论文部分内容阅读
智能生产线通过物联感知和网络协同技术,实现信息物理深度融合。其特征是制造设备高度互联、制造数据深度集成与产线动态重构,以满足多品种、小批量、个性化定制产品的混流生产要求。个性化定制生产模式下,智能生产线对设备可靠性、运行稳定性与生产适应性等提出了更高要求,常规的被动运维模式已不能满足智能生产线的复杂运维需求。本文聚焦于智能生产线预防性维护的关键技术研究,以保证个性化定制生产线效率与设备利用率为前提,对设备的劣化状态进行早期评估,通过可重构预防性维护避免生产线意外停机造成的生产中断,旨在实现生产过程的自主感知、状态评估、自适应运行及负载均衡。本文的研究工作可以具体地概括为以下五点:(1)探讨了设备信息物理深度融合为基础的智能生产线预防性维护系统架构。在智能生产线设备信息传输方面,实现了基于OPC UA的信息传输,Machine to Machine通信,软件定义工业异构网络;在多源异构传感数据深度融合方面,提出了边缘计算使能的数据融合方法与边-云合作的数据融合机制。架构涵盖了基于心电机理的设备运行状态监测方法与深度的设备健康状况评估理论,实时反馈设备亟需的运维情况。为保障智能生产线稳定运行,提出了面向个性化定制生产线的可重构运维机制,以实现生产过程自适应管控的系统运维。(2)基于设备动作时长的细粒度划分,将设备作业状态下的节拍类比为人类的心脏跳动,以设备心电图(equipment electrocardiogram,EECG)的方式揭示设备的性能衰退过程。阐明了设备心电图的构建机理,涵盖工序的细粒度划分方法,时序周期的动态匹配方法,基线、公差、Hotspot等重要工作特征的确定方法。基于设备心电机理,分别提出了生产线节拍优化方法和设备性能衰退的在线监测方法。在智能生产线上对智能设备心电图的性能进行了测试,结果表明智能心电机理能够很好地支持智能设备心电图的实施,智能生产线设备心电(Automatic Production Line EECG,APL-EECG)系统能够实时监测设备作业状态,为设备的维护提供科学指导。(3)基于时间序列设备传感数据,提出了深度的设备性能预测方法。引入流行的机器学习框架—Tensor Flow,搭建了Tensor Flow使能的深度学习模型架构;利用Keras搭建了汽车装配生产线的小台车气缸可靠性分析的深度神经网络模型,并阐述了其中关键的实现技术;进一步地制定了气缸工作性能评估策略,预测准确率达到工业应用标准。研究发现在不完全观测丰富数据集的环境下,运用深度神经网络能够实现“弱关联”多源异构设备传感数据的分析。(4)基于领域本体的形式化语义模型,构建了面向预防性维护的可重构运维方法。首先,根据对智能生产线制造资源与生产过程的系统分析,利用领域本体方法构建生产线形式化语义模型,以一种语义网结构对生产线的制造资源进行抽象化与统一描述;其次,利用数据驱动的语义模型促进了生产线信息物理资源的动态融合,为生产线状态感知与自组织重构等提供基础模型,进一步构建了基于多智能系统的智能生产线自组织自适应运行机制;最后,面向预知的设备状态衰退与性能失衡,构建路径动态规划与任务切换的可重构方法,实现混流产线的不停机动态重构。(5)针对智能生产线设备集群自组织自适应作业过程中的负载不均衡现象,探究了基于边缘计算理念的智能生产线可重构运维方法,制定基于能量感知的负载均衡与调度(Energy-aware Load Balance and Scheduling,ELBS)策略。具体地,在边缘节点建立工作负载相关的能耗模型,相应地确立以作业集群负载均衡为目标的优化函数;利用改进的粒子群算法求得优化解,对任务相关的作业集群进行任务优先级排序;采用Multi-agent系统对车间作业集群进行分布式的优化调度。结果表明,在多批量个性化定制糖果的包装产线上,在考虑能耗和工作负载的情况下,该策略实现了混流生产作业机器人的负载均衡和优化运行。综上所述,以底层信息交互为基础,提出了由单机设备到集群设备的自下而上的可重构运维方法,实现了涵盖产线自主感知、状态监测、预防维护与负载均衡等的关键运维技术,为个性化定制生产线的预防性维护关键点提供技术支撑与理论依据。