编者按：近年来，《“十四五”智能制造发展规划》深入实施，我国智能制造发展取得显著成效。国家智能制造专家委员会特设“走进智能制造，助力产业升级”专栏，带您深入了解我国智能制造的优秀成果。在行业场景篇中，您将看到各类智能制造优秀场景的实际案例，包括它们的项目背景、技术路线和实施效果等。这些行业场景的成功经验将为其他企业提供宝贵的借鉴，推动整个行业的发展。
近年来，在党中央、国务院的坚强领导下，汽车行业以场景应用为牵引，以模式变革为探索方向，以质量效益提升为目标，加速形成新质生产力，推动智能制造取得长足进步，有效促进了行业高质量发展。为进一步助力汽车智能制造发展，中国汽车工程学会数字化与智能制造工作委员会联合汽车行业国家智能制造示范工厂，总结行业共性需求、技术路线和发展成效，提炼形成汽车行业智能制造典型场景指南,本期典型场景为设备故障诊断与预测。
一、场景概述
1.业务背景
汽车设备故障诊断与预测是指对整车及零部件产品生产过程所用设备的寿命预测，包含加工设备、冲压设备、焊接设备、涂装设备、总装设备、检测设备等，预测设备可能发生故障的时间，以及当前发生故障的原因，并采取措施消除故障。
2.痛点需求
汽车企业传统的设备维修保养采用定期保养的被动模式，没有科学的数据分析依据，采用经验判断的方式制定设备维修保养计划，主要存在以下几点问题：（1）为保障关键设备的开动率，提前采购充足的核心备件，存在资金占用率高、设备可用率低的问题；（2）为保证先进设备的保养效果，增大其保养频率，存在过度保养的浪费；（3）设备维修不能正确分析判断故障原因，存在盲目换件、大拆的问题。因此，亟需通过数字化的设备故障诊断与预测方法，科学的开展设备故障诊断与预测，减少维修费用，增加设备利用率，为企业带来更大的经济效益。
3.建设内容
设备故障诊断与预测场景综合运用物联网、机器学习、故障机理分析等技术，建立故障诊断与预测模型，及时发现潜在失效隐患，预测失效模式，辅助分析故障的可能部位和原因，指导制定设备维护策略、计划和措施，提高设备综合效能。
4.实施步骤
设备故障诊断与预测场景的实施过程主要分为方案设计、系统开发以及验证优化与应用三个阶段。如图1所示，方案设计阶段包含场景业务方案设计和场景实施方案设计，系统开发阶段包含设备连接、数据预处理、分析建模、可视化界面开发，验证优化与应用阶段包含模型准确性验证、业务判断标准制定及验证、正式应用与迭代升级。一般建设周期约18-24个月。
5.实施基础
底层设备需要开放数据接口，并提供数据接口与设备的对应关系以及必要的数据说明（数据类型、数据名称、数据描述、数据长度等）。可通过一定数量的负样本（发生故障时的数据）建立数学模型，同时要有底层设备的基础资料，包括电气原理图、设备机械结构图、PLC程序结构等。生产线设备应具备基本的联网通讯接口，能够提供场景所需的运行数据，支持数据采集的通讯协议。应布署网络基础设施，满足设备就近按需接入网络的需求。工厂或车间应具备设备业务流程管理信息系统，具备计划管理、工单派发、消息推送等基本功能，能够支撑设备故障诊断与预测场景业务活动的闭环管理。
二、典型建设路径一：长安汽车实践案例
重庆长安汽车股份有限公司是中国汽车品牌的典型代表之一，长安汽车旗下有长安、深蓝、阿维塔、凯程等自主品牌以及长安福特、长安马自达、江铃汽车等合资品牌。在当前新一轮科技革命和产业变革中，长安汽车提出并构建了“天上一朵云,空中一张网,中间一平台,地上全场景”的创新模式。
从长安汽车工厂的整体运营分析，产线设备故障是造成生产损失的主要因素，约占到87%左右。究其原因，产线设备在故障诊断与预测方面存在以下痛点问题：（1）设备状态监测方法有限且低效，很多设备性能衰减或隐患不能及时发现并规避，引发突发故障导致停线；（2）故障解决主要依赖技术人员经验排查，效率因人而异，总体效率低；（3）信息不够透明，故障定位不精确，瓶颈识别效率低，影响解决问题效率。因此，亟需通过数字化的故障诊断与预测技术来解决设备管理业务存在的痛点。如图1场景实施步骤所示，长安汽车设备故障诊断与预测场景实施的核心是“场景实施方案设计”。以焊接车间为例，场景实施方案内容如下：1）PLC类设备主要采用S7、EtherNet/IP、Modbus TCP/IP或CC-link/IE等主流通讯协议，设备PLC均按照统一定义的数据存储规范在相应的PLC地址映射区中存放数据。上层信息系统通过OPC协议与PLC数据进行实时交互。