王欣，王樸，趙帥，李魯輝，張明

（北京奔馳汽車有限公司，北京 100176）

北京奔馳焊裝車間采用高度柔性及自動化的生產(chǎn)線，依賴于大量的工業(yè)機(jī)器人設(shè)備與技術(shù)。北京奔馳裝焊車間總計(jì)約2000臺工業(yè)機(jī)器人運(yùn)行，隨著多個(gè)新項(xiàng)目的開展即將擁有更多的工業(yè)機(jī)器人。在自動化程度越來越高、機(jī)器人設(shè)備越來越多的背景下，如何統(tǒng)籌、高效、準(zhǔn)確地管理機(jī)器人并且及時(shí)掌握機(jī)器人的運(yùn)行狀態(tài)對于北京奔馳的生產(chǎn)運(yùn)營有著十分重要的意義。

機(jī)器人長期運(yùn)行，由于減速機(jī)內(nèi)齒輪磨損產(chǎn)生一定量的金屬屑，流入的空氣塵埃及其他硬質(zhì)顆粒，齒輪潤滑油在冷卻過程中產(chǎn)生的水分等因素均會造成齒輪油變質(zhì)，需要維護(hù)人員定期進(jìn)行機(jī)器人齒輪油的更換，工業(yè)機(jī)器人原換油策略為每五年更換機(jī)器人齒輪油，每臺需花費(fèi)約10000元。但該策略存在諸多缺點(diǎn)，例如成本高昂、大量停產(chǎn)工時(shí)及人員需求、無法精準(zhǔn)維護(hù)。

為降低運(yùn)營成本及提升人員效率，重新規(guī)劃制定機(jī)器人換油策略：基于每臺機(jī)器人的實(shí)時(shí)數(shù)據(jù)判斷機(jī)器人狀態(tài)，通過采集機(jī)器人運(yùn)行數(shù)據(jù)，包括實(shí)時(shí)數(shù)據(jù)如電機(jī)溫度、扭矩、電流、運(yùn)行時(shí)間等，抽取不同工況的95個(gè)齒輪箱油樣送至專業(yè)油品分析實(shí)驗(yàn)室，得到油品成分分析結(jié)果，建立了油品質(zhì)量評估模型，通過線性回歸、CART樹、KNN模型對比，選擇線性回歸算法和LR算法參數(shù)進(jìn)行調(diào)優(yōu)，使用模型計(jì)算出了現(xiàn)場所有機(jī)器人油品質(zhì)量，進(jìn)行排序并制定換油計(jì)劃。僅通過機(jī)器人換油方案的優(yōu)化，節(jié)省換油成本費(fèi)用約300萬元。

1 機(jī)器人運(yùn)行數(shù)據(jù)采集

基于物聯(lián)網(wǎng)MQTT協(xié)議（Message Queuing Telemetry Transport），將開發(fā)好的客戶端安裝到KUKA機(jī)器人操作系統(tǒng)內(nèi)，并搭建可以接收數(shù)據(jù)的服務(wù)器，數(shù)據(jù)以訂閱的方式進(jìn)行發(fā)送。機(jī)器人定期將打包好的數(shù)據(jù)發(fā)送到服務(wù)器，就可以從服務(wù)器側(cè)實(shí)時(shí)獲得機(jī)器人內(nèi)部各種資產(chǎn)信息和運(yùn)行數(shù)據(jù)，例如機(jī)器人型號，位置，電機(jī)運(yùn)行速度、時(shí)間、扭矩、電流、運(yùn)行日志等信息，從而實(shí)現(xiàn)對機(jī)器人的狀態(tài)監(jiān)控。

圖1 機(jī)器人換油策略概念模型建立

圖2 基于MQTT協(xié)議數(shù)據(jù)采集流程

基于MQTT傳輸，Elastic Search數(shù)據(jù)存儲，Kibana數(shù)據(jù)展示的高效平臺。實(shí)時(shí)監(jiān)控收集電機(jī)溫度、扭矩、電流、運(yùn)行時(shí)間等指標(biāo)值，進(jìn)行數(shù)據(jù)分析。采集的部分?jǐn)?shù)據(jù)結(jié)果如下：

（1）Robot:機(jī)器人功能代號；AVG_torque:平均扭矩。

（2）Axis：機(jī)器人軸號；MAX_torque:最大扭矩。

（3）full_axis_name：機(jī)器人軸型號；AVG_temp：平均軸溫度；Runtime:運(yùn)行時(shí)間。

2 機(jī)器人齒輪油品成分分析

抽取不同工況的95個(gè)機(jī)器人齒輪箱油樣送至專業(yè)油品分析實(shí)驗(yàn)室，得到油品成分分析結(jié)果，通過SPSS對油品分析結(jié)果進(jìn)行統(tǒng)計(jì)分析，得到標(biāo)準(zhǔn)差、均值、百分位數(shù)等結(jié)果如圖3。

