北京奔馳是北汽集團與戴姆勒股份公司、戴姆勒東北亞投資有限公司組建的整車制造企業,新工廠位于北京經濟技術開發區具備年產10萬輛汽車的生產能力,目前在產11款梅賽德斯-奔馳車型:EQE、EQE SUV、EQA SUV、EQB SUV、長軸距E級車、長軸距C級車、長軸距GLC SUV、長軸距A級轎車、GLA SUV、GLB SUV以及梅賽德斯- AMG A 35 L 4MATIC。
企業面臨的痛點問題
北京奔馳現有43種不同型號的工業機器人共3500臺左右,應用在17個車間,涵蓋83種工藝。故障診斷與預測方面存在以下問題:
故障類型表現多樣,且多為不可再現故障,導致故障樣本稀疏,為人工數據分析總結規律帶來困難;
針對采集到的故障數據,分析目標繁多,分析工具可復制性較低,理論分析難以覆蓋實際遇到的故障類型;
奔馳全球化的運營模式,造成細分領域知識分布碎片化,致使機器人故障診斷與預測領域缺乏知識積累。
場景建設總體框架
以北京奔馳車身工廠針對工業機器人實施故障診斷與預測場景為例,場景建設總體框架如圖1所示。首先為解決數據的采集與管理問題,建立“工業機器人大數據平臺”,實時采集全廠在用機器人的內部信號數據,并進行初步提取與聚合處理。同時建設“數據信息安全體系”,在防護和監測環節確保積極預防及時發現外部或內部的可疑攻擊,保障數據信息安全。然后,開發各項失效預測模型,以此輸出預測性維護決策。最后,在場景方案實施過程中通過正向驗證、反向驗證實現閉環管理,在故障診斷與預測的同時迭代優化失效預測模型。
圖1 場景建設總體框架
解決方案
如圖2所示,建設工業機器人大數據平臺。
圖2 工業機器人大數據平臺架構
數據采集模塊:由機器人的控制系統實現數據采集,通過機器人內置的MQTT客戶端將數據上傳。
數據提取聚合模塊:根據在數據提取引擎中做好的預設處理,過濾掉機器人采集的無效數據,并將其存入HBASE數據庫中,用于細節數據展示和短期狀態監控算法的計算。同時,聚合引擎將全量數據以5分鐘為單位進行聚合,并將聚合后的數據存入HBASE數據庫,用于長時間保存和長期狀態監控算法的計算。
數據存儲模塊:系統將HBASE數據庫中聚合數據的二級索引存入ORACLE數據庫,以方便前端查詢和調用。
數據處理模塊:用于支持前序的計算模型和算法。
前端展示模塊:實現用戶與數據平臺的交互。在工業機器人大數據平臺基礎上,依據工業機器人內部傳輸電機、電流、扭矩數據,對其機理進行分析,篩選處于高負載或長軌跡的特定程序指令進行分析建模。編程建立機器人“體檢程序”,在相同且固定的機器人軌跡與姿態下測得數據,并進行標準化或歸一化處理,以更好做出診斷。
業務流程
北京奔馳設備故障診斷與預測場景實施的核心在故障診斷的驗證過程,采用正向驗證和反向驗證兩個角度同時進行的模式。正向驗證是指對預測模型的結果進行現場檢查,反向驗證是指根據現場實際出現的問題反查模型預測結果。如圖3所示以點焊技術為例,正向驗證對預測出部件問題的點焊機器人進行相應預測內容的現場檢查,反向驗證是檢查現場實際出現部件損壞的點焊機器人看是否在預測出的設備中。每一個預測條目的正向驗證和反向驗證同時進行,檢查情況填入正向驗證和反向驗證記錄在如圖4所示的表中。
圖3 點焊技術驗證工作流程
圖4 驗證記錄表示例
實施成效
北京奔馳在針對工業機器人開展設備故障診斷與預測場景后,制造運維效益提升明顯,表現在成本優化、效率提升、質量穩定三方面。
成本優化:由傳統的緊急性維修轉為有計劃性的開展診斷與預測,有效減少了管理人員配置和人員加班本約55萬人時。根據歷史記錄及知識圖譜的預測數據,動態調整備件庫存和采購策略,使備件策略更精益和安全,節省庫存備件成本約1200萬元。
效率提升:預測性維護減少了非計劃停機時間,使平均無故障時間(MTBF)提升20%,停機時的平均故障修復時間(MTTR)縮短35%,整體提升設備綜合效率5%左右。
質量穩定:提前預測機器人故障并及時介入解決,明顯減少因設備異常停機造成的產品返修率與報廢率,減少產品一次不合格率約50%。