智能制造設備監(jiān)測及預測性維修開發(fā)及應用

王建新 ，房金良，趙 旭，李 朋，李曉君，徐 嘉，陳 剛

（1.一汽解放汽車有限公司，吉林長春 130000；2.一汽奔騰轎車有限公司，吉林長春 130000）

0 引言

近年來，隨著智能制造的發(fā)展，基于新一代信息通信技術與先進制造技術深度融合，貫穿于設計、生產(chǎn)、管理、服務等制造活動的各個環(huán)節(jié)，具有自感知、自學習、自決策、自執(zhí)行、自適應等功能的新型生產(chǎn)方式成為智能制造的發(fā)展重點[4]。因此，設備狀態(tài)監(jiān)測和維修如何適應智能制造的發(fā)展變的非常重要。

1 開發(fā)設備狀態(tài)監(jiān)測及預測性維修平臺的總體原則

為適應智能制造的發(fā)展需要，針對性的選擇傳統(tǒng)的商用車制造設備的重要部件，對重要設備數(shù)字化建模后，在設備運行過程中，開展設備的重要參數(shù)的狀態(tài)自動監(jiān)測，通過信息化系統(tǒng)將監(jiān)測大數(shù)據(jù)采集、分析和優(yōu)化，建立診斷模型，開展故障診斷，判定設備所處的狀態(tài)，預測設備未來狀態(tài)，智能判定設備狀態(tài)趨勢和可能的故障模式，通過智能決策，制定相應措施，從而消除潛在故障。通過建立統(tǒng)一的設備狀態(tài)監(jiān)測和預測性維修[5]平臺，對重要設備維修統(tǒng)一管控，實現(xiàn)設備狀態(tài)通過智能信息系統(tǒng)自動在線監(jiān)測、提升維修效率、消除意外故障。

為保證設備狀態(tài)監(jiān)測及預測性維修平臺系統(tǒng)開發(fā)的穩(wěn)定性及可推廣性，根據(jù)商用車制造設備特點結合，描述狀態(tài)監(jiān)測及預測性維修平臺開發(fā)及應用對象的選擇原則、規(guī)劃方案，根據(jù)近年設備大修內容及損耗統(tǒng)計，確定設備的監(jiān)測部件及監(jiān)測參數(shù)，確定一期平臺開發(fā)監(jiān)測設備42 臺，監(jiān)測點114 點。數(shù)據(jù)來源層（即狀態(tài)監(jiān)測及預測性維修平臺面向的對象設備、設備部件、監(jiān)測參數(shù)）確定后，針對系統(tǒng)平臺架構要求，數(shù)據(jù)采集模塊、數(shù)據(jù)管理模塊、模型管理模塊、業(yè)務應用模塊、業(yè)務操作層對應的開發(fā)內容主要包括數(shù)字化智能感知、數(shù)據(jù)診斷模型建立、監(jiān)測數(shù)據(jù)與診斷模型智能分析、智能預測診斷、智能決策、智能優(yōu)化、過程中關鍵數(shù)據(jù)可視化、監(jiān)測及預測性大數(shù)據(jù)流設計及應用等。

2 設備狀態(tài)監(jiān)測及預測性維修平臺系統(tǒng)架構

為建立統(tǒng)一的公司級智能制造設備狀態(tài)監(jiān)測及預測性維修平臺系統(tǒng)，針對不同地域的生產(chǎn)基地、傳統(tǒng)和新的生產(chǎn)線、不同的制造設備，需要統(tǒng)一規(guī)劃建立公司級的系統(tǒng)架構，主要包括軟件架構和硬件架構。

2.1 軟件架構

面向商用車智能制造的設備狀態(tài)監(jiān)測及預測性維修平臺軟件架構共分為6 部分，分別是L0 數(shù)據(jù)來源層、L1 數(shù)據(jù)采集模塊、L2 數(shù)據(jù)管理模塊、L3 模型管理模塊、L4 業(yè)務應用模塊、L5業(yè)務操作層，每一部分的具體內容如圖1 所示。

