理过程的一个或多个故障模式的一个或多个过程参数。该方法还包括接收与表面处理过程相关的一个或多个过程状态的测量相关的传感器数据。该方法包括通过在控制表面处理过程的边缘计算装置上部署的机器学习模型处理接收到的一个或多个过程参数和传感器数据，以产生输出，借由一个或多个故障模式实时指示过程故障的概率。基于从表面处理过程的物理模拟得到的过程数据和故障分类标签，结合与表面处理过程相关的历史数据，在监督学习机制下对机器学习模型进行训练。
本公开的第二方面提出了一种用于表面处理过程的故障分类的系统。该系统包括传感器模块，被配置为生成与表面处理过程相关的一个或多个过程状态的测量相关的传感器数据。该系统还包括边缘计算装置，用于控制表面处理过程，边缘计算装置被配置为处理机器学习模型，机器学习模型接收影响一个或多个故障模式的表面处理过程的一个或多个过程参数以及在表面处理过程期间通过测量获得的传感器数据作为输入，以产生输出，该输出借由一个或多个故障模式实时地指示过程故障的概率。基于从表面处理过程的物理模拟得到的过程数据和故障分类标签，结合与表面处理过程相关的历史数据，在监督学习机制下对机器学习模型进行训练。
本公开的其他方面在于计算系统和计算机程序产品中实现上述方法的特征。
通过本公开的技术可以实现额外的技术特征和优点。本文详细描述了本公开的实施方式和各个方面，并被认为是所要求的主题的一部分。为了更好地理解，请参考详细描述和附图。
附图说明
当结合附图阅读时，从下面的详细描述中可以最好地理解本公开的上述和其他方面。为了方便识别任何元素或行为的讨论，参考标号中最重要的一位或多位数字是指首次介绍该元素或行为的标号。
图1A和图1B分别示出了表面处理过程中的翘曲缺陷和脱层缺陷。
图2是根据本公开的一个方面的故障预测软件的示意图。
图3是根据本公开的一个方面的示例性系统的示意图。
图4示出了基于模拟经验的神经网络的训练。
图5示出了使用历史数据对模拟训练的神经网络进行校准。
具体实施方式
现在将参照附图来描述与系统和方法相关的各种技术，其中类似的参考数字在全文中代表类似的元素。下面讨论的附图，以及本专利文件中用来描述本公开的原理的各种实施方式，只是为了说明，不应该以任何方式解释为限制本公开的范围。本领域的技术人员将理解，本公开的原则可以在任何适当安排的装置中实现。应理解，被描述为由某些系统元素执行的功能可能由多个元素执行。同样地，例如，一个元素可以被配置为执行被描述为由多个元素执行的功能。本申请的众多创新教导将参照示例性非限制性实施方式进行描述。
本说明书中使用的术语“表面处理过程”是指涉及能量和/或材料沉积以构建或修改部件的过程。例如，能量可以以激光束或电子束的形式施加。材料可以是金属的或非金属的(例如聚合物)。
许多有代表性的表面处理过程，例如金属的直接能量沉积、电子束金属沉积、基于聚合物的增材制造等，需要保持特定的温度/过程速度阈值，以防止缺陷部件。为了减少能量沉积的不良衍生效应，精确控制制造部件内的过程速度、温度和应力分布是很重要的，从而防止缺陷。图1A和图1B分别示出了表面处理过程中的示例性缺陷，例如翘曲和脱层。然而，控制制造部件的热力学参数是有挑战性的任务。对于大多数表面处理过程来说，不存在商业上可用的技术解决方案可以提供精确的过程参数来控制所制造部件的热力学参数。大型部件、具有复杂几何特征的部件以及包括高价值、非标准材料的部件，例如航空工业中使用的部件，尤其具有挑战性。在缺乏良好的技术解决方案的情况下，用户不得不用不同的过程参数进行多次试验，以确定可接受的解决方案。
现有技术包括对各种表面处理过程进行建模的技术。例如，Megahed等人(Megahed,M.,Mindt,H.W.,N’Dri,N.,Duan,H.,&Desmaison,O.(2016).Metal additive-manufacturing process and residual stress modeling.Integrating Materials andManufacturing Innovation,5(1),61-93.)对增材制造中不同的残余应力建模技术进行了概述。同样，Denlinger等人(Denlinger,Erik R.,Jarred C.Heigel,and PanagiotisMichaleris."Residual stress and distortion modeling of electron beam directmanufacturing Ti-6Al-4V."Proceedings of the Institution of MechanicalEngineers,Part B:Journal of Engineering Manufacture 229.10(2015):1803-1813.)描述了电子束沉积中的故障建模方法。这些技术使研究人员能够在模拟环境中对过程进行建模，并推断出过程参数和故障之间的关系。这些建模技术的一些关键挑战是：1)过程参数和故障之间的关系是高度非线性的，很难准确地模拟所有的物理效应；2)这些模型需要高保真的多物理模拟，可能需要巨大的计算资源；3)很难将这些结果与关于真实过程的历史实验数据结合。
