NIST AIMS研究项目：融合计量、物理模型与AI预测机床性能

美国经济依赖于制造业以及约50万台用于加工零件的美国机床。然而，这些机床的一个主要问题在于其性能通常未受到监测，导致非计划停机，并在机床发生故障或加工零件在毫无预警的情况下超出规格时造成收入损失。智能制造范式试图通过利用人工智能（AI）分析数据来改进制造流程。然而，重大挑战阻碍了美国价值2.65万亿美元以上机械实现智能制造。首先，许多机床缺乏AI模型所需的数据。例如，切削刀具的力和振动包含关键的工艺信息，但在生产中无法实际测量。其次，现有AI工具依赖预训练的通用模型，这些模型对特定机床可能并不准确。例如，热变形是加工误差的主要来源，但NIST的测量表明，某些现代机床上的热补偿算法误差可超过80 µm（典型零件公差的60%）。因此，需要多功能的AI增强计量系统来监测和优化约50万台美国机床的性能。制造商需要增强智能，即用AI增强传统科学智能，以基于健康跟踪和资产管理实现优化生产。增强智能通过机上测量并定期验证和更新机器学习（ML）模型，兼具准确性和可信性。

制造系统增强智能（AIMS）项目通过方法、测试平台、可部署系统、参考数据集、不确定性量化、指南和标准，为制造系统开发增强智能解决方案。AIMS项目包括概念验证的可部署解决方案，以实现参考数据集、与行业开展示范、技术转移以及最终标准化。利益相关者和合作者包括零件制造商、机床制造商、技术开发者和集成商、AI研究人员以及制造软件开发者。通过参考数据集、技术转移和纳入标准，增强智能将被采用以推进美国制造业。

目标

开发增强智能解决方案，将集成计量、基于物理的模型和人工智能相结合，实时监测和预测制造机器及其工艺的性能，以优化生产质量和良率。

技术构想

一个既能服务于 NIST 使命、又能发挥 EL 专长的研究方向是：研究新的制造方法，将可溯源技术（计量学）和基于物理的模型与不可溯源技术（人工智能）融合起来。这种融合被称为“增强智能”，因为传统智能（测量科学与物理学）被人工智能（AI）所增强。基于物理的模型近似物理现实，而 AI 模型能够发现复杂的结构和关系，但缺乏物理模型的可解释性和可靠性。随着传感器数据之间的物理关系变得更加复杂，以及数据量的增加，可以利用 AI 来“填补”简单物理模型的空白。增强智能将实现对生产机器和过程的实时监控、诊断和预测，从而通过机上测量并定期验证和更新 ML 模型，实现既准确又可信的针对具体机器的数字孪生。

制造商需要增强智能，即用 AI 增强传统科学智能。具体而言，需要智能生产机器，这些机器依靠基于集成计量学、基于物理的模型和人工智能融合的增强智能来优化生产质量和良率。将开发可广泛部署、进入门槛低、可集成到新机床中或打包为现有和新机床的即插即用解决方案的增强智能方法。因此，增强智能被设想为工厂范围性能优化的颠覆性催化剂。

研究计划

AIMS 项目旨在为制造系统及其过程开发和部署增强智能解决方案，以帮助推进智能制造和 AI 的国家优先事项。目标是帮助约 50 万台美国机床成为智能机床，实时监控和预测自身健康状况及其过程性能，以优化生产质量和良率。总体而言，为实现这一目标采用五个主要步骤：

根据行业利益相关者的意见确定生产问题，并确定解决这些问题的学术知识空白
使用 NIST 拥有的机床和设备开发和测试新型集成计量方法，重点关注可扩展且具有成本效益的方法
开发和部署原型系统给工业和学术合作伙伴，以评估其在实际场景中的性能
创建增强智能模型，将机上测量和机器控制数据相结合，持续更新监控和优化制造过程的 ML 模型
发表学术著作、数据集和标准，以促进进一步的工业部署、学术研究和商业化

计划开展多项任务，以实现对铣床热漂移、切削力和刀尖位移以及车床原位直径进行监控和预测的增强智能解决方案：

在美国制造商处演示基于视觉的机床热漂移监控
开发经济实惠的刀尖力和振动监控，以便与美国制造商广泛进行技术转移
开发基于仪器化刀柄和计量套件的新型数据驱动方法，用于实时位移监测
开发用于大型车削直径的在机计量技术

要点

ASME B5.64（“单轴线性定位系统性能评估方法”）在 Vogl 博士的领导下于 2023 年首次发布
Gregory W. Vogl, Ainsley Rexford, Zongze Li, Robert G. Landers, Edward C. Kinzel, M. Alkan Donmez, and Joe Chalfoun. 2023. “Vision-based thermal drift monitoring method for machine tools.” CIRP Annals – Manufacturing Technology. 72(1): 301-304. https://doi.org/10.1016/j.cirp.2023.04.053
Gregory W. Vogl, Dominique A. Regli, and Gregory M. Corson. 2022. “Real-time estimation of cutting forces via physics-inspired data-driven model.” CIRP Annals – Manufacturing Technology. 71(1):317-320. https://doi.org/10.1016/j.cirp.2022.04.071
Gregory W. Vogl, Kyle F. Shreve, and M. Alkan Donmez. 2021. “Influence of bearing ball recirculation on error motions of linear axes.” CIRP Annals – Manufacturing Technology. 70(1): 345-348. https://doi.org/10.1016/j.cirp.2021.04.07
专利（美国专利号：11,085,793）于 2021 年 8 月 10 日授予“惯性测量单元与诊断系统”：https://www.nist.gov/document/11085793-patent-image