工业AI | 如何在焊接机器人进行设备预测性维护？

不爱听辣妹子辣的鲁迅种子

预测性维护是工业大数据结合人工智能方向的一个重要应用场景，针对设备的故障和失效问题，实现从被动的故障维护到主动的预测和综合规划管理。


随着自动化的不断普及，车间机器人已大量应用在生产制造过程中，当前不少企业设备故障的维修仍处于被动式状态，事故成本非常高。设备运行数据和环境数据尚未得到全面的采集与分析。
本方案中，通过焊接机器人和传感器作为硬件层，蜂窝，无线网络和通讯模块作为通讯层，提出了基于机器学习的焊接车间焊接机器人预测性维护系统。通过焊接机器人的机理模型与数据模型的结合，对故障进行预测，定位与分析，达到事前报警，降低停机率并缩短维护周期，从而提高生产效率。


焊接是制造业中最重要的工艺技术之一，而焊接机器人是焊接自动化的革命性进步。目前，国内外已有大量的焊接机器人应用于各类自动化生产线上。工业焊接机器人机械，电气系统复杂，工作区域大，运行速度快，因而无法准确预测在不同工况下有可能出现的所有危险，尤其在人工示教编程或者维护时，任何操作失误和未知的系统缺陷都有可能造成设备损坏甚至引发重大安全事故。国家标准及国际标准化组织都制定了工业机器人安全规范，为焊接机器人安全控制系统的设计提供了参考。
预测性维护的分类

预测性维护可以分为基于设备机理和基于数据驱动预测两种类型。基于机理模型的预测是建立设备故障与机械动力学、热力学和计量学等数学模型的关联关系预测设备故障，而数据驱动模型则是通过大量数据的学习和训练，形成智能化的决策模型，前者更适用于旋转类设备，数据驱动模型更适用于复杂不确定系统和黑箱过程的预测和控制，数据驱动模型是基于经验数据统计关系或统计特征的预测和控制方法，其效果依赖于输入数据的准确性和响应频率。



预测性维护：智能诊断类型

预测性维护的实施流程




01数据获取
通过模拟仿真和传感器测量获得目标设备或系统的全寿命数据。
02数据处理
包括数据预处理和特征提取，对数据进行过滤和整理，识别数据中工况信息，剔除非重要变量，通过特征提取的方法得到衰退特征，供模型训练使用。
03特征提取
删除对任务无有用信息的属性，对传感器数据特征提取方法进行设计，建立基于传感数据特征提取的计算机预测性维护模型,并进行对比实验。
04模型训练
选择适当机器学习模型，利用经处理后的全寿命数据进行训练，获得在不同工况下可以对设备的故障进行准确预测或系统剩余寿命进行准确预测的模型。
05模型验证
根据系统故障预测的仿真，可以验证维护和维修策略的可行性，并将论证结果导入专家策略库中作为方案。
06模型部署
部署预测性维护算法模型，根据工况识别数据的反馈信息进行故障诊断，决定设备或系统的维修策略；根据现场工况的数据进行多维度分析进行寿命预测，决定设备或系统的维护和保养策略。
焊接机器人的预测性维护

为解决焊接机器人规模化应用过程中操作与维护规范化问题，通过分析焊接机器人应用现状，应用意义及发展前景，展现焊接机器人操作与维护规程必要性，同时分析焊接机器人在日常应用中存在的不足及问题，突出焊接机器人操作及维护规程的重要性。基于此，探究并优化焊接机器人操作与维护规程，优化后可充分保障焊接机器人通用性及可靠性的优势，实现企业稳定运行及生产，进一步提高焊接机器人的经济性和实用性，保障生产效率，确保焊接质量。


数据的处理流程及方法

基于传感器、数据采集、大数据分析、云服务技术，使设备状态监测的预测性维护更为便利，维护成本更低。通过采集机器人监控数据、工艺数据、事件与报警数据，采集关键设备上的电机状态信息、故障信息、振动分析数据，建立预测性维护模型，实现对设备健康度的实时监控和评估，更为准确地预计故障发生的时间，以便维护人员准确及时做出应对措施。
现阶段，状态监测主要通过监测各种参数（如前后主轴温度、齿轮箱振动、电流、电压、焊接速度、送丝速度、送丝电机电流、声音等设备参数）以识别焊接机器人的潜在故障，数据的采集还包括设备数据、生产过程数据、环境数据、焊接质量检测数据等。
建立用于预测性维护应用的机器学习模型包括以下几个步骤：