最近，深度学习技术被用于解决复杂非线性关系的建模问题。例如，见Francis等人(Francis,J.,&Bian,L.(2019).Deep Learning for Distortion Prediction inLaser-Based Additive Manufacturing using Big Data.Manufacturing Letters,20,10-14.)。虽然这些技术非常适合对复杂的关系进行建模，但它们需要大量的训练数据和专用硬件，这限制了它们在制造环境中的适用性。
使用现有技术，用户可能仍然不得不求助于离线过程建模和广泛的实验相结合，以实现可接受的解决方案。
本公开的各方面旨在简化用户的校准工作，提出表面处理过程的实时监测和故障预测的解决方案，同时不需要大量的实验数据。所公开的实施方式采用了基于人工智能(AI)的算法，该算法可在边缘计算硬件上运行，实时分析制造部件的过程参数和过程状态，以预测过程故障的概率。在此，故障被定义为存在部件缺陷，它可以借由一个或多个故障模式发生，例如翘曲、脱层、裂缝等。人工智能算法是使用模拟和实验数据的组合来训练的。这可以减少训练数据的数量，也可以让系统校准到特定的实验设置。
图2示意性地示出了根据本公开的一个方面的故障预测软件200。故障预测软件200并入有经过训练的机器学习模型(例如人工神经网络)，该机器学习模型接收与一个或多个过程状态的测量相关的传感器数据202、以及一个或多个过程参数204作为输入。基于接收到的输入202、204，机器学习模型产生输出206，该输出206借由一个或多个故障模式实时地指示过程故障的概率。在部署之前，基于从表面处理过程的物理模拟、以及与表面处理过程相关的历史数据中获得的过程数据和故障分类标签，对机器学习模型进行监督学习训练。所提出的故障预测软件200在计算上是高效的，这使得其能够被部署在靠近表面处理过程的边缘计算装置上，以确保实时运行，如图3所示。在一个实施方式中，所提出的故障预测软件200可以作为预知和健康监测应用程序部署，并可以与边缘AI硬件协调工作，以提供表面处理过程的实时预知。
一个或多个过程状态可以包括通过表面处理过程而构建或修改的部件的材料状态。材料状态可以通过在表面处理过程期间在离散的时间步(time step)中测量被制造的部件的热力学参数来测量。在本实施方式中，所考虑的热力学参数是部件的应力和温度。具体地，传感器数据可以指示所制造的部件中的应力分布和/或温度分布，例如，在部件的限定表面区域或体积上。温度分布可以通过使用一个或多个红外相机、高温温度计或其他类型的温度传感器来测量。应力分布可以通过例如一个或多个声发射传感器、加速度计(例如压电传感器)以及其他类型的应力传感器来测量。本发明人认识到，具体地，所制造的部件内的温度分布和应力分布的时变演化对过程故障具有高度的预测性。因此，在一个实施方式中，与材料状态(例如，温度和/或应力分布)相关的传感器数据被机器学习模型处理为序列数据，该序列数据包括表面处理过程期间的当前时间步的测量和表面处理过程期间的(多个)进程(proceeding)时间步的测量。
一个或多个过程状态还可以包括与表面处理过程相关的环境状态(例如，环境温度)。环境状态可以静态测量或者可以在过程期间借由各自的传感器动态监测。
过程参数包括影响制造部件的材料状态的参数设置，因此也影响成品的质量。可以动态或静态地调整过程参数，以校准表面处理过程。典型的表面处理过程可能涉及非常多的过程参数，例如功率(例如激光功率或电子束功率)、沉积头速度、所沉积的材料的温度、工具路径、部件几何形状、部件方向、层厚度、刻划策略(hatching strategy)等。故障预测软件200可以被设计成只利用这些过程参数的一个子集，以包括影响定义的故障模式的最重要参数。在所说明的非限制性的示例中，故障预测软件200利用的过程参数包括工具路径、沉积头速度和所沉积的材料的温度。
机器学习模型的输出206可以指示在定义的一组一个或多个故障模式当中的每个故障模式的故障概率。例如，对于n个定义的故障模式，输出206可以指示：故障模式1的发生概率、故障模式2的发生概率、......、故障模式n的发生概率。在所说明的非限制性的示例中，一组故障模式包括翘曲、脱层和裂纹形成。
在一个实施方式中，机器学习模型包括深度循环神经网络(RNN)。深度RNN被设计为接受没有预定大小限制的序列输入向量，这使得它们特别适合具有时间结构的数据，例如上述的序列传感器数据输入。此外，深度RNN能够在分类设置中处理高维度的输入数据。在另一个实施方式中，可以使用其他各种深度学习方法，例如但不限于逻辑回归、卷积神经网络(CNN)、多层感知(MLP)和支持向量机(SVM)。这些模型可以进一步与基于物理的模型(由微分或偏微分方程组成)一起使用。
