在這個應用中，一家專門從事緊固件生產跨國公司需要生產各種地腳螺栓。瑞士東部應用科技大學（Ostschweizer Fachhochschule）的布克斯校區最近開展了一個開發項目，旨在從現有的設備數據中實時確定相關金屬套筒的密封質量，并將其作為學士學位論文的一部分。實踐證明，通過倍福 TwinCAT Machine Learning 軟件實施的機器學習（ML）是一種合適的解決方案。

 

機械地腳螺栓一般由螺栓、墊圈、六角螺母和金屬套筒組成。套筒和鉆孔壁之間的摩擦力確保了在使用時有足夠的附著力。用金屬螺栓的錐形頭分開套筒與鉆孔，以便給鉆孔施加附著力所需的正向力。

 

 

該項目由研發工程師 Robin Vetsch 負責，作為瑞士東部應用科技大學系統科技學士學位課程的一部分，重點關注預成型沖孔套筒封閉連接地腳螺栓錐頸的密封過程。預成型的金屬套筒采用新開發的制造方案，通過兩個伺服缸密封在螺栓頸部。兩個伺服缸由倍福的 AX5206 伺服驅動器精確控制。

 

這個學士學位畢業論文項目的目標是借助機器學習方法開發一個全自動質檢程序。質檢程序將僅使用現有的設備數據源，即無需安裝額外的傳感器。在開展這個項目之前，操作人員基本都是使用量具手動檢查螺栓套筒的密封質量。現在表明，根據質量規范，所有外殼都可以分為三個不同的等級（閉合過松，正好，閉合過緊）。此外，需要使用回歸分析法預測包圍套筒關鍵的幾何數據（套筒寬度、高度和開口）。對密封過程進行 100% 檢驗可以在早期階段檢測出異常趨勢或偏差。

 

一個圓柱形測試套筒用作質量基準。用套筒密封的螺栓必須完全適合這個規格，也就是說，套筒不能把螺栓閉合得過緊或過松。根據對密封過程進行的各種 FEM 仿真結果，定義會影響密封結果的參數。然后根據這些信息進行調整，隨后進行大量的密封測試，期間用 TwinCAT Scope 軟件示波器記錄來自兩個伺服缸的所有重要實時數據，如功耗、扭矩和伺服電機的滯后誤差。

 

 

在一個經典的 ML 框架內開發了一個非常強大的機器學習回歸模型（這里是 Scikit Learn），并在所記錄的測試數據基礎上進行訓練。機器學習框架內的工作包括準備和選擇數據、建模和訓練合適的 ML 算法及其評價。在這個開發步驟中會生成一個訓練好的機器學習模型，它表示輸入和目標數據之間的關系。在 TwinCAT 3 中布署訓練好的 ML 模型接口與數據接口一樣都是開放式的，并支持行業標準的開放式神經網絡交換（ONNX）格式。

 

項目的下一步是將訓練好的 ML 模型實時集成到設備控制器中。Robin Vetsch 介紹說，他們為此使用了 TwinCAT 3 Neural Network Inference Engine（TF3810），有了這個軟件，只需幾行代碼，即可使用非常簡單的方式在 TwinCAT 實時環境中實施轉換為 onNX 格式的模型。在進行此類在 TwinCAT 3 中布署 ML 模型時，導出的 ML 模型被轉換為二進制格式（。bml），然后存儲在目標系統（嵌入式控制器或控制柜式 PC）中。在加載 .bml 文件后，Runtime 模型將自身配置為在工業 PC 的 CPU 上有效地執行機器學習模型的推理計算。這樣可以就確保所生成的模塊是一個實時推理引擎，能夠無縫集成到 TwinCAT 3 中，并支持 TwinCAT 3 中所有常見的編程方法：從 PLC、C/C++ 或直接通過循環任務調用該模塊。

 

 

由于執行了為檢測地腳螺栓而訓練好的 ML模型，因此能夠以 +/-0.15 毫米的精度（相當于相對誤差低于 2%）分析評估密封套筒的高度和寬度，并能夠以 10% 的相對誤差分析套筒開口。它可以作為一個簡化后的近似值，確定所使用的測試套筒是否滿足規定密封套筒的高度和寬度。我們為此使用了 MLP（多層感知機）類型的神經網絡。模型的輸出變量是套筒寬度、高度和開口的估算值。通過在 PLC 中定義的簡單極限值，還可以實現除回歸分析法之外的簡單分類法。

 

據 Robin Vetsch 介紹，公司通過基于數據的質量檢測獲得了很多優勢。這樣，無需額外的傳感器或測試工位即可實現 100% 在線質量檢測。此外，每個密封過程的現有質量數據可用于進行更詳細的分析。ML 解決方案的實時能力為盡早剔除檢測到的壞件提供了最佳基礎。最后，通過 TwinCAT HMI 的詳細趨勢顯示，操作人員可以在需要時迅速做出響應。

 

 

測試統計數據的可視化顯示

 

項目團隊（左起）：OST 計算工程研究所（ICE）科學助理 Christian Egger，ICE 講師 Christoph Würsch 教授博士，以及研發工程師 Robin Vetsch

 

將套筒寬度作為套筒密封質量標準之一來表示