• 历史数据选择；
  
• 数据预处理；
  
• 模型选择、模型训练和模型验证；
  
• 模型部署及维护。
  

历史数据选择，即收集和存储设备运行过程中产生的数据集，以便为机器学习模型设计选择有价值的数据，其目的是获取与系统状况相关的信息。通过数据预处理步骤，对数据进行处理和分析收集的数据，可以使系统更好地解释数据。数据预处理步骤包括数据转换（标准化）、数据清理（缺失数据处理和异常值去除）和数据缩减（维度缩减和数量缩减），以保证数据能够被机器学习模型有效地处理。模型的开发步骤包括：选择模型、训练模型、验证模型。模型维护可以随着时间的推移保持模型性能，因为工业生产可能会随着时间的推移而发生变化，导致模型性能下降。
数据分析和挖掘过程中，在面对焊接机器人设备本身多源、结构复杂且由不同运输设备收集的大规模数据时，数据清洗是首要的环节。
基于数据噪声处理的背景，对采集到的焊接机器人设备数据通过以下几个算法进行数据的处理：
•       基于密度的方法--LOF、SOS
•       基于聚类的方法--DBSCAN
•       基于树的方法 -- iForest
•       基于分类的方法--One-Class SVM
重点介绍一下基于聚类和基于树的方法：
DBSCAN算法（Density-Based Spatial Clustering of Applications with Noise）：

对于无法形成聚类簇的孤立点，即为异常点（噪声点）。
其输入和输出如下，

• 输入：数据集，邻域半径Eps，邻域中数据对象数目阈值MinPts;
  
• 输出：密度联通簇。
  

处理流程如下：

• 从数据集中任意选取一个数据对象点p；
  
• 如果对于参数Eps和MinPts，所选取的数据对象点p为核心点，则找出所有从p密度可达的数据对象点，形成一个簇；
  
• 如果选取的数据对象点 p 是边界点，选取另一个数据对象点；
  
• 重复以上2、3步，直到所有点被处理。
  

孤立森林（Isolation Forest, iForest）：

它是一个经典的异常检测算法，能处理大规模的多维数据。孤立森林通过构建二叉树的方法孤立每一个异常样本——因为异常样本容易被孤立的特征，异常样本更靠近根节点，正常样本 at the deeper end of the tree。构建的这棵树被称为孤立树（Isolation Tree, iTree)。iTrees的集合即iForest。anomalies are those instances which have short average path lengths on the iTrees。


单棵树训练的过程：

• 从训练数据中随机选择 Ψ 个点作为子样本，放入一棵iTree的根节点；
  
• 随机指定一个维度，在当前节点数据范围内，随机产生一个切割点 p —— 切割点产生于当前节点数据中指定维度的最大值与最小值之间；
  
• 此切割点的选取生成了一个超平面，将当前节点数据空间切分为2个子空间：把当前所选维度下小于 p 的点放在当前节点的左分支，把大于等于 p 的点放在当前节点的右分支；
  
• 在节点的左分支和右分支节点递归步骤 2、3，不断构造新的叶子节点，直到叶子节点上只有一个数据（无法再继续切割）或树已经生长到了所设定的高度 。
  

整合多棵iTree的结果：   
由于切割过程是完全随机的，所以需要用 ensemble 的方法来使结果收敛，即反复从头开始切，然后计算每次切分结果的平均值。
获得 t 个孤立树后，单棵树的训练就结束了。接下来就可以用生成的孤立树来评估测试数据了，即计算异常分数 s。对于每个样本 x，需要对其综合计算每棵树的结果，通过下面的公式计算异常得分：


其中，h(x) 为 x 在每棵树的高度，c(Ψ) 为给定样本数 Ψ 时路径长度的平均值，E(h(x))用来对样本 x 的路径长度 h(x) 进行标准化处理。
焊接机器人数据分析

由于六轴关节机器人控制系统经常工作于震动环境，细微参数的变化人工不易察觉，参数的累积变化容易导致焊接质量问题，通过IOT物联网数字底座平台，采集焊接机器人的内部参数，如电流，电压，焊接速度，送丝速度，送丝电机电流，声音等设备参数，作为PHM系统输入进行数据分析，进行数据的清洗和处理后，进行数据指标的分析：



焊接过程电流、电压一致性监测



故障因子诊断

预测性维护给客户带来的价值

1、减少生产时间损失：预测性维护允许计划外停机时间比反应性维修所需的停机时间短得多，并且可以安排在方便、成本较低的时间来维护焊接设备。
2、降低维护成本：在需要时进行维修，而不是在许多情况下多余的例行维护。
3、降低劳动力成本：需要技术人员完成具体而目标明确的任务。
4、降低设备成本：只处理有问题的部件，防止不必要的更换和维修造成相邻部件的磨损。
5、二次损坏的可能性较低：预测性维护可以在问题加重并对设备造成更大范围损坏之前及早发现问题。
6、根据焊接数据的异常，提前对焊接设备进行维护保养，降低焊接故障发生率20%。

陌路同归

请问方便提供一下数据集吗