图3示出了根据一个示例性的实施方式的在表面处理过程中用于实时故障分类的系统300。
系统300包括边缘计算装置302(例如过程控制器)其中，可以部署所提出的故障预测软件。边缘计算装置302例如可以包括可编程逻辑控制器(PLC)或任何其他类型的工业控制器。在一个实施方式中，工业控制器可以提供一个或多个神经处理单元(NPU)模块304。NPU模块304包括专用的边缘AI硬件，它可以被定制设计成以计算效率高的方式运行机器学习模型。模块化方法允许使用的NPU模块304的数量可以根据具体应用的计算要求而确定。适用于本申请的NPU模块304的一个非限制性示例是由西门子股份公司(Siemens AG)制造的SIMATIC S7-1500 TM NPUTM。
系统300还包括包含多个传感器308的传感器模块306。传感器308可以包括：一个或多个温度传感器，例如红外相机、高温温度计等；以及一个或多个应力传感器，例如声发射传感器、加速度计等。传感器308在表面处理过程期间以离散的时间步向边缘计算装置302通信包括传感器数据的信号310。如上所述，传感器数据与正在由该过程构建或修改的部件的一个或多个当前材料状态有关的测量(measurement)相关，例如部件内的温度分布和/或应力分布。传感器模块306还可以包括用于实时测量过程参数的一个或多个传感器308，并将测量通信给边缘计算装置302。
边缘计算装置302可以连接到过程设备312，其中该过程设备312可以包括用于控制过程参数(例如功率、速度、工具路径、材料温度等)的装置。在一个实施方式中，边缘计算装置302可以被配置为控制过程设备312，以便在机器学习模型的输出中借由一个或多个故障模式的过程故障的概率超过阈值时，动态地调整一个或多个过程参数。从而，可以避免借由一个故障模式的过程故障可以由此避免。在另一个实施方式中，当机器学习模型输出中借由一个或多个故障模式的过程故障的概率超过阈值时，边缘计算装置302可以被编程为停止表面处理过程或输出警告通知。这允许用户静态地调整一个或多个过程参数以避免过程故障。警告通知例如可以包括声音警报、可见指示器(例如闪烁的灯、显示信息)或其组合。为此，边缘计算装置302可以与任何数量的合适的I/O(输入/输出)装置314连接。
在一个实施方式中，如图3所示，边缘计算装置302可以从远程计算环境(例如云316)接收经过训练的机器学习模型(例如，神经网络)。这使计算繁重的训练过程远离边缘硬件，从而允许使用高功率、低重量和小尺寸的工业控制器，这在工业环境中提供了稳健性。云计算环境包括训练模块318，它可能涉及具有高计算能力的硬件，例如图形处理单元(GPU)。训练模块318使用未经训练的或骨架神经网络模型320(即，具有未调整的权重)和来自数据存储器324的数据322，以生成训练过的神经网络326，该神经网络随后可被部署到边缘计算装置302。
如上所述，在部署之前，神经网络在监督学习机制下被训练，这需要具有关联分类标签的数据。为了这个目的，本公开使用了从模拟经验获得的数据和从真实世界(即表面处理过程的历史数据)获得的数据的组合。这使得神经网络可以用比现有技术更少的实验数据进行训练和校准。在这里说明的实施方式中，神经网络的训练包括：第一阶段，即基线训练阶段、以及随后的是第二阶段，即校准阶段。基线阶段是基于对多个生成的过程方案执行的物理模拟所呈现的过程数据和故障分类标签。校准阶段包括基于从与表面处理过程相关的历史数据中获得的过程数据和故障分类标签对神经网络进行重新训练。
图4示出了根据说明的实施方式的神经网络的训练的第一阶段。在这一阶段，利用过程变量器402生成多个涉及一组一个或多个过程参数的过程方案404，该过程参数被确定为可预测借由定义的一个故障模式的过程故障。在说明的实施方式中，这些过程参数是工具路径、沉积头速度、所沉积的材料的温度。过程变量器402可使用实验设计方法，例如全因子或部分因子设计等，以在足够广泛的过程参数设置范围内生成过程方案404。每个生成的过程方案404代表过程参数设置的唯一组合。生成的过程方案404构成用于训练骨架神经网络414的过程数据。生成的过程方案404的第一部分可用作监督学习过程中的训练数据406(有标签)，而生成的过程方案404的第二部分可用作测试数据408(无标签)。
在过程方案生成后，对每个生成的过程方案进行物理模拟410，以呈现该过程方案的模拟经验。这可能涉及到使用高保真模拟器，其中，一个合适的示例是由西门子PLM软件公司开发的StarCCM+TM。需要注意的是，在说明的实施方式的背景下，高保真模拟器用于训练神经网络，不需要在系统运行时，这意味着部署后的计算效率不会被这些工具所影响。同样，这些先进的工具使得能够在训练数据中诱发所需的非常有针对性的变化，从而可靠地捕获罕见的特定领域的影响。