2）机器人数据采集，以机器人控制器CPU板卡上Ethernet-2作为专用数据采集接口，在每一台机器人通讯板卡上配置一个USB寄存卡（用于临时存储机器人数据文件），在数据采集服务器中安装数据采集软件“KRDAQ”, 再将数据存储入数据采集服务器的数据库中。1）数据架构与流向：如图2所示，搭建包含数据源、存储层、数据层、微服务层、业务操作层的数据架构。对于实时性要求不高的数据，通过物联网平台将数据源汇集到数据湖供各微服务器使用；对于实时性要求高的数据，通过接口和物联网平台及关系型数据库直接交互。业务操作层的业务功能通过restful接口与微服务层交互。
2）网络架构：如图3所示,关键设备在场景建设之前已基本联网，具备基础的数据采集条件，但是随着设备采集数量及频次提高，存在生产数据网络冗余情况，导致出现网络风暴和故障。所以针对数据采集频次高的机器人数据搭建星型结构的数据采集专用网络，并通过VLAN技术进行生产网络和数据采集网络的隔离。
3）系统架构：如图4所示，搭建了边缘层、IaaS层、PaaS层、SaaS层的四层软件平台架构。核心的软件应用部署在SaaS层。在PaaS层搭建了服务于整个场景业务的大数据平台和基础支撑组件来支撑整个场景的软件服务运行。IaaS层主要部署了工厂级和车间级的服务器、存储、网络等设备。边缘层主要负责数据集成与接入协议转化、边缘数据分析等。
软件方面：本场景案例主要功能部分的软件架构由3部分组成：设备健康度评估、设备故障预测及设备故障诊断。
根据设备运维中不同层级设备和管理用户的需求，按线体、设备、部件三个层级，实时监测各类设备运行效率、工作状态、健康趋势、历史故障TOP等，多要素综合评估得出健康度状态，以不同颜色标识（绿色—正常、黄色—预警、红色—故障/警告）让生产线状态一目了然，为管理者、工程师开展运维决策提供数据支撑。1）设备性能失效预测：通过采集设备本身的电流、温度、压力等性能参数，分析性能状态波动或演变的趋势。根据设备机理和历史数据表现，设定预警和报警判断标准，实时预判设备劣化程度，并及时给出预警信息。主要应用于有故障模式，劣化趋势呈现一定规律的设备，比如焊接滑台、转台、高速滚床，涂装风机，总装板链等。2）设备时序效率监测：按设备动作先后顺序和执行时机，采集指令信号，计算每个动作的起止时间，与工艺步序设计时间对比判断，定位隐患步序环节和对应的设备部件。主要应用于适用于输送线、机器人、转毂、升降机、夹具等。3）部件寿命预测：设备的易损件寿命一般与该部件的负载工作量呈现负相关；通过采集生产车辆数、设备运动时间、运动次数、循环周期等，即可进行度量评估；可将所有易损件寿命状态完全可视化。主要应用于焊接填充阀密封圈、涂装喷涂系统齿轮泵，旋杯，输送皮带，总装电刷，裹胶胶轮。结合设备健康度指标、故障代码及故障报警等支撑，与故障失效模式、原因和措施库结合，将设备技术和故障解决经验AI化，从故障位置、原因及措施三个层级诊断分析，提高故障诊断排除的效率。1）设备故障干扰信息过滤：设备单点出现异常，会连锁影响周边系统报出异常。故障代码中，除直接故障信息外，还有大量假信息，干扰真实故障的锁定，面对该问题，截取首发故障作为主要故障。2）故障位置可视：解析故障代码信息锁定故障部件，根据设备结构图，快速定位故障点。3）故障原因及措施分析模型构建：将大量的设备故障维修经验，利用知识图谱AI算法，将案例信息按对象、现象、原因、措施等进行语义识别和提取；对文字信息结构化归类，建立网状的深度链接。当设备故障时，自动或人工输入故障现象或代码信息，快速给出可能的原因和推荐措施。硬件方面：为了支撑整个场景的实施，按照设备、车间、工厂三级搭建硬件架构。在工厂级采用虚拟集群的模式部署WEB服务器、业务中台服务器、数据中台服务器、大数据平台服务器、docker容器管理服务器等，部署相应的算法模型、可视化界面、数据库、大数据分析工具及平台、docker容器管理平台等。车间级和设备级主要负责数据采集和边缘分析功能，边缘数据采集分析模块主要通过边缘算法模型采集、分析、缓存高频振动数据，线边工控机主要采集部分非PLC控制的工艺设备的设备数据。
长安汽车设备故障诊断与预测场景实施后，其业务流程如7所示，以“A-智能预测”为起始点，所有业务均围绕此开展一系列的分析和评估，对设备的状态进行预警或报警.据此制定P，触发D，自动派发工单至执行人员。在作业执行过程（D）中，由“C-智慧专家”根据业务内容推送作业指示或提供专业知识、经验，支援现场。作业完成后，业务人员反馈本次活动的情况至A和C，支撑其改进优化。通过业务流程的再造，实现了业务和数据的双闭环。
