王 偉，張振族，黃 璞，范 磊，李 海，曹 雪，楊 平

（1. 電子科技大學(xué)機(jī)械與電氣工程學(xué)院，四川成都 611731；2. 電子科技大學(xué)廣西智能制造產(chǎn)業(yè)技術(shù)研究院，廣西柳州 545003；3. 深圳天盈德科技有限公司，廣東深圳 518052）

引 言

中國作為制造大國，制造加工是其經(jīng)濟(jì)發(fā)展的支柱性產(chǎn)業(yè)。在全球數(shù)字化、智能化的技術(shù)發(fā)展趨勢下，中國傳統(tǒng)制造企業(yè)也面臨著升級轉(zhuǎn)型的一個新時期。繼德國政府在《德國2020高技術(shù)戰(zhàn)略》中提出了“工業(yè)4.0”[1]的轉(zhuǎn)型發(fā)展后，我國也提出了“中國制造2025”的發(fā)展綱領(lǐng)，指出要優(yōu)先發(fā)展高端制造裝備重點領(lǐng)域的關(guān)鍵性技術(shù)，在2025年邁入世界制造強(qiáng)國，實現(xiàn)傳統(tǒng)國防制造和民用制造的數(shù)字化、智能化轉(zhuǎn)型[2]。

數(shù)控機(jī)床為“工業(yè)母機(jī)”，其技術(shù)水平的高低標(biāo)志著一個國家制造業(yè)的發(fā)展水平。相對于工業(yè)發(fā)達(dá)國家，國產(chǎn)數(shù)控機(jī)床的研制起步較晚，且面臨著工業(yè)發(fā)達(dá)國家和企業(yè)的技術(shù)封鎖。隨著我國對制造加工領(lǐng)域的要求不斷提高，國產(chǎn)數(shù)控機(jī)床在克服了眾多外來因素后，在精度、速度、多軸聯(lián)動和復(fù)合加工等方面取得了明顯的進(jìn)展[3]。

世界的制造加工正呈現(xiàn)數(shù)字化、智能化的發(fā)展趨勢，作為關(guān)鍵核心的加工設(shè)備，數(shù)控機(jī)床也向著“智能化”、“無人化”和“數(shù)字化”升級轉(zhuǎn)型。本文對近年來團(tuán)隊在數(shù)控機(jī)床數(shù)字化方面的研究進(jìn)展進(jìn)行了綜合論述，主要包括數(shù)控機(jī)床的數(shù)據(jù)采集、數(shù)據(jù)傳輸、狀態(tài)預(yù)測與故障預(yù)警系統(tǒng)以及車間級設(shè)備三維仿真監(jiān)控等，指出了研究工作存在的問題與不足，并對未來的數(shù)控機(jī)床智能化發(fā)展與研究進(jìn)行了展望。

1 數(shù)據(jù)采集技術(shù)

目前，國內(nèi)的研究都集中在外接硬件、宏程序、OEM接口開發(fā)等采集方法方面，而對國產(chǎn)數(shù)控機(jī)床的采集方法研究較少。本文結(jié)合目前國內(nèi)企業(yè)的現(xiàn)場硬件條件和項目的實際需求，基于OPC協(xié)議[4-5]和第三方接口分別開發(fā)了西門子數(shù)控系統(tǒng)和華中-8數(shù)控系統(tǒng)的數(shù)據(jù)采集軟件。

1.1 西門子數(shù)控系統(tǒng)

西門子840D系列數(shù)控系統(tǒng)是當(dāng)前我國數(shù)控機(jī)床的主要系統(tǒng)，它提供了豐富的開放式接口，可滿足用戶的第三方自主開發(fā)，也支持OPC/COM組件技術(shù)訪問NCK中的數(shù)據(jù)服務(wù)器，因此本文基于OPC協(xié)議開發(fā)采集軟件。

OPC采集客戶端的實現(xiàn)過程包括對OPC Server的掃描、添加、連接等，對OPC Items的添加、更新，采樣頻率的設(shè)置和數(shù)據(jù)的存儲等功能。該采集客戶端后臺程序的實現(xiàn)和運行過程如圖1所示。