物理模拟410被用来生成故障分类标签412。故障分类标签412被标记到训练数据406中的每个过程方案。每个故障分类标签412可以包括与一组定义的故障模式中的每个故障模式相关的二元变量(例如“故障”和“无故障”)。在一些实施方式中，故障分类标签412可以包括一个或多个故障模式的连续变量(例如，翘曲的百分比)。在另一个实施方式中，故障分类标签412可以包括标签排名，其中，故障模式例如基于成对偏好法(pair-wisepreference)而排名。训练数据406和标记的故障分类标签412被用于在监督学习机制下训练骨架神经网络414。物理模拟410也可用于生成与所制造的部件内的温度和应力分布相关的时间序列数据，这也可作为训练数据输入。
监督训练机制涉及利用训练数据406和相关联的故障分类标签412，借由反向传播反复调整神经网络的参数(权重、偏差)。在监督学习完成后，可以根据测试数据408对所产生的模拟训练的神经网络416进行测试。测试模拟训练的神经网络416可以用来识别神经网络的过拟合。如果识别出过拟合，可以通过例如在表现不佳的数据点周围进行数据扩充，或者通过生成额外的过程方案以再次用作监督学习的训练数据，以及其他方法来纠正它。
虽然高保真模拟器在热力学表面处理过程数据方面效果相当好，但可能需要校准阶段来弥补模拟和现实之间的差距。如图5所示，校准阶段涉及使用历史数据502对模拟训练的神经网络416进行重新训练。历史数据502例如可以通过实际实验获得。在一个实施方式中，该实验可以通过使用上文所描述的实验设计方法生成过程方案来进行。通常，历史数据502可以包括基于一系列过程方案的表面处理过程的先前运行(例如，使用相同的过程设备)所获得的数据，这些过程方案可以是也可以不是作为实验设计的。历史数据502构成用于重新训练模拟训练的神经网络416的过程数据。历史数据502的第一部分可作为监督学习过程中的训练数据504(有标签)，可选地，历史数据502的第二部分可作为测试数据506(无标签)。
故障分类标签508可以从历史数据502中提取。故障分类标签508被标记到训练数据504的每个单元。如上所述，每个提取的故障分类标签502可以包括与一组定义的故障模式中的每个故障模式相关联的二元变量或连续变量。训练数据504和标记的故障分类标签508被用来在监督学习机制下重新训练模拟训练的神经网络416。神经网络的参数(权重、偏差)因此被微调或使用真实世界的数据进行校准。在监督学习完成后，得到校准的神经网络510，在部署到边缘计算硬件之前，可以根据测试数据506对其进行测试(例如，识别和纠正神经网络的过拟合)。
本公开的实施方式可以用硬件和软件的任何组合来实现。此外，本公开的实施方式可以包括在(例如，一个或多个计算机程序产品)具有例如非暂时性计算机可读存储介质的制造品中。该计算机可读存储介质在其中体现了例如计算机可读程序指令，用于提供和促进本公开的实施方式的机制。该制造品可以作为计算机系统的一部分包括在内，或单独出售。
计算机可读存储介质可以包括可以保留和存储指令的有形装置，供指令执行装置使用。计算机可读存储介质可以是，例如，但不限于，电子存储装置、磁存储装置、光学存储装置、电磁存储装置、半导体存储装置，或上述的任何适当组合。本文所述的计算机可读程序指令可以从计算机可读存储介质下载到各自的计算/处理装置，或者借由网络下载到外部计算机或外部存储装置，例如，互联网、局域网、广域网和/或无线网络。
图中的系统和流程并不是排他性的。其他系统、过程和菜单可以根据本公开的原则得出，以实现同样的目标。尽管本公开的内容已经参照特定的实施方式进行了描述，但应该理解的是，这里显示和说明的实施方式和变化仅仅是为了说明问题。本领域的技术人员可实施对当前设计的各种修改，而不偏离本公开的范围。
Claims (20)
1.一种用于表面处理过程的故障分类的计算机实现的方法，所述方法包括：
接收所述表面处理过程的影响一个或多个故障模式的一个或多个过程参数，
接收与一个或多个过程状态的测量相关的传感器数据，所述过程状态与所述表面处理过程相关，
由部署在控制所述表面处理过程的边缘计算装置上的机器学习模型来处理接收到的所述一个或多个过程参数和所述传感器数据，以产生输出，所述输出借由所述一个或多个故障模式实时地指示过程故障的概率，
其中，所述机器学习模型在监督学习机制下，基于过程数据、以及从所述表面处理过程的物理模拟的故障分类标签、以及与所述表面处理过程相关的历史数据而训练。
2.根据权利要求1所述的方法，其中，所述一个或多个过程参数包括工具路径、沉积头速度、所沉积的材料的温度、或者所述工具路径、沉积头速度、所沉积的材料的温度的任何组合。
3.根据权利要求1或2中任一项所述的方法，其中，所述一个或多个过程状态包括通过所述表面处理过程而构建或修改的部件的材料状态。
4.根据权利要求3所述的方法，其中，与所述材料状态相关的所述传感器数据被处理为序列数据，所述序列数据包括所述表面处理过程期间的当前时间步的测量、以及所述表面处理过程期间的进程时间步的测量。
