Industry 4.0 Application in Manufacturing for Real-Time Monitoring and Control

Modern manufacturing aims to reduce downtime and track process anomalies to make profitable business decisions.This ideology is strengthened by Industry 4.0,which aims to continuously monitor high-value manufacturing assets.This article builds upon the Industry 4.0 concept to improve the efficiency of manufacturing systems.The major contribution is a framework for continuous monitoring and feedback-based control in the friction stir welding(FSW)process.It consists of a CNC manufacturing machine,sensors,edge,cloud systems,and deep neural networks,all working cohesively in real time.The edge device,located near the FSW machine,consists of a neural network that receives sensory information and predicts weld quality in real time.It addresses time-critical manufacturing decisions.Cloud receives the sensory data if weld quality is poor,and a second neural network predicts the new set of welding parameters that are sent as feedback to the welding machine.Several experiments are conducted for training the neural networks.The framework successfully tracks process quality and improves the welding by controlling it in real time.The system enables faster monitoring and control achieved in less than 1 s.The framework is validated through several experiments.

Estimation of Hammerstein nonlinear systems with noises using filtering and recursive approaches for industrial control

This paper discusses a strategy for estimating Hammerstein nonlinear systems in the presence of measurement noises for industrial control by applying filtering and recursive approaches.The proposed Hammerstein nonlinear systems are made up of a neural fuzzy network(NFN)and a linear state`-space model.The estimation of parameters for Hammerstein systems can be achieved by employing hybrid signals,which consist of step signals and random signals.First,based on the characteristic that step signals do not excite static nonlinear systems,that is,the intermediate variable of the Hammerstein system is a step signal with different amplitudes from the input,the unknown intermediate variables can be replaced by inputs,solving the problem of unmeasurable intermediate variable information.In the presence of step signals,the parameters of the state-space model are estimated using the recursive extended least squares(RELS)algorithm.Moreover,to effectively deal with the interference of measurement noises,a data filtering technique is introduced,and the filtering-based RELS is formulated for estimating the NFN by employing random signals.Finally,according to the structure of the Hammerstein system,the control system is designed by eliminating the nonlinear block so that the generated system is approximately equivalent to a linear system,and it can then be easily controlled by applying a linear controller.The effectiveness and feasibility of the developed identification and control strategy are demonstrated using two industrial simulation cases.

GOPS:A general optimal control problem solver for autonomous driving and industrial control applications

Solving optimal control problems serves as the basic demand of industrial control tasks.Existing methods like model predictive control often suffer from heavy online computational burdens.Reinforcement learning has shown promise in computer and board games but has yet to be widely adopted in industrial applications due to a lack of accessible,high-accuracy solvers.Current Reinforcement learning(RL)solvers are often developed for academic research and require a significant amount of theoretical knowledge and programming skills.Besides,many of them only support Python-based environments and limit to model-free algorithms.To address this gap,this paper develops General Optimal control Problems Solver(GOPS),an easy-to-use RL solver package that aims to build real-time and high-performance controllers in industrial fields.GOPS is built with a highly modular structure that retains a flexible framework for secondary development.Considering the diversity of industrial control tasks,GOPS also includes a conversion tool that allows for the use of Matlab/Simulink to support environment construction,controller design,and performance validation.To handle large-scale problems,GOPS can automatically create various serial and parallel trainers by flexibly combining embedded buffers and samplers.It offers a variety of common approximate functions for policy and value functions,including polynomial,multilayer perceptron,convolutional neural network,etc.Additionally,constrained and robust algorithms for special industrial control systems with state constraints and model uncertainties are also integrated into GOPS.Several examples,including linear quadratic control,inverted double pendulum,vehicle tracking,humanoid robot,obstacle avoidance,and active suspension control,are tested to verify the performances of GOPS.

神经网络阻尼比模型及工业机器人导纳控制

在工业机器人打磨过程中,环境刚度随未知环境的变化,将对力控制精度产生不利的影响,针对环境刚度变化的问题,该文提出一种基于神经网络阻尼比模型的自适应导纳控制方法。在导纳控制设计中,根据力误差与系统阻尼比之间的机理关系,设计激励函数,构造神经网络阻尼比模型;通过该模型使阻尼比在线调整,适应末端环境的刚度变化,实现力到位置自适应转换的导纳控制。与常规导纳控制进行仿真比较,结果表明所提出的力控制策略力误差更小,响应速度更快,能适应变刚度的未知打磨环境。