圖1 西門子840D OPC采集軟件的運行流程

以上運行流程的實現(xiàn)在于編寫DChange方法，當(dāng)OPC Server中緩存區(qū)的數(shù)據(jù)值發(fā)生變化時，通過反射的形式周期性地觸發(fā)委托事件，返回變化的變量句柄和數(shù)值。通過對更新后的參數(shù)數(shù)組的隊列處理和利用WCF服務(wù)通信傳輸，可實現(xiàn)其在主界面的顯示、PC端的存儲以及與故障預(yù)警客戶端的通訊。

1.2 華中-8數(shù)控系統(tǒng)

華中-8 數(shù)控系統(tǒng)提供了操作系統(tǒng)數(shù)控（Numerical Control, NC）變量對應(yīng)寄存器的開發(fā)標(biāo)準(zhǔn)，用戶只需調(diào)用操作數(shù)據(jù)的第三方接口和方法，便可實現(xiàn)NC變量中的參數(shù)讀取和寫入。其數(shù)據(jù)采集軟件主要包括機(jī)床IP配置、實時坐標(biāo)值采集、參數(shù)顯示、報警信息讀取等功能，基本的運行流程如圖2所示。

圖2 華中-8數(shù)控采集軟件實現(xiàn)過程

通過初始化網(wǎng)絡(luò)配置實現(xiàn)與機(jī)床數(shù)控系統(tǒng)的連接，然后調(diào)用參數(shù)接口實現(xiàn)數(shù)據(jù)的采集，再通過添加Timer（定時器）插件以及設(shè)置定時器Timer1_Tick改變界面整體的更新頻率，從而實現(xiàn)不同參數(shù)的采集。在這種采集模式下，集成接口的輸入?yún)?shù)更加簡便，采集模式也更加穩(wěn)定，通過設(shè)置接口參數(shù)的更新頻率，實現(xiàn)采集參數(shù)的不斷更新。

2 數(shù)據(jù)傳輸及存儲技術(shù)

數(shù)據(jù)傳輸技術(shù)是保障采集數(shù)據(jù)的實時性和有效性的有效手段，更是保證數(shù)據(jù)采集過程的穩(wěn)定以及數(shù)據(jù)采集與傳輸安全的關(guān)鍵模塊。數(shù)據(jù)采集、傳輸及分析過程還涉及到海量過程數(shù)據(jù)，因此如何保障海量數(shù)據(jù)的存儲也成了目前研究的熱點。

2.1 數(shù)據(jù)傳輸

2.1.1 基于WCF的數(shù)據(jù)傳輸

在對數(shù)控機(jī)床的狀態(tài)預(yù)測及故障預(yù)警的研究過程中，針對中小規(guī)模的應(yīng)用場景提出了基于安全局域網(wǎng)下WCF技術(shù)[6-8]與Web服務(wù)技術(shù)的局域網(wǎng)通信。它能夠保證機(jī)床參數(shù)采集過程的穩(wěn)定、實時以及安全傳輸。通過連接數(shù)據(jù)采集層、數(shù)據(jù)處理層以及遠(yuǎn)程控制端，最終實現(xiàn)數(shù)據(jù)的實時傳輸與共享，其具體流程如圖3所示。系統(tǒng)運行時各部分協(xié)同工作，需要保持?jǐn)?shù)據(jù)的交換和同步。系統(tǒng)涉及的主要通信過程如圖4所示。

該通信系統(tǒng)保證了系統(tǒng)采集參數(shù)種類的同步，實現(xiàn)了采集數(shù)據(jù)在系統(tǒng)各部分之間的傳遞，而這一過程各部分的協(xié)同是通過WCF通信服務(wù)實現(xiàn)的。WCF實現(xiàn)的核心是創(chuàng)建統(tǒng)一的服務(wù)契約接口，通過聲明操作契約，依靠Access類去實例化接口中操作契約的具體功能，最終通過添加機(jī)床旁PC機(jī)的IP地址信息引用Windows Service程序提供的WCF服務(wù)。Windows Service程序以Windows服務(wù)的形式安裝于機(jī)床旁的PC電腦并設(shè)置自啟動，因此預(yù)警客戶端、采集客戶端和網(wǎng)頁前端的數(shù)據(jù)都會保持統(tǒng)一性和實時性。基于WCF的數(shù)據(jù)傳輸具有快速、安全、開發(fā)簡便的優(yōu)點，適用于工廠監(jiān)控。

