基于人工智能技术的机械自动化应用研究

李西锋

(陕西国防工业职业技术学院,西安 710300)

0 引言

进入工业化新阶段,也被称为工业4.0[1]。人工智能等尖端技术的应用对于构建智能系统来说至关重要,可提高行业竞争力。智能制造和数据交换有助于工业转型,实现高水平的工业自动化。机械自动化是对传统机械制造的补充及扩展,其目标是减少生产过程中的缺陷及错误。将机械自动化与人工智能技术相结合可改进制造方式,人工智能技术利用机器学习算法来处理复杂的数据集,从机械制造生产系统中实时收集数据,感知环境变化,评估不同的场景,做出最佳决策,从而实现智能制造,其中工业物联网形成了一个由大量机械、工具及其他设备组成的互联网络,融合成一个智能系统,提高生产力水平。智能设备利用嵌入式自动化软件来执行重复性任务,自主解决复杂问题[2],可提高作业准确性、可靠性及效率。

1 人工智能技术与机械自动化理论研究

1.1 人工智能技术

人工智能技术的发展经历了不同的阶段。发展初期,互联网技术不发达,工业企业只能依靠手工生产。随着互联网的日益普及,技术水平不断提高,但人工智能应用不广泛。随着电子信息技术水平的不断提高,人工智能技术进入发展成熟期,在各个领域得到了应用[3]。人工神经网络是一种典型的算法数学模型,其功能由人工神经网络支撑。人工神经元主要负责激活模拟人脑的神经网络,利用此网络处理一系列信息,从而有效存储数据。本研究使用目标间距点来创建跟踪函数。设目标轨迹在k时刻的位置矢量为SK,k+1时刻与k时刻的位置矢量之差,即相邻时刻的位移矢量为：

(1)

可以发现,不同模型的SK模式和方向变化规律存在差异,可用SK来生成轨迹的特征向量。假设轨迹段的长度即位置点的个数为m,i= 1,2,…,m-1,则模的特征向量为：

(2)

(3)

设i= 1,2,…,m-2,θK为SK的方向角,可得到位移矢量方向变化的特征矢量。

1.2 机械自动化

机械自动化已广泛应用于产品设计、生产管理及工艺实施中,可提高经济效益,为机械生产提供便利,促进机械行业发展。但机械自动化系统还存在一些问题,人工智能可及时、准确地检测系统错误,保证自动化系统的正常运行。

机器学习是人工智能的典型代表。学习过程是在已有经验的基础上借助计算技术,提高系统自身性能。机器学习的经验通常以数据形式表达,是数据向智能转化的主要技术途径。机器学习分为不同的层次,包括传统机器学习、强化学习、深度学习及迁移学习。经过广泛的研究,人工神经网络已经建立深度学习概念[4]。在多层感知结构中包含多个隐藏层,其中隐藏层采用无监督的学习方式,可自动从数据中构造新特征。通过逐层提取特征得到数据的隐式表示。与传统的机器学习方法类似,深度学习可分为两类,即无监督学习和监督学习。无监督学习模型包括堆叠自编码器、深度信念网络、受限玻尔兹曼机等;监督学习模型包括机器学习模型,如卷积神经网络。一个典型的深度学习回归预测模型如图1所示。

图1 深度学习回归预测模型Fig.1 Deep learning regression prediction model

2 控制系统结构及故障诊断

2.1 基于人工智能算法的电气自动化控制系统结构

人工智能技术在电气自动化控制中得到了广泛应用,其融合了电子、电信、计算机等技术,可模拟人类意识或思维,实现精确的控制操作,有效提高智能化水平,减少对人工交互的依赖,避免人为因素造成的错误。图2是基于人工智能算法的电气控制系统结构。在微机调速器出现之前,调速器(主要是机器调速器和模拟电路调速器)的主要任务是根据额定单位频率偏差调节导水机构/桨机构(注针/变流器机构)。

图2 基于人工智能算法的电气控制系统结构Fig.2 Electrical control system structure based on artificial intelligence algorithm

2.2 基于人工智能技术的机械自动控制故障诊断

当机械自动化系统发生故障时,需对系统功能故障性质及原因进行分析。人工智能控制方法主要包括人工神经网络、专家系统及模糊集理论。在实际应用过程中可对电气机械设备运行状态进行判断,对故障类型进行模糊分析,从而保证机械自动化控制系统故障诊断的准确性。特别是在发动机、发电机及变压器故障诊断中可有效发挥智能技术的作用。引起自动化控制系统故障的因素有很多,有些设备的故障频率较高,需要通过检测设备找到故障点及故障原因。如果是软件故障,系统将自行处理;如果是硬件故障,系统将直接把故障问题显示到计算机终端,以便采取有效措施。

人工神经处理方法具有强大的知识获取能力,是模拟人脑组织结构和人类认知过程的信息处理系统。利用标准样本学习和训练,对信息故障进行自动处理及自动适应,将每个人工神经过程分成相应的部分,每个小部分负责不同的故障诊断。人工神经网络具有快速处理能力和良好的分类能力,被广泛应用于电力系统的实时控制及故障诊断与状态评估中。目前,神经网络已成为一种应用广泛的技术方法。当自动化系统出现故障时,现象与故障之间的关系是模糊的,可利用模糊集理论中的关系矩阵处理。专家系统的应用原理是以系统领域专家的经验和计算机程序为基础,将其应用于系统检测与诊断、系统恢复及事故筛选中。总结故障中的典型事故与诊断经验,形成专家知识库系统。故障诊断流程如图3所示。

图3 故障诊断流程Fig.3 Fault diagnosis process

在机械故障识别过程中,所有的诊断分析行为都需要基于机械特征信号。通过特征向量的提取,为后续故障识别提供基础数据。利用声波传感器采集相应的键盘振动信号,通过软阈值去噪,去除信号中的干扰信息,包括高频噪声信号及超低频信号趋势项。对预处理后的信号进行多层小波包分析,这是小波变换的一种升级算法。分解层数和选择的小波基函数对分解结果有明显的影响,在机械信号分析过程中,小波基函数需要满足正交性、正则性及紧凑性的要求。Wang[5]利用声敏传感器采集键盘和弦的力学数据,采用小波包分解提取数据特征,选择“db10”对采集到的声信号进行5层小波包分解,用于探索机械信号在频域的分布。对分解结果进行归一化处理,分别得到频率通道特征向量和总体特征向量。小波包分解过程如图4所示。其中Dj,k为原始信号,f为信号频率。可以看出,原始信号被分解为3层。根据特征提取结果,为了提高神经网络的处理速度,将网络输入节点最小化,从而提高网络速度,以达到在力学数据中选择特征量的目的。

图4 小波包分解原理Fig.4 Wavelet packet decomposition principle

3 结束语

人工智能技术在机械自动化控制中的应用越来越广泛,其与传统技术相比具有明显的优势,在自动化控制系统中具有高精度、高效率、高协调的特点,在实现自动控制的同时可大大提高控制系统的运行效率及质量。与人工操作相比,自动化技术更安全、更高效,可进一步提高机械制造速度,节约资源,实现资源的优化配置,减少成本投入,提高企业经济效益,促进我国工业的可持续发展。