基于物聯網技術的機器人大數據分析與應用

王 欣

（北京奔馳汽車有限公司，北京 100176）

0 引言

龐大的工業機器人數量給設備管理帶來前所未有的挑戰：①設備量級大，所有設備都進行預防性維護人力成本和備件成本高；②生產壓力大，維護時間短，周末檢修壓力巨大；③設備大停機具有不可預測性；④資產管理成本高、不準確、利舊時沒有可參考數據。傳統的緊急性維修、修正性維修和預防性維護方式已經不能滿足大規模機器人自動化生產線的運維要求。

1 基于物聯網協議的狀態監控

1.1 機器人運行參數的監控

MQTT（Message Queuing Telemetry Transport，遙信消息隊列傳輸）協議是IBM 公司于1999 年提出的一個基于TCP 發布的訂閱協議，設計的初始目的是為了極有限的內存設備和網絡帶寬很低的網絡不可靠的通信，非常適合物聯網通信。基于這一協議，將開發好的客戶端安裝到KUKA 機器人操作系統內，并搭建可以接受數據的服務器，數據就可以以訂閱的方式進行發送了，數據訂閱的方式如圖1 所示。

機器人定期將打包好的數據發件發送到服務器，就可以從機器人側實時獲得機器人內部各種資產信息和運行數據了，比如機器人型號、位置、電機運行速度、時間、扭矩、運行日志等信息，從而實現對機器人的狀態監控。

圖2 所顯示的為機器人在2019 年3 月21 日某段時間4 軸的最大扭矩情況。這極大地提高了機器人運行的透明度，為技術工程師對機器人進行故障原因查找、預測分析和健康狀態分析提供了強大的數據基礎。

圖1 數據訂閱的方式

圖2 機器人4 軸的最大扭矩情況

1.2 機器人樣本曲線監控

機器人本身特性決定了機器人運行結果數據的復雜與多樣性。即使相同型號、負載接近的機器人，因工藝要求不同，運行軌跡的差異足以導致機器人反饋運行差數之間存在較大差異。在管理大批量形色各異的機器人時，想要敏感地察覺到機器人整體健康狀態的異常變化就顯得格外困難。

通過對機器人的維護觀察與數據相關經驗積累，對于單臺機器人其工作周期具有一定的往復性，各監控參數的變化同樣具有一定規律。但是因為故障、滿線、空線等干擾，在實際生產過程中難以獲得最優的一致性曲線。同時對于數據收集頻率必須加以嚴格控制，否則將影響機器人運行響應，同時會加大數據傳輸對公司網絡的負荷。在各種相關糾結的狀態中，北京奔馳另辟蹊徑，創新建立機器人標準運動軌跡及對應參數庫。

針對每臺機器人建立標準軌跡，精準采集建立標準曲線。通過標準動作反饋的數據差異來衡量機器人的健康狀態。并在數據收集與機器人監控中優化閾值區間，更精準評判機器人健康水平。同時，收集的每份樣例曲線都為日后的機器學習提供了有力的素材。

2 以“大數據”“機器人學習”為基礎的預測性維修

得益于狀態監控的實現，可以從機器人端獲取海量的數據，只要有強大的數據庫和足夠大的硬件存儲設備，就可以訂閱各種各樣的數據。但如何從海量的數據里提取有用的數據，就需要“大數據”的分析和處理手段了。哪些數據有用，哪些數據無用，哪些數據需要短期存儲，哪些數據需要長期存儲，這些都需要結合機器人的技術背景知識制定分析策略。然后結合“大數據”平臺的算力和合適的“機器學習”算法，最終才能實現對機器人的預測性維修。

2.1 數據特征的提取與分析

以圖3 為例，FS22_180_100 收集了該機器人3 軸平均扭矩130 N·m 左右的數據，發現該機器人扭矩是一個隨運行時間的增長而上升的狀態，而UB23_240RB_100 比較平穩，對兩組數據做線性回歸分析發現FS22_180_100 斜率為2.43，而與之對比的UB23_240RB_100 只有1.75。

圖3 機器人3 軸平均扭矩130 N·m 左右的數據

對兩臺機器人A3 軸的齒輪箱油進行更換后運行一段時間發現，FS22_180_100 A3 軸扭矩的曲線明顯趨于穩定，不再隨時間的推移而增長，與之對比的UB23_240RB_100 更換齒輪箱油后扭矩數據沒有明顯變化。這說明FS22_180_100 A3 軸的齒輪箱油是造成該齒輪箱扭矩持續上升的主要原因。由此可以推出當機器人某軸的斜率隨時間關系異常升高后需重點關注，及時檢查齒輪箱油液的狀態，如果不能及時發現并更換會導致齒輪箱急速磨損，扭矩持續變大，最終導致齒輪箱異常損壞，造成較大停機。而利用“大數據分析”和合適的數學模型算法，可以及時發現問題的所在，避免大停機的發生，實現預測性維護。

根據庫卡手冊，在機器人運行5 年的時候需要對機器人6個軸齒輪箱的油液進行更換。為節約成本，從2000 臺機器人的12 000 個軸中抽取了95 個有效樣品，參考根據的行業標準，選取鐵元素為衡量油液狀態的主要指標，鐵元素含量高，表明齒輪箱磨損情況嚴重，油液狀態惡劣。通過圖4 可以發現，鐵元素的含量與運行時間并沒有直接的關系，由此可見，僅靠運行時間并不能實際反映機器人齒輪箱油液真實的運行狀態。然而，通過圖5 的對比不難發現，鐵元素含量與軸的平均扭矩和最大扭矩有非常大的關聯性，特別是A2/A3，這樣很好理解，因為二軸和三軸的最大扭矩和平均扭矩明顯高于其他軸，受力越大，磨損發生的越快，鐵元素也就越來越高了。

根據機械磨損產生理論和經驗結合，后續需要建立齒輪箱扭矩、運行時間與齒輪箱失效的數學模型，找到扭矩、時間與Fe元素含量的內在關系，不斷修正參數，慢慢就可以預測油液的更換時間點了，而不是在根據油液測量的結果進行更換，費時費力又費錢。

圖4 機器人扭矩曲線

圖5 機器人扭矩曲線

3 結語

北京奔馳MRA 裝焊維護團隊在獲得機器人海量數據的同時，將智能學習技術引入，能夠更加有效精準地指導大規模機器人的高效維護。機器人數據的挖掘剛剛開始，預期效益遠不止這些。