從大數據到智能制造：工業機械臂智能維護案例分享

---

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品需求的激增和對產品精度要求的提高，越來越多的企業采用工業機器人來做重復的高精度生產工作。

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

目標

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

核心技術

對機械臂進行健康預診的分析結果

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提取固定的信號統計特征，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是設備運行工況的復雜和設備多樣性的問題，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備在執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。

在對設備進行聚類時，首先要根據設備的型號和使用時間進行第一輪聚類，隨后則要根據設備的任務、環境和工況進行第二輪聚類。

在針對機械臂的分析上，不同的動作循環造成的驅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。當機械臂執行相似的動作時，上述的特征分布應該十分相似，利用聚類模型可以進行自動識別。

在大量機械臂的數據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”，社區機械臂的數據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，并對集群內所有機械臂的健康狀態進行排序。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動馬達的監控參數特征與統一集群內其他設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果。使用 90% 或 95% 的置信區間確定其控制邊界，當分布偏差評估值超過控制邊界并持續變大時，說明早期故障正在逐步發展嚴重。

該方法在大量機械臂數據的驗證結果中顯示，大多數的驅動電機早期故障都能夠在提前至少 2 ~ 3 周內被發現。 通過預測分布偏差評估值的發展趨勢，還可以對機械臂發生故障的時間進行預測，為維護排程提供依據。

案例分享

1、汽車制造業能耗分析及故障預測成功案例

XX汽車制造公司在整車生產過程中將會產生巨量數據，包括能耗數據、生產數據、環境數據等，這些數據中蘊藏了巨大的價值，包括產品故障、生產優化的目標都可以從數據中進行挖掘。客戶需要我們對能耗和生產數據進行挖掘，找出異常點，希望分析出節約能耗的方向，并且對生產過程中的故障進行預測。

慧都能耗異常值分析，為XX汽車制造公司提供咨詢、調研、研發、實施、維護一整個環節的完善服務。

數據探索：耗電分析、耗水分析、耗時分析等

數據處理：基于耗電、耗水、耗時數據進行處理，找到數據的異常點，對異常點進行分析。

圖1 識別時序數據中的異常點

圖2 識別能耗時序數據的拐點

經分析發現，很多設備在非工作時間依然開機，如果關機，電泳和前處理階段的節能情況如下

如果能夠將某些車的前處理和電泳時間分別減少到37分鐘和23分鐘，在處理功率恒定的情況下，分別將會節約能耗3.23%和6.30%。

用Qlik進行數據探索分析——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，項目團隊結合客戶現場生產情況通過和客戶詳細溝通斟酌，實施團隊駐場開發經過接近半年的共同努力，最終于2019年3月項目經培訓后成功交付。

客戶表示，應用后效果顯著：

• 人工判斷異常準確率為50%，方案優化之后，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，前處理節能3.23%。
• 方案實施后，電泳節能6.30%。

注：此案例來源于慧都大數據團隊的真實客戶能耗分析及故障預測項目實施。

2、機器人健康預測分析管理系統

以日本某汽車制造商對機械臂的預測式維護為例，首先采集大量機械臂的數據，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”，之后社區內的機械臂的數據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，并對集群內所有機械臂的健康狀態進行排序。

在對機械手臂的健康狀態進行定量化分析之后，該制造商對分析結果進行了網絡化的內容管理，建立了“ 虛擬工廠” 的在線監控系統。 在“虛擬工廠”中，管理者可以從生產系統級、產線級、工站級、單機級和關機部件級對設備狀態進行垂直立體化的管理，根據設備的實時狀態進行維護計劃和生產計劃的調度。

該系統還能夠每天生成一份健康報告，對生產線上所有設備的健康狀態進行排序和統計分析，向設備管理人員提供每一臺設備的健康風險狀態和主要風險部位，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，實現了從預防式維護到預測式維護的轉變。

注：此案例來源于于李杰等著寫的《從大數據到智能制造》一書中。

---

關于慧都大數據分析平臺

慧都大數據分析平臺「GetInsight®」升級發布，將基于企業管理駕駛艙、產品質量分析及預測、設備分析及預測等大數據模型的構建，助力企業由傳統運營模式向數字化、智能化的新模式轉型升級，抓住數據經濟的發展勢頭，提供管理效能，精準布局未來。了解更多，請。

慧都大數據專業團隊為企業提供商業智能大數據平臺搭建，免費業務咨詢，定制開發等完整服務，快速、輕松、低成本將任何Hadoop集群從試用階段轉移到生產階段。

歡迎撥打慧都熱線023-68661681或咨詢，我們有專業的大數據團隊，為您提供免費大數據相關業務咨詢！