制造领域的人工智能和机器学习：电阻焊接和激光焊接监测

人工智能（AI）和机器学习（ML）算法被广泛应用于现代数字社会。AI/ML在工业环境中也得到了应用但不那么明显，制造领域的机器学习用于确定生产线上的物料流，在正确的时间将零件分配到正确的位置以提高产量，以及预测制造哪种产品以实现企业的利润最大化。

一个关键的发展领域是焊接过程监控：使用AI/ML直接观察电阻焊或激光焊制造过程，以确定是否成功。这涉及到记录和分析一系列物理信号，不仅需要高分辨率传感器来收集这些信号（焊接持续时间可能只有几毫秒），还需要一个基础设施来导出和分析大量数据。

本文探讨机器学习在制造业中的三个主要发展领域以及一个附带领域，这些领域正在为电阻焊接和激光焊接工艺的人工智能发展铺平道路。这些发展将有助于更深入了解工艺过程中发生的情况，从而提高质量和产量。

图1：制造业（特别是焊接过程）的人工智能和机器学习之路需要高分辨率数据采集、高速数据处理以及分析和使用数据的人工智能/机器学习算法。在网络上安装过程监控器时，数据安全这一附带分支是理所当然的额外步骤

数据采集：收集高分辨率数据

首先是整个过程中最重要的部分是数据采集，包括收集、数字化和存储。对于较小的工件来说，电阻焊接和激光焊接过程可能只需要几毫秒，但即使在这么短的时间内也会出现一些动态变化，从而产生有关焊接成功与否的宝贵信息。因此，数据采集的分辨率必须足够高，以收集微秒级的特征。对于人工智能/人工智能算法来说，数据集越丰富（分辨率越高），算法就能越准确地分出好坏。

图2：高分辨率数据是准确重建和解释物理信号的关键。在这幅图中:可以看到低采样率和高采样率的代表，以及它们对捕捉特征的影响

图2展示了传感器收集的焊缝物理信号随时间变化的情况。当数据采集的采样率较低时（中上图），输出（右上图）是一个阶梯信号，会忽略曲线中心出现的异常点特征，这可能导致较差的焊缝被认为是好焊缝，反之亦然。然而，如果采样率较高（中间偏下），输出（右下方）中的真实信号会得到更好的重构。信号的分辨率越高，对焊接过程中发生的实际物理信号的重构就越好。

为什么这一点如此重要？在对质量进行任何预测时，数据越多，结果越准确。如果曲线中间的小点是成功焊接的主要指标，那么显然需要更高分辨率的信号来确认它的存在。上例中的曲线相当简单，经验丰富的工艺工程师很容易就能找出好/坏焊缝。

但在现实中，曲线要复杂得多而且测量曲线的某些部分与焊接成功之间的相关性并不明显。这时，可以使用AL/ML算法以多种方式对数据进行解析，从而找到新的相关性。更高分辨率的数据将使AI/ML算法产生更好的结果。

联网将数据收集从本地扩展到全球

然而，当需要将高分辨率数据从传感器传输到本地存储或远程网络存储时，采集高分辨率数据确实是一项挑战。根据分辨率和通道数量的不同，这可能会转化为每秒数百万比特的传输速度。这显然需要通过互联网进行高速数据传输，以及能够在整个生产过程中持续接收如此大量信息的快速写入硬盘。

过去，每个单独的工作单元都配有专用的过程监控器。数据存储在本地并进行汇总，以便收集和比较基本数值，例如最大或最小信号。通过U盘或RS-232输出数据是一项耗时的任务。这些设备的速度相对较慢，因此不容易传输大量数据，需要对文件进行大量手动操作。这就造成了依赖于机器和操作员的信息孤岛。

创建通过以太网连接的过程监控器大大简化了信息传输，现在只要有外部互联网连接，就可以在全球范围内收集信息。这意味着流程工程师可以收集和分析世界各地多个工厂的数据，将其与AI/ML算法相结合，这些算法可以从不同地点的类似设置中获取数据。这样可以更快地丰富焊接资料库并扩展数据，从而对焊接工艺做出更精细的判断。

网络化焊接监测

在AI和ML算法中使用收集和存储的数据

现在来看看如何使用这些收集和存储的数据。归根结底，数据应该能说明问题，或者换句话说，提供可解读的信息，并帮助用户做出进一步决策。它可以帮助流程工程师或机器操作员理解并回答以下问题：

工艺是否高效、受控并生产出优质产品？

设备性能是否正常？是否需要维护？

设备是否得到充分利用？生产率是多少？

是否存在导致工艺结果缺陷的情况？

是否存在异常情况、不寻常事件或与之不符的数据？

这些问题的答案可以帮助制造商做出业务决策，以提高产品质量或产量。从历史上看，这种决策是由工艺工程师和操作员根据他们对焊接工艺的经验做出的。最初，这可能是通过视觉或听觉来完成的，但最近则借助了基本的过程监控器。

将AI/ML学习算法应用到高级网络监控器采集的焊接过程数据中，可通过寻找不易从总数和波形中看到的新特征来扩展过程工程师和操作员的能力，并建立不易看到的相关性。AI/ML 算法可同时从多个传感器测量值中确定任意数量的特征。

特征是指从收集到的数据中测量或计算出的数量（标量或矢量）。有用特征是指因工艺或机器设置的变化而发生变化的量。例如，图2所示波形上的凹凸可能是一种特征，当出现这种特征时，表明焊接不符合拉力强度要求。

AI/ML算法以监督学习或无监督学习为基础。监督学习需要进行一系列测试，每次测量都要输入数据。由于这需要在开始之前建立一个数据集，因此这一过程相当耗时，而且可能很昂贵。而无监督学习则是在没有数据集的情况下从零开始。随着数据集的填充，它可以发现异常值或异常现象并标记出来，以便进一步审查。

对于焊接过程，无监督学习是最佳选择。工艺工程师或操作员可以立即开始焊接零件。随着程序的发展，它可以识别出超出正常范围的焊接，工艺工程师或操作员可以检查并将结果反馈给算法。

这是一种成本效益高得多的学习程序，而且仍然可以生产产品。随着更多有关好焊缝和坏焊缝的数据和信息被添加到数据库中，选择标准将不断改进。这不仅仅是工艺限制，因为实际限制可以根据不同的输入测量进行调整。

在焊接过程中使用机器学习进行人工智能制造的道路包括高分辨率数据采集、通过联网产品进行高速数据传输和存储以及AI/ML算法。与此同时，网络安全也是在工厂实现强大功能的关键。实现了这些，AI/ML程序就能与实时过程监控相结合，进一步加深对焊接过程的理解，提高制造质量和产量。