基于神经网络参数自学习的阻抗控制

针对机器人在打磨过程中环境刚度和位置未知,传统的阻抗控制难以有效保持打磨质量的问题,提出了一种基于调节参数神经网络自学习的阻抗控制。由于基于李雅普诺夫稳定性理论设计的阻尼参数补偿方法中调节参数的选取直接影响系统的控制性能,根据阻尼补偿的数学描述,构建神经网络,用于其参数自适应调节,设计不同的激励函数用于反映阻尼在多种因素影响下变化的特征。通过所搭建的神经网络在线学习,实现参数的优化,以适应打磨过程环境变化。在斜面、平面及曲面等不同环境下,考虑其刚度突变、刚度动态变化、期望力动态变化等因素的仿真实验,结果表明所提出的控制方法与传统控制方法相比,具有更小的超调和稳态误差,并能够适应环境参数未知的情况,明显提高打磨质量和效率。

基于CNN-LSTM-Attention的工业控制系统网络入侵检测方法研究

随着各类网络攻击事件的增加,能源电力基础设施中工业控制系统安全问题也逐渐成为人们关注的焦点。结合电力系统的特点,提出一种融合卷积神经网络(convolutional neural network,CNN)、长短时记忆(long short-term memory,LSTM)神经网络和注意力(Attention)机制的CNN-LSTM-Attention网络入侵检测算法模型,通过在实验室仿真环境中构造和采集600 MW燃煤机组制粉系统在3种典型工况下受到网络攻击的运行状态数据集,对所提出的检测算法模型进行训练和评估。结果表明:相较于CNN、LSTM模型,所提出的入侵检测算法模型性能最优;模型准确率、精确率、召回率等评级指标均为最好,综合评价优于其他的入侵检测方法。该入侵检测算法模型具有较强的创新性和实用性。

Neural Nets:Another Paradigm for Decision Support

The paper presents an important aspect of Neural Nets application, i. e., their usefulness for decision support. The essential feature of the neural net approach to decision making is that it is a black-box approach, which means one does not try to model the underlying processes, but only looks for a tuning of the parameters of the neural net such that the black-box mimics the sensible behavior. Through the existing widespread applications in industry, business and science, the paper emphasizes their common property as a paradigm for decision support.

基于自适应神经网络的工业机器人双臂协同鲁棒控制

为了克服机械摩擦、外界干扰和模型误差等不确定性对工业机器人双臂运动轨迹控制精度的影响,设计了一种基于自适应神经网络的工业机器人双臂协同鲁棒控制方法。首先,建立了带有各类不确定性的工业机器人双臂动力学模型;然后,通过构造障碍Lyapunov函数设计了带有不确定性的协同控制律,并设计了自适应神经网络对系统中的不确定性进行估计,从而得到工业机器人双臂协同鲁棒控制律;最后,利用Lyapunov稳定性理论证明了设计的协同鲁棒控制律能够将工业机器人双臂的轨迹跟踪误差、速度跟踪误差和不确定性估计误差约束在一个任意小的邻域内。仿真结果表明,设计的自适应神经网络可准确估计出工业机器人双臂系统中的不确定性,最大估计误差仅为0.04 N·m,提出的协同鲁棒控制律能够稳定、准确地跟踪轨迹控制指令,最大轨迹跟踪误差仅为1.3 mm,从而验证了设计方法的合理性。在三维空间固定坐标定位测试中,提出的协同鲁棒控制律与其他几种方法相比具有更高的控制精度,平均定位误差和最大定位误差分别仅为1.1 mm和1.4 mm,表现出了更强的鲁棒性和更优的工程适用性。

基于卷积神经网络的工控网络入侵检测模型

为了有效检测出工控网络的入侵行为,保证工控网络的运行安全,设计了基于卷积神经网络的工控网络入侵检测模型。利用相关设备获取大量的工控网络数据,并对获取的数据进行优化处理,通过计算工控网络数据的分类误差,对其进行分类处理;在此基础上,通过设定卷积神经网络的多个参数,提取出多个工控网络数据特征,再计算网络数据特征的特征阈值,并将其与设定的特征阈值进行对比,抓取出其中的工控网络入侵行为特征,由此构建对应的工控网络入侵检测模型,并计算检测模型的检测阈值,提高检测模型的性能,进而完成对工控网络入侵检测模型的设计。实验结果表明,和以往的工控网络入侵检测模型相比,设计的基于卷积神经网络的工控网络入侵检测模型在实际应用中误检率在1%以下。当epoch为100时,查全率为99.88%,F 1分数始终保持在0.9以上。由此表明所设计模型具有良好的检测效果。