（1）规避重大故障：减少重大重复故障30%；维修时长60分钟以上故障同比减少20%；降低单次故障处理时间30%。（2）节约成本：备件库存精准预测，其成本降低15%；对应设备维护工时降低30%。（3）质量可控：关键设备工艺参数监控与预警，质量问题“0”流出。（4）保障安全：设备安全门信号及状态实时监控，降低人员维护安全风险。业务活动的闭环管理。
三、典型建设路径二：北京奔驰实践案例
北京奔驰汽车有限公司是北汽集团与戴姆勒股份公司、戴姆勒东北亚投资有限公司组建的整车制造企业，新工厂位于北京经济技术开发区具备年产10万辆汽车的生产能力，目前在产11款梅赛德斯-奔驰车型：EQE、EQE SUV、EQA SUV、EQB SUV、长轴距E级车、长轴距C级车、长轴距GLC SUV、长轴距A级轿车、GLA SUV、GLB SUV以及梅赛德斯- AMG A 35 L 4MATIC。
北京奔驰现有43种不同型号的工业机器人共3500台左右，应用在17个车间，涵盖83种工艺。故障诊断与预测方面存在以下问题：（1）故障类型表现多样，且多为不可再现故障，导致故障样本稀疏，为人工数据分析总结规律带来困难；（2）针对采集到的故障数据，分析目标繁多，分析工具可复制性较低，理论分析难以覆盖实际遇到的故障类型；（3）奔驰全球化的运营模式，造成细分领域知识分布碎片化，致使机器人故障诊断与预测领域缺乏知识积累。以北京奔驰车身工厂针对工业机器人实施故障诊断与预测场景为例，场景建设总体框架如图8所示。首先为解决数据的采集与管理问题，建立“工业机器人大数据平台”，实时采集全厂在用机器人的内部信号数据，并进行初步提取与聚合处理。同时建设“数据信息安全体系”，在防护和监测环节确保积极预防及时发现外部或内部的可疑攻击，保障数据信息安全。然后，开发各项失效预测模型，以此输出预测性维护决策。最后，在场景方案实施过程中通过正向验证、反向验证实现闭环管理，在故障诊断与预测的同时迭代优化失效预测模型。
（1）数据采集模块：由机器人的控制系统实现数据采集，通过机器人内置的MQTT客户端将数据上传。（2）数据提取聚合模块：根据在数据提取引擎中做好的预设处理，过滤掉机器人采集的无效数据，并将其存入HBASE数据库中，用于细节数据展示和短期状态监控算法的计算。同时，聚合引擎将全量数据以5分钟为单位进行聚合，并将聚合后的数据存入HBASE数据库，用于长时间保存和长期状态监控算法的计算。（3）数据存储模块：系统将HBASE数据库中聚合数据的二级索引存入ORACLE数据库，以方便前端查询和调用。（4）数据处理模块：用于支持前序的计算模型和算法。在工业机器人大数据平台基础上，依据工业机器人内部传输电机、电流、扭矩数据，对其机理进行分析，筛选处于高负载或长轨迹的特定程序指令进行分析建模。编程建立机器人“体检程序”，在相同且固定的机器人轨迹与姿态下测得数据，并进行标准化或归一化处理，以更好做出诊断。北京奔驰设备故障诊断与预测场景实施的核心在故障诊断的验证过程，采用正向验证和反向验证两个角度同时进行的模式。正向验证是指对预测模型的结果进行现场检查，反向验证是指根据现场实际出现的问题反查模型预测结果。如图10所示以点焊技术为例，正向验证对预测出部件问题的点焊机器人进行相应预测内容的现场检查，反向验证是检查现场实际出现部件损坏的点焊机器人看是否在预测出的设备中。每一个预测条目的正向验证和反向验证同时进行，检查情况填入正向验证和反向验证记录在如图11所示的表中。
北京奔驰在针对工业机器人开展设备故障诊断与预测场景后，制造运维效益提升明显，表现在成本优化、效率提升、质量稳定三方面。（1）成本优化：由传统的紧急性维修转为有计划性的开展诊断与预测，有效减少了管理人员配置和人员加班本约55万人时。根据历史记录及知识图谱的预测数据，动态调整备件库存和采购策略，使备件策略更精益和安全，节省库存备件成本约1200万元。（2）效率提升：预测性维护减少了非计划停机时间，使平均无故障时间（MTBF）提升20%，停机时的平均故障修复时间（MTTR）缩短35%，整体提升设备综合效率5%左右。（3）质量稳定：提前预测机器人故障并及时介入解决，明显减少因设备异常停机造成的产品返修率与报废率，减少产品一次不合格率约50%。
