復合細胞型膜系統(tǒng)結構示意圖

不同退化狀態(tài)下電磁導線外觀圖像示意

集成學習與單一模型的匹配準確率比較

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

智能制造作為中國制造2025的重點建設內(nèi)容，已成為工業(yè)界熱點。如何提高生產(chǎn)設備的可靠性及生產(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)為設備的性能下降、健康衰退、零部件磨損、運行風險升高等。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)品質量下降等。 因此，智能制造系統(tǒng)的關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習方法，膜計算框架由8層、29個膜、72個對象以及35個規(guī)則構成，同時融合了多種機器學習算法（包括經(jīng)典模式識別和深度學習算法）的優(yōu)勢進行線圈絕緣健康評估。加速退化試驗結果表明，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)設備核心組件的非入侵式健康監(jiān)測提供了新的研究思路。