王 欣

（北京奔馳汽車有限公司，北京 100176）

0 引言

龐大的工業(yè)機器人數(shù)量給設(shè)備管理帶來前所未有的挑戰(zhàn)：①設(shè)備量級大，所有設(shè)備都進行預防性維護人力成本和備件成本高；②生產(chǎn)壓力大，維護時間短，周末檢修壓力巨大；③設(shè)備大停機具有不可預測性；④資產(chǎn)管理成本高、不準確、利舊時沒有可參考數(shù)據(jù)。傳統(tǒng)的緊急性維修、修正性維修和預防性維護方式已經(jīng)不能滿足大規(guī)模機器人自動化生產(chǎn)線的運維要求。

1 基于物聯(lián)網(wǎng)協(xié)議的狀態(tài)監(jiān)控

1.1 機器人運行參數(shù)的監(jiān)控

MQTT（Message Queuing Telemetry Transport，遙信消息隊列傳輸）協(xié)議是IBM 公司于1999 年提出的一個基于TCP 發(fā)布的訂閱協(xié)議，設(shè)計的初始目的是為了極有限的內(nèi)存設(shè)備和網(wǎng)絡(luò)帶寬很低的網(wǎng)絡(luò)不可靠的通信，非常適合物聯(lián)網(wǎng)通信。基于這一協(xié)議，將開發(fā)好的客戶端安裝到KUKA 機器人操作系統(tǒng)內(nèi)，并搭建可以接受數(shù)據(jù)的服務器，數(shù)據(jù)就可以以訂閱的方式進行發(fā)送了，數(shù)據(jù)訂閱的方式如圖1 所示。

機器人定期將打包好的數(shù)據(jù)發(fā)件發(fā)送到服務器，就可以從機器人側(cè)實時獲得機器人內(nèi)部各種資產(chǎn)信息和運行數(shù)據(jù)了，比如機器人型號、位置、電機運行速度、時間、扭矩、運行日志等信息，從而實現(xiàn)對機器人的狀態(tài)監(jiān)控。

圖2 所顯示的為機器人在2019 年3 月21 日某段時間4 軸的最大扭矩情況。這極大地提高了機器人運行的透明度，為技術(shù)工程師對機器人進行故障原因查找、預測分析和健康狀態(tài)分析提供了強大的數(shù)據(jù)基礎(chǔ)。

圖1 數(shù)據(jù)訂閱的方式

圖2 機器人4 軸的最大扭矩情況

1.2 機器人樣本曲線監(jiān)控

機器人本身特性決定了機器人運行結(jié)果數(shù)據(jù)的復雜與多樣性。即使相同型號、負載接近的機器人，因工藝要求不同，運行軌跡的差異足以導致機器人反饋運行差數(shù)之間存在較大差異。在管理大批量形色各異的機器人時，想要敏感地察覺到機器人整體健康狀態(tài)的異常變化就顯得格外困難。

通過對機器人的維護觀察與數(shù)據(jù)相關(guān)經(jīng)驗積累，對于單臺機器人其工作周期具有一定的往復性，各監(jiān)控參數(shù)的變化同樣具有一定規(guī)律。但是因為故障、滿線、空線等干擾，在實際生產(chǎn)過程中難以獲得最優(yōu)的一致性曲線。同時對于數(shù)據(jù)收集頻率必須加以嚴格控制，否則將影響機器人運行響應，同時會加大數(shù)據(jù)傳輸對公司網(wǎng)絡(luò)的負荷。在各種相關(guān)糾結(jié)的狀態(tài)中，北京奔馳另辟蹊徑，創(chuàng)新建立機器人標準運動軌跡及對應參數(shù)庫。

針對每臺機器人建立標準軌跡，精準采集建立標準曲線。通過標準動作反饋的數(shù)據(jù)差異來衡量機器人的健康狀態(tài)。并在數(shù)據(jù)收集與機器人監(jiān)控中優(yōu)化閾值區(qū)間，更精準評判機器人健康水平。同時，收集的每份樣例曲線都為日后的機器學習提供了有力的素材。

