Automobile Technology & Material
机器人和电机预测性维护在焊装线上的研发与应用……………………………………………………汉俊梅杜俭状张锦枫程鹏力齐石Development and Application of Predictive Maintenance of Robots & Motors on Welding Lines …………………………………………………………………………… Han Junmei, Du Jianzhuang, Zhang Jinfeng, Cheng Pengli, Qi Shi
130013） （一汽模具制造有限公司，长春
摘要：基于传感器、数据采集、大数据分析、云服务技术，使设备状态监测的预测性维护更为便利，维护成本更低。通过采集机器人监控数据、工艺数据、事件与报警数据，采集关键设备上的电机状态信息、故障信息、振动分析数据，建立预测性维护模型，实现对设备健康度的实时监控和评估，更为准确地预计故障发生的时间，以便维护人员准确及时做出应对措施。
关键词：预测性 数据采集 焊装线 数据分析 维护
中图分类号：U468.2+2 文献标识码：B 10.19710/J.cnki.1003-8817.20210115
DOI:
1 前言
传统生产线主要采用事后控制的方式解决设备维护问题，为了避免事后维护给生产线带来损失，采用预防性维护的方式，即在规划的时间里对生产线的设备进行统一维护保养、更换、升级。采用预防性维护可规避发生大故障的风险，但同时也不可避免地废弃了设备的剩余使用价值，且也不能真正地避免发生突发故障。
从生产线资产管理角度来看，每套机械设备都是企业的一笔重要资产。设备长期可靠的运
行，不但能保证正常的生产和可靠的质量，而且可以避免故障引发的停机。为此，生产线中对出现故障会导致严重影响生产的关键设备采用预测性维护方案，即这类设备在故障发生前出现预警再完成维护，既可以大幅度降低维护成本和故障率，也可以提高设备运行的生命周期。2 预测性维护与预防性维护的对比分析
维护触发点的对比如下。a.预测性维护。在故障发生前，给维护人员预留足够应对时间以做出应对措施。
作者简介：汉俊梅（1969—），女，正高级工程师，学士学位，研究方向为电气自动化、智能化控制。
参考文献引用格式：
汉俊梅, 杜俭状, 张锦枫, 等.机器人和电机预测性维护在焊装线上的研发与应用[J].汽车工艺与材料, 2021（8）：51-56.
HAN J, DU J, ZHANG J, et al. Development and Application of Predictive Maintenance of Robots & Motors on Welding Lines [J]. Automobile Tech⁃ nology & Material, 2021(8): 51-56.
b.预防性维护。周期固定，不考虑设备实际状态，可能带来过渡维护。维护方式的对比如下。
a.预测性维护。根据设备的实际运行状态来决定设备的维护方式以及维护关注点。
b.预防性维护。根据设备各部件的平均损坏率经验来进行维护，不考虑实际运行状态。维护成本的对比如下。
a.预测性维护。维护成本较低，设备停机、生产停产时间更短。
b.预防性维护。维护成本较高，设备停机、生产停产时间更长。使用场景的对比如下。
a.预测性维护。可以实时获取各个设备的运行状态和时间。
b.预防性维护。无法准确获取各个设备运行状态和时间。3 预测性维护的优势
成本控制是制造业长远发展的关键，一直以来，制造商在积极寻求降低成本，提高投资回报率。随着物联网、大数据等技术的不断突破，生产成本控制有了一个更好的解决方案，那就是对设备的监控和预测性维护。预测性维护可以帮助生产线生产过程中减少非计划停机时间、降低维护成本、消除潜在设备故障、增加产量等优势，同时对于提升质量、延续设备使用价值做出贡献，取得良好的经济收益。
4 焊装线预测性维护系统设备的构成和网络架构
本项目对某焊装生产线各条线体中的机器人（包含机器人七轴）、滑台电机、转台转毂电机进行
1。预测性维护系统整体网络架
预测性维护，见表
1（图中的LEVEL1
构见图 层只以下部线部分线体为例，其它线体类同），机器人预测性维护系统网络
2，电机预测性维护系统网络架构见图3。
架构见图
5 预测性维护系统数据基本架构