圖1 狀態(tài)監(jiān)測及預測性維修平臺系統(tǒng)軟件架構

平臺系統(tǒng)采用JAVA 語言編寫、RESTful 風格接口、MySQL數(shù)據(jù)庫，部署環(huán)境為Linux（CentOS 7 系統(tǒng)）。

油菜（Brassica napus L.）子中含有豐富的油酸及亞油酸，湖北省恩施地區(qū)推廣的雙低菜子油品質僅次于橄欖油，營養(yǎng)價值較高［1］。油菜是中國的重要油料作物，2015年中國油菜種植面積居全世界第二［2］，種植面積及產(chǎn)量都占全球的30%［3］。油菜菜薹中富含維生素C，可作為蔬菜食用［4］。種植油菜對于閑田利用、增加農(nóng)民收入也具有重要作用［5］。

平臺支持業(yè)務系統(tǒng)數(shù)據(jù)接入、互聯(lián)網(wǎng)數(shù)據(jù)采集、合作伙伴系統(tǒng)數(shù)據(jù)接入、外部臨時數(shù)據(jù)導入等。數(shù)據(jù)交換考慮各類數(shù)據(jù)格式、各類傳輸頻次的數(shù)據(jù)導入和導出。數(shù)據(jù)格式主要包含JSON、文本文件、XML 等多種方式，傳輸頻次包含非實時、準實時、實時形式。

故障診斷技術將多種不同的智能技術結合起來，尤其是將神經(jīng)網(wǎng)絡、模糊邏輯與專家系統(tǒng)結合的診斷模型，顯著改善在機器學習、診斷實時性等方面的性能，同時保證其有效性和應用性。

故障診斷通過振動頻譜分析技術（FFT），分析被狀態(tài)監(jiān)測的生產(chǎn)設備劣化程度，同時根據(jù)專家系統(tǒng)自動給出機組的故障原因、故障危害及維修建議，最終形成AI（Artificial Intelligence，人工智能）智能診斷。

2.2 硬件架構

設備狀態(tài)監(jiān)測及預測性維修平臺采用BS 和CS 架構，用戶可以在互聯(lián)網(wǎng)覆蓋的任意地方，隨時了解設備的運行情況。

硬件架構內容包括對監(jiān)測設備建模，根據(jù)監(jiān)測參數(shù)和監(jiān)測設備部件是否內置采集源選擇安裝增加智能傳感器，傳感器或采集源通過數(shù)據(jù)線纜傳輸?shù)讲杉K，在采集模塊中通過光電轉化器把采集模塊處理后的電信號轉為光信號，通過光纖發(fā)送到服務器，通過服務器的數(shù)據(jù)處理，用戶可以通過廠區(qū)局域網(wǎng)和互聯(lián)網(wǎng)兩種途徑進行瀏覽、訪問；集團總部或獲得權限的其他分廠也可以通過互聯(lián)網(wǎng)進行瀏覽與訪問；狀態(tài)監(jiān)測及預測性維修平臺系統(tǒng)硬件傳輸架構如圖2 所示。

圖2 狀態(tài)監(jiān)測及預測性維修平臺系統(tǒng)硬件架構

3 狀態(tài)監(jiān)測及預測性維修平臺監(jiān)測設備

根據(jù)商用車產(chǎn)品特點，商用車制造設備主要包括車身制造設備、車架制造設備和通用設備；車身制造設備包括沖壓、焊裝、涂裝和總裝用設備；車架制造設備包括輥壓、壓合、車架噴涂和車架裝配用設備[6]；通用設備包括空壓機、廠房空調等。

為保證設備狀態(tài)監(jiān)測及預測性維修平臺系統(tǒng)開發(fā)的穩(wěn)定性及可推廣性，結合公司實際，平臺開發(fā)及應用分三期開展：一期是平臺開發(fā)和應用，設備對象是沖壓和輥壓重要設備、涂裝空調、重要車間的空壓機；二期是平臺成熟應用，設備對象是單基地車身和車架焊裝、涂裝、總裝用設備和其他通用設備；三期建設是平臺多基地共用，設備對象是全體系重點設備。為更加清晰的說明平臺開發(fā)及應用，聚焦一期開發(fā)內容。

