Annak érdekében, hogy a meglévő gépadatokból valós időben meghatározható legyen a csatlakozó fémhüvely zárási minősége, az Ostschweizer Fachhochschule (OST – Kelet-svájci Alkalmazott Tudományok Egyeteme) Buchs campusán egy diplomamunka keretében valósult meg az a fejlesztési projekt, melynek során a Beckhoff TwinCAT Machine Learning szoftverével végzett gépi tanulás (ML) hatékony megoldásnak bizonyult.

Egy mechanikus horgonycsavar lényegében a csavarból, egy alátétlemezből, egy hatszögletű csavaranyából és egy fémhüvelyből áll. A hüvely és a furatfal közötti súrlódási erők megfelelő tapadást biztosítanak a használat során. Azért, hogy normál erőkifejtést alkalmazzunk a furatlyukra ható szükséges tapadóerő eléréséhez, a fémcsavar kúp alakú feje szétterpeszti a hüvelyt a furatlyukban.

A projekt célja

A Robin Vetsch K+F mérnök által az OST tudományos rendszertechnológia alapszakos képzés részeként vezetett projekt a zárási folyamatra összpontosított, mely során az előre megformázott lyukasztott hüvely körbezárja a horgonycsavar kúp alakú nyakát. Az előformázott fémhüvelyek két szervohengeren keresztül záródnak a csavar nyaka köré egy újonnan kifejlesztett gyártási eljárás alapján. A két szervohengert nagy pontossággal a Beckhoff AX5206 szervohajtómű vezérli.

A szakdolgozat célja egy automatizált minőség-ellenőrzési eljárás kifejlesztése volt gépi tanulási módszerek segítségével. A minőség-ellenőrzés csak a meglévő gépi adatforrásokat használná, azaz további érzékelőket nem kellett telepíteni. Eddig a projektig a csavar körüli hüvely zárási minőségét többnyire manuálisan, egy mérőeszközzel ellenőrizték.

Itt bebizonyosodott, hogy a zárás a minőségi előírásokon belül három különböző osztályba sorolható (túl lazán záró, megfelelő, túl szorosan záró). Továbbá a záróhüvely geometriai kulcsadatait (hüvely szélessége, magassága és nyílása) regresszióval kellett megbecsülni. A zárási folyamat 100%-os mértékű felülvizsgálata a tendenciákat vagy eltéréseket korai szakaszban észlelné.

Minőségi referenciaértékként egy hengeres próbahüvelyt használtak. A hüvely által körbezárt csavarnak pontosan bele kell illeszkednie ebbe a mérőeszközbe, azaz a hüvely nem zárhat túl szorosan vagy túl lazán a csavaron. A zárási folyamaton végzett különböző végeselem-módszer szimulációkkal meghatározták azokat a paramétereket, amelyek lényeges hatással vannak a zárás eredményére.

A hüvely szélességének mint a hüvelyzárás egyik minőségi kritériumának ábrázolása (Kép: Robin Vetsch)

Ezekre az információkra hangolva számos zárási próba következett, ami során a TwinCAT Scope szoftver oszcilloszkópjával a két szervohenger összes fontos valós idejű adata rögzítésre került. Ezek közé tartozott például a szervomotorok energiafogyasztása, nyomatéka és késleltetési hibája.

Gépi tanulás integrálása a gépvezérlőbe

Egy klasszikus gépi tanulási keretrendszerben – jelen esetben a Scikit Learnben – egy nagyon masszív gépi tanulási regressziós modell kifejlesztetésére és betanítására került sor a rögzített tesztadatok alapján. Az ilyen ML keretrendszerrel végzett munka magában foglalja az adatok előkészítését és kiválasztását, a megfelelő ML-algoritmus modellezését és betanítását, valamint annak értékelését.

Ennek a műszaki szakasznak az eredménye egy betanított ML-modell, ami az input és a céladatok közötti kapcsolatot reprezentálja. A betanított ML-modell telepítésének interfésze a TwinCAT 3-ban ugyanolyan nyitott, mint az adatok interfésze. Itt bevett szabványként az Open Neural Network Exchange (ONNX – nyílt neurális hálózati adatcsere) fájlformátum támogatott.

A projekt következő lépése a betanított ML-modell valós időre képes integrálása volt a gépvezérlőbe. Ehhez a TwinCAT 3 Neural Network Inference Engine-t (TF3810 neurális hálózati beavatkozó motor) használták olyan módon, Robin Vetsch elmondása alapján, hogy az ONNX formátumba konvertált modell nagyon egyszerűen, mindössze néhány sornyi kóddal alkalmazható legyen a TwinCAT valós idejű környezetébe. Az ML-modell TwinCAT 3-ban való effajta telepítéséhez az exportált ML-modellt bináris formátumba (.bml) konvertálják, majd a célrendszerbe (beágyazott számítógépbe vagy vezérlőszekrénybe épített számítógépbe) mentik.

A .bml fájl betöltése után a futásidejű modell pontosan úgy konfigurálja magát, hogy az ML-modell következtetéséhez szükséges pontos számítási műveletek hatékonyan fussanak az ipari számítógép CPU-ján. Ez biztosítja, hogy az eredményül kapott modul egy valós idejű következtetési motor legyen, ami zökkenőmentesen integrálódik a TwinCAT 3-ba, és támogatja a TwinCAT 3 programozás minden bevett módját: modul hívását PLC-ből, C/C++-ból vagy közvetlenül egy ciklikus feladaton keresztül.

A projekt eredményei

A horgonycsavarok felülvizsgálatára betanított ML-modell létrehozásának köszönhetően a záróhüvely magasságát és szélességét ±0,15 mm-es pontossággal lehetett megbecsülni, ami 2% alatti relatív hibának felel meg. A hüvely kinyílása 10%-os relatív hibával volt megbecsülhető. Egyszerűsített megközelítésben megállapítható, hogy a felhasznált próbahüvely kellő pontossággal meghatározta a záróhüvely magasságát és szélességét.

Erre a célra egy MLP (Multi Layer Perceptron – többrétegű perceptron) típusú neurális hálózatot használtak. A modell kimeneti változói a hüvely szélességének, magasságának és nyílásának becsült értékei. A PLC-ben meghatározott egyszerű határértékek révén a regresszió mellett egy egyszerű osztályozás is alkalmazható.

Robin Vetsch szerint az adatalapú minőség-ellenőrzés segítségével a vállalat számos előnyre tesz szert. Így 100%-os inline minőség-ellenőrzés valósítható meg további érzékelők vagy tesztállomások nélkül. Továbbá az egyes zárási eljárásokra vonatkozó minőségi adatok felhasználhatók részletesebb értékelésekhez. Az ML-megoldás valósidejűsége optimális alapot nyújt az észlelt hibás alkotórészek lehető legkorábbi kivonásához. Végül a TwinCAT HMI funkciójának részletes trendképzése lehetővé teszi, hogy a kezelő szükség esetén azonnal reagáljon.

(Címlapkép | Robin Vetsch: A projektcsapat (balról): Christian Egger, az OST Institute of Computational Engineering (ICE – Informatikai Intézet) tudományos munkatársa, Prof. Dr. Christoph Würsch, az ICE oktatója és Robin Vetsch K+F mérnök)