您好,欢迎来到上海仪器仪表行业协会!

仪器仪表行业协会
搜索
搜索

技术资讯

资讯分类
/
/
/
宋华振:走在价值轨道上,未来产线设计的新模式

宋华振:走在价值轨道上,未来产线设计的新模式

  • 分类:热点技术
  • 作者:
  • 来源:
  • 发布时间:2020-01-16 09:50
  • 访问量:

【概要描述】

宋华振:走在价值轨道上,未来产线设计的新模式

【概要描述】

  • 分类:热点技术
  • 作者:
  • 来源:
  • 发布时间:2020-01-16 09:50
  • 访问量:
详情

宋华振:走在价值轨道上,未来产线设计的新模式

 

未来制造,总是走在价值轨道的前面......

随着智能制造时代的到来,5G工业互联网等新兴技术的兴起,自动化市场及客户需求正处于一个加速更新迭代的变革时代。对与工业世界来说,唯一不变的就是不确定性、易变性。

在消费者的个性化需求与生产制造商工艺流程、工业配方、设备状态、接口规范等个性化需求能力日益提高的状况下,设备制造商必须具备灵活、不断适应新变化的生产能力,并且能够快速针对不同的产品进行生产的切换,这是当前自动化厂商要面对的挑战。同时,这些变化也在推动制造业呈现一个跨学科融合创新的趋势,包括工艺控制、数字孪生,机器视觉、机器安全、机器人、建模仿真、云计算、通信互联、机器学习等。未来,个性化需求和跨学科融合创新将成为推动制造业不断发展的重要引擎,设备的发展也将越来越智能化。 

系统设计模式的变革——建模仿真的应用 

我今天分享的主题“走在价值的轨道上-产线设计新模式”可以分成这几个方面。一,系统设计的变革;二,制造模式的变革;三,数学方法应用于工业,还有一个制造业应用和人才培养的问题。

首先是系统设计。系统设计模式的变革基于建模的开发、软件复用及集成技术三个方面。建模仿真技术在欧美的发展已有长久历史,包括CNE、CM软件、CC-Link都会使用建模仿真。而建模仿真最大的好处在于原创性设计与降低研发成本。 

制造业工程中,要生产一个原创性的产品,就一定会用到建模仿真软件。一个产品从概念设计到需求定义再到软硬件设计的测试和验证,最后到测试验证系列化、批量化生产的过程中,是最烧钱且最需要耐心的一个阶段,也是国内自动化企业研发最不喜欢的一个设计阶段。因为无论任何行业,任何工程都会在大量的现实可能性中,寻找最优途径以达到最经济的方式,这是所有投资者的共性需求,这也是制造业创新设计一直面对的核心问题,然而这个核心就需要大量的测试与验证。

假设一条生产线生产一个产品会有一百个工具,而每个工具的影响因素有材料、人、流程、机器、包括周围环境,这些因素会增加生产过程中的不确定性,增加测试验证难度。若使用建模仿真技术,就能够让我们的机器设计过程处于一个虚拟的环境,针对变化而完成,无需做大量的物理测试与验证,能够大量节省现实的测试验证的成本,为创新者提供巨大的验证帮助。

在软件复用角度来看,我认为工业软件就是每个人在每个行业里面积累的知识,然后凝聚形成一个可复有的模块,不管是硬件还是软件,这种可复用的技术,可以提高开发效率,减少重复工作。若未来制造中,建模的应用可以支持硬件仿真、机器仿真再到机器生产过程仿真;在硬件仿真层面能够达到软件测试、功能测试、再迁移到真实机器;在机器仿真层面,包括运动学、物理学、动力学、力、扭矩、速度的测试验证;最后到生产过程中的避免碰撞、物料流、动画的仿真演示,在这样的一个虚拟环境里面,去测试生产的可行性,将是自动化行业系统设计模式一个巨大的突破。

