从大数据到智能制造：工业机械臂智能维护案例分享

---

本文部分理论图示和案例借鉴知乎文章

随着市场对高精度产品需求的激增和对产品精度要求的提高，越来越多的企业采用工业机器人来做重复的高精度生产工作。

而工业机器人的数量和使用时间不断上升，导致故障发生频率随之提高，这不仅影响产品质量，甚至造成停机的事件。因此，需要进行有效的预测并做到基于状态的实时维护，有效地降低宕机时间、提高稼动率、保障产品质量，最终实现近零宕机，近零次品。

目标

由于工业机器人被大量使用，且生产环境十分复杂，因此不适合安装外部传感器，而是使用控制器内的监控参数对其健康进行分析。我们的目标是在健康管理方面引进预测分析模型，通过有效的控制器信号参数，实现变工况、复杂系统的产线级到工厂级的预测性维护和集群运维管理。

核心技术

对机械臂进行健康预诊的分析结果

从控制器中获得信号的采样频率较低，针对一些高频采样或波形信号的特征提取方法将不再适用，取而代之的是按照每一个动作循环提取固定的信号统计特征，如 RMS、方差、极值、峭度值和特定位置的负载值等。

在健康评估方面，所要解决的最大挑战是设备运行工况的复杂和设备多样性的问题，因此采用了同类对比（ peer to peer）的方法消除由于工况多样性造成的建模困难，通过直接对比相似设备在执行相似动作时信号特征的相似程度找到利群点，作为判断早期故障的依据。

在对设备进行聚类时，首先要根据设备的型号和使用时间进行第一轮聚类，随后则要根据设备的任务、环境和工况进行第二轮聚类。

在针对机械臂的分析上，不同的动作循环造成的驱动马达扭矩是不同的，这里选择扭矩的最大值、最小值和平均值作为聚类的依据。当机械臂执行相似的动作时，上述的特征分布应该十分相似，利用聚类模型可以进行自动识别。

在大量机械臂的数据被采集和分析的条件下，对不同种类和运行工况的机械臂进行聚类分析，形成一个个机械臂的“虚拟社区”，社区机械臂的数据分析采用集群建模的方法，通过比较每一个机械臂与集群的差异性来判断其处于异常的程度，并对集群内所有机械臂的健康状态进行排序。判断差异性程度的算法有许多种，比如 PCA-T2模型、高斯混合模型、自组织映射图、统计模式识别等方法。

使用选定算法能够判断一个机械臂每一个驱动马达的监控参数特征与统一集群内其他设备总体分布情况的相似程度，以分布偏差评估值作为最终的输出结果。使用 90% 或 95% 的置信区间确定其控制边界，当分布偏差评估值超过控制边界并持续变大时，说明早期故障正在逐步发展严重。

该方法在大量机械臂数据的验证结果中显示，大多数的驱动电机早期故障都能够在提前至少 2 ~ 3 周内被发现。 通过预测分布偏差评估值的发展趋势，还可以对机械臂发生故障的时间进行预测，为维护排程提供依据。

案例分享

1、汽车制造业能耗分析及故障预测成功案例

XX汽车制造公司在整车生产过程中将会产生巨量数据，包括能耗数据、生产数据、环境数据等，这些数据中蕴藏了巨大的价值，包括产品故障、生产优化的目标都可以从数据中进行挖掘。客户需要我们对能耗和生产数据进行挖掘，找出异常点，希望分析出节约能耗的方向，并且对生产过程中的故障进行预测。

慧都能耗异常值分析，为XX汽车制造公司提供咨询、调研、研发、实施、维护一整个环节的完善服务。

数据探索：耗电分析、耗水分析、耗时分析等

数据处理：基于耗电、耗水、耗时数据进行处理，找到数据的异常点，对异常点进行分析。

图1 识别时序数据中的异常点

图2 识别能耗时序数据的拐点

经分析发现，很多设备在非工作时间依然开机，如果关机，电泳和前处理阶段的节能情况如下

如果能够将某些车的前处理和电泳时间分别减少到37分钟和23分钟，在处理功率恒定的情况下，分别将会节约能耗3.23%和6.30%。

用Qlik进行数据探索分析——耗能分析

成功交付

慧都能耗异常值分析解决方案从2018年11月开始导入实施，项目团队结合客户现场生产情况通过和客户详细沟通斟酌，实施团队驻场开发经过接近半年的共同努力，最终于2019年3月项目经培训后成功交付。

客户表示，应用后效果显著：

• 人工判断异常准确率为50%，方案优化之后，可以提高到83%。
• 人工判断异常平均时间为10分钟，方案实施之后，只需要100ms。
• 方案实施后，前处理节能3.23%。
• 方案实施后，电泳节能6.30%。

注：此案例来源于慧都大数据团队的真实客户能耗分析及故障预测项目实施。

2、机器人健康预测分析管理系统

以日本某汽车制造商对机械臂的预测式维护为例，首先采集大量机械臂的数据，并对不同种类和工况的机械臂进行聚类分析，形成一个个机械臂的“虚拟社区”，之后社区内的机械臂的数据分析采用集群建模的方法，通过比较每一个机械臂与集群的差异性来判断其处于异常的程度，并对集群内所有机械臂的健康状态进行排序。

在对机械手臂的健康状态进行定量化分析之后，该制造商对分析结果进行了网络化的内容管理，建立了“ 虚拟工厂” 的在线监控系统。 在“虚拟工厂”中，管理者可以从生产系统级、产线级、工站级、单机级和关机部件级对设备状态进行垂直立体化的管理，根据设备的实时状态进行维护计划和生产计划的调度。

该系统还能够每天生成一份健康报告，对生产线上所有设备的健康状态进行排序和统计分析，向设备管理人员提供每一台设备的健康风险状态和主要风险部位，这样在日常的点检中就可以做到详略得当，既不放过任何一个风险点，也尽可能避免了不必要的检查和维护工作，实现了从预防式维护到预测式维护的转变。

注：此案例来源于于李杰等著写的《从大数据到智能制造》一书中。

---

关于慧都大数据分析平台

慧都大数据分析平台「GetInsight®」升级发布，将基于企业管理驾驶舱、产品质量分析及预测、设备分析及预测等大数据模型的构建，助力企业由传统运营模式向数字化、智能化的新模式转型升级，抓住数据经济的发展势头，提供管理效能，精准布局未来。了解更多，请。

慧都大数据专业团队为企业提供商业智能大数据平台搭建，免费业务咨询，定制开发等完整服务，快速、轻松、低成本将任何Hadoop集群从试用阶段转移到生产阶段。

欢迎拨打慧都热线023-68661681或咨询，我们有专业的大数据团队，为您提供免费大数据相关业务咨询！