基于深度学习算法的造纸企业工控网络安全管理模型研究

工业控制系统通常应用于化工、电力和造纸等诸多行业。随着信息技术的不断升级和工业控制系统的逐步完善,企业工控网络的安全越来越受重视。基于此,简述了造纸企业工控网络所存在的种种安全隐患,重点基于深度学习算法,结合异常流量检测对造纸企业工控网络的安全管理问题展开研究,提出一种多尺度跳跃激励网络结构对卷积神经网络进行优化,构建了工控网络安全管理模型,并使用KDD CUP 99数据集进行试验验证,该模型能够对工控网络中的异常流量进行深度检测,且准确率比普通模型更高。

NIPAD： a non-invasive power-based anomaly detection scheme for programmable logic controllers

工业控制系统广泛应用于关键基础设施的建设中,关系到国计民生,因此,攻击者越来越多地将其作为攻击目标,并造成严重的破坏。可编程逻辑控制器(Programmable logic controller,PLC)作为工业控制系统中的核心组件,能够直接控制现场设备,一旦PLC中运行了恶意程序,则可能直接造成重大财产损失甚至是人员伤亡。近些年来,针对PLC的攻击事件显著增加,这表明PLC存在很大的脆弱性,同时也提醒人们保护PLC安全的重要性。不幸的是,传统的入侵检测系统和杀毒软件并不能很好地保护PLC的安全,因此,针对PLC的有效的安全防护方案有待被研究。基于上述背景,本文提出了一种非侵入式的基于功耗的PLC异常检测方案。该方案通过分析PLC运行时的功耗变化来检测PLC中是否运行异常程序,分为功耗信息获取与功耗分析两部分。采集功耗信息是通过在PLC的供电线上串入一个电阻实现的,当PLC运行时,测量电阻两端的电压即可获取CPU的功耗信息。为了更好的分析功耗信息,本文首先从原始功耗数据中提取有效的特征值组合,然后利用正常样本来训练一个基于长短记忆(long short-term memory,LSTM)单元的神经网络模型,利用该模型对后续正常样本进行预测,通过比较测量到的功耗信息与预测的功耗信息,可以确定当前PLC中运行的程序是否为正常程序。该方案的优点是无需对原工控系统的封装部分进行软硬件的修改,且无需负样本即可实现对未知攻击的检测。我们在实验室测试平台上对该方法进行了评估,实验表明,对于原程序,只需改动0.63%即可达到99.83%的准确率。

基于集成概率模型的变阻抗机器人打磨力控制

工业机器人对工件柔顺打磨作业的适应性差,为此设计机器人柔顺浮动力控末端执行器,基于集成贝叶斯神经网络模型的强化学习,提出主动自适应变阻抗的机器人打磨力控制方法.所提方法根据打磨作业的接触环境信息,利用自助法获取小量数据的多次采样样本,训练集成贝叶斯神经网络模型以描述机器人打磨系统与工况环境交互作用,采用协方差矩阵自适应进化策略(CMA-ES)求解最优阻抗参数.构建机器人打磨系统虚拟样机平台,开展叶片工件的打磨仿真实验,验证所提方法的有效性.实验结果表明,所提方法在十几次训练后,能够将打磨力的绝对跟踪误差减小至较小值,较好地实现了机器人打磨系统的主动自适应变阻抗打磨力控制,提高了机器人打磨力控制的柔顺性和鲁棒性.

基于流量分类的工控联网设备识别

为发展工控网络智能化管理,研究工控网络中设备类型的自动识别技术,提出一种基于流量分类的设备类型识别方法,综合报文首部特征以及有效载荷隐含特征。利用随机森林模型,筛选报文首部字段中工控网络流量分类的关键特征;利用一维卷积神经网络,提取流量有效载荷的隐含特征;两种特征融合完成流量分类,基于流量分类结果实现设备类型识别。实验结果表明,由该方法训练的模型可高效完成设备流量分类,准确识别工控设备类型。

基于深度确定性策略梯度的陶瓷梭式窑温度智能优化控制

梭式窑是陶瓷生产中的一种主要设备。温度作为陶瓷梭式窑生产过程中的关键工艺参数,对陶瓷产品的质量、维持窑炉高效平稳运行以及降低能耗方面起着关键性作用。为了实现对陶瓷梭式窑温度的有效控制,首先,针对陶瓷梭式窑非线性、大惯性、大滞后以及难以建立精确的数学模型的特点,基于门控递归神经网络建立了陶瓷梭式窑预测模型并进行了优化。其次,基于所建立的预测模型提出了基于DDPG算法的陶瓷梭式窑温度智能优化控制方法,并给出了基于DDPG陶瓷梭式窑温度优化控制系统方案。最后,针对所提出的方法开展了仿真实验研究。仿真结果表明,与PID控制、模糊控制和模糊PID控制方法的控制效果比较,所提出的方法使得梭式窑烧结温度与理想温度误差缩小18.6%~28.5%不等,因而提出的方法是有效可行的。

