光纤激光器 半导体激光器 激光切割
工业应用
工业4.0、可视化和机器学习相结合,提升激光加工能力
材料来源:lfwc           录入时间:2017/5/11 11:49:36

 

iV Model在工作流程架构中将过程数据与图像和视频数据相结合,允许用户查看所有相关源并应用分析工具。

 

/Tony LotzmannFelix WenzelUdo KarsunkeKarol Kozak

 

随着激光系统技术的快速发展,制造过程中将会产生、捕获和维护大量数据。这迫切需要对历史数据进行分析并随之制定出相应的战略决策,并更新现有数据以支持当前的加工过程需求。

 

工业4.0趋势使基于自动化和数据交换的未来工厂愿景成为可能,将改变激光加工的优化方式。基于激光的加工过程必须变得更加智能,以从中获得最大的效率和能力。数据可视化必须与人眼视觉系统一起工作,以在加工过程中提供快速访问和快速反应,以及理解多参数、异质数据空间中的问题。

 

为了实现这个目标,新颖的机器学习与可视化技术相结合,将发挥非常重要的作用。本文将介绍一种将交互式可视化与机器学习技术相结合的概念,称为智能观察器模型(iV Model),用于分析焊接、切割、粘合、熔覆、涂覆和打印等应用的激光加工参数。

 

具有机器学习的交互式可视化

 

工业激光系统在数据采集和数据处理方面都非常复杂(见图1)。随着技术的不断进步,工业激光加工所涉及的传感器、日志、图像和视频数据的大小和复杂性都在增加。并且因为激光加工过程本身存在的环境变化和不确定性,所以数据流不能由手动方法控制。

 

1:激光加工数据流和智能分析在开发实验室中进行优化,并应用于生产中。

 

因此,自动跟踪在激光加工期间可能出现的错误类型和关键参数值,就变得至关重要。将交互式可视化应用与多参数算法相结合,是一种解决这个问题一种可行方法。

 

交互式可视化[1,2]系统为用户提供了分析所需的集成接口。结合可视化和机器学习的发现工具,可以实现更有效的数据分析,同时保留用户控制。[3]

 

机器学习领域涉及多参数计算机算法的开发和应用,其随着数据量的增加而改进。[4]机器学习,也被称为人工智能或模式识别,属于计算机科学和统计学交叉领域,是试图在大型数据组中识别和发现模式的过程。

 

因此,机器学习有潜力使计算机能够辅助分析过程参数和由制造过程产生的复杂数据。对于机器上的传统可视化方法,在复杂激光加工数据的可扩展性方面是个问题:最终用户被限制在二维和三维之间进行解释。此外,对于与大型加工数据组的实时交互式使用而言,许多可视化方法的计算负担太大。为了解决这些可扩展性问题,并实现大量高维数据集(“大数据”)的可视化数据挖掘,需要智能可视化方法。

 

机器学习可以开始快速了解设备,以及影响激光加工和潜在故障的所有现有信号和参数之间的因果关系。然后,交互式可视化和机器学习可以构建可靠性和性能模型,其可监控实时性能,并确定设备性能何时开始偏离规范。

 

这样的交互式解决方案可以用于触发适当的干预和校正系统动作。下面将介绍针对工业4.0过程,用于将交互式可视化与机器学习技术相结合的iV Model

 

激光熔覆加工案例

 

机器学习对于预测和定义大型加工数据组中的边界加工参数值非常有用,并且已经被用于实时和后处理分析。机器学习方法可以分为两种类型:监督或非监督分类器。监督方法在标记的样本上进行训练,然后用于对未标记的样本进行预测,而无监督方法在不使用标签的情况下,在数据组中查找结构。

 

我们将关注监督方法,因为从实验和加工开发阶段,已经知道主要的和期望的参数值(所谓的训练数据组)。训练数据包括在已经开发加工的实验室中训练的一组已知参数值。

 

在监督学习中,每个样本是由输入对象(通常为向量)和期望的输出值(也被称为监控信号)组成的一对。监督学习算法分析训练数据并产生推断函数,其可以用于映射新样本。图2中给出了监督处理的一个范例。

 

 

2:在机器学习中,监督分类处理确定加工参数的临界值。

 

为了演示该过程,我们考虑一种应用,以在加工周期期间生成的所有参数数据内识别激光熔覆工艺中的意外参数值(根据实验设置的离群值)。首先,机器学习研究人员与工艺设计师一起开发算法,他们相信该算法将实现成功学习。