2 以“大數(shù)據(jù)”“機器人學習”為基礎(chǔ)的預測性維修

得益于狀態(tài)監(jiān)控的實現(xiàn)，可以從機器人端獲取海量的數(shù)據(jù)，只要有強大的數(shù)據(jù)庫和足夠大的硬件存儲設(shè)備，就可以訂閱各種各樣的數(shù)據(jù)。但如何從海量的數(shù)據(jù)里提取有用的數(shù)據(jù)，就需要“大數(shù)據(jù)”的分析和處理手段了。哪些數(shù)據(jù)有用，哪些數(shù)據(jù)無用，哪些數(shù)據(jù)需要短期存儲，哪些數(shù)據(jù)需要長期存儲，這些都需要結(jié)合機器人的技術(shù)背景知識制定分析策略。然后結(jié)合“大數(shù)據(jù)”平臺的算力和合適的“機器學習”算法，最終才能實現(xiàn)對機器人的預測性維修。

2.1 數(shù)據(jù)特征的提取與分析

以圖3 為例，F(xiàn)S22_180_100 收集了該機器人3 軸平均扭矩130 N·m 左右的數(shù)據(jù)，發(fā)現(xiàn)該機器人扭矩是一個隨運行時間的增長而上升的狀態(tài)，而UB23_240RB_100 比較平穩(wěn)，對兩組數(shù)據(jù)做線性回歸分析發(fā)現(xiàn)FS22_180_100 斜率為2.43，而與之對比的UB23_240RB_100 只有1.75。

圖3 機器人3 軸平均扭矩130 N·m 左右的數(shù)據(jù)

對兩臺機器人A3 軸的齒輪箱油進行更換后運行一段時間發(fā)現(xiàn)，F(xiàn)S22_180_100 A3 軸扭矩的曲線明顯趨于穩(wěn)定，不再隨時間的推移而增長，與之對比的UB23_240RB_100 更換齒輪箱油后扭矩數(shù)據(jù)沒有明顯變化。這說明FS22_180_100 A3 軸的齒輪箱油是造成該齒輪箱扭矩持續(xù)上升的主要原因。由此可以推出當機器人某軸的斜率隨時間關(guān)系異常升高后需重點關(guān)注，及時檢查齒輪箱油液的狀態(tài)，如果不能及時發(fā)現(xiàn)并更換會導致齒輪箱急速磨損，扭矩持續(xù)變大，最終導致齒輪箱異常損壞，造成較大停機。而利用“大數(shù)據(jù)分析”和合適的數(shù)學模型算法，可以及時發(fā)現(xiàn)問題的所在，避免大停機的發(fā)生，實現(xiàn)預測性維護。

根據(jù)庫卡手冊，在機器人運行5 年的時候需要對機器人6個軸齒輪箱的油液進行更換。為節(jié)約成本，從2000 臺機器人的12 000 個軸中抽取了95 個有效樣品，參考根據(jù)的行業(yè)標準，選取鐵元素為衡量油液狀態(tài)的主要指標，鐵元素含量高，表明齒輪箱磨損情況嚴重，油液狀態(tài)惡劣。通過圖4 可以發(fā)現(xiàn)，鐵元素的含量與運行時間并沒有直接的關(guān)系，由此可見，僅靠運行時間并不能實際反映機器人齒輪箱油液真實的運行狀態(tài)。然而，通過圖5 的對比不難發(fā)現(xiàn)，鐵元素含量與軸的平均扭矩和最大扭矩有非常大的關(guān)聯(lián)性，特別是A2/A3，這樣很好理解，因為二軸和三軸的最大扭矩和平均扭矩明顯高于其他軸，受力越大，磨損發(fā)生的越快，鐵元素也就越來越高了。

根據(jù)機械磨損產(chǎn)生理論和經(jīng)驗結(jié)合，后續(xù)需要建立齒輪箱扭矩、運行時間與齒輪箱失效的數(shù)學模型，找到扭矩、時間與Fe元素含量的內(nèi)在關(guān)系，不斷修正參數(shù)，慢慢就可以預測油液的更換時間點了，而不是在根據(jù)油液測量的結(jié)果進行更換，費時費力又費錢。

圖4 機器人扭矩曲線

圖5 機器人扭矩曲線

3 結(jié)語

北京奔馳MRA 裝焊維護團隊在獲得機器人海量數(shù)據(jù)的同時，將智能學習技術(shù)引入，能夠更加有效精準地指導大規(guī)模機器人的高效維護。機器人數(shù)據(jù)的挖掘剛剛開始，預期效益遠不止這些。