再就是MATLAB和SIMULINK联合使用技术,可对各种可能性进行验证。例如,做电机驱动器的选型,大家跟随大众化选型往往会选大,选择留余量;而且在控制性能方面,无法确定电机、负载和所需加速性能是不是最匹配;再加上一些潜在的需求变化。这些不能单纯的靠工程师的想象和经验,通过仿真软件去测试这个过程来证明匹配度,这也是一种科学的态度。

例如,针对机械的系统建模,采用MapleSim快速实现数字孪生,在机器设计上提供一些开放的接口,生成的代码可以直接运行在PLC,PLC能够支持硬件测试;同时,还能对各种特性需求进行仿真;包括仿真电机安装传送的过程,可以生成一个FMU,通过这个平台进行编译以后,可以下载到PLC;还可跟软件结合来测试,与驱动器的整合匹配应用,最终确定选型。值得一提的是,未来我们还可利用AR、VR技术,在已有模型中进行建模仿真测试。

未来制造模式的变革——柔性电驱产线

讲完机器,我们深入到产线,未来制造模式中的柔性电驱产线。传统产线通过皮带传送、链条传送的方式输送产品,还有一些电子产品采用分布式,这些传送方式面临着很多问题,如机械磨损、站间位置不能变动、需中间缓冲、产品换型周期长、机械磨损、机械复杂、生产节拍长等。而柔性电驱产线具有抑制波动、工艺切换、平稳高速、建模仿真、调整的任意组合、占地面积小、低维护等优势。举个简单的例子,一条生产线中,一个机器人把一个产品从输送带送到加工台,机器人要拿下来再往前输送,再需要一个机器人送到另外一个加工台上,再拿下来再往前送…这个非常繁琐的上下料过程,若使用柔性电子输送系统,则可省略非常多的加工过程,因为它的每一个动子都可以自动调整,具备很高的灵活性。

在工业生产制造中,一条可以变轨的生产线,可以从一个轨道转移到另一个轨道,我们把它叫分流和汇流。如,产品的灵活包装,从多个轨道到一个轨道叫做汇流;另外主机速度过快状态,需要分离,或不良品在线检测以后,可以通过轨道分离送到回收站,业内叫分流。这些可以通过数字孪生技术去实现。数字孪生基于建模仿真,但不是建模仿真。数字孪生包含设计、制造、运营、维护整个过程,不是一个单元;而且数字孪生一定要有数字从物理世界到虚拟世界,和虚拟世界到物理世界的动态交互,不能说一个静态仿真就叫数字孪。另外数字孪生跟建模仿真的区别在于,建模仿真的关注点在于保真度,如何真实的还原物理对象,能够跟它的精度高度的匹配,这是它的一个要点。

贝加莱的建模系统可以通过数字孪生技术把机械系统的参数跟控制系统的算法融合起来,若机械系统进行调整,对应整个系统都会调整,就比如上述的数字化系统如果变化,可同步下载到物理系统,而且物理系统所有的运营状态都可以通过实时网络传输到数字化系统,在三维软件里可以看到运动的过程,具有很高的实时性。这个仿真的好处就在于你无需首先购买一条产线,可以让客户在产线实现前做建模仿真测试验证,证明在这种加工状态下,加速度和节拍刚好能够满足你的要求。因为在这个过程中,这个动子影响因素易变性较大,动子越多,加速性能会受到影响;如果负载太大,也会受到加速度的影响。

这些产线仿真过程贝加莱系统基本都可以实现,在现场实施中也并没有想象那么麻烦。真正的困难不在这里,而在于我们必须对工艺有自己的想法,有自己的认识,如何才能将一些产线做的更灵活高效,需要机电工程师们共同探讨,因为这里有非常多的窍门。另外,对于针对具体客户而设计的建模仿真系统贝加莱有严格的保密性。例如,贝加莱对一个汽车连接器的客户产线改造,从以前的生产节拍1.2秒提高到0.6秒,极大提高了生产效率。若别的客户想了解,贝加莱绝不会将其当作案例到处宣讲,因为这个系统对于用户来说,就是它的核心竞争力。目前,贝加莱的建模仿真设计方案已得到众多用户的评估,对于生产线的设计改造认可度非常高,我相信这个系统在未来应用中会有非常大的增长趋势。