圖3 WCF數(shù)據(jù)傳輸架構(gòu)

圖4 主要通信過程

2.1.2 基于Kafka消息中間件的數(shù)據(jù)傳輸

為適應(yīng)大規(guī)模應(yīng)用場景的數(shù)據(jù)傳輸，提出了基于Kafka消息中間件的數(shù)據(jù)傳輸方案。在大規(guī)模應(yīng)用場景下，首要任務(wù)是保證軟硬件的高可用性，即系統(tǒng)具有較強(qiáng)的容錯性，在故障發(fā)生時具有一定的緩沖能力；其次是系統(tǒng)要具有良好的可拓展性，保證業(yè)務(wù)邏輯或業(yè)務(wù)容量增加時，可以在不影響系統(tǒng)正常運作的情況下，動態(tài)拓展系統(tǒng)的功能或性能。根據(jù)以上要求，最終實現(xiàn)數(shù)據(jù)傳輸架構(gòu)，如圖5所示。

基于Kafka消息中間件的數(shù)據(jù)傳輸平臺的實現(xiàn)，主要體現(xiàn)在以下2個方面：

圖5 Kafka數(shù)據(jù)傳輸架構(gòu)

1）物理連接。整體網(wǎng)絡(luò)架構(gòu)以以太網(wǎng)為基礎(chǔ)，通過工業(yè)轉(zhuǎn)換器可以實現(xiàn)新老設(shè)備的數(shù)據(jù)傳輸，采用六類屏蔽線，用以提供上限為千兆的傳輸速率，保證海量數(shù)據(jù)的傳輸速度以及惡劣環(huán)境下傳輸信號的穩(wěn)定。采用工業(yè)交換機(jī)的連接方式，更加便于管理，并且將用戶與機(jī)床物理隔離，保證加工設(shè)備不被非法訪問，從而保證加工安全。

2）軟件配置。服務(wù)層作為數(shù)據(jù)傳輸架構(gòu)的核心，主要包括Web服務(wù)器、Kafka消息中間件集群以及運算集群3個部分。整個系統(tǒng)的關(guān)鍵在于Kafka消息中間件集群，它實現(xiàn)了消息發(fā)送方與接收方（即客戶端與服務(wù)端）的解耦，且能夠保證信息傳遞的可靠性、實時性與時序性，為處理實時數(shù)據(jù)提供一個統(tǒng)一、高吞吐、低延遲并具有消息持久化功能的平臺。

Kafka的基本運作原理為接收來自所有機(jī)床的數(shù)據(jù)，并將其作為消息存儲在本地，Web服務(wù)器與運算機(jī)器可通過Kafka實時或延時獲取機(jī)床數(shù)據(jù)。Kafka可以保證消息不重不漏，嚴(yán)格遵守時序。Kafka運行在一個由一臺或多臺服務(wù)器組成的集群上，并且存儲分區(qū)可以跨集群結(jié)點分布，保證不存在單點故障，可提高系統(tǒng)的可用性。

運算集群通過連接多臺計算機(jī)提供統(tǒng)一的計算平臺，可根據(jù)算法復(fù)雜度確定計算機(jī)硬件配置與集群規(guī)模，具備一定的拓展性，可在動態(tài)拓展集群規(guī)模的同時不影響現(xiàn)有的運行效果。

2.2 數(shù)據(jù)存儲

數(shù)控機(jī)床的數(shù)據(jù)采集、數(shù)據(jù)分析以及預(yù)警結(jié)果涉及到海量的過程數(shù)據(jù)，如何解決海量數(shù)據(jù)的儲存問題是目前數(shù)據(jù)存儲技術(shù)發(fā)展的關(guān)鍵問題?；贠racle數(shù)據(jù)庫的設(shè)計開發(fā)，可以實現(xiàn)故障預(yù)警系統(tǒng)中數(shù)據(jù)采集與分析結(jié)果和狀態(tài)預(yù)測結(jié)果的存儲以及控制層后臺邏輯的控制交互。系統(tǒng)數(shù)據(jù)庫的設(shè)計實際上是對數(shù)據(jù)表的設(shè)計，是對系統(tǒng)間數(shù)據(jù)關(guān)系的一種抽象。