5.根据权利要求4所述的方法，其中，所述机器学习模型包括循环神经网络。
6.根据权利要求3至5中任一项所述的方法，其中，所述材料状态包括通过所述表面处理过程而构建或修改的部件的应力分布和/或温度分布。
7.根据权利要求3至6中任一项所述的方法，其中，所述一个或多个过程状态还包括与所述表面处理过程相关的环境状态。
8.根据权利要求1至7中任一项所述的方法，其中，所述一个或多个故障模式包括多个故障模式，并且其中，所述机器学习模型的输出借由所述多个故障模式中的每一个指示所述过程故障的概率。
9.根据权利要求1至8中任一项所述的方法，其中，所述一个或多个故障模式包括翘曲、脱层、裂纹形成、或者所述翘曲、脱层、裂纹形成的组合。
10.根据权利要求1至9中任一项所述的方法，包括：当所述机器学习模型的输出中借由所述一个或多个故障模式的所述过程故障的概率超过阈值时，动态地调整过程参数。
11.根据权利要求1至9中任一项所述的方法，包括：当所述机器学习模型的输出中借由所述一个或多个故障模式的过程故障的概率超过阈值时，停止所述表面处理过程或者输出警告通知，以使得能够静态地调整所述一个或多个过程参数从而避免过程故障。
12.根据权利要求1至11中任一项所述的方法，其中，所述机器学习模型的训练包括：基线训练阶段，基于过程数据以及通过对生成的多个过程方案执行物理模拟而呈现的故障分类标签；以及随后的校准阶段，包括基于从与所述表面处理过程相关的历史数据中获得的过程数据和故障分类标签来对所述机器学习模型进行重新训练。
13.根据权利要求12所述的方法，其中，所述过程方案是基于涉及所述一个或多个过程参数的实验设计而生成的。
14.根据权利要求1至13中任一项所述的方法，其中，在所述机器学习模型的训练中使用的所述故障分类标签包括与所述一个或多个故障模式相关联的至少一个二元变量和/或至少一个连续变量。
15.根据权利要求1至13中任一项所述的方法，其中，所述一个或多个故障模式包括多个故障模式，并且其中，在所述机器学习模型的训练中使用的所述故障分类标签包括所述多个故障模式的排序。
16.根据权利要求1至15中任一项所述的方法，其中，所述机器学习模型在部署到所述边缘计算装置之前在云计算环境中被训练。
17.一种非暂时性计算机可读存储介质，包括指令，所述指令在由计算机处理时，配置所述计算机以执行根据权利要求1至16中任一项所述的方法。
18.一种用于表面处理过程的故障分类的系统，所述系统包括：
传感器模块，被配置为生成与一个或多个过程状态的测量相关的传感器数据，所述过程状态与所述表面处理过程相关，
边缘计算装置，用于控制所述表面处理过程，所述边缘计算装置被配置为处理机器学习模型，所述机器学习模型接收所述表面处理过程的影响一个或多个故障模式的一个或多个过程参数、以及在所述表面处理过程期间通过测量获得的传感器数据作为输入，以产生输出，所述输出借由一个或多个故障模式实时地指示过程故障的概率，
其中，所述机器学习模型在监督学习机制下，基于过程数据和从所述表面处理过程的物理模拟的故障分类标签、以及与所述表面处理过程相关的历史数据获得而训练。
19.根据权利要求18所述的系统，所述边缘计算装置包括工业控制器，所述工业控制器具有被配置为处理所述机器学习模型的一个或多个神经处理单元(NPU)模块。
20.根据权利要求18和19中任一项所述的系统，其中，所述传感器模块包括一个或多个传感器，所述一个或多个传感器选自以下传感器的类型：红外相机、高温温度计、声发射传感器和加速度计。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/US2020/048315 WO2022046062A1 (en) | 2020-08-28 | 2020-08-28 | Failure prediction in surface treatment processes using artificial intelligence |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115989464A true CN115989464A (zh) | 2023-04-18 |
Family
ID=74798003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080103583.4A Pending CN115989464A (zh) | 2020-08-28 | 2020-08-28 | 利用人工智能的表面处理过程中的故障预测 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240012400A1 (zh) |
| EP (1) | EP4189504A1 (zh) |
| CN (1) | CN115989464A (zh) |
