漢俊梅 杜儉狀 張錦楓 程鵬力 齊石

（一汽模具制造有限公司，長春130013）

1 前言

傳統(tǒng)生產(chǎn)線主要采用事后控制的方式解決設備維護問題，為了避免事后維護給生產(chǎn)線帶來損失，采用預防性維護的方式，即在規(guī)劃的時間里對生產(chǎn)線的設備進行統(tǒng)一維護保養(yǎng)、更換、升級。采用預防性維護可規(guī)避發(fā)生大故障的風險，但同時也不可避免地廢棄了設備的剩余使用價值，且也不能真正地避免發(fā)生突發(fā)故障。

從生產(chǎn)線資產(chǎn)管理角度來看，每套機械設備都是企業(yè)的一筆重要資產(chǎn)。設備長期可靠的運行，不但能保證正常的生產(chǎn)和可靠的質(zhì)量，而且可以避免故障引發(fā)的停機。為此，生產(chǎn)線中對出現(xiàn)故障會導致嚴重影響生產(chǎn)的關鍵設備采用預測性維護方案，即這類設備在故障發(fā)生前出現(xiàn)預警再完成維護，既可以大幅度降低維護成本和故障率，也可以提高設備運行的生命周期。

2 預測性維護與預防性維護的對比分析

維護觸發(fā)點的對比如下。

a.預測性維護。在故障發(fā)生前，給維護人員預留足夠應對時間以做出應對措施。

b.預防性維護。周期固定，不考慮設備實際狀態(tài)，可能帶來過渡維護。

維護方式的對比如下。

a.預測性維護。根據(jù)設備的實際運行狀態(tài)來決定設備的維護方式以及維護關注點。

b.預防性維護。根據(jù)設備各部件的平均損壞率經(jīng)驗來進行維護，不考慮實際運行狀態(tài)。

維護成本的對比如下。

a.預測性維護。維護成本較低，設備停機、生產(chǎn)停產(chǎn)時間更短。

b.預防性維護。維護成本較高，設備停機、生產(chǎn)停產(chǎn)時間更長。

使用場景的對比如下。

a.預測性維護?？梢詫崟r獲取各個設備的運行狀態(tài)和時間。

b.預防性維護。無法準確獲取各個設備運行狀態(tài)和時間。

3 預測性維護的優(yōu)勢

成本控制是制造業(yè)長遠發(fā)展的關鍵，一直以來，制造商在積極尋求降低成本，提高投資回報率。隨著物聯(lián)網(wǎng)、大數(shù)據(jù)等技術(shù)的不斷突破，生產(chǎn)成本控制有了一個更好的解決方案，那就是對設備的監(jiān)控和預測性維護。預測性維護可以幫助生產(chǎn)線生產(chǎn)過程中減少非計劃停機時間、降低維護成本、消除潛在設備故障、增加產(chǎn)量等優(yōu)勢，同時對于提升質(zhì)量、延續(xù)設備使用價值做出貢獻，取得良好的經(jīng)濟收益。

4 焊裝線預測性維護系統(tǒng)設備的構(gòu)成和網(wǎng)絡架構(gòu)

本項目對某焊裝生產(chǎn)線各條線體中的機器人（包含機器人七軸）、滑臺電機、轉(zhuǎn)臺轉(zhuǎn)轂電機進行預測性維護，見表1。預測性維護系統(tǒng)整體網(wǎng)絡架構(gòu)見圖1（圖中的LEVEL1層只以下部線部分線體為例，其它線體類同），機器人預測性維護系統(tǒng)網(wǎng)絡架構(gòu)見圖2，電機預測性維護系統(tǒng)網(wǎng)絡架構(gòu)見圖3。

表1 機器人和關鍵設備電機匯總表 臺

圖1 預測性維護系統(tǒng)整體網(wǎng)絡架構(gòu)

圖2 機器人預測性維護系統(tǒng)網(wǎng)絡架構(gòu)

圖3 電機預測性維護系統(tǒng)網(wǎng)絡架構(gòu)