3.1 狀態(tài)監(jiān)測和預測維修設備對象

設備選擇原則是故障頻發(fā)、設備貴重、維修成本高和對整車制造產(chǎn)能影響較大。具體狀態(tài)監(jiān)測及預測性維修設備對象名稱是：沖壓車間自動線的壓力機；車架車間滾壓線的輥壓機、腹面數(shù)控沖孔機、三面數(shù)控沖孔機、折彎機；涂裝車間的空調。

空壓機大多數(shù)采用1 用1 備或2 用1 備方式，但是部分車間沒有備用空壓機；同時，空壓機機組是交替使用，運行時間基本相同，當1 臺空壓機出現(xiàn)故障時，其余空壓機也將到達故障期，所以監(jiān)測設備包括焊裝車間、總裝車間和車架車間的空壓機。

3.2 監(jiān)測設備部件及監(jiān)測參數(shù)

沖壓車間壓力機2016—2019 年停線大修原因主要是軸承磨損后，搖桿、拉桿、齒輪、傳動系統(tǒng)銅瓦、飛輪軸等斷裂，大修損耗預計605.6 萬元，沖壓車間自動線壓力機大修記錄具體見表1。

表1 沖壓車間自動線壓力機大修記錄

由于壓力機飛輪、電機等軸承安裝隱蔽，無法觀察到其磨損狀態(tài)，人工狀態(tài)監(jiān)測困難，但是在故障發(fā)生之前，常伴有軸承溫度變高和振動異常等現(xiàn)象；對輥壓機、沖孔機、折彎機、空調風機分析得知，設備發(fā)生故障之前同樣伴有電機軸承的溫度和振動異常。因此，監(jiān)測設備對象的監(jiān)測部位是電機、風機、渦輪、滾軸、飛輪的軸承位置，監(jiān)測的參數(shù)是軸承的振動和溫度參數(shù)，沖監(jiān)測設備部件及監(jiān)測參數(shù)清單見表2。

表2 沖壓監(jiān)測設備部件及監(jiān)測參數(shù)清單

4 系統(tǒng)平臺開發(fā)及應用

按照系統(tǒng)平臺架構要求，數(shù)據(jù)來源層（即狀態(tài)監(jiān)測及預測性維修平臺面向的對象設備、設備部件、監(jiān)測參數(shù)）確定后，數(shù)據(jù)采集模塊、數(shù)據(jù)管理模塊、模型管理模塊、業(yè)務應用模塊、業(yè)務操作層對應的開發(fā)內容主要包括數(shù)字化智能感知、數(shù)據(jù)診斷模型建立、監(jiān)測數(shù)據(jù)與診斷模型智能分析、智能預測診斷、智能決策、智能優(yōu)化、過程中關鍵數(shù)據(jù)可視化、監(jiān)測及預測性大數(shù)據(jù)流設計應用等。

4.1 智能感知

狀態(tài)監(jiān)測及預測性維修設備可分為兩類，分別是自帶數(shù)據(jù)來源和無自帶數(shù)據(jù)來源的設備；針對自帶數(shù)據(jù)來源的設備，系統(tǒng)平臺可以單向提取原有系統(tǒng)數(shù)據(jù)，不可向原系統(tǒng)寫入數(shù)據(jù)，不影響原系統(tǒng)獨立運行；無數(shù)據(jù)來源的設備需要對監(jiān)測設備硬件升級，加裝數(shù)據(jù)感知單元（智能傳感器）獲取監(jiān)測數(shù)據(jù)源。

設備狀態(tài)監(jiān)測及預測性維修平臺開發(fā)一期針對的主要是傳統(tǒng)無數(shù)據(jù)源的設備，需要在原監(jiān)測設備部件并且拾取信號最大的部位處增加振動和溫度傳感器實現(xiàn)數(shù)據(jù)源的獲取及監(jiān)測；由于對軸承監(jiān)測安裝位置空間有限和避免破壞設備部件本體，采用的是振動、溫度一體傳感器，安裝方式是磁吸加膠粘方式，振動、溫度一體傳感器安裝現(xiàn)場如圖3 所示。同時，依據(jù)監(jiān)測設備部件的工作溫度、環(huán)境溫度、主軸轉速等，相應的數(shù)據(jù)源單元—傳感器參數(shù)留有1 倍的安全范圍。

