PHM（故障預測與健康管理）工業智能實踐案例分享——工業機器人

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，越來越多的企業採用工業機器人來做重複的高精度生產工作。

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並做到基於狀態的實時維護，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

由於工業機器人被大量使用，且生產環境十分複雜，因此不適合安裝外部感測器，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、複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

從控制器中獲得信號的採樣頻率較低，針對一些高頻採樣或波形信號的特徵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徵，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複雜和設備多樣性的問題，因此採用了同類對比（ peer to peer）的方法消除由於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徵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，隨後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，這裡選擇扭矩的最大值、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，上述的特徵分布應該十分相似，利用聚類模型可以進行自動識別。

在大量機械臂的數據被採集和分析的條件下，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採用集群建模的方法，通過比較每一個機械臂與集群的差異性來判斷其處於異常的程度，並對集群內所有機械臂的健康狀態進行排序。判斷差異性程度的演算法有許多種，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。

使用選定演算法能夠判斷一個機械臂每一個驅動馬達的監控參數特徵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並持續變大時，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

以日本某汽車製造商對機械臂的預測式維護為例，首先採集大量機械臂的數據，並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」，之後社區內的機械臂的數據分析採用集群建模的方法，通過比較每一個機械臂與集群的差異性來判斷其處於異常的程度，並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後，該製造商對分析結果進行了網路化的內容管理，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台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，也儘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。

註：此案例被收錄於李傑等著寫的《從大數據到智能製造》一書中。

【工業智能實踐】相關閱讀：

PHM（故障預測與健康管理）工業智能實踐案例——半導體

PHM（故障預測與健康管理）工業智能實踐案例——軌旁設備

工業智能實踐案例——零部件級智能維護