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)機器人設備與技術。北京奔馳裝焊車間總計約2000臺工業(yè)機器人運行，隨著多個新項目的開展即將擁有更多的工業(yè)機器人。在自動化程度越來越高、機器人設備越來越多的背景下，如何統(tǒng)籌、高效、準確地管理機器人并且及時掌握機器人的運行狀態(tài)對于北京奔馳的生產(chǎn)運營有著十分重要的意義。

機器人長期運行，由于減速機內(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，需要維護人員定期進行機器人齒輪油的更換，工業(yè)機器人原換油策略為每五年更換機器人齒輪油，每臺需花費約10000元。但該策略存在諸多缺點，例如成本高昂、大量停產(chǎn)工時及人員需求、無法精準維護。

為降低運營成本及提升人員效率，重新規(guī)劃制定機器人換油策略：基于每臺機器人的實時數(shù)據(jù)判斷機器人狀態(tài)，通過采集機器人運行數(shù)據(jù)，包括實時數(shù)據(jù)如電機溫度、扭矩、電流、運行時間等，抽取不同工況的95個齒輪箱油樣送至專業(yè)油品分析實驗室，得到油品成分分析結果，建立了油品質量評估模型，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)進行調(diào)優(yōu)，使用模型計算出了現(xiàn)場所有機器人油品質量，進行排序并制定換油計劃。僅通過機器人換油方案的優(yōu)化，節(jié)省換油成本費用約300萬元。

1 機器人運行數(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機器人操作系統(tǒng)內(nèi)，并搭建可以接收數(shù)據(jù)的服務器，數(shù)據(jù)以訂閱的方式進行發(fā)送。機器人定期將打包好的數(shù)據(jù)發(fā)送到服務器，就可以從服務器側實時獲得機器人內(nèi)部各種資產(chǎn)信息和運行數(shù)據(jù)，例如機器人型號，位置，電機運行速度、時間、扭矩、電流、運行日志等信息，從而實現(xiàn)對機器人的狀態(tài)監(jiān)控。

圖1 機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。實時監(jiān)控收集電機溫度、扭矩、電流、運行時間等指標值，進行數(shù)據(jù)分析。采集的部分數(shù)據(jù)結果如下：

（1）Robot:機器人功能代號；AVG_torque:平均扭矩。

（2）Axis：機器人軸號；MAX_torque:最大扭矩。

（3）full_axis_name：機器人軸型號；AVG_temp：平均軸溫度；Runtime:運行時間。

2 機器人齒輪油品成分分析

抽取不同工況的95個機器人齒輪箱油樣送至專業(yè)油品分析實驗室，得到油品成分分析結果，通過SPSS對油品分析結果進行統(tǒng)計分析，得到標準差、均值、百分位數(shù)等結果如圖3。

圖3 基于SPSS進行油品數(shù)據(jù)統(tǒng)計分析

基于標準差對各元素進行排序，排序結果如表2。

表1 基于Kibana采集機器人運行數(shù)據(jù)

表2 油品特征因素標準差排序

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

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

潤滑油配方中不應含有Fe元素，從相關性圖中分析得出隨著運行時間的增加Fe元素含量會相應的增加，結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，導致潤滑油Fe元素升高，因此算法將Fe元素作為衡量油品質量評價的主要因素。

3 建立油品質量評估模型

3.1 分析機器人數(shù)據(jù)與Fe元素之間的關系

利用Python建立機器人電機平均扭矩，最大扭矩，平均溫度，運行時間等因素和油品質量影響因素Fe元素之間的結構性關系，由于隨著機器人運行時間的增加，F(xiàn)e元素含量也會相應的增加，大于200點為統(tǒng)計學異常數(shù)據(jù)，剔除異常數(shù)據(jù)后進行各特征之間的相關性計算，確認特征對結果的貢獻值。

