本文部分理論圖示和案例借鑒知乎文章

隨著市場(chǎng)對(duì)高精度產(chǎn)品需求的激增和對(duì)產(chǎn)品精度要求的提高，越來越多的企業(yè)采用工業(yè)機(jī)器人來做重復(fù)的高精度生產(chǎn)工作。

而工業(yè)機(jī)器人的數(shù)量和使用時(shí)間不斷上升，導(dǎo)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(jī)的事件。因此，需要進(jìn)行有效的預(yù)測(cè)并做到基于狀態(tài)的實(shí)時(shí)維護(hù)，有效地降低宕機(jī)時(shí)間、提高稼動(dòng)率、保障產(chǎn)品質(zhì)量，最終實(shí)現(xiàn)近零宕機(jī)，近零次品。

目標(biāo)

由于工業(yè)機(jī)器人被大量使用，且生產(chǎn)環(huán)境十分復(fù)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(duì)其健康進(jìn)行分析。我們的目標(biāo)是在健康管理方面引進(jìn)預(yù)測(cè)分析模型，通過有效的控制器信號(hào)參數(shù)，實(shí)現(xiàn)變工況、復(fù)雜系統(tǒng)的產(chǎn)線級(jí)到工廠級(jí)的預(yù)測(cè)性維護(hù)和集群運(yùn)維管理。

核心技術(shù)

對(duì)機(jī)械臂進(jìn)行健康預(yù)診的分析結(jié)果

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

在健康評(píng)估方面，所要解決的最大挑戰(zhàn)是設(shè)備運(yùn)行工況的復(fù)雜和設(shè)備多樣性的問題，因此采用了同類對(duì)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(duì)比相似設(shè)備在執(zhí)行相似動(dòng)作時(shí)信號(hào)特征的相似程度找到利群點(diǎn)，作為判斷早期故障的依據(jù)。

在對(duì)設(shè)備進(jìn)行聚類時(shí)，首先要根據(jù)設(shè)備的型號(hào)和使用時(shí)間進(jìn)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(jìn)行第二輪聚類。

在針對(duì)機(jī)械臂的分析上，不同的動(dòng)作循環(huán)造成的驅(qū)動(dòng)馬達(dá)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(dāng)機(jī)械臂執(zhí)行相似的動(dòng)作時(shí)，上述的特征分布應(yīng)該十分相似，利用聚類模型可以進(jìn)行自動(dòng)識(shí)別。

在大量機(jī)械臂的數(shù)據(jù)被采集和分析的條件下，對(duì)不同種類和運(yùn)行工況的機(jī)械臂進(jìn)行聚類分析，形成一個(gè)個(gè)機(jī)械臂的“虛擬社區(qū)”，社區(qū)機(jī)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(gè)機(jī)械臂與集群的差異性來判斷其處于異常的程度，并對(duì)集群內(nèi)所有機(jī)械臂的健康狀態(tài)進(jìn)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(jì)模式識(shí)別等方法。

使用選定算法能夠判斷一個(gè)機(jī)械臂每一個(gè)驅(qū)動(dòng)馬達(dá)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(píng)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(dāng)分布偏差評(píng)估值超過控制邊界并持續(xù)變大時(shí)，說明早期故障正在逐步發(fā)展嚴(yán)重。

該方法在大量機(jī)械臂數(shù)據(jù)的驗(yàn)證結(jié)果中顯示，大多數(shù)的驅(qū)動(dòng)電機(jī)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(cè)分布偏差評(píng)估值的發(fā)展趨勢(shì)，還可以對(duì)機(jī)械臂發(fā)生故障的時(shí)間進(jìn)行預(yù)測(cè)，為維護(hù)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(cè)成功案例

XX汽車制造公司在整車生產(chǎn)過程中將會(huì)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(yùn)藏了巨大的價(jià)值，包括產(chǎn)品故障、生產(chǎn)優(yōu)化的目標(biāo)都可以從數(shù)據(jù)中進(jìn)行挖掘。客戶需要我們對(duì)能耗和生產(chǎn)數(shù)據(jù)進(jìn)行挖掘，找出異常點(diǎn)，希望分析出節(jié)約能耗的方向，并且對(duì)生產(chǎn)過程中的故障進(jìn)行預(yù)測(cè)。

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(shí)施、維護(hù)一整個(gè)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(shí)分析等