| WO (1) | WO2022046062A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115267409A (zh) * | 2022-09-26 | 2022-11-01 | 北京中电普华信息技术有限公司 | 一种电力设备故障检测方法、装置及设备 |
| WO2024145612A1 (en) * | 2022-12-30 | 2024-07-04 | Lam Research Corporation | Automated recipe health optimization |
| DE102023200325A1 (de) | 2023-01-17 | 2024-07-18 | Volkswagen Aktiengesellschaft | Computerimplementiertes Fehlerteilprädiktionsverfahren und Herstellungsverfahren zum Herstellen eines Bauteils |
| CN115801845B (zh) * | 2023-02-07 | 2023-09-05 | 深圳市玄羽科技有限公司 | 基于边缘计算的工业互联网数据采集方法及相关设备 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018054449A1 (en) * | 2016-09-20 | 2018-03-29 | Das-Nano, S.L. | Method for characterising a material with layered structure and a measuring system |
| JP6560707B2 (ja) * | 2017-04-20 | 2019-08-14 | ファナック株式会社 | 加工面品位評価装置 |
| US10234848B2 (en) * | 2017-05-24 | 2019-03-19 | Relativity Space, Inc. | Real-time adaptive control of additive manufacturing processes using machine learning |
| CN110501983B (zh) * | 2019-07-31 | 2021-03-26 | 农业农村部南京农业机械化研究所 | 基于批次式包衣机的专家控制系统及控制方法 |
-
2020
- 2020-08-28 WO PCT/US2020/048315 patent/WO2022046062A1/en active Application Filing
- 2020-08-28 EP EP20859648.6A patent/EP4189504A1/en active Pending
- 2020-08-28 CN CN202080103583.4A patent/CN115989464A/zh active Pending
- 2020-08-28 US US18/041,718 patent/US20240012400A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US20240012400A1 (en) | 2024-01-11 |
| EP4189504A1 (en) | 2023-06-07 |
| WO2022046062A1 (en) | 2022-03-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115989464A (zh) | 利用人工智能的表面处理过程中的故障预测 | |
| JP7265318B2 (ja) | 機械学習器により成形条件を調整する射出成形機システム | |
| JP6453805B2 (ja) | 製品の異常に関連する変数の判定値を設定する生産システム | |
| KR102171807B1 (ko) | 공정 중 생산품 불량 예측시스템 및 불량 예측을 위한 학습모델 생성방법 | |
| Vishnu et al. | A data-driven digital twin of CNC machining processes for predicting surface roughness | |
| Kutschenreiter-Praszkiewicz | Application of neural network in QFD matrix | |
| Demetgul et al. | Fault diagnosis on bottle filling plant using genetic-based neural network | |
