復(fù)合細胞型膜系統(tǒng)結(jié)構(gòu)示意圖

不同退化狀態(tài)下電磁導(dǎo)線外觀圖像示意

集成學(xué)習(xí)與單一模型的匹配準確率比較

中國科學(xué)院沈陽自動化研究所聯(lián)合東北大學(xué)等單位在智能工廠生產(chǎn)設(shè)備故障預(yù)測與健康管理領(lǐng)域取得進展，相關(guān)成果獲國際期刊IEEE ACCESS刊載。

智能制造作為中國制造2025的重點建設(shè)內(nèi)容，已成為工業(yè)界熱點。如何提高生產(chǎn)設(shè)備的可靠性及生產(chǎn)過程的安全性是智能制造系統(tǒng)著力解決的關(guān)鍵問題。在現(xiàn)今的制造系統(tǒng)中，存在著許多無法被決策者掌握的不確定因素，通常表現(xiàn)為設(shè)備的性能下降、健康衰退、零部件磨損、運行風(fēng)險升高等。這些因素由于其很難通過測量被定量化呈現(xiàn)，往往是工業(yè)生產(chǎn)中不可控的風(fēng)險，會對企業(yè)生產(chǎn)過程造成不利影響，如機器意外停機和產(chǎn)品質(zhì)量下降等。 因此，智能制造系統(tǒng)的關(guān)注點是這些不可見因素的避免和透明化呈現(xiàn)。

在題為“Microscopic Machine Vision Based Degradation Monitoring of Low-Voltage Electromagnetic Coil Insulation Using Ensemble Learning in a Membrane Computing Framework”的論文中，沈陽自動化所聯(lián)合東北大學(xué)等單位在國際上首次提出了一種新穎的基于顯微機器視覺技術(shù)的電磁線圈絕緣退化監(jiān)測方法，通過分析退化過程中電磁導(dǎo)線外觀圖像變化即可實現(xiàn)線圈絕緣狀態(tài)評估。該方法引入基于膜計算框架的集成學(xué)習(xí)方法，膜計算框架由8層、29個膜、72個對象以及35個規(guī)則構(gòu)成，同時融合了多種機器學(xué)習(xí)算法（包括經(jīng)典模式識別和深度學(xué)習(xí)算法）的優(yōu)勢進行線圈絕緣健康評估。加速退化試驗結(jié)果表明，該方法單一狀態(tài)匹配成功率61.4%，區(qū)間狀態(tài)匹配成功率77.4%。該方法為未來實現(xiàn)生產(chǎn)設(shè)備核心組件的非入侵式健康監(jiān)測提供了新的研究思路。