基于神经网络的工业机器人力控制研究

针对工业机器人夹持工件进行磨削时的力控制问题,提出一种基于神经网络算法的机器人力控制方法,搭建一套工业机器人磨削系统,并在Visual Studio软件环境下开发了相应的上位机软件。通过分析神经网络算法的原理,设计神经网络结构,使用从实际磨削过程中获得的训练数据对神经网络进行训练;将力传感器实时采集的力信号输出给训练好的神经网络模型,预测出机器人磨削加工的轨迹修正值并传给机器人,对磨削轨迹进行实时修正,从而实现工业机器人的间接力控制。最后,在搭建的工业机器人磨削系统上进行了力跟踪实验和钛合金试件磨削实验,验证了所提出的力控制方法和机器人磨削系统的有效性和实用性。

工业控制系统网络攻击预测技术研究

面对复杂的网络安全形式,攻击方常采用大量的信息侦查、漏洞利用和混淆技术在网络进行恶意活动或破坏行为。虽然当前网络安全态势感知平台尽可能地发现和监测新漏洞的利用过程,但是攻击预测的准确率和精确率都不尽如人意,需要在目前预测技术的基础上研究更加高级的算法将安全事件自动关联到对应的资产和攻击类型上,对可能发生的网络安全攻击进行预警和风险评估,实现对网络安全事件的精准预测。

面向工业控制网络的入侵检测方法研究

针对目前工控网络环境存在的数据种类分布不均衡,维度较高等问题,采用生成式对抗网络(ACGAN)数据增强方法对数据集进行数据增强,并采用卷积神经网络(CNN)与极限学习机(ELM)混合模型对数据集进行特征提取和分类。通过NSL-KDD数据集进行仿真实验,该混合模型的准确率达到99.26%,漏报率低于0.625%,均优于传统的机器学习算法。同时采用密西西比州立大学天然气管道数据集进行实验仿真,准确率达到99.18%,漏报率低于0.621%。该模型在复杂的工控环境下同样适用,拓宽了工业入侵检测的研究思路。

基于轻量化网络的陶瓷辊道窑火焰图像识别方法

针对热电偶在陶瓷辊道窑高温环境下容易腐蚀老化,导致其温度检测精度下降的问题,提出采用计算机视觉火焰检测代替热电偶的陶瓷辊道窑温度智能检测方法。该方法是一种基于新型轻量化卷积神经网络,通过减少网络深度,以及采用大卷积核的设计,避免模型的过拟合现象,减少了模型的复杂度和推算时间,使模型实现了检测准确性的提升。实验结果表明:该新型轻量化卷积神经网络相比原始MobelinetV2模型,识别特征平均准确率提升了4.58%、平均相对误差减少了0.0918%、运算时间减少了41.89%。显然,该新型网络模型使运算速度和分类性能大大提高。

基于改进人工鱼群的工业互联网异常检测研究

针对ICS工控网络异常检测存在的问题,在传统ELM网络异常检测模型的基础上,引入改进人工鱼群算法的ELM工控网络异常检测模型。首先对样本进行归一化处理和K-means均值聚类;其次基于惯性计算思想对人工鱼群算法中的聚集行为和觅食行为进行改进,通过比较惯性计算后鱼群中心位置与鱼个体当前位置的适应度值来判定人工鱼群的活动情况,输出最优权值和阈值作为ELM的输入;最后进行异常检测训练。实验测试结果表明,改进算法易跳出局部最优解,对攻击类数据的检出率达到90%以上。

A Hybrid Compensation Scheme for the Input Rate-Dependent Hysteresis of the Piezoelectric Ceramic Actuators

A hybrid compensation scheme for piezoelectric ceramic actuators(PEAs)is proposed.In the hybrid compensation scheme,the input rate-dependent hysteresis characteristics of the PEAs are compensated.The feedforward controller is a novel input rate-dependent neural network hysteresis inverse model,while the feedback controller is a proportion integration differentiation(PID)controller.In the proposed inverse model,an input ratedependent auxiliary inverse operator(RAIO)and output of the hysteresis construct the expanded input space(EIS)of the inverse model which transforms the hysteresis inverse with multi-valued mapping into single-valued mapping,and the wiping-out,rate-dependent and continuous properties of the RAIO are analyzed in theories.Based on the EIS method,a hysteresis neural network inverse model,namely the dynamic back propagation neural network(DBPNN)model,is established.Moreover,a hybrid compensation scheme for the PEAs is designed to compensate for the hysteresis.Finally,the proposed method,the conventional PID controller and the hybrid controller with the modified input rate-dependent Prandtl-Ishlinskii(MRPI)model are all applied in the experimental platform.Experimental results show that the proposed method has obvious superiorities in the performance of the system.