Когда данные о состоянии инструмента станков с ЧПУ «переезжают в облако», производственные ресурсы переходят от изолированных «островков» к совместной работе. Новое исследование предлагает облачно-ориентированную киберфизическую производственную структуру для ЧПУ, которая интегрирует декомпозицию VMD и рабочий процесс регрессии AutoML. На многоузловой испытательной платформе «периферия-облако» была достигнута точная оценка износа инструмента, что предоставляет масштабируемый технический путь для интеллектуального принятия решений в эпоху Индустрии 4.0.

I. Проблема «изолированных данных» в мониторинге износа инструмента

В сфере высокотехнологичного производства состояние износа инструмента напрямую влияет на качество обработки, эффективность оборудования и себестоимость продукции. Традиционные методы мониторинга инструмента в основном ограничиваются локальной обработкой на отдельной машине, образуя «островки данных» для каждого устройства, что затрудняет обмен информацией и совместное принятие решений между узлами.

С углублением концепции Индустрии 4.0 производственные системы эволюционируют от централизованного управления к распределенным и совместным. Как связать разбросанные по разным географическим точкам производственные ресурсы для реализации скоординированного планирования с учетом их состояния, стало ключевой технологической проблемой в области интеллектуального производства.

Мониторинг износа инструмента как ключевое звено предиктивного обслуживания представляет ценность не только для управления состоянием отдельного устройства, но и, что более важно, для предоставления основы для принятия решений при оптимизации планирования всей производственной сети. Однако существующим системам не хватает единой структуры для облачно-периферийной координации, что затрудняет бесшовную интеграцию интеллектуального анализа состояния инструмента в среду совместного принятия решений.

II. Научно-технические особенности: Интеллектуальный мониторинг на основе облачной структуры и AutoML

8 марта 2026 года в исследовании, опубликованном в журнале «Scientific Reports», была предложена облачно-ориентированная киберфизическая производственная структура для ЧПУ, которая глубоко интегрирует периферийно-облачное соединение, безопасный обмен данными и анализ на основе данных, реализуя скоординированное планирование с учетом состояния распределенных производственных ресурсов.

Особенность 1: Облачно-ориентированная киберфизическая архитектура – от изоляции к координации

Исследовательская группа построила комплексную структуру для совместного производства на основе «периферия-облако», основные характеристики которой включают:

Периферийно-облачное соединение: Полевые устройства ЧПУ в реальном времени собирают данные о работе через периферийные узлы и устанавливают безопасные каналы передачи данных с облачной платформой.

Безопасный обмен данными: Использование протоколов безопасности промышленного интернета вещей для обеспечения конфиденциальности и целостности передачи производственных данных.

Анализ на основе данных: Облачная интеграция передовых алгоритмов машинного обучения для централизованной обработки и моделирования данных распределенных устройств.

Эта архитектура разрушает информационные барьеры традиционных производственных систем, позволяя нескольким устройствам ЧПУ, расположенным в разных географических точках, осуществлять слияние данных и совместное принятие решений в облаке.

Особенность 2: Рабочий процесс VMD+AutoML регрессии – позволить алгоритму самостоятельно выбирать лучшие признаки

В качестве типичной аналитической услуги в рамках структуры исследовательская группа реализовала процесс мониторинга износа инструмента (TWCM) на основе вибрации:

Шаг 1: Декомпозиция сигнала VMD

Использование технологии вариационной модовой декомпозиции (VMD) для обработки сигналов вибрации, собранных лазерным доплеровским виброметром. VMD – это нерекурсивный метод декомпозиции сигнала, который может адаптивно разложить сложный вибрационный сигнал на несколько собственных модовых функций (IMF) с ограниченной полосой пропускания, эффективно извлекая компоненты, связанные с износом инструмента.

Шаг 2: Автоматическое моделирование с помощью AutoML

Декомпированные сигналы подаются в рабочий процесс регрессии AutoML, который автоматически выполняет выбор признаков, настройку параметров модели и сравнение алгоритмов. Внедрение технологии AutoML (автоматизированного машинного обучения) позволяет системе самостоятельно оценивать корреляцию различных мод с износом задней поверхности (flank wear) и выбирать оптимальную регрессионную модель для оценки износа.

Особенность 3: Публикация в облаке и связь с планированием – превращение данных в основу для решений

Применение результатов мониторинга не ограничивается отображением состояния. Исследование публикует информацию о состоянии инструмента в облаке и связывает ее с логикой супервизорного планирования, поддерживая два типа ключевых действий:

Рекомендация по замене инструмента: Когда расчетное значение износа превышает предустановленный порог, система автоматически генерирует напоминание о замене инструмента.