5 預測性維護系統(tǒng)數(shù)據(jù)基本架構(gòu)

在預測性維護中，通過采集歷史數(shù)據(jù)、物聯(lián)網(wǎng)傳感器數(shù)據(jù)等綜合數(shù)據(jù)來有效地解決設備生產(chǎn)允許的實際問題，主要包括設備使用情況、設備預計壽命、設備發(fā)生故障概率、設備發(fā)送故障原因、發(fā)生故障時最合適的維修方案等。本項目預測性維護系統(tǒng)基本架構(gòu)包括機器人數(shù)據(jù)采集與工業(yè)大數(shù)據(jù)平臺、設備上電機振動等信號實時采集數(shù)學模型，見圖4。

圖4 預測性維護系統(tǒng)數(shù)據(jù)基礎架構(gòu)

6 機器人預測性維護系統(tǒng)實施方案

本項目機器人預測性維護是通過機器人控制器內(nèi)部的數(shù)據(jù)采集程序?qū)χ攸c數(shù)據(jù)進行實時采集和處理。數(shù)據(jù)采集通過在現(xiàn)場重點區(qū)域設立數(shù)據(jù)采集計算機，并運行數(shù)據(jù)采集軟件服務的形式完成。需要采集的數(shù)據(jù)如下。

a.基礎數(shù)據(jù)。機器人名稱、機器人序列號、控制器地址、軟件版本號、RAPID程序已用內(nèi)存、RAPID程序未用內(nèi)存。

b.監(jiān)控數(shù)據(jù)。內(nèi)部軸電機的齒輪箱運轉(zhuǎn)狀態(tài)、PTC溫度報警狀態(tài)、運行狀態(tài)(motor on/off)、外部電機PTC溫度報警狀態(tài)、驅(qū)動單元溫度。

c.工藝數(shù)據(jù)。機器人的工作總時間、單個循環(huán)周期時間、自動生產(chǎn)時間、手動模式運行時間、HOME位置監(jiān)控、各軸工作時長、各軸工作角度、急停情況統(tǒng)計。

d.事件與報警數(shù)據(jù)。系統(tǒng)的報警信息、警告信息、提示信息。

機器人預測性維護系統(tǒng)的功能模塊包括數(shù)據(jù)采集存儲及預處理模塊、測點數(shù)據(jù)趨勢及關聯(lián)性分析模塊、機器人生產(chǎn)關鍵部件運行狀態(tài)實時監(jiān)控模塊、告警分析及管理模塊、模型（組）配置及管理模塊、用戶權(quán)限及系統(tǒng)配置模塊?；谶@些功能模塊，本項目所研發(fā)的預測性維護系統(tǒng)能滿足對目標機器人的狀態(tài)監(jiān)控，提供機器人的實時報警列表、參數(shù)實時趨勢、以及基本信息查詢。機器人詳細數(shù)據(jù)列表見表2。

表2 獲取機器人詳細數(shù)據(jù)列表

從數(shù)據(jù)分析層面出發(fā)，本方案所描述的機器人預測性維護系統(tǒng)，提供相關智能算法以滿足對機器人狀態(tài)量數(shù)據(jù)（如對作業(yè)機器人本體相關重要部件健康度進行實時監(jiān)控，以及預警）的分析與建模。機器人預測性維護技術(shù)路線如下。