在预测性维护中，通过采集历史数据、物联网传感器数据等综合数据来有效地解决设备生产允许的实际问题，主要包括设备使用情况、设备预计寿命、设备发生故障概率、设备发送故障原因、发生故障时最合适的维修方案等。本项目预测性维护系统基本架构包括机器人数据采集与工业大数据平台、设备上电机振动等信号实时采集数学模
4。
型，见图
6 机器人预测性维护系统实施方案
本项目机器人预测性维护是通过机器人控制器内部的数据采集程序对重点数据进行实时采集和处理。数据采集通过在现场重点区域设立数据采集计算机，并运行数据采集软件服务的形式完成。需要采集的数据如下。
a.基础数据。机器人名称、机器人序列号、控
RAPID
制器地址、软件版本号、 程序已用内存、
RAPID
程序未用内存。
b.监控数据。内部轴电机的齿轮箱运转状态、
PTC温度报警状态、运行状态(motor on/off)、外部电
PTC
机 温度报警状态、驱动单元温度。
c.工艺数据。机器人的工作总时间、单个循环
周期时间、自动生产时间、手动模式运行时间、
HOME
位置监控、各轴工作时长、各轴工作角度、急停情况统计。
d.事件与报警数据。系统的报警信息、警告信
息、提示信息。
机器人预测性维护系统的功能模块包括数据采集存储及预处理模块、测点数据趋势及关联性分析模块、机器人生产关键部件运行状态实时监控模块、告警分析及管理模块、模型（组）配置及管理模块、用户权限及系统配置模块。基于这些功能模块，本项目所研发的预测性维护系统能满足对目标机器人的状态监控，提供机器人的实时报警列表、参数实时趋势、以及基本信息查询。机器
· 54 ·人预测性维护系统，提供相关智能算法以满足对机器人状态量数据（如对作业机器人本体相关重要部件健康度进行实时监控，以及预警）的分析与建模。机器人预测性维护技术路线如下。
a.确定对机器人发生故障相关联的设备，以及故障敏感的测点/部件；
b.设计接口，有数据源导出相关数据； c.通过关联性分析找到其它对故障具有预警能力的测点；
d.根据采集的数据和类型有针对性地建立监控模型；
e.应用此模型对运行状态的机器人进行实时监控；
f.当测量值与模型不符即触发报警，并对数据劣化趋势做出预判；
g.根据系统数值状态对整体健康做出评估，负责布局更换/维修决策。
机器人机械臂的主要组成部分有机身、手臂和末端操作器。手臂一般由上臂、下臂和手腕组成。本系统重点监控的机械部件为轴电机及齿轮
5
箱。如图 所示，在机器人机械臂的腕、肘、肩及腰关节处均有伺服电机及其相对应的齿轮箱。针对被监控部件，所需采集的信号包括内部轴电机及齿轮箱运转状态、内部轴电机运行状态(motor on/ off)、机器人各轴工作时长等等信号。机器人所有
OPC OPC提取信号均均通过 形式通讯读取，通过
UA Server连接机器人控制器，使得机器人控制器
OPC UA Clinet内部信号开放给 以供读取及访问。7. 电机预测性维护系统实施方案本项目通过对设备电机状况实施持续监测，
8期基于机器学习算法和模型来分析评估设备健康状况，基于完善的历史数据，预测未来的设备健康裂化趋势，预测未来一段时间故障发生的可能性。需要采集的数据如下。
a.状态信息。振动监控系统对电机进行监控，软件反映出现场电机的运行状态，并进行记录。
b.故障信息。转子质量不平衡、偏心、轴弯曲、不对中、共振、跳动、机械失效、轴承损坏（区分内环、外环、滚子、保持架）、齿轮故障、电机气隙不均等故障。
c.深度分析。振动有效值和峰值，轴承和齿轮故障窄带有效值，机械磨损现象，建立预测设备剩余寿命模型。电机预测性维护系统中的电机转子转速、绕
PLC组问题、电压电流等信号通过变频器与 通讯方法获取。电机振动传感器通过现场电机旁安装的振动数据采集箱采集电机上的振动状态进行高频采样和本地处理。采集数据的处理结果通过工业以太网传送给本地的振动分析平台上的预测性
SCADA
维护系统和 系统（数据采集与监控系统）进行显示。再利用特定的专家系统定期对现场的振动数据进行分析，并给出维护建议。电机预测性维护系统实现的专业分析报告，
KPI振动历史趋势分析、轴承振动 总览及数据细节、具体措施与维护建议、对未来允许趋势作出预测等报告。
7.1 电机预测性维护算法逻辑趋势预测主要通过将已经收集到的有效数据
AI进行必要的转化，输出对于 算法有意义的无量纲数据，再对该有效数据进行相关性分析，之后通过神经网络等实现实时偏差分析，最后实现趋势预测的分析过程。
a.数据集成管理。历史数据读取、试试数据存储处理、性能。
相关性分析。预处理、Fft/wavelet、相关性
b.
