在这个应用中，一家专门从事紧固件生产跨国公司需要生产各种地脚螺栓。瑞士东部应用科技大学（Ostschweizer Fachhochschule）的布克斯校区最近开展了一个开发项目，旨在从现有的设备数据中实时确定相关金属套筒的密封质量，并将其作为学士学位论文的一部分。实践证明，通过倍福 TwinCAT Machine Learning 软件实施的机器学习（ML）是一种合适的解决方案。
机械地脚螺栓一般由螺栓、垫圈、六角螺母和金属套筒组成。套筒和钻孔壁之间的摩擦力确保了在使用时有足够的附着力。用金属螺栓的锥形头分开套筒与钻孔，以便给钻孔施加附着力所需的正向力。
项目目标
该项目由研发工程师 Robin Vetsch 负责，作为瑞士东部应用科技大学系统科技学士学位课程的一部分，重点关注预成型冲孔套筒封闭连接地脚螺栓锥颈的密封过程。预成型的金属套筒采用新开发的制造方案，通过两个伺服缸密封在螺栓颈部。两个伺服缸由倍福的 AX5206 伺服驱动器精确控制。
这个学士学位毕业论文项目的目标是借助机器学习方法开发一个全自动质检程序。质检程序将仅使用现有的设备数据源，即无需安装额外的传感器。在开展这个项目之前，操作人员基本都是使用量具手动检查螺栓套筒的密封质量。现在表明，根据质量规范，所有外壳都可以分为三个不同的等级（闭合过松，正好，闭合过紧）。此外，需要使用回归分析法预测包围套筒关键的几何数据（套筒宽度、高度和开口）。对密封过程进行 100% 检验可以在早期阶段检测出异常趋势或偏差。
一个圆柱形测试套筒用作质量基准。用套筒密封的螺栓必须完全适合这个规格，也就是说，套筒不能把螺栓闭合得过紧或过松。根据对密封过程进行的各种 FEM 仿真结果，定义会影响密封结果的参数。然后根据这些信息进行调整，随后进行大量的密封测试，期间用 TwinCAT Scope 软件示波器记录来自两个伺服缸的所有重要实时数据，如功耗、扭矩和伺服电机的滞后误差。
将 ML 集成到设备控制器中
在一个经典的 ML 框架内开发了一个非常强大的机器学习回归模型（这里是 Scikit Learn），并在所记录的测试数据基础上进行训练。机器学习框架内的工作包括准备和选择数据、建模和训练合适的 ML 算法及其评价。在这个开发步骤中会生成一个训练好的机器学习模型，它表示输入和目标数据之间的关系。在 TwinCAT 3 中布署训练好的 ML 模型接口与数据接口一样都是开放式的，并支持行业标准的开放式神经网络交换（ONNX）格式。
项目的下一步是将训练好的 ML 模型实时集成到设备控制器中。Robin Vetsch 介绍说，他们为此使用了 TwinCAT 3 Neural Network Inference Engine（TF3810），有了这个软件，只需几行代码，即可使用非常简单的方式在 TwinCAT 实时环境中实施转换为 ONNX 格式的模型。在进行此类在 TwinCAT 3 中布署 ML 模型时，导出的 ML 模型被转换为二进制格式（.bml），然后存储在目标系统（嵌入式控制器或控制柜式 PC）中。在加载 .bml 文件后，Runtime 模型将自身配置为在工业 PC 的 CPU 上有效地执行机器学习模型的推理计算。这样可以就确保所生成的模块是一个实时推理引擎，能够无缝集成到 TwinCAT 3 中，并支持 TwinCAT 3 中所有常见的编程方法：从 PLC、C/C++ 或直接通过循环任务调用该模块。
项目取得重大成果
由于执行了为检测地脚螺栓而训练好的 ML模型，因此能够以 +/-0.15 毫米的精度（相当于相对误差低于 2%）分析评估密封套筒的高度和宽度，并能够以 10% 的相对误差分析套筒开口。它可以作为一个简化后的近似值，确定所使用的测试套筒是否满足规定密封套筒的高度和宽度。我们为此使用了 MLP（多层感知机）类型的神经网络。模型的输出变量是套筒宽度、高度和开口的估算值。通过在 PLC 中定义的简单极限值，还可以实现除回归分析法之外的简单分类法。
据 Robin Vetsch 介绍，公司通过基于数据的质量检测获得了很多优势。这样，无需额外的传感器或测试工位即可实现 100% 在线质量检测。此外，每个密封过程的现有质量数据可用于进行更详细的分析。ML 解决方案的实时能力为尽早剔除检测到的坏件提供了最佳基础。最后，通过 TwinCAT HMI 的详细趋势显示，操作人员可以在需要时迅速做出响应。
图片注释：
测试统计数据的可视化显示
项目团队（左起）：OST 计算工程研究所（ICE）科学助理 Christian Egger，ICE 讲师 Christoph Würsch 教授博士，以及研发工程师 Robin Vetsch
将套筒宽度作为套筒密封质量标准之一来表示