考慮系統(tǒng)中機(jī)床相關(guān)數(shù)據(jù)的關(guān)系，將其分為2大類：機(jī)床信息和其他信息。二者屬于父子實體表，其他信息表通過機(jī)床信息表中的機(jī)床標(biāo)號（Machine code）與各機(jī)床同步匹配。機(jī)床信息和其他信息的基本關(guān)系如圖6所示。

系統(tǒng)與數(shù)據(jù)庫的交互均通過ADO.Net訪問技術(shù)實現(xiàn)。通過ADO.Net技術(shù)提供的Connection，Command，Data Reader，Data Adapter和Data Table五個對象類，實現(xiàn)對象與數(shù)據(jù)庫的連接、數(shù)據(jù)元素的SQL語句命令操作、數(shù)據(jù)流返回、數(shù)據(jù)表的緩存及與數(shù)據(jù)庫的同步。

圖6 系統(tǒng)數(shù)據(jù)庫設(shè)計圖

3 基于數(shù)據(jù)分析的機(jī)床狀態(tài)預(yù)測與故障預(yù)警

數(shù)控機(jī)床完成智能化升級轉(zhuǎn)型的關(guān)鍵是實現(xiàn)對采集數(shù)據(jù)的分析，實現(xiàn)對機(jī)床運行狀態(tài)的實時監(jiān)測，進(jìn)而根據(jù)數(shù)據(jù)分析的結(jié)果實現(xiàn)對數(shù)控機(jī)床的狀態(tài)預(yù)測，并在此基礎(chǔ)之上完成數(shù)控機(jī)床故障預(yù)警系統(tǒng)的開發(fā)，以此來有效解決機(jī)床運行不穩(wěn)定、故障排除困難等問題，延長機(jī)床穩(wěn)定運行的周期。

3.1 數(shù)控機(jī)床故障預(yù)警方法

數(shù)控機(jī)床的工作環(huán)境復(fù)雜，產(chǎn)生故障的幾率也較高。采用有效的故障預(yù)警方法，能夠快速診斷出機(jī)床故障的隱患，減少機(jī)床故障的概率與時間。其關(guān)鍵在于在實現(xiàn)狀態(tài)預(yù)測的基礎(chǔ)上，通過預(yù)測結(jié)果對數(shù)控機(jī)床進(jìn)行故障診斷，進(jìn)一步開展故障預(yù)警工作，指導(dǎo)維修人員的相關(guān)工作。

3.1.1 狀態(tài)預(yù)測方法

隨著數(shù)控機(jī)床結(jié)構(gòu)復(fù)雜化以及運行狀態(tài)數(shù)據(jù)呈現(xiàn)多樣性、時序性的特點，為了有效解決數(shù)控機(jī)床未來狀態(tài)難以準(zhǔn)確獲取的難題，提出了基于時間長短記憶方法和基于多維時間序列的多重匹配技術(shù)的數(shù)控機(jī)床狀態(tài)預(yù)測方法。

（1）基于多維時間序列的多重匹配技術(shù)

通過建立時間窗口滑動模型，利用時間窗口長度和滑動時長獲取數(shù)控機(jī)床歷史狀態(tài)集合。其具體建模過程如圖7所示。

圖7 滑動時間窗口模型

基于窗口滑動模型進(jìn)一步提出多重匹配[9]技術(shù)，利用耦合相似度標(biāo)準(zhǔn)尋找與當(dāng)前狀態(tài)矩陣相似度最大的歷史狀態(tài)集合，并根據(jù)相似性閾值得到最優(yōu)滑動時長和預(yù)測時長。其關(guān)鍵在于在歷史狀態(tài)集合X中尋找與當(dāng)前狀態(tài)矩陣Xn相關(guān)性最大（即相似度最高）的某一歷史狀態(tài)Xk，且狀態(tài)Xk的跟隨狀態(tài)具有與Xn+1相同的變化趨勢和規(guī)律，被視為Xn+1的預(yù)測值，如圖8所示。矩陣Xk和以及矩陣Xn和Xn+1分別構(gòu)成圖8中時間跨度為N的一個完整機(jī)床狀態(tài)。多重匹配即在尋找歷史狀態(tài)Xn的過程中，利用相似性分析和聚類分析完成初始尋找和精確匹配。