技术、聚类分析、时间复杂度。
c.实时偏差分析。支撑向量机、高斯混合模型、神经网络；
d.预测性分析。神经网络、高斯过程。7.2 电机预测性维护模型数据流
6。该系统的模型数据流见图
7.3 电机预测性维护模型训练
自动数据分析将短期数据和历史数据作为输入，历史数据将用于训练模型，这些模型将应用于短期数据进行预测分析。建模专家根据预先定义的策略分配短期数据和历史数据，并将建模配置作为输入来训练模型。预测分析完成后，如果出现异常或检测到异常，将向其他组件发出警告警报。自动数据分析主要包括四个模块:状态监视、预测和调查、历史数据检索、建模配置。预测性维
7。
护模型训练流程见图7.4 电机预测性维护的数学建模过程和数据来源
电机预测性维护的数学建模过程是通过对电机设备状况实施持续监测，基于机器学习算法和
6
模型来分析评估设备健康状况，基于 个月历史数
3
据，预测未来 个月的设备健康裂化趋势，预测未
3
来 个月故障发生的可能性并能给出相应的维护建议。预维护系统具有用户友好的人机界面，同时具备数据采集和导出、在线状态检测与分析、预报警、深度分析设备故障等功能。实现准确判定设备故障部位及程度，提出检修指导建议。
预测性维护系统的数学分析模型及数据规整和处理机制依据现场实际的数据量及数据质量，并能保证设备运行多年后因数据采集质量和设备
工况的变化以及各项权重因子的变化，依然能够保证预测性维护系统功能和其准确性。预测性维护的模型和算法的数据来源如下。
a.基础模型以电机典型的不平衡，不对中，轴
承磨损，齿轮磨损为主，通过振动频率及对应幅值进行判断。
b.以算法为主的模型主要针对非典型的机械
磨损为主，主要通过特征值变化以及工艺参数变化为导向，通过一定的数学函数计算和逻辑计算得出的结果。
c.预测结合历史故障数据，对故障演变进程建
模，实现对未来故障发生时间的预估，进而确定最合适的介入维护时间。8 预测性维护系统功能模块的设计
预测性维护系统功能模块主要涵盖登录模块、主监控模块、历史报警模块、模型管理模块、资产管理模块、用户管理模块。
a.登录模块。该模块用于用户的登入和登出，
主要包含用户登入、用户登出、根据用户名获取用户头像等功能。
b.主监控模块。该模块主要用于查看设备的一
些监控功能。查看各设备的健康度（可以根据单个
ID
设备 号查询设备最新的健康值，根据多个设备
ID
号查询多个设备最新的健康值，查询蘑菇时间段
ID
内某个设备的健康值，根据设备 号查询该设备是否有模型在监控），查看某个时间段内某个传感器
FFT（傅里叶变换）数据、某个传感器的最近几条
的
FFT
数据，查看某个时间段内某个传感器的原始数据、某个传感器的最近几条原始数据，查询某个时间段内某个传感器某几个特征的特征数据和最近几条特征数据，设备告警次数的统计（以日、周、月为单位统计各个设备所发生的异常告警次数）。
c.历史告警模块。在历史告警模块中，系统给
用户提供了历史高级信息的显示和交互功能。该模块主要包含告警信息的更新（确认为真正告警）、根据查询条件列出符合条件的告警信息并分页显示。
d.模型管理模块。在模型管理模块中，系统提
供了对模型的新增、查询、修改、删除、训练、停止训练、运行及停止运行的功能。该模块主要包含
根据查询条件列出符合条件的模型信息并分页显
id
示、根据多个模型的 号查询模型的信息、查询某个设备的模型信息、新增模型、修改模型信息、修改模型信息、激活/停止监控模型、训练模型、停止模型训练等功能。
e.资产管理模块。该模块主要是对分组、设备
以及传感器进行管理。对于分组主要包括新建、修改、删除、查询等功能，并可获取所有分组的状态值（即健康值）。对于设备主要包括新建、修改、删除、查询、显示等设备信息功能，同时可获取所有设备的
ID
号、运行模型的名称、模型的数量。对于传感器主要包括新建、修改、删除、查询等传感器信息功能，
ID
同时根据设备 号查询传感器信息并分页显示。
f.用户管理模块。在用户管理模块中，系统提
供了对用户的新增、查询、修改、删除的功能，并分配权限。
9 预测性维护系统交互界面展示
预测性维护系统交互界面主要保护设备组状态、设备状态，设备监控详情页、报警详情页等。画面使用仪表盘来展示相应设备组的健康度
（0% ~100% 3 ≥60%）、中(≥
），且分为 个等级：优（
30%，＜60)、差（＜30%），该范围可根据需要进行调8。
整，见图
设备使用交通灯来显示设备的运行状态，交通灯状态包括优、良、差、未监视。优、良和差是系统对已监视的设备做出的健康状态评估（评判指标范围可根据需要进行调整），如果设备没有相关
9。预测模型在运行时，显示未监视，见图在监视状态画面中展示设备监控健康详情， 10
如图 所示。设备健康状况及预测基于最新一次采集的数据，使用训练好的监测模型评估及预测设备健康状况，其中预测的健康状况曲线被置信区间所包围。报警分析界面主要包含报警统计信息、报警
1 天/7 /30
列表、报警详情页。统计设备最近 天 天所产生的报警数目，可对日期进行切换，预警分为
11。
高预警（危险预警）和低预警（普通预警），见图
10 结论
预测性维护在技术方面的价值在于将开源的
IT（互联网技
信息集成技术应用于工业现场，打通
OT（运营技术），完成OT层面的数据采集、IT
术）与层面的信息集成，并应用机器学习技术对数据进行分析，即预测性建模。通过对设备监控和预测性维护，可以降低产线与设备的当机，有利于降低废品率，同时良好的设备运行和可预测的故障都会对安全运行带来帮助。