Обновление очереди заданий: Динамическая корректировка приоритетов обрабатывающих задач на основе состояния инструмента для оптимизации производственного расписания.

Исследование подчеркивает, что текущая реализация структуры обеспечивает поддержку принятия решений под надзором, а не автономное замкнутое управление, но ее дизайн предоставляет масштабируемый путь для будущей реализации «скоординированной работы ЧПУ с учетом состояния».

Особенность 4: Верификация на многоузловой испытательной платформе – практическое тестирование на токарной обработке стали AISI 1045

Исследовательская группа провела системную проверку на многоузловой испытательной платформе «периферия-облако»:

Обрабатываемый материал: Сталь AISI 1045

Тип инструмента: Пластины из твердого сплава

Способ обработки: Токарная обработка на станке с ЧПУ

Сбор сигналов: Лазерный доплеровский виброметр

Результаты показали, что система способна обеспечить точную оценку износа, успешно продемонстрировав возможность интеграции интеллектуального анализа состояния инструмента в совместную облачную среду.

III. Технологическая сущность: от «мониторинга отдельной машины» к «облачно-периферийной координации»

Глубокая ценность этого исследования заключается в переходе от задачи мониторинга износа инструмента на отдельной машине к услуге уровня распределенной системы. Традиционные системы мониторинга часто рассматривают каждый станок как независимую единицу, и их прогностические модели служат только для локальных решений. Внедрение облачно-ориентированной структуры позволяет:

Превратить данные в актив: Данные об износе с нескольких устройств собираются в облаке, формируя повторно используемый обучающий набор, постоянно повышая обобщающую способность прогностических моделей.

Глобализировать принятие решений: Осуществлять единое планирование на основе состояния всех устройств в сети для достижения балансировки нагрузки и минимизации рисков.

Повторно использовать знания: Автоматизированный характер рабочего процесса AutoML позволяет моделям быстро адаптироваться к различным сценариям обработки.

В статье четко указано, что эта структура «предоставляет масштабируемый путь, согласованный с принципами Индустрии 4.0, для реализации скоординированной работы ЧПУ с учетом состояния».

IV. Перспективы применения: Оснащение «мозгом для принятия решений» умных фабрик

1. Скоординированное планирование распределенных производственных ресурсов

Для производственных цехов с несколькими станками с ЧПУ эта структура может обеспечить обмен состоянием между устройствами и совместное принятие решений. Когда инструмент на одном устройстве приближается к концу своего срока службы, система может автоматически перенаправить последующие задачи на другие устройства, избегая простоев производственной линии из-за внезапного выхода инструмента из строя.

2. Услуги предиктивного обслуживания на облачной платформе

Производители оборудования могут на основе этой структуры построить облачную платформу для предоставления единой услуги мониторинга состояния инструмента устройствам, расположенным у разных клиентов, реализуя переход бизнес-модели от «продажи оборудования» к «продаже услуг».

3. Платформа для обучения и образования в рамках Индустрии 4.0

Открытый дизайн структуры позволяет использовать ее в качестве учебной платформы для экспериментов по интеллектуальному производству в среде Индустрии 4.0, развивая у студентов понимание и практические навыки работы с системами совместного производства «периферия-облако».

4. Будущая масштабируемость: от мониторинга к замкнутому управлению

Хотя текущая версия не реализует автономное замкнутое управление, исследование четко указывает на масштабируемость ее дизайна. В будущем на этой основе можно разработать алгоритмы адаптивного управления для реализации динамической корректировки параметров резания на основе состояния износа в реальном времени.

V. Промышленное значение: Переосмысление информационных потоков в интеллектуальном производстве

Ключевой вклад этого исследования заключается в предоставлении эталонной архитектуры для переосмысления информационных потоков в интеллектуальном производстве. В традиционном автоматизированном производстве информационный поток представляет собой односторонний замкнутый цикл «устройство → контроллер»; в рамках облачно-ориентированной структуры информационный поток эволюционирует в двунаправленную сеть «устройство → периферия → облако → координация нескольких устройств».

Как сказано в статье: «Эта структура интегрирует интеллектуальный анализ состояния инструмента в совместную облачную среду, предоставляя масштабируемый путь для скоординированной работы ЧПУ с учетом состояния». Когда каждый станок с ЧПУ становится интеллектуальным узлом в облаке, интеллектуализация производства перейдет от точечных прорывов к системному проявлению.

Название: Cloud-based collaborative CNC manufacturing framework integrating tool wear monitoring and scheduling support (Облачная совместная производственная структура для ЧПУ, интегрирующая мониторинг износа инструмента и поддержку планирования); Опубликовано: Scientific Reports (8 марта 2026 г.).