圖8 多重匹配預(yù)測模型

（2）時間長短記憶方法

長短期記憶（Long-Short Term Memory, LSTM）人工神經(jīng)網(wǎng)絡(luò)是一種時間遞歸神經(jīng)網(wǎng)絡(luò)，其優(yōu)勢在于能夠較好地處理和預(yù)測時間序列中間隔和延遲非常長的重要事件[10-12]。

由于設(shè)備及工作環(huán)境的復(fù)雜性，數(shù)控機(jī)床產(chǎn)生的振動信號是線性與非線性的。時間長短記憶方法用于捕捉機(jī)床中的非線性動態(tài)信號，并克服通過存儲塊反向傳播誤差衰減的問題。該方法具備優(yōu)異的對間隔時間長的時間序列的預(yù)測性能，能自動確定最佳的滯后時間，實現(xiàn)精度和穩(wěn)定性方面的最佳預(yù)測。

3.1.2 故障診斷方法

故障診斷技術(shù)是一種利用設(shè)備當(dāng)前狀態(tài)信息和歷史狀況，通過一定分析方法對設(shè)備狀態(tài)進(jìn)行評價的狀態(tài)識別技術(shù)。目前，在故障診斷方面，基于人工神經(jīng)網(wǎng)絡(luò)、模糊理論、粗糙集理論、故障樹、案例推理的方法都得到了很好的運用。本文著重介紹加權(quán)模糊Petri網(wǎng)和卷積神經(jīng)網(wǎng)絡(luò)在故障診斷方面的應(yīng)用。

（1）加權(quán)模糊Petri網(wǎng)

Petri網(wǎng)[13]和模糊Petri網(wǎng)（Fuzzy Petri Net, FPN）在故障診斷中引起了很大的關(guān)注[14-15]。Petri網(wǎng)可以有效分析并行觸發(fā)系統(tǒng)，其意義在于知識通過產(chǎn)生式規(guī)則表達(dá)后，需要轉(zhuǎn)化為相應(yīng)的故障推理模型，從而便于系統(tǒng)的集成和知識庫的更新。FPN可以很好地處理信息不確定性和數(shù)據(jù)不完整的問題[16-17]，但當(dāng)網(wǎng)絡(luò)拓?fù)浒l(fā)生變化時，無法調(diào)整權(quán)重和置信度，無法應(yīng)對潛在的故障規(guī)律變化。

文中提出了一種加權(quán)模糊Petri 網(wǎng)（Weighted Fuzzy Petri Net, WFPN），應(yīng)用于機(jī)床的故障診斷。定義WFPN中各元組與機(jī)床故障產(chǎn)生規(guī)則的對應(yīng)關(guān)系，是構(gòu)建WFPN的核心，然后通過算法將規(guī)則轉(zhuǎn)化為WFPN的形式。

模糊故障規(guī)則被轉(zhuǎn)化為WFPN模型后，為了實現(xiàn)預(yù)警和故障原因識別，提出了一種WFPN的故障推理算法，將以WFPN為基礎(chǔ)開發(fā)的故障診斷模型應(yīng)用于主軸與進(jìn)給軸的故障原因分析，并進(jìn)行試驗驗證，如圖9所示。

圖9 數(shù)控機(jī)床加權(quán)模糊Petri網(wǎng)