圖3 基于SPSS進(jìn)行油品數(shù)據(jù)統(tǒng)計(jì)分析

基于標(biāo)準(zhǔn)差對各元素進(jìn)行排序，排序結(jié)果如表2。

表1 基于Kibana采集機(jī)器人運(yùn)行數(shù)據(jù)

表2 油品特征因素標(biāo)準(zhǔn)差排序

由于MO元素，F(xiàn)e元素，PQ指數(shù)，P元素，Ca元素及Zn元素的標(biāo)準(zhǔn)差較大，對油品質(zhì)量的衡量相關(guān)性較大，利用SPSS對如上元素進(jìn)行相關(guān)性分析，分析確定各元素變量之間的相關(guān)性。

根據(jù)油品分析結(jié)果各元素的標(biāo)準(zhǔn)差及相關(guān)性分析，F(xiàn)e元素及MO元素為主要影響因素，從相關(guān)性分析得出隨著機(jī)器人運(yùn)行時(shí)間的增加MO元素含量降低，且Mo元素為潤滑油中本體包含的元素，因此干擾項(xiàng)不作為本次分析結(jié)果的影響因素。

潤滑油配方中不應(yīng)含有Fe元素，從相關(guān)性圖中分析得出隨著運(yùn)行時(shí)間的增加Fe元素含量會相應(yīng)的增加，結(jié)合齒輪箱及齒輪制作原材料分析，隨著齒輪的磨損產(chǎn)生了鐵屑，導(dǎo)致潤滑油Fe元素升高，因此算法將Fe元素作為衡量油品質(zhì)量評價(jià)的主要因素。

3 建立油品質(zhì)量評估模型

3.1 分析機(jī)器人數(shù)據(jù)與Fe元素之間的關(guān)系

利用Python建立機(jī)器人電機(jī)平均扭矩，最大扭矩，平均溫度，運(yùn)行時(shí)間等因素和油品質(zhì)量影響因素Fe元素之間的結(jié)構(gòu)性關(guān)系，由于隨著機(jī)器人運(yùn)行時(shí)間的增加，F(xiàn)e元素含量也會相應(yīng)的增加，大于200點(diǎn)為統(tǒng)計(jì)學(xué)異常數(shù)據(jù)，剔除異常數(shù)據(jù)后進(jìn)行各特征之間的相關(guān)性計(jì)算，確認(rèn)特征對結(jié)果的貢獻(xiàn)值。

通過相關(guān)性分析得出各特征與Fe元素線性相關(guān)程度為：平均力矩>最大力矩>平均溫度>運(yùn)行時(shí)間>軸號。

3.2 質(zhì)量評估模型建立

如下圖例為機(jī)器學(xué)習(xí)的黑箱，應(yīng)用機(jī)器學(xué)習(xí)可以不用關(guān)系內(nèi)部計(jì)算細(xì)節(jié)邏輯。

圖4 油品特征因素相關(guān)性分析

圖5 MO元素與運(yùn)行時(shí)間散點(diǎn)圖

圖6 Fe元素與運(yùn)行時(shí)間散點(diǎn)圖

圖7 各特征相關(guān)性圖

數(shù)據(jù)上，多個(gè)維度的特征作為一組輸入數(shù)據(jù)，一個(gè)維度作為匹配的輸出數(shù)據(jù)。只需要根據(jù)選擇的智能算法調(diào)整學(xué)習(xí)的參數(shù)，通過模型的訓(xùn)練即可觀測結(jié)果的準(zhǔn)確度。本例采用了SVM支持向量機(jī)的回歸方法，將機(jī)器人的軸數(shù)據(jù)、運(yùn)行時(shí)間、溫度、電流 扭矩、負(fù)載等7個(gè)維度作為一組輸入特征，對應(yīng)Fe含量作為目標(biāo)值，進(jìn)行模型的訓(xùn)練。由于SVM支持向量機(jī)算法本身具備了相關(guān)性篩選能力，可以使機(jī)器人發(fā)送更多的維度特征數(shù)據(jù)，進(jìn)行模型訓(xùn)練。

圖8 各特征相關(guān)性散點(diǎn)圖

圖9 機(jī)器學(xué)習(xí)訓(xùn)練模型

圖10 訓(xùn)練集模型與Fe元素結(jié)果對比

4 結(jié)果及分析

目前主流的機(jī)器學(xué)習(xí)回歸方法主要包含線性回歸、CART樹、KNN算法3種。

線性回歸中的“線性”指的是系數(shù)的線性，而通過對特征的非線性變換，以及廣義線性模型的推廣，輸出和特征之間的函數(shù)關(guān)系可以是高度非線性的。