圖3 振動、溫度一體傳感器安裝現(xiàn)場

為快速定位監(jiān)測部件，標識并識別監(jiān)測結果，針對監(jiān)測設備或部件，開展近似三維建模，并在平臺系統(tǒng)設備詳情圖中展示，平臺系統(tǒng)設備詳情具體如圖4 所示。

圖4 平臺系統(tǒng)設備詳情

4.2 診斷模型建立

為精準的分析監(jiān)測數(shù)據(jù)，預測設備狀態(tài)，自動制定維修方案，需要對監(jiān)測設備部件的參數(shù)建立初始診斷模型；根據(jù)診斷模型的設置，當零部件出現(xiàn)失效趨勢或異常時，系統(tǒng)給出不同級別的預警，預警閾值可設置為正常、預警、警告和危險4 個等級，具體如下：①正常：特征參數(shù)在正常范圍內；②預警：特征參數(shù)接近超差；③警告：特征參數(shù)已超出允許公差，疑似故障或趨勢異常；④危險：系統(tǒng)診斷已經(jīng)出現(xiàn)故障或確認失效。診斷模型需要根據(jù)設備運行過程中大數(shù)據(jù)分析不斷優(yōu)化，可以手工配置。壓力機的飛輪和電機的診斷模型示例如圖5 所示。

圖5 壓力機的飛輪和電機的診斷模型示例

4.3 智能分析、診斷、預測和決策

智能感知單元采集的數(shù)據(jù)經(jīng)過采集模塊處理將電信號轉化成數(shù)字信號，通過KNN（最鄰近節(jié)點算法）、SVN（最優(yōu)化計算方法）對數(shù)字信號數(shù)據(jù)進行抽取、加工，將數(shù)據(jù)通過RS485 協(xié)議傳遞到服務器的關系型數(shù)據(jù)庫MySQL，開展數(shù)據(jù)的智能分析、診斷、預測和決策。

依托專家診斷數(shù)據(jù)庫，結合診斷模型的建立，將采集的數(shù)據(jù)經(jīng)過傅里葉變換算法、小波分析、包絡分析等分析對比，生成設備狀態(tài)趨勢、時域和頻域等圖譜，AI 診斷設備狀態(tài)，生成包含診斷建議的診斷報告，預測設備故障，提前決策并消除隱患，AI 診斷分析結果如圖6 所示。

圖6 AI 診斷分析結果

4.4 智能優(yōu)化

結合公司歷史積累，設備故障模型及維修經(jīng)驗建議可以人工配置到智能制造設備狀態(tài)監(jiān)測及預測性維修平臺中，形成診斷案例庫，經(jīng)過狀態(tài)監(jiān)測、智能分析、診斷后，診斷案例庫可以直接使用，實現(xiàn)設備預測性維修平臺自完善。

系統(tǒng)采集大量商用車制造設備數(shù)據(jù)，將數(shù)據(jù)集中分析、建模，建立公司的設備運行數(shù)據(jù)庫和診斷模型，比如：根據(jù)空壓機運行數(shù)據(jù)，對空壓機的振動診斷模型優(yōu)化為公司診斷模型，模型修改后，預測時間間隔從40 min 提升至120 min，優(yōu)化避免設備故障的時間保障，壓機狀態(tài)預測性模型優(yōu)化見表3。

表3 空壓機狀態(tài)預測性模型優(yōu)化

4.5 智能可視

平臺系統(tǒng)可視化主要是基于公司、基地工廠、車間、設備四級實物管理，通過數(shù)據(jù)可視化可快速捕捉設備狀態(tài)情況，包括設備測點狀態(tài)、設備啟停時長、設備7 日內報警趨勢、設備三維數(shù)據(jù)、監(jiān)測參數(shù)實時值、時域、頻域和趨勢圖，設備測點出現(xiàn)異常時為黃色，正常狀態(tài)為藍色，設備狀態(tài)監(jiān)測及預測性維修平臺可視化如圖7 所示。