結(jié)果表明，WFPN的故障推理模型能夠?qū)崿F(xiàn)故障原因識別以及出現(xiàn)故障的概率分析。為優(yōu)化WFPN的結(jié)構(gòu)參數(shù)，首次提出了基于仿生學(xué)的魚群優(yōu)化算法[18]，利用生物仿型活動，尋找目標(biāo)函數(shù)的局部最優(yōu)值，實現(xiàn)了WFPN參數(shù)自學(xué)習(xí)、不斷優(yōu)化更新的功能。

（2）卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN）是一種前饋神經(jīng)網(wǎng)絡(luò)[19-22]，主要用于大型圖像的處理。該網(wǎng)絡(luò)因避免了對圖像的復(fù)雜前期預(yù)處理，可以直接輸入原始圖像，因而得到了廣泛的應(yīng)用。

數(shù)控機(jī)床復(fù)雜的工作環(huán)境，使其容易出現(xiàn)機(jī)電系統(tǒng)故障?；谛盘柕奶卣魈崛」收显\斷方法較復(fù)雜，且設(shè)計成本高，難以實現(xiàn)診斷的實時性。針對這些問題，提出了一種基于機(jī)床原始信號的CNN故障診斷方法，可用于滾動軸承故障原因診斷。

基于機(jī)床的原始信號（振動信號等），利用CNN進(jìn)行信號特征的提取與學(xué)習(xí)，避免了手動特征提取或選擇的過程，實現(xiàn)了故障特征自動學(xué)習(xí)，并根據(jù)不同的信號特征，通過改進(jìn)遺傳算法自動確定模型中的主要參數(shù)，提高了故障診斷的準(zhǔn)確性，減少了對人工經(jīng)驗和先驗知識的依賴。

3.2 故障預(yù)警系統(tǒng)開發(fā)

開發(fā)狀態(tài)預(yù)測及故障預(yù)警系統(tǒng)主要是為了實現(xiàn)對企業(yè)的智能化改造，利用海量的過程數(shù)據(jù)監(jiān)控、預(yù)測機(jī)床的狀態(tài)，并產(chǎn)生預(yù)警信息供維修人員參考。在考慮企業(yè)加工性質(zhì)的特殊性、現(xiàn)場的硬件條件和現(xiàn)有通信結(jié)構(gòu)后提出的數(shù)控機(jī)床故障預(yù)警系統(tǒng)主要包括實時數(shù)據(jù)采集、數(shù)據(jù)網(wǎng)絡(luò)傳輸、機(jī)床狀態(tài)預(yù)測處理、實時存儲、預(yù)警結(jié)果顯示等模塊。下面主要論述故障預(yù)警客戶端和網(wǎng)頁客戶端的設(shè)計開發(fā)。

3.2.1 故障預(yù)警客戶端設(shè)計開發(fā)

為了便于預(yù)警系統(tǒng)的實現(xiàn)，需要將過程數(shù)據(jù)的狀態(tài)預(yù)測方法和故障推理模型整合到故障預(yù)警客戶端。該客戶端主要包括機(jī)床故障實時預(yù)警、WFPN模型優(yōu)化、故障規(guī)則收集、結(jié)果存儲、通信鏈接等功能，歸納為數(shù)據(jù)處理、參數(shù)設(shè)置和規(guī)則回收3個模塊，其基本結(jié)構(gòu)如圖10所示。

圖10 故障預(yù)警客戶端軟件開發(fā)框圖

該客戶端能夠?qū)崿F(xiàn)關(guān)鍵參數(shù)設(shè)置，并通過不同算法優(yōu)化參數(shù)及更新Petri網(wǎng)模型，實現(xiàn)對實時數(shù)據(jù)的相似性分析、DBSCAN聚類分析、AR自回歸分析和Petri網(wǎng)推理分析，實現(xiàn)軟件與采集客戶端、網(wǎng)頁端的實時通信，顯示參數(shù)預(yù)測結(jié)果和故障概率最大值的變化曲線，顯示機(jī)床預(yù)警結(jié)果和維修意見等，并能實現(xiàn)數(shù)據(jù)結(jié)果的存儲。其客戶端界面如圖11所示。其關(guān)鍵在于實現(xiàn)了C#數(shù)據(jù)輸入與MATLAB函數(shù)之間的數(shù)據(jù)格式的相互轉(zhuǎn)化，能夠通過多線程編程技術(shù)和隊列數(shù)據(jù)結(jié)構(gòu)，實現(xiàn)對已滿足預(yù)測時長的隊列數(shù)據(jù)的處理，保證數(shù)據(jù)的實時性。