a.確定對機器人發(fā)生故障相關聯(lián)的設備，以及故障敏感的測點/部件；

b.設計接口，有數(shù)據(jù)源導出相關數(shù)據(jù)；

c.通過關聯(lián)性分析找到其它對故障具有預警能力的測點；

d.根據(jù)采集的數(shù)據(jù)和類型有針對性地建立監(jiān)控模型；

e.應用此模型對運行狀態(tài)的機器人進行實時監(jiān)控；

f.當測量值與模型不符即觸發(fā)報警，并對數(shù)據(jù)劣化趨勢做出預判；

g.根據(jù)系統(tǒng)數(shù)值狀態(tài)對整體健康做出評估，負責布局更換/維修決策。

機器人機械臂的主要組成部分有機身、手臂和末端操作器。手臂一般由上臂、下臂和手腕組成。本系統(tǒng)重點監(jiān)控的機械部件為軸電機及齒輪箱。如圖5所示，在機器人機械臂的腕、肘、肩及腰關節(jié)處均有伺服電機及其相對應的齒輪箱。針對被監(jiān)控部件，所需采集的信號包括內(nèi)部軸電機及齒輪箱運轉(zhuǎn)狀態(tài)、內(nèi)部軸電機運行狀態(tài)(motor on/off)、機器人各軸工作時長等等信號。機器人所有提取信號均均通過OPC形式通訊讀取，通過OPC UA Server連接機器人控制器，使得機器人控制器內(nèi)部信號開放給OPC UA Clinet以供讀取及訪問。

圖5 機器人機械臂構(gòu)成

7 .電機預測性維護系統(tǒng)實施方案

本項目通過對設備電機狀況實施持續(xù)監(jiān)測，基于機器學習算法和模型來分析評估設備健康狀況，基于完善的歷史數(shù)據(jù)，預測未來的設備健康裂化趨勢，預測未來一段時間故障發(fā)生的可能性。需要采集的數(shù)據(jù)如下。

a.狀態(tài)信息。振動監(jiān)控系統(tǒng)對電機進行監(jiān)控，軟件反映出現(xiàn)場電機的運行狀態(tài)，并進行記錄。

b.故障信息。轉(zhuǎn)子質(zhì)量不平衡、偏心、軸彎曲、不對中、共振、跳動、機械失效、軸承損壞（區(qū)分內(nèi)環(huán)、外環(huán)、滾子、保持架）、齒輪故障、電機氣隙不均等故障。

c.深度分析。振動有效值和峰值，軸承和齒輪故障窄帶有效值，機械磨損現(xiàn)象，建立預測設備剩余壽命模型。

電機預測性維護系統(tǒng)中的電機轉(zhuǎn)子轉(zhuǎn)速、繞組問題、電壓電流等信號通過變頻器與PLC通訊方法獲取。電機振動傳感器通過現(xiàn)場電機旁安裝的振動數(shù)據(jù)采集箱采集電機上的振動狀態(tài)進行高頻采樣和本地處理。采集數(shù)據(jù)的處理結(jié)果通過工業(yè)以太網(wǎng)傳送給本地的振動分析平臺上的預測性維護系統(tǒng)和SCADA系統(tǒng)（數(shù)據(jù)采集與監(jiān)控系統(tǒng)）進行顯示。再利用特定的專家系統(tǒng)定期對現(xiàn)場的振動數(shù)據(jù)進行分析，并給出維護建議。

電機預測性維護系統(tǒng)實現(xiàn)的專業(yè)分析報告，振動歷史趨勢分析、軸承振動KPI總覽及數(shù)據(jù)細節(jié)、具體措施與維護建議、對未來允許趨勢作出預測等報告。

7.1 電機預測性維護算法邏輯

趨勢預測主要通過將已經(jīng)收集到的有效數(shù)據(jù)進行必要的轉(zhuǎn)化，輸出對于AI算法有意義的無量綱數(shù)據(jù)，再對該有效數(shù)據(jù)進行相關性分析，之后通過神經(jīng)網(wǎng)絡等實現(xiàn)實時偏差分析，最后實現(xiàn)趨勢預測的分析過程。