通過相關性分析得出各特征與Fe元素線性相關程度為：平均力矩>最大力矩>平均溫度>運行時間>軸號。

3.2 質量評估模型建立

如下圖例為機器學習的黑箱，應用機器學習可以不用關系內(nèi)部計算細節(jié)邏輯。

圖4 油品特征因素相關性分析

圖5 MO元素與運行時間散點圖

圖6 Fe元素與運行時間散點圖

圖7 各特征相關性圖

數(shù)據(jù)上，多個維度的特征作為一組輸入數(shù)據(jù)，一個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)整學習的參數(shù)，通過模型的訓練即可觀測結果的準確度。本例采用了SVM支持向量機的回歸方法，將機器人的軸數(shù)據(jù)、運行時間、溫度、電流 扭矩、負載等7個維度作為一組輸入特征，對應Fe含量作為目標值，進行模型的訓練。由于SVM支持向量機算法本身具備了相關性篩選能力，可以使機器人發(fā)送更多的維度特征數(shù)據(jù)，進行模型訓練。

圖8 各特征相關性散點圖

圖9 機器學習訓練模型

圖10 訓練集模型與Fe元素結果對比

4 結果及分析

目前主流的機器學習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，運行速度比較快，在相對短的時間內(nèi)能夠對大型數(shù)據(jù)源做出可行且效果良好的結果，但容易發(fā)生過擬合及容易忽略數(shù)據(jù)集中屬性的相互關聯(lián)。

圖11 三種模型測試結果對比

KNN算法在確定分類決策上只依據(jù)最鄰近的一個或者幾個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，新數(shù)據(jù)可以直接加入數(shù)據(jù)集而不必進行重新訓練，理論簡單，容易實現(xiàn)，但在樣本不平衡時，預測偏差比較大。

本章節(jié)對三種算法模型進行相關測試。

4.1 質量評估模型測試

4.1.1 用線性回歸、CART樹、KNN模型測試結果

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 使用高次時間函數(shù)測試

使用高次時間函數(shù)，LR誤差有所增加：

監(jiān)測結果發(fā)現(xiàn)去除共線性特征及使用高次時間函數(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，但輸出結果與實際結果存在一定的偏離，需使用LR數(shù)算法調(diào)參。

調(diào)參完成后最終輸出結果與Fe元素實際含量進行數(shù)據(jù)對比，相當于預測樣本，預測總體趨勢相當，經(jīng)驗證準確率為75%。

5 結語

圖12 檢測模型結果輸出

本案例基于工業(yè)物聯(lián)網(wǎng)技術，對機器人各項運行參數(shù)進行數(shù)據(jù)采集，結合現(xiàn)場油品特征因素提取分析，利用Python建立油品質量評估模型，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)，實現(xiàn)油品質量評估模型的建立，經(jīng)過測試集檢驗，模型的準確率達75%。后續(xù)設備維護保養(yǎng)過程中，可使用模型計算出現(xiàn)場所有機器人油品質量并進行排序，工程師可在后端計算算法每周按相關信號進行計算，相關計算結果會被用來做觸發(fā)更換機油的報警，并制定換油計劃。

圖13 測試模型結果與Fe元素真實值對比

根據(jù)供應商指導手冊，每五年更換機器人齒輪油，每臺需花費大約10000元。根據(jù)實際計算的Fe含量進行油液更換，一個產(chǎn)品生命周期結束，以MRA1480臺機器人計算，可以節(jié)省300萬元的潤滑油更換費用，大幅度降低設備運營維護成本。

奔馳裝焊維護團隊在基于物聯(lián)網(wǎng)技術獲取底層設備信息及相關數(shù)據(jù)采集后，將機器學習等大數(shù)據(jù)分析方法引入并應用于設備預測性維護中，能夠更加有效精準的指導機器人的維護保養(yǎng)及設備預測性維修，我們將不斷推動技術創(chuàng)新與數(shù)據(jù)挖掘。