| Chukwunweike et al. | Integrating deep learning, MATLAB, and advanced CAD for predictive root cause analysis in PLC systems: A multi-tool approach to enhancing industrial automation and reliability | |
| Burggraef et al. | Predictive analytics in quality assurance for assembly processes: Lessons learned from a case study at an industry 4.0 demonstration cell | |
| Breitenbach et al. | A systematic literature review of machine learning approaches for optimization in additive manufacturing | |
| Saadallah et al. | Early quality prediction using deep learning on time series sensor data | |
| McLean et al. | An artificial neural network driven decision-making system for manufacturing disturbance mitigation in reconfigurable systems | |
| Elkaseer et al. | Development of Precision Additive Manufacturing Processes | |
| Ramana et al. | Data mining approach for quality prediction and improvement of injection molding process through SANN, GCHAID and association rules | |
| US11676055B2 (en) | System for detecting data drift in machine-learning process monitoring | |
| Strasser et al. | An Approach for Adaptive Parameter Setting in Manufacturing Processes. | |
| Abellán-Nebot et al. | Optimal inspection/actuator placement for robust dimensional compensation in multistage manufacturing processes | |
| EP3969230A1 (en) | Artificial intelligence in discrete manufacturing | |
| Wegener et al. | Bioinspired intelligent SLM cell | |
| Muhr et al. | An adaptive machine learning methodology to determine manufacturing process parameters for each part | |
| Knüttel et al. | Height prediction in directed metal deposition with artificial neural networks | |
| Vosniakos et al. | Neural network simulation metamodels and genetic algorithms in analysis and design of manufacturing cells | |
| Ma et al. | Automated and Systematic Digital Twins Testing for Industrial Processes | |
| Gee et al. | Toward Industry 4.0 in Surface Mount Technology: Smart Manufacturing in Stencil Printing Operations | |
| Pinto | End-effector tools wear prediction: a multimodel approach |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |