iV Model在工作流程架構中將過程數據與圖像和視頻數據相結合，允許用戶查看所有相關源并應用分析工具。

文/Tony Lotzmann，Felix Wenzel，Udo Karsunke，Karol Kozak

隨著激光系統(tǒng)技術的快速發(fā)展，制造過程中將會產生、捕獲和維護大量數據。這迫切需要對歷史數據進行分析并隨之制定出相應的戰(zhàn)略決策，并更新現(xiàn)有數據以支持當前的加工過程需求。

工業(yè)4.0趨勢使基于自動化和數據交換的未來工廠愿景成為可能，將改變激光加工的優(yōu)化方式�；�于激光的加工過程必須變得更加智能，以從中獲得最大的效率和能力。數據可視化必須與人眼視覺系統(tǒng)一起工作，以在加工過程中提供快速訪問和快速反應，以及理解多參數、異質數據空間中的問題。

為了實現(xiàn)這個目標，新穎的機器學習與可視化技術相結合，將發(fā)揮非常重要的作用。本文將介紹一種將交互式可視化與機器學習技術相結合的概念，稱為智能觀察器模型（iV Model），用于分析焊接、切割、粘合、熔覆、涂覆和打印等應用的激光加工參數。

具有機器學習的交互式可視化

工業(yè)激光系統(tǒng)在數據采集和數據處理方面都非常復雜（見圖1）。隨著技術的不斷進步，工業(yè)激光加工所涉及的傳感器、日志、圖像和視頻數據的大小和復雜性都在增加。并且因為激光加工過程本身存在的環(huán)境變化和不確定性，所以數據流不能由手動方法控制。

圖1：激光加工數據流和智能分析在開發(fā)實驗室中進行優(yōu)化，并應用于生產中。

因此，自動跟蹤在激光加工期間可能出現(xiàn)的錯誤類型和關鍵參數值，就變得至關重要。將交互式可視化應用與多參數算法相結合，是一種解決這個問題一種可行方法。

交互式可視化^[1,2]系統(tǒng)為用戶提供了分析所需的集成接口。結合可視化和機器學習的發(fā)現(xiàn)工具，可以實現(xiàn)更有效的數據分析，同時保留用戶控制。^[3]

機器學習領域涉及多參數計算機算法的開發(fā)和應用，其隨著數據量的增加而改進。^[4]機器學習，也被稱為人工智能或模式識別，屬于計算機科學和統(tǒng)計學交叉領域，是試圖在大型數據組中識別和發(fā)現(xiàn)模式的過程。

因此，機器學習有潛力使計算機能夠輔助分析過程參數和由制造過程產生的復雜數據。對于機器上的傳統(tǒng)可視化方法，在復雜激光加工數據的可擴展性方面是個問題：最終用戶被限制在二維和三維之間進行解釋。此外，對于與大型加工數據組的實時交互式使用而言，許多可視化方法的計算負擔太大。為了解決這些可擴展性問題，并實現(xiàn)大量高維數據集（“大數據”）的可視化數據挖掘，需要智能可視化方法。

機器學習可以開始快速了解設備，以及影響激光加工和潛在故障的所有現(xiàn)有信號和參數之間的因果關系。然后，交互式可視化和機器學習可以構建可靠性和性能模型，其可監(jiān)控實時性能，并確定設備性能何時開始偏離規(guī)范。

這樣的交互式解決方案可以用于觸發(fā)適當的干預和校正系統(tǒng)動作。下面將介紹針對工業(yè)4.0過程，用于將交互式可視化與機器學習技術相結合的iV Model。

激光熔覆加工案例

機器學習對于預測和定義大型加工數據組中的邊界加工參數值非常有用，并且已經被用于實時和后處理分析。機器學習方法可以分為兩種類型：監(jiān)督或非監(jiān)督分類器。監(jiān)督方法在標記的樣本上進行訓練，然后用于對未標記的樣本進行預測，而無監(jiān)督方法在不使用標簽的情況下，在數據組中查找結構。

我們將關注監(jiān)督方法，因為從實驗和加工開發(fā)階段，已經知道主要的和期望的參數值（所謂的訓練數據組）。訓練數據包括在已經開發(fā)加工的實驗室中訓練的一組已知參數值。

在監(jiān)督學習中，每個樣本是由輸入對象（通常為向量）和期望的輸出值（也被稱為監(jiān)控信號）組成的一對。監(jiān)督學習算法分析訓練數據并產生推斷函數，其可以用于映射新樣本。圖2中給出了監(jiān)督處理的一個范例。

