總裝車間數字化及智能化初步探索

何森 王釩旭

摘 要：目前，在主流汽車廠總裝車間，生產效率達到60JPH以上，節拍緊、停臺壓力大。提取設備數據、實現設備狀態監控，通過機器學習實現智能分析、判斷、預測，可降低設備故障率和設備維修人員數量。一汽-大眾佛山總裝一車間（以下簡稱“總一車間”）采用“西門子PLC+樹莓派4B+Snap7協議庫+Python編程語言”方案，成功實現了5處數字化場景。同時基于車間擰緊數據，應用機器學習技術，實現擰緊過程的智能監控、自動故障識別。

關鍵詞：設備狀態監控;機器學習;樹莓派;Python;PLC

1 方案

1.1 基于樹莓派及Snap7的低成本西門子PLC數據采集

總一車間采用“西門子PLC+樹莓派4B+Snap7協議庫+Python編程語言”的數據采集方案，新增核心硬件樹莓派的價格控制在400元以下，涉及的操作系統及開發軟件均為開源免費。

確定方案后，需進行Python-Snap7在樹莓派硬件中linux環境配置。

正式與PLC通訊前，需對PLC進行配置和權限的設置：給予完全訪問權限，開放其自身讀寫權限。另外需要開啟“允許來自遠程對象的PUT/GET通信訪問”。

用python語言進行Snap7 客戶端編程的流程：

（1）腳本文件中添加庫;

（2）創建客戶端類對象，連接PLC;

（3）連接成功后，開始定時讀取操作;

（4）添加Snap7庫：import snap7;

（5）創建客戶端語句：plc=snap7.client.Client（）;

（6）連接plc：plc.connect（"ip"，rack，solt）。

解析數據：由于使用read_area（）和db_read（）所讀出的源數據為二進制數據，即字節數組格式bytearray，故需對其解析，才能轉換為目標格式。

1.2 基于大數據機器學習的擰緊質量監控系統

總一車間安裝了268套自動擰緊設備，自2012年量產后存儲了大量擰緊數量，在此基礎上引入機器學習技術，實現擰緊異常的自動判斷，及不合格原因的自動分析判別。

自學習系統整體流程如下：

（1）采用K-Means聚類算法，對歷史數據螺栓擰緊曲線進行聚類操作，獲取異常數據的異常種類;

（2）分場景對歷史數據進行邊緣檢測算法，找出每個場景下螺栓擰緊曲線分布，構建曲線分布區域模型，以診斷曲線是否正常;

（3）采用第一步聚類后，獲取的帶有異常種類的數據，訓練神經網絡模型;

（4）對于異常曲線，提取曲線數值特征后，采用訓練好的神經網絡模型;

（5）每隔一段時間，根據人工驗證反饋數據，自動優化和訓練螺栓擰緊曲線分布區域模型和神經網絡模型;

（6）新螺栓類型擴展：當數據庫中出現一種新的螺栓擰緊數據，診斷系統會對數據進行解析匹配，使用一定量的數據生成螺栓擰緊曲線區域檢測模型，然后采用通用模型對異常曲線進行異常分類;

（7）新異常類型擴展：如果發現一種新的螺栓異常種類，在數據庫中積累一定的該異常類型的數據，重新訓練生成一個通用異常分類診斷模型。在診斷系統繼續運行過程中，根據反饋和調整，再為每種螺栓類型訓練生成專用異常分類診斷模型。

2 成果

2.1 設備運行數據集中采集監控

設備監控主要有兩個方面：一是及時準確地獲取設備的最新狀態，對設備狀態進行分析記錄，包括電機電流、溫度、轉速，為后續設備維護保養提供決策，降低停臺和維修人員數量。二是及時獲取設備上實時儲存的與產品相關的數據，用以監控生產過程，分析追溯質量缺陷，提高質量。

總一車間基于上述方案，目前開發了以下5處應用場景。

2.1.1 輥道線及舉升機驅動電機電流實時監控

利用SEW變頻器預留字實現PLC讀取電機電流值存入DB塊，再用python-Snap7編程創建客戶端，將數據存入MySQL數據庫的同時，在中央上位機進行實時可視化。目前成功的預判了多處舉升機電流異常，及時處理，避免了重大停臺。

2.1.2 車間全車間輸送線車輛實時定位

利用python-snap7獲取車間各處設備PLC堆棧中存儲的車輛kenn碼數據后，從fis數據庫查找對應的車輛fis數據，還原出大線所有工位對應的實時車輛信息，編寫成網頁動態顯示，一眼就能看到檢索車輛的具體位置。該系統預計每年能減少鎖定問題車輛所在工位所花費時間15小時/年，同時減少質量成本。

2.1.3 前束檢測設備節拍實時顯示

總一車間前束檢測設備共有5個檢測口，每個檢測口的檢測時間均不一致（檢測時間取決于被檢測車輛）。總裝一車間通過在各檢測口增加傳感器，利用python-snap7獲取傳感器數據，編寫QT界面程序，并嵌入返修合格率網頁，采用低成本的樹莓派作為現場嵌入式主機，展示前束檢測實時時間車數及合格率展示于現場電視屏幕上。實施后節約單車排隊時間約15 s。

2.1.4 車身吊具驅動電機溫度實時監控

總一車間共有可升降車身吊具95臺。針對電機抱閘損壞、吊具行走輪損壞等問題，借助測量電機溫度可以間接地暴露異常。

通過在現場安裝測溫儀、模擬量模塊并進行布線，在線測量車身吊具電機溫度并寫入PLC，利用python-snap7庫獲取PLC中的實時溫度數據，用PyQT5庫制作成可視化界面方便維修人員集中監控，實施后提前發現故障、減少停臺45 min/年。

2.1.5 PGD天窗涂膠設備計量泵狀態實時監控

總一車間將基于樹莓派及Snap7設備數據采集方案運用至工藝涂膠設備核心部件計量泵的運行狀態監控，實時采集計量泵的填充進度、壓力、電流、轉速和溫度，及車輛底盤號，啥時候減少停臺40 min/年。

2.2 擰緊大數據機器學習質量診斷系統

總一車間開發的擰緊曲線自學習質量監控系統，經過一年多的訓練及優化，已經學習了10 w+條數據，聚類出了30種異常類型。目前已有13種螺栓場景異常類型準確率保持在99%以上。螺栓診斷服務的速度在0.15～0.2 s每條。實現擰緊異常原因的自動分析判別，減少經驗依賴，減低質量風險，提升擰緊質量問題的分析效率。