另外,在整个自动生产线构成中,当然离不开机器视觉,贝加莱今年推出的机器视觉与市场上的机器视觉所有的不同点只有一条,即同步性。贝加莱机器视觉系统集成各种功能跟控制器、驱动器使用同一个网络,在100微秒时间里可以实现同步传输,大大弥补了过去几个组件之间匹配所需要的时间。往往有些客户为了去补偿这个时间影响,去寻找更高性能的控制器,其实只要实现这个同步性,就能提高整体性的性能。过去大家认为自动化跟视觉是两个世界,直到现在大家把视觉依然都叫分离的视觉,很难想到这种集成的机器视觉。其实,在这个过程中我们可以感受到,创新与未来制造,总是走在价值轨道的前面。

数学方法用于解决工业问题

数学方法用于解决工业问题具有很好的效果,其中包括机器学习、数据拟合、模型预测控制。目前,许多产线里需要用到大量AI控制器,即机器学习,其主要作用是参数寻优、预测性维护。但我认为机器学习最大的难点不在学习,而是在于知识的积累和经验,我们应如何去设定一个有效的特定值去认识这些生产之间的关系。在我看来,人才是一个产品影响因素的关键,我们每个人对这个产线的认识,对这个机器的认识,对这个生产的认识才是关键,而不是机器学习、AI,况且,当前的人工智能智商最多还只相当于一个6岁孩子。

机器学习其实就是在不断积累汇聚优化人们过去在控制系统里遇见的问题。就比如这个世界是非线性的,但是在控制系统的研究过程中,人们所做的优化策略等同于拟合一个线性化的控制过程。但在实际生产中依然有大量非线性的地方,而且可能永无止尽。因此我们要在控制过程寻找它的最优参数,在现有控制器做一些机器学习,达到质量最优,成本最小,能耗最小的一个学习过程,并不需要新增专用的AI控制器。

见上图,左方的电子功能曲线由多个数字构成,通过一个成本函数约束,在这几个参数中寻找最优,是线性的机器算法处置;如果是非线性,就用其他的算法,如标签监督学习、非监督学习,或者通过强化学习的方法,寻找最优解的过程。所以我们所做的这个优化就是一个算法,看上去非常简单,但仅仅是参数的提取预处理的数据这么简单的公式,就需要工程师有非常深的理解才能做到这一点,若没有合适的行业积累则难以想到。在我看来,其实有些人工智能公司早已在自动化行业里深耕多年,人工智能与自动化行业息息相关。

1956年人工智能开始发展,有三个方向,一是连接主义,二是符号主义,三是行为主义。通过结果反馈不断去调整控制策略,这也是控制工程一直在做得事情,也就是说自动化行业在初步成长前,就一直在研究如何让生产更具灵活性、更智能化,不管是自适应控制还是模糊控制,或是调度算法,这些都是自动化行业多年来一直在研究并努力实现的方向。

在过去的几十年里,自动化行业干了很多策略、优化、调度的问题,其实都属于如今的边缘计算范畴,但自动化行业多年来都用的是“控制”这个代名词,其实在这个过程中,自动化行业也在不断的尝试人工智能的发展,即设备的智能化研究。我们要为自动化行业正名,自动化在做人工智能而且包含人工智能。

最后希望产业里面能够有更多的像运动控制联盟这种组织,为大家能够提供更多的交流机会,互相学习;同时,也可以组织更多的大学与企业之间的人才的培养交流活动,达成校企合作。希望通过产业、学界和研究机构之间的合作,能够为制造业输送更多的专业人才,为整个自动化产业前进的“车轮”不断添油加剂。

本文整理自12月20日“2020智能制造&中国运动控制/直驱行业发展高峰论坛——运动控制技术应用分论坛”,贝加莱中国市场部经理宋华振的发言。

作者: Sylvia 来源:中国传动网)

相关文件

暂时没有内容信息显示
请先在网站后台添加数据记录。

Copyright © 上海仪器仪表行业协会 版权所有 沪ICP备08100447号