圖11 故障預(yù)警客戶端主界面

3.2.2 網(wǎng)頁客戶端設(shè)計開發(fā)

故障預(yù)警的網(wǎng)頁客戶端是在原有監(jiān)控系統(tǒng)的基礎(chǔ)上擴(kuò)充故障預(yù)警信息和故障規(guī)則回收顯示模塊。為了便于項目各部分的集成，采用統(tǒng)一開發(fā)語言，選擇經(jīng)典的三層框架模型MVC.Net來實現(xiàn)開發(fā)過程。系統(tǒng)各模塊的運行關(guān)系如圖12所示。

圖12 MVC框架及運行流程

以MVC的三層框架結(jié)構(gòu)實現(xiàn)底層數(shù)據(jù)庫的交互、網(wǎng)頁頁面的呈現(xiàn)、外觀控制以及網(wǎng)頁數(shù)據(jù)的格式化輸出等功能。其中控制模塊是整個框架的核心，能夠處理邏輯請求，完成模塊間的交互，并實現(xiàn)返回數(shù)據(jù)的顯示。機(jī)床故障規(guī)則回收界面是網(wǎng)頁客戶端的另一功能項，能夠?qū)崿F(xiàn)故障規(guī)則回收配置等功能。最終的客戶端顯示界面如圖13所示。

圖13 單臺機(jī)床故障預(yù)警結(jié)果顯示界面

4 數(shù)字化生產(chǎn)車間的實時監(jiān)控系統(tǒng)

數(shù)字化生產(chǎn)車間為制造加工企業(yè)最基本的制造加工生產(chǎn)單元，其數(shù)字化、智能化的轉(zhuǎn)型升級意味著整體制造加工工廠的全面升級與突破，而實現(xiàn)對該制造過程的遠(yuǎn)程及多維度可視化監(jiān)控，是保障整個加工制造環(huán)節(jié)最有效的措施。

開發(fā)車間級三維可視化實時監(jiān)控系統(tǒng)的主要目的是為了實現(xiàn)對工廠生產(chǎn)過程以及設(shè)備運行狀態(tài)的三維監(jiān)控。其主要功能包括：1）讀取與載入設(shè)備模型；2）通過分析設(shè)備各個部件的運動約束關(guān)系，創(chuàng)建設(shè)備運動鏈；3）處理車間設(shè)備運行數(shù)據(jù)并驅(qū)動虛擬機(jī)床進(jìn)行運動仿真；4）利用剔除算法以及圖形處理器（Graphic Processing Unit, GPU）技術(shù)提高場景在實時數(shù)據(jù)驅(qū)動下的繪制速度；5）保證場景的運行流暢度；6）結(jié)合虛擬漫游技術(shù)，實現(xiàn)仿真系統(tǒng)的交互操作。

仿真系統(tǒng)實現(xiàn)車間設(shè)備運行狀態(tài)的模擬，數(shù)據(jù)采集系統(tǒng)完成車間設(shè)備運行信息的采集、存儲與分析，它所采集的設(shè)備信息一部分用于驅(qū)動虛擬設(shè)備運動，另一部分經(jīng)處理后在仿真系統(tǒng)界面進(jìn)行展示。將仿真系統(tǒng)和數(shù)據(jù)采集系統(tǒng)集成到車間的三維遠(yuǎn)程監(jiān)控系統(tǒng)中。遠(yuǎn)程監(jiān)控系統(tǒng)的運行界面如圖14所示。

圖14 生產(chǎn)線可視化遠(yuǎn)程監(jiān)控系統(tǒng)

上述車間級三維可視化實時監(jiān)控平臺的成功開發(fā)基于2個技術(shù)要點：一是采用了剔除算法，通過剔除視角內(nèi)不可見物體來降低仿真過程的數(shù)據(jù)計算量；二是采用了GPU并行運算技術(shù)，中央處理器（Central Processing Unit, CPU）用來解包分配驅(qū)動數(shù)據(jù)，GPU負(fù)責(zé)場景的運算與繪制，通過合理地分配數(shù)據(jù)來提高程序的運行速度。