a.數(shù)據(jù)集成管理。歷史數(shù)據(jù)讀取、試試數(shù)據(jù)存儲處理、性能。

b.相關性分析。預處理、FFT/Wavelet、相關性技術(shù)、聚類分析、時間復雜度。

c.實時偏差分析。支撐向量機、高斯混合模型、神經(jīng)網(wǎng)絡；

d.預測性分析。神經(jīng)網(wǎng)絡、高斯過程。

7.2 電機預測性維護模型數(shù)據(jù)流

該系統(tǒng)的模型數(shù)據(jù)流見圖6。

圖6 電機預測性維護模型數(shù)據(jù)流程

7.3 電機預測性維護模型訓練

自動數(shù)據(jù)分析將短期數(shù)據(jù)和歷史數(shù)據(jù)作為輸入，歷史數(shù)據(jù)將用于訓練模型，這些模型將應用于短期數(shù)據(jù)進行預測分析。建模專家根據(jù)預先定義的策略分配短期數(shù)據(jù)和歷史數(shù)據(jù)，并將建模配置作為輸入來訓練模型。預測分析完成后，如果出現(xiàn)異?；驒z測到異常，將向其他組件發(fā)出警告警報。自動數(shù)據(jù)分析主要包括四個模塊:狀態(tài)監(jiān)視、預測和調(diào)查、歷史數(shù)據(jù)檢索、建模配置。預測性維護模型訓練流程見圖7。

圖7 模型訓練流程

7.4 電機預測性維護的數(shù)學建模過程和數(shù)據(jù)來源

電機預測性維護的數(shù)學建模過程是通過對電機設備狀況實施持續(xù)監(jiān)測，基于機器學習算法和模型來分析評估設備健康狀況，基于6個月歷史數(shù)據(jù)，預測未來3個月的設備健康裂化趨勢，預測未來3個月故障發(fā)生的可能性并能給出相應的維護建議。預維護系統(tǒng)具有用戶友好的人機界面，同時具備數(shù)據(jù)采集和導出、在線狀態(tài)檢測與分析、預報警、深度分析設備故障等功能。實現(xiàn)準確判定設備故障部位及程度，提出檢修指導建議。

預測性維護系統(tǒng)的數(shù)學分析模型及數(shù)據(jù)規(guī)整和處理機制依據(jù)現(xiàn)場實際的數(shù)據(jù)量及數(shù)據(jù)質(zhì)量，并能保證設備運行多年后因數(shù)據(jù)采集質(zhì)量和設備工況的變化以及各項權(quán)重因子的變化，依然能夠保證預測性維護系統(tǒng)功能和其準確性。

預測性維護的模型和算法的數(shù)據(jù)來源如下。

a.基礎模型以電機典型的不平衡，不對中，軸承磨損，齒輪磨損為主，通過振動頻率及對應幅值進行判斷。

b.以算法為主的模型主要針對非典型的機械磨損為主，主要通過特征值變化以及工藝參數(shù)變化為導向，通過一定的數(shù)學函數(shù)計算和邏輯計算得出的結(jié)果。

c.預測結(jié)合歷史故障數(shù)據(jù)，對故障演變進程建模，實現(xiàn)對未來故障發(fā)生時間的預估，進而確定最合適的介入維護時間。

8 預測性維護系統(tǒng)功能模塊的設計

預測性維護系統(tǒng)功能模塊主要涵蓋登錄模塊、主監(jiān)控模塊、歷史報警模塊、模型管理模塊、資產(chǎn)管理模塊、用戶管理模塊。

a.登錄模塊。該模塊用于用戶的登入和登出，主要包含用戶登入、用戶登出、根據(jù)用戶名獲取用戶頭像等功能。

b.主監(jiān)控模塊。該模塊主要用于查看設備的一些監(jiān)控功能。查看各設備的健康度（可以根據(jù)單個設備ID號查詢設備最新的健康值，根據(jù)多個設備ID號查詢多個設備最新的健康值，查詢蘑菇時間段內(nèi)某個設備的健康值，根據(jù)設備ID號查詢該設備是否有模型在監(jiān)控），查看某個時間段內(nèi)某個傳感器的FFT（傅里葉變換）數(shù)據(jù)、某個傳感器的最近幾條FFT數(shù)據(jù)，查看某個時間段內(nèi)某個傳感器的原始數(shù)據(jù)、某個傳感器的最近幾條原始數(shù)據(jù)，查詢某個時間段內(nèi)某個傳感器某幾個特征的特征數(shù)據(jù)和最近幾條特征數(shù)據(jù)，設備告警次數(shù)的統(tǒng)計（以日、周、月為單位統(tǒng)計各個設備所發(fā)生的異常告警次數(shù)）。

