本文部分理論圖示和案例借鑒知乎文章

隨著市場對高精度產(chǎn)品需求的激增和對產(chǎn)品精度要求的提高，越來越多的企業(yè)采用工業(yè)機器人來做重復的高精度生產(chǎn)工作。

而工業(yè)機器人的數(shù)量和使用時間不斷上升，導致故障發(fā)生頻率隨之提高，這不僅影響產(chǎn)品質(zhì)量，甚至造成停機的事件。因此，需要進行有效的預(yù)測并做到基于狀態(tài)的實時維護，有效地降低宕機時間、提高稼動率、保障產(chǎn)品質(zhì)量，最終實現(xiàn)近零宕機，近零次品。

目標

由于工業(yè)機器人被大量使用，且生產(chǎn)環(huán)境十分復雜，因此不適合安裝外部傳感器，而是使用控制器內(nèi)的監(jiān)控參數(shù)對其健康進行分析。我們的目標是在健康管理方面引進預(yù)測分析模型，通過有效的控制器信號參數(shù)，實現(xiàn)變工況、復雜系統(tǒng)的產(chǎn)線級到工廠級的預(yù)測性維護和集群運維管理。

核心技術(shù)

對機械臂進行健康預(yù)診的分析結(jié)果

從控制器中獲得信號的采樣頻率較低，針對一些高頻采樣或波形信號的特征提取方法將不再適用，取而代之的是按照每一個動作循環(huán)提取固定的信號統(tǒng)計特征，如 RMS、方差、極值、峭度值和特定位置的負載值等。

在健康評估方面，所要解決的最大挑戰(zhàn)是設(shè)備運行工況的復雜和設(shè)備多樣性的問題，因此采用了同類對比（ peer to peer）的方法消除由于工況多樣性造成的建模困難，通過直接對比相似設(shè)備在執(zhí)行相似動作時信號特征的相似程度找到利群點，作為判斷早期故障的依據(jù)。

在對設(shè)備進行聚類時，首先要根據(jù)設(shè)備的型號和使用時間進行第一輪聚類，隨后則要根據(jù)設(shè)備的任務(wù)、環(huán)境和工況進行第二輪聚類。

在針對機械臂的分析上，不同的動作循環(huán)造成的驅(qū)動馬達扭矩是不同的，這里選擇扭矩的最大值、最小值和平均值作為聚類的依據(jù)。當機械臂執(zhí)行相似的動作時，上述的特征分布應(yīng)該十分相似，利用聚類模型可以進行自動識別。

在大量機械臂的數(shù)據(jù)被采集和分析的條件下，對不同種類和運行工況的機械臂進行聚類分析，形成一個個機械臂的“虛擬社區(qū)”，社區(qū)機械臂的數(shù)據(jù)分析采用集群建模的方法，通過比較每一個機械臂與集群的差異性來判斷其處于異常的程度，并對集群內(nèi)所有機械臂的健康狀態(tài)進行排序。判斷差異性程度的算法有許多種，比如 PCA-T2模型、高斯混合模型、自組織映射圖、統(tǒng)計模式識別等方法。

使用選定算法能夠判斷一個機械臂每一個驅(qū)動馬達的監(jiān)控參數(shù)特征與統(tǒng)一集群內(nèi)其他設(shè)備總體分布情況的相似程度，以分布偏差評估值作為最終的輸出結(jié)果。使用 90% 或 95% 的置信區(qū)間確定其控制邊界，當分布偏差評估值超過控制邊界并持續(xù)變大時，說明早期故障正在逐步發(fā)展嚴重。

該方法在大量機械臂數(shù)據(jù)的驗證結(jié)果中顯示，大多數(shù)的驅(qū)動電機早期故障都能夠在提前至少 2 ~ 3 周內(nèi)被發(fā)現(xiàn)。 通過預(yù)測分布偏差評估值的發(fā)展趨勢，還可以對機械臂發(fā)生故障的時間進行預(yù)測，為維護排程提供依據(jù)。

案例分享

1、汽車制造業(yè)能耗分析及故障預(yù)測成功案例

XX汽車制造公司在整車生產(chǎn)過程中將會產(chǎn)生巨量數(shù)據(jù)，包括能耗數(shù)據(jù)、生產(chǎn)數(shù)據(jù)、環(huán)境數(shù)據(jù)等，這些數(shù)據(jù)中蘊藏了巨大的價值，包括產(chǎn)品故障、生產(chǎn)優(yōu)化的目標都可以從數(shù)據(jù)中進行挖掘。客戶需要我們對能耗和生產(chǎn)數(shù)據(jù)進行挖掘，找出異常點，希望分析出節(jié)約能耗的方向，并且對生產(chǎn)過程中的故障進行預(yù)測。