5 結(jié)束語

近年來團(tuán)隊在數(shù)控機(jī)床領(lǐng)域的研究重點轉(zhuǎn)向了國產(chǎn)數(shù)控機(jī)床的智能化轉(zhuǎn)型，并取得了一定的技術(shù)突破和科研成果。在數(shù)據(jù)采集技術(shù)方面，實現(xiàn)了目前國內(nèi)主要數(shù)控機(jī)床機(jī)型的數(shù)據(jù)采集方法的設(shè)計與開發(fā)（不再布置外傳感器），實現(xiàn)了不同頻率多種參數(shù)的采集以及單機(jī)版、遠(yuǎn)程版采集端的設(shè)計開發(fā)；在數(shù)據(jù)傳輸方面，實現(xiàn)了傳輸方法的快速開發(fā)，在現(xiàn)有功能基礎(chǔ)上，實現(xiàn)了大小規(guī)模應(yīng)用場景的數(shù)據(jù)傳輸以及系統(tǒng)的功能或性能動態(tài)拓展；在數(shù)據(jù)存儲技術(shù)上，實現(xiàn)了海量數(shù)據(jù)的快速存儲以及系統(tǒng)間數(shù)據(jù)交互的同步；在狀態(tài)預(yù)測與故障預(yù)警方面，實現(xiàn)了機(jī)床過程數(shù)據(jù)的利用，克服現(xiàn)有算法與模型的不足，通過算法與方法改進(jìn)，實現(xiàn)了時間序列數(shù)據(jù)的精確匹配和機(jī)床狀態(tài)預(yù)測；通過集成數(shù)據(jù)采集、數(shù)據(jù)傳輸與存儲以及狀態(tài)預(yù)測與故障診斷方面的科研成果，最終設(shè)計開發(fā)了數(shù)字化生產(chǎn)車間的三維實時監(jiān)控系統(tǒng)。團(tuán)隊的科研成果與技術(shù)突破，有效加快了機(jī)床智能化發(fā)展的進(jìn)度，促進(jìn)了機(jī)床由數(shù)字化向智能化的轉(zhuǎn)型。

但要真正實現(xiàn)機(jī)床由數(shù)字化到智能化的轉(zhuǎn)型，必須在現(xiàn)有數(shù)控機(jī)床基礎(chǔ)上，加強(qiáng)我國人工智能技術(shù)領(lǐng)域的科研投入，注重智能化等前沿科學(xué)技術(shù)領(lǐng)域的人才教育與培養(yǎng)。在機(jī)床未來發(fā)展過程中還需要注重以下技術(shù)的發(fā)展：1）機(jī)床加工的自適應(yīng)控制技術(shù)。注重機(jī)床加工過程監(jiān)測技術(shù)的發(fā)展，實現(xiàn)機(jī)床加工過程運行參數(shù)與狀態(tài)的自主分析與控制，保持機(jī)床的最佳運行狀態(tài)，保證機(jī)床加工效率和加工質(zhì)量。2）機(jī)床狀態(tài)預(yù)測與故障診斷模型的參數(shù)智能優(yōu)化與選擇技術(shù)。目前，機(jī)床的狀態(tài)預(yù)測與故障診斷領(lǐng)域的研究主要集中在算法和參數(shù)優(yōu)化方面。實現(xiàn)模型和算法參數(shù)智能優(yōu)化和選擇，將有效提高狀態(tài)預(yù)測與故障診斷的準(zhǔn)確性。3）機(jī)床故障智能診斷與自修復(fù)技術(shù)。故障智能診斷與自修復(fù)技術(shù)是建立在機(jī)床智能化基礎(chǔ)上的發(fā)展技術(shù)。在故障隱患的智能結(jié)果基礎(chǔ)上實現(xiàn)機(jī)床故障隱患的自處理，對機(jī)床智能化轉(zhuǎn)型有著重要的推進(jìn)作用。