圖2：在機器學習中，監(jiān)督分類處理確定加工參數的臨界值。

為了演示該過程，我們考慮一種應用，以在加工周期期間生成的所有參數數據內識別激光熔覆工藝中的意外參數值（根據實驗設置的離群值）。首先，機器學習研究人員與工藝設計師一起開發(fā)算法，他們相信該算法將實現(xiàn)成功學習。

其次，為算法提供規(guī)范（上/下臨界值）中的經驗加工參數的大集合，以及（可選）已知未超出范圍的加工參數列表。表明加工參數是否是離群值的注釋被稱為標簽。算法處理這些標記的參數，并存儲模型。

第三，將新的和未標記的參數值提供給算法，并且其使用該模型來預測每個加工參數的標簽（規(guī)范值或離群值）。如果學習成功，則所有或大多數預測的標簽將是正確的。

交互式可視化中的分析過程

加工數據包括有關溫度、環(huán)境和功率的信息，記錄多達數百萬的熱像儀圖像，以及超過十萬行和超過20列的圖像分析結果。使用任何數據分析工具，都需要研究人員適當地調整特定數據組的這些參數，以避免在數據簇、大小或密度的數量方面的任意結果。

通過促進這種變換，交互式可視化可以促進工藝發(fā)現(xiàn)和計算方法的開發(fā)�，F(xiàn)有的加工數據和信息可視化技術，已經適用于創(chuàng)建具有易用接口的工具，補充了整個計算方法，允許簡單地解釋加工參數。

通過結合安裝在多種機器上的激光相關技術的數據，并由監(jiān)控系統(tǒng)控制（監(jiān)控系統(tǒng)包括用于功率、溫度、日志文件、速度和總線系統(tǒng)信號的多個傳感器），該系統(tǒng)可以減少風險，協(xié)同提高質量，更快更準確地執(zhí)行根本原因分析。通過一個一鍵式、單視圖概念和基于工作流程架構的簡單接口，可視化方法便于將加工數據與圖像和視頻數據連接（見圖3）。

圖3：機器學習和可視化的集成，使交互式協(xié)調可視化成為可能。

交互式可視化的基本思想是在一個視覺框架中提供數據，允許用戶通過直接與圖像和視頻數據交互來深入了解加工參數。交互式可視化的優(yōu)點，是用戶直接參與加工的所有數據通道，并且可以將操作人員的靈活性、創(chuàng)造力和常識，與連接到傳感器和日志文件的大量數字相結合。

在iV Model中，數據可以在幾個分析階段可視化，并且與原始圖像和視頻數據相關聯(lián)，保持星形模型的概念（見圖4b）：一鍵式單視圖。在iV Model中，集成了機器學習的標記類，并且被表示為規(guī)范值或離群值。未修改和變換的數據組，可以交互地繪制為散點圖，顯示在直方圖中，可以在圖像觀察器/編輯器中查看，或作為表格瀏覽。整個實驗可以在各種概述圖中以其注釋的方式顯示，并且可以導出圖形和表格以供發(fā)布。

圖4：分析過程的傳統(tǒng)與交互式可視化對比。加工過程數據集的傳統(tǒng)、耗時的分析過程需要多次點擊、文件夾搜索和手動數據鏈接（a）；而交互式方法使用一個面板和一次點擊，用戶可以看到所有相關的數據源和分析工具（如圖像、繪圖、數值結果和濾鏡）。這其中的概念是：所有信息的訪問應該是直接的，并且用戶動作應當最少化（b）。

這種交互式可視化概念，能夠應對工業(yè)激光加工中經常發(fā)生的工藝和環(huán)境條件的變化。交互式可視化和機器學習方法的組合，有望提供一種參數評估和實時分析的方法。

在這里，我們已經描述了交互式可視化和機器學習的架構，以確保計算對參數評估而言足夠快。據我們所知，這是結合機器學習的交互式可視化的首次亮相，展示了激光加工在工業(yè)4.0中的應用。

參考文獻

1. M. Baldonado, A. Woodruff, and A. Kuchinsky, "Guidelines for using multiple views in information visualization," Proc. ACM Advanced Visual Interfaces, 110-119 (2000).

2. M. Derthick, S. Roth, and J. Kolojejchick, "Coordinating declarative queries with a direct manipulation data exploration environment," Proc. IEEE Information Visualization Symposium, 65-72 (1997).

3. B. Shneiderman, Inf. Vis., 1, 1, 5-12 (2002).

4. T. Mitchell, Machine Learning, McGraw-Hill, New York, NY (1997).