圖7 設備狀態(tài)監(jiān)測及預測性維修平臺可視化

4.6 大數(shù)據(jù)流設計及應用

公司數(shù)據(jù)湖平臺可以收集智能制造的設備狀態(tài)監(jiān)測及預測性維修平臺系統(tǒng)診斷模型建立、分析的數(shù)據(jù)，實現(xiàn)數(shù)據(jù)的讀取。

分析后的數(shù)據(jù)結合專家診斷數(shù)據(jù)實現(xiàn)診斷報警，然后將報警信息生成可視化的報表，實現(xiàn)狀態(tài)監(jiān)測參數(shù)的可視化，同時推送的診斷信息傳遞至MOM（制造運營管理）系統(tǒng)的設備管理模塊，實現(xiàn)維修單創(chuàng)建和指定相關維修人員，進而實現(xiàn)監(jiān)測參數(shù)、推送信息、維修單時間、維修時間、備件名稱、入庫時間、出庫時間和備件數(shù)據(jù)量數(shù)據(jù)統(tǒng)計。

統(tǒng)計后的數(shù)據(jù)指導備件管理，包括備件出入庫時間、備件需求數(shù)量優(yōu)化等，設備狀態(tài)監(jiān)測及預測性維修平臺數(shù)據(jù)流如8所示。

通過大數(shù)據(jù)流設計及應用，在實現(xiàn)設備狀態(tài)監(jiān)測和預測性維修的基礎上，自動生成維修備件數(shù)據(jù)，實現(xiàn)備件采購和存儲數(shù)量降低70%左右。

圖8 設備狀態(tài)監(jiān)測及預測性維修平臺數(shù)據(jù)流

5 結束語

在故障頻發(fā)、設備貴重、維修成本高和對整車制造產(chǎn)能影響較大的沖壓車間自動線的壓力機、車架車間滾壓線的輥壓機、腹面數(shù)控沖孔機、三面數(shù)控沖孔機、折彎機、涂裝車間的空調、總裝車間的空壓機等設備的軸承運動部位增加智能傳感器實現(xiàn)智能感知；不同的監(jiān)測設備及參數(shù)確定不同的診斷模型，預警閾值設置為正常、預警、警告和危險4 個等級；平臺根據(jù)診斷模型和系統(tǒng)自有專家數(shù)據(jù)庫，對監(jiān)測數(shù)據(jù)自動生成設備狀態(tài)趨勢、時域和頻域等圖譜，進而推送診斷和預測結果；大量分析數(shù)據(jù)和歷史積累數(shù)據(jù)整合配置后，診斷模型優(yōu)化，設備維修預測準確率不斷優(yōu)化，同時設備狀態(tài)的預測時間間隔提升2 倍以上；可視化界面可以快速監(jiān)測不同基地工廠、不同車間、不同設備的實時、歷史和趨勢狀態(tài)；大數(shù)據(jù)流設計及應用，在設備狀態(tài)監(jiān)測和預測性維修的基礎上，每年可降低大修成本140 萬左右；與MOM 的設備管理系統(tǒng)、公司數(shù)據(jù)湖平臺數(shù)據(jù)跨平臺對接，自動生成維修備件數(shù)據(jù)，實現(xiàn)備件采購和存儲數(shù)量降低70%左右，成本相應降低70%以上。

經(jīng)過面向商用車智能制造的設備狀態(tài)監(jiān)測及預測性維修平臺開發(fā)及應用，無論針對集團級汽車制造企業(yè)，還是針對中小型汽車制造企業(yè)，在設備狀態(tài)監(jiān)測對象選擇、監(jiān)測部件和監(jiān)測參數(shù)確定、設備狀態(tài)實時在線監(jiān)測、預測性維修探索、數(shù)據(jù)流設計及應用方面都有較強指導意義。