數(shù)據(jù)處理：基于耗電、耗水、耗時(shí)數(shù)據(jù)進(jìn)行處理，找到數(shù)據(jù)的異常點(diǎn)，對(duì)異常點(diǎn)進(jìn)行分析。

圖1 識(shí)別時(shí)序數(shù)據(jù)中的異常點(diǎn)

圖2 識(shí)別能耗時(shí)序數(shù)據(jù)的拐點(diǎn)

經(jīng)分析發(fā)現(xiàn)，很多設(shè)備在非工作時(shí)間依然開機(jī)，如果關(guān)機(jī)，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(shí)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(huì)節(jié)約能耗3.23%和6.30%。

用Qlik進(jìn)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(dǎo)入實(shí)施，項(xiàng)目團(tuán)隊(duì)結(jié)合客戶現(xiàn)場(chǎng)生產(chǎn)情況通過和客戶詳細(xì)溝通斟酌，實(shí)施團(tuán)隊(duì)駐場(chǎng)開發(fā)經(jīng)過接近半年的共同努力，最終于2019年3月項(xiàng)目經(jīng)培訓(xùn)后成功交付。

客戶表示，應(yīng)用后效果顯著：

• 人工判斷異常準(zhǔn)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(shí)間為10分鐘，方案實(shí)施之后，只需要100ms。
• 方案實(shí)施后，前處理節(jié)能3.23%。
• 方案實(shí)施后，電泳節(jié)能6.30%。

注：此案例來源于慧都大數(shù)據(jù)團(tuán)隊(duì)的真實(shí)客戶能耗分析及故障預(yù)測(cè)項(xiàng)目實(shí)施。

2、機(jī)器人健康預(yù)測(cè)分析管理系統(tǒng)

以日本某汽車制造商對(duì)機(jī)械臂的預(yù)測(cè)式維護(hù)為例，首先采集大量機(jī)械臂的數(shù)據(jù)，并對(duì)不同種類和工況的機(jī)械臂進(jìn)行聚類分析，形成一個(gè)個(gè)機(jī)械臂的“虛擬社區(qū)”，之后社區(qū)內(nèi)的機(jī)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(gè)機(jī)械臂與集群的差異性來判斷其處于異常的程度，并對(duì)集群內(nèi)所有機(jī)械臂的健康狀態(tài)進(jìn)行排序。

在對(duì)機(jī)械手臂的健康狀態(tài)進(jìn)行定量化分析之后，該制造商對(duì)分析結(jié)果進(jìn)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(jí)、產(chǎn)線級(jí)、工站級(jí)、單機(jī)級(jí)和關(guān)機(jī)部件級(jí)對(duì)設(shè)備狀態(tài)進(jìn)行垂直立體化的管理，根據(jù)設(shè)備的實(shí)時(shí)狀態(tài)進(jìn)行維護(hù)計(jì)劃和生產(chǎn)計(jì)劃的調(diào)度。

該系統(tǒng)還能夠每天生成一份健康報(bào)告，對(duì)生產(chǎn)線上所有設(shè)備的健康狀態(tài)進(jìn)行排序和統(tǒng)計(jì)分析，向設(shè)備管理人員提供每一臺(tái)設(shè)備的健康風(fēng)險(xiǎn)狀態(tài)和主要風(fēng)險(xiǎn)部位，這樣在日常的點(diǎn)檢中就可以做到詳略得當(dāng)，既不放過任何一個(gè)風(fēng)險(xiǎn)點(diǎn)，也盡可能避免了不必要的檢查和維護(hù)工作，實(shí)現(xiàn)了從預(yù)防式維護(hù)到預(yù)測(cè)式維護(hù)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(tái)

慧都大數(shù)據(jù)分析平臺(tái)「GetInsight®」升級(jí)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(cè)、設(shè)備分析及預(yù)測(cè)等大數(shù)據(jù)模型的構(gòu)建，助力企業(yè)由傳統(tǒng)運(yùn)營模式向數(shù)字化、智能化的新模式轉(zhuǎn)型升級(jí)，抓住數(shù)據(jù)經(jīng)濟(jì)的發(fā)展勢(shì)頭，提供管理效能，精準(zhǔn)布局未來。了解更多，請(qǐng)。

慧都大數(shù)據(jù)專業(yè)團(tuán)隊(duì)為企業(yè)提供商業(yè)智能大數(shù)據(jù)平臺(tái)搭建，免費(fèi)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(tuán)隊(duì)，為您提供免費(fèi)大數(shù)據(jù)相關(guān)業(yè)務(wù)咨詢！