CART樹種算法即可以用于分類，也可以用于回歸問題，測試數(shù)據(jù)集時(shí)，運(yùn)行速度比較快，在相對短的時(shí)間內(nèi)能夠?qū)Υ笮蛿?shù)據(jù)源做出可行且效果良好的結(jié)果，但容易發(fā)生過擬合及容易忽略數(shù)據(jù)集中屬性的相互關(guān)聯(lián)。

圖11 三種模型測試結(jié)果對比

KNN算法在確定分類決策上只依據(jù)最鄰近的一個(gè)或者幾個(gè)樣本的類別來決定待分樣本所屬的類別，KNN是一種在線技術(shù)，新數(shù)據(jù)可以直接加入數(shù)據(jù)集而不必進(jìn)行重新訓(xùn)練，理論簡單，容易實(shí)現(xiàn)，但在樣本不平衡時(shí)，預(yù)測偏差比較大。

本章節(jié)對三種算法模型進(jìn)行相關(guān)測試。

4.1 質(zhì)量評估模型測試

4.1.1 用線性回歸、CART樹、KNN模型測試結(jié)果

4.1.2 去除共線性特征測試

去除共線性特征，誤差值增加：

4.1.3 使用高次時(shí)間函數(shù)測試

使用高次時(shí)間函數(shù)，LR誤差有所增加：

監(jiān)測結(jié)果發(fā)現(xiàn)去除共線性特征及使用高次時(shí)間函數(shù)，誤差值隨之增加，綜上，線性回歸算法誤差值受影響較小，因此選取最優(yōu)的線性回歸算法。

4.2 LR數(shù)算法調(diào)參

基于線性回歸算法已經(jīng)完成模型創(chuàng)建，但輸出結(jié)果與實(shí)際結(jié)果存在一定的偏離，需使用LR數(shù)算法調(diào)參。

調(diào)參完成后最終輸出結(jié)果與Fe元素實(shí)際含量進(jìn)行數(shù)據(jù)對比，相當(dāng)于預(yù)測樣本，預(yù)測總體趨勢相當(dāng)，經(jīng)驗(yàn)證準(zhǔn)確率為75%。

5 結(jié)語

圖12 檢測模型結(jié)果輸出

本案例基于工業(yè)物聯(lián)網(wǎng)技術(shù)，對機(jī)器人各項(xiàng)運(yùn)行參數(shù)進(jìn)行數(shù)據(jù)采集，結(jié)合現(xiàn)場油品特征因素提取分析，利用Python建立油品質(zhì)量評估模型，通過對線性回歸、CART樹、KNN模型對比，選取最優(yōu)的線性回歸算法，最后利用LR算法參數(shù)調(diào)優(yōu)，實(shí)現(xiàn)油品質(zhì)量評估模型的建立，經(jīng)過測試集檢驗(yàn)，模型的準(zhǔn)確率達(dá)75%。后續(xù)設(shè)備維護(hù)保養(yǎng)過程中，可使用模型計(jì)算出現(xiàn)場所有機(jī)器人油品質(zhì)量并進(jìn)行排序，工程師可在后端計(jì)算算法每周按相關(guān)信號進(jìn)行計(jì)算，相關(guān)計(jì)算結(jié)果會被用來做觸發(fā)更換機(jī)油的報(bào)警，并制定換油計(jì)劃。

圖13 測試模型結(jié)果與Fe元素真實(shí)值對比

根據(jù)供應(yīng)商指導(dǎo)手冊，每五年更換機(jī)器人齒輪油，每臺需花費(fèi)大約10000元。根據(jù)實(shí)際計(jì)算的Fe含量進(jìn)行油液更換，一個(gè)產(chǎn)品生命周期結(jié)束，以MRA1480臺機(jī)器人計(jì)算，可以節(jié)省300萬元的潤滑油更換費(fèi)用，大幅度降低設(shè)備運(yùn)營維護(hù)成本。

奔馳裝焊維護(hù)團(tuán)隊(duì)在基于物聯(lián)網(wǎng)技術(shù)獲取底層設(shè)備信息及相關(guān)數(shù)據(jù)采集后，將機(jī)器學(xué)習(xí)等大數(shù)據(jù)分析方法引入并應(yīng)用于設(shè)備預(yù)測性維護(hù)中，能夠更加有效精準(zhǔn)的指導(dǎo)機(jī)器人的維護(hù)保養(yǎng)及設(shè)備預(yù)測性維修，我們將不斷推動技術(shù)創(chuàng)新與數(shù)據(jù)挖掘。