慧都能耗異常值分析，為XX汽車制造公司提供咨詢、調(diào)研、研發(fā)、實施、維護一整個環(huán)節(jié)的完善服務(wù)。

數(shù)據(jù)探索：耗電分析、耗水分析、耗時分析等

數(shù)據(jù)處理：基于耗電、耗水、耗時數(shù)據(jù)進行處理，找到數(shù)據(jù)的異常點，對異常點進行分析。

圖1 識別時序數(shù)據(jù)中的異常點

圖2 識別能耗時序數(shù)據(jù)的拐點

經(jīng)分析發(fā)現(xiàn)，很多設(shè)備在非工作時間依然開機，如果關(guān)機，電泳和前處理階段的節(jié)能情況如下

如果能夠?qū)⒛承┸嚨那疤幚砗碗娪緯r間分別減少到37分鐘和23分鐘，在處理功率恒定的情況下，分別將會節(jié)約能耗3.23%和6.30%。

用Qlik進行數(shù)據(jù)探索分析——耗能分析

成功交付

慧都能耗異常值分析解決方案從2018年11月開始導入實施，項目團隊結(jié)合客戶現(xiàn)場生產(chǎn)情況通過和客戶詳細溝通斟酌，實施團隊駐場開發(fā)經(jīng)過接近半年的共同努力，最終于2019年3月項目經(jīng)培訓后成功交付。

客戶表示，應(yīng)用后效果顯著：

• 人工判斷異常準確率為50%，方案優(yōu)化之后，可以提高到83%。
• 人工判斷異常平均時間為10分鐘，方案實施之后，只需要100ms。
• 方案實施后，前處理節(jié)能3.23%。
• 方案實施后，電泳節(jié)能6.30%。

注：此案例來源于慧都大數(shù)據(jù)團隊的真實客戶能耗分析及故障預(yù)測項目實施。

2、機器人健康預(yù)測分析管理系統(tǒng)

以日本某汽車制造商對機械臂的預(yù)測式維護為例，首先采集大量機械臂的數(shù)據(jù)，并對不同種類和工況的機械臂進行聚類分析，形成一個個機械臂的“虛擬社區(qū)”，之后社區(qū)內(nèi)的機械臂的數(shù)據(jù)分析采用集群建模的方法，通過比較每一個機械臂與集群的差異性來判斷其處于異常的程度，并對集群內(nèi)所有機械臂的健康狀態(tài)進行排序。

在對機械手臂的健康狀態(tài)進行定量化分析之后，該制造商對分析結(jié)果進行了網(wǎng)絡(luò)化的內(nèi)容管理，建立了“ 虛擬工廠” 的在線監(jiān)控系統(tǒng)。 在“虛擬工廠”中，管理者可以從生產(chǎn)系統(tǒng)級、產(chǎn)線級、工站級、單機級和關(guān)機部件級對設(shè)備狀態(tài)進行垂直立體化的管理，根據(jù)設(shè)備的實時狀態(tài)進行維護計劃和生產(chǎn)計劃的調(diào)度。

該系統(tǒng)還能夠每天生成一份健康報告，對生產(chǎn)線上所有設(shè)備的健康狀態(tài)進行排序和統(tǒng)計分析，向設(shè)備管理人員提供每一臺設(shè)備的健康風險狀態(tài)和主要風險部位，這樣在日常的點檢中就可以做到詳略得當，既不放過任何一個風險點，也盡可能避免了不必要的檢查和維護工作，實現(xiàn)了從預(yù)防式維護到預(yù)測式維護的轉(zhuǎn)變。

注：此案例來源于于李杰等著寫的《從大數(shù)據(jù)到智能制造》一書中。

關(guān)于慧都大數(shù)據(jù)分析平臺

慧都大數(shù)據(jù)分析平臺「GetInsight®」升級發(fā)布，將基于企業(yè)管理駕駛艙、產(chǎn)品質(zhì)量分析及預(yù)測、設(shè)備分析及預(yù)測等大數(shù)據(jù)模型的構(gòu)建，助力企業(yè)由傳統(tǒng)運營模式向數(shù)字化、智能化的新模式轉(zhuǎn)型升級，抓住數(shù)據(jù)經(jīng)濟的發(fā)展勢頭，提供管理效能，精準布局未來。了解更多，請。

慧都大數(shù)據(jù)專業(yè)團隊為企業(yè)提供商業(yè)智能大數(shù)據(jù)平臺搭建，免費業(yè)務(wù)咨詢，定制開發(fā)等完整服務(wù)，快速、輕松、低成本將任何Hadoop集群從試用階段轉(zhuǎn)移到生產(chǎn)階段。

歡迎撥打慧都熱線023-68661681或咨詢，我們有專業(yè)的大數(shù)據(jù)團隊，為您提供免費大數(shù)據(jù)相關(guān)業(yè)務(wù)咨詢！