 

其次,为算法提供规范(上/下临界值)中的经验加工参数的大集合,以及(可选)已知未超出范围的加工参数列表。表明加工参数是否是离群值的注释被称为标签。算法处理这些标记的参数,并存储模型。

 

第三,将新的和未标记的参数值提供给算法,并且其使用该模型来预测每个加工参数的标签(规范值或离群值)。如果学习成功,则所有或大多数预测的标签将是正确的。

 

交互式可视化中的分析过程

 

加工数据包括有关温度、环境和功率的信息,记录多达数百万的热像仪图像,以及超过十万行和超过20列的图像分析结果。使用任何数据分析工具,都需要研究人员适当地调整特定数据组的这些参数,以避免在数据簇、大小或密度的数量方面的任意结果。

 

通过促进这种变换,交互式可视化可以促进工艺发现和计算方法的开发。现有的加工数据和信息可视化技术,已经适用于创建具有易用接口的工具,补充了整个计算方法,允许简单地解释加工参数。

 

通过结合安装在多种机器上的激光相关技术的数据,并由监控系统控制(监控系统包括用于功率、温度、日志文件、速度和总线系统信号的多个传感器),该系统可以减少风险,协同提高质量,更快更准确地执行根本原因分析。通过一个一键式、单视图概念和基于工作流程架构的简单接口,可视化方法便于将加工数据与图像和视频数据连接(见图3)。

 

 

3:机器学习和可视化的集成,使交互式协调可视化成为可能。

 

交互式可视化的基本思想是在一个视觉框架中提供数据,允许用户通过直接与图像和视频数据交互来深入了解加工参数。交互式可视化的优点,是用户直接参与加工的所有数据通道,并且可以将操作人员的灵活性、创造力和常识,与连接到传感器和日志文件的大量数字相结合。

 

iV Model中,数据可以在几个分析阶段可视化,并且与原始图像和视频数据相关联,保持星形模型的概念(见图4b):一键式单视图。在iV Model中,集成了机器学习的标记类,并且被表示为规范值或离群值。未修改和变换的数据组,可以交互地绘制为散点图,显示在直方图中,可以在图像观察器/编辑器中查看,或作为表格浏览。整个实验可以在各种概述图中以其注释的方式显示,并且可以导出图形和表格以供发布。

 

 

4:分析过程的传统与交互式可视化对比。加工过程数据集的传统、耗时的分析过程需要多次点击、文件夹搜索和手动数据链接(a);而交互式方法使用一个面板和一次点击,用户可以看到所有相关的数据源和分析工具(如图像、绘图、数值结果和滤镜)。这其中的概念是:所有信息的访问应该是直接的,并且用户动作应当最少化(b)。

 

这种交互式可视化概念,能够应对工业激光加工中经常发生的工艺和环境条件的变化。交互式可视化和机器学习方法的组合,有望提供一种参数评估和实时分析的方法。

 

在这里,我们已经描述了交互式可视化和机器学习的架构,以确保计算对参数评估而言足够快。据我们所知,这是结合机器学习的交互式可视化的首次亮相,展示了激光加工在工业4.0中的应用。

 

 

参考文献

1. M. Baldonado, A. Woodruff, and A. Kuchinsky, "Guidelines for using multiple views in information visualization," Proc. ACM Advanced Visual Interfaces, 110-119 (2000).

2. M. Derthick, S. Roth, and J. Kolojejchick, "Coordinating declarative queries with a direct manipulation data exploration environment," Proc. IEEE Information Visualization Symposium, 65-72 (1997).

3. B. Shneiderman, Inf. Vis., 1, 1, 5-12 (2002).

4. T. Mitchell, Machine Learning, McGraw-Hill, New York, NY (1997).


上一篇:DUV激光:深紫外激光微加工技术的... 下一篇:光纤激光机器人焊接系统在高尔夫球...

版权声明:
《激光世界》网站的一切内容及解释权皆归《激光世界》杂志社版权所有,未经书面同意不得转载,违者必究!
《激光世界》杂志社。
 
 
 
 
友情链接
首页 | 关于我们 | 联络我们
Copyright© 2017: 《激光世界》; All Rights Reserved.
请用 Microsoft Internet Explorer 6.0 或以上版本。
Please use Microsoft Internet Explorer 6.0 or higher version.
备案序号:粤ICP备12025165号