c.歷史告警模塊。在歷史告警模塊中，系統(tǒng)給用戶提供了歷史高級信息的顯示和交互功能。該模塊主要包含告警信息的更新（確認為真正告警）、根據(jù)查詢條件列出符合條件的告警信息并分頁顯示。

d.模型管理模塊。在模型管理模塊中，系統(tǒng)提供了對模型的新增、查詢、修改、刪除、訓練、停止訓練、運行及停止運行的功能。該模塊主要包含根據(jù)查詢條件列出符合條件的模型信息并分頁顯示、根據(jù)多個模型的id號查詢模型的信息、查詢某個設備的模型信息、新增模型、修改模型信息、修改模型信息、激活/停止監(jiān)控模型、訓練模型、停止模型訓練等功能。

e.資產(chǎn)管理模塊。該模塊主要是對分組、設備以及傳感器進行管理。對于分組主要包括新建、修改、刪除、查詢等功能，并可獲取所有分組的狀態(tài)值（即健康值）。對于設備主要包括新建、修改、刪除、查詢、顯示等設備信息功能，同時可獲取所有設備的ID號、運行模型的名稱、模型的數(shù)量。對于傳感器主要包括新建、修改、刪除、查詢等傳感器信息功能，同時根據(jù)設備ID號查詢傳感器信息并分頁顯示。

f.用戶管理模塊。在用戶管理模塊中，系統(tǒng)提供了對用戶的新增、查詢、修改、刪除的功能，并分配權(quán)限。

9 預測性維護系統(tǒng)交互界面展示

預測性維護系統(tǒng)交互界面主要保護設備組狀態(tài)、設備狀態(tài)，設備監(jiān)控詳情頁、報警詳情頁等。

畫面使用儀表盤來展示相應設備組的健康度（0%～100%），且分為3個等級：優(yōu)（≥60%）、中(≥30%，＜60)、差（＜30%），該范圍可根據(jù)需要進行調(diào)整，見圖8。

圖8 設備組狀態(tài)示意

設備使用交通燈來顯示設備的運行狀態(tài)，交通燈狀態(tài)包括優(yōu)、良、差、未監(jiān)視。優(yōu)、良和差是系統(tǒng)對已監(jiān)視的設備做出的健康狀態(tài)評估（評判指標范圍可根據(jù)需要進行調(diào)整），如果設備沒有相關預測模型在運行時，顯示未監(jiān)視，見圖9。

圖9 設備狀態(tài)示意

在監(jiān)視狀態(tài)畫面中展示設備監(jiān)控健康詳情，如圖10所示。設備健康狀況及預測基于最新一次采集的數(shù)據(jù)，使用訓練好的監(jiān)測模型評估及預測設備健康狀況，其中預測的健康狀況曲線被置信區(qū)間所包圍。

圖10 設備健康度示意

報警分析界面主要包含報警統(tǒng)計信息、報警列表、報警詳情頁。統(tǒng)計設備最近1天/7天/30天所產(chǎn)生的報警數(shù)目，可對日期進行切換，預警分為高預警（危險預警）和低預警（普通預警），見圖11。

圖11 報警統(tǒng)計信息示意

10 結(jié)論

預測性維護在技術(shù)方面的價值在于將開源的信息集成技術(shù)應用于工業(yè)現(xiàn)場，打通IT（互聯(lián)網(wǎng)技術(shù)）與OT（運營技術(shù)），完成OT層面的數(shù)據(jù)采集、IT層面的信息集成，并應用機器學習技術(shù)對數(shù)據(jù)進行分析，即預測性建模。通過對設備監(jiān)控和預測性維護，可以降低產(chǎn)線與設備的當機，有利于降低廢品率，同時良好的設備運行和可預測的故障都會對安全運行帶來幫助。