智能生產線CPS 的生產故障運維平臺研發

文/劉宏偉

針對現場生產設備和流程工藝，研究裝備運行狀態、自優化、控制自適應等實際偏差的實時監測方法。研究數據驅動的復雜產品狀態異常檢測、趨勢預測與故障診斷等關鍵技術；建立面向全壽命的復雜產品維修時機，協同優化，目標導向的整機與部件維修策略，研發基于狀態預測的備件規劃等優化模型和平臺。同時，面向家電、汽車和 3C 等行業，實現產品的可識別、可追溯、可定位、可管理，可檢測、可預警、可遠程維護；實現產品設計改良，備品備件的庫存管理優化。通過聯網進行數據采集，形成生產與服務的閉環，讓生產數據產生價值。

1 基于CPS的生產故障運維平臺的架構設計

如圖1所示。

生產故障運維平臺分為三個部分：數據支撐平臺、健康管理系統和數據展示平臺。

數據支撐平臺：搭建高效可靠的數據采集平臺。在平臺端通過接收傳感器上的變送數據，監測生產線的運行情況，并將數據傳送到數據采集服務器上。

健康管理系統：實施全面的設備健康監測和分析，通過嵌入專業分析模塊實現專業分析的相關功能，引入專家系統協助進行決策并通過評價系統進行自適應改善。

數據展示平臺：將設備遠程數據、高級應用層分析數據進行多元化展示。

1.1 狀態監測

基于狀態的維修（Condition based maintenance, CBM）是一種先進的維修保障方式，而故障預測與健康管理（Prognostic and health management, PHM）則是實現CBM 的重要技術途徑之一。

圖1：生產故障運維平臺

圖2

圖3

1.2 數據驅動的復雜產品狀態異常檢測、趨勢預測與故障診斷

圖4

圖5：遠程預測性維護示意圖

對設備故障的發生過程進行建模和預測可以使用數據驅動（Data-driven）的分析手段，其他的方式還包括物理建模、可靠性模型、和混合模型等。數據驅動的PHM 算法正式通過對高維大數據的融合特征分析來建立健康狀態模型的。特征是指從溫度、振動、聲學等監測信號當中抽象提取出的與判斷某一事物的狀態或屬性有較強關聯的可被量化的指標。例如在軸承的振動監測信號中，不同的故障模式對應了不同的包絡譜頻率上的幅值，而一些先進的信號處理手段能夠對這些故障特征進行降噪和增強。這些特征之間存在著一定的相關性，其變化情況也有若干種不同的組合，將這些組合背后所代表的意義用先進的機器學習和人工智能方法破解出來，就是進行建模和預測的過程。因此，利用數據驅動的PHM 建模方法能夠對溫度、振動、聲學、動力學等不同監測手段所產生的信息進行融合分析，以提高故障預測和診斷的準確率。

2 數據驅動的建模方式

以數據驅動的故障預測與健康管理（Prognostics and Health Management, PHM）建模方法的核心，是采用機器學習和大數據挖掘等智能算法，對故障特征判據進行分類、聚類、模式識別、遞歸預測、和關系挖掘等分析，從而利用歷史數據對故障的診斷和預測進行智能建模，并利用模型對在線監測數據進行實時分析與決策。

PHM 的算法工具包有許多類型，可以按照兩個維度分為4 類不同的問題，每一類問題則需要不同的流程和算法進行建模。按照“數據的完整性”和“對象數量”這兩個維度進行分類，則PHM 的分析手段和分析目標主要分為以下4 類，見圖2。

針對不同的分析手段和目標，智能運維平臺將提供一個完整性超過任何商用PHM 建模軟件的算法工具包，包括6 個大類的近70 種算法工具可供選擇，見圖3。

PHM 技術是實現設備智能運維和預測性維護中最為關鍵的核心技術。PHM 系統的核心技術是一個包含智能軟件來進行設備狀態預測建模功能的智能計算工具。對核心設備性能的評估分析和對故障時間的預測，即能夠防止在生產制造中的事故風險，又能夠最大程度地使用軸承的安全服役壽命，減少不必要的維護成本。

利用核心設備監測大數據對設備故障的發生過程進行建模和預測，實際上是選擇了數據驅動（Data-driven）的分析手段。數據驅動的PHM 算法通過對高維大數據的融合分析來建立健康狀態模型的。這些特征之間存在著一定的相關性，其變化情況也有若干種不同的組合，將這些組合背后所代表的意義用先進的機器學習和人工智能方法破解出來，就是我們進行建模和預測的過程。

3 數據驅動的建模步驟

從分析的實施流程來說，數據驅動的智能分析系統采用了如圖4所示的分析框架，包括五個主要步驟：數據采集、特征提取、性能評估、性能預測、性能可視化以及性能診斷。

可用數據包括了傳感器信號、狀態監控數據、維護歷史記錄等。這些數據可以用特征提取的方法進行處理來得到衰退性的特征。基于性能特征，生產系統的運行狀況可以通過健康置信值(Confidence value)來評估和量化。另外，可以在時域內預測特征在將來的值，從而可以預測性能的衰退趨勢和問題發生的剩余時間。最后，診斷方法可以用來分析問題產生的根原因和問題診斷。

4 遠程預測性維護平臺

面向家電、汽車和 3C 等行業，實現產品的可識別、可追溯、可定位、可管理，可檢測、可預警、可遠程維護。遠程預測性維護示意圖如圖5。

5 結語

未來CPS 的發展還有很廣闊的空間，傳統的硬件加軟件的基礎單元控制方式，將逐漸被由CPS 構成的硬件加軟件再加網絡的系統控制方式所取代。基于CPS 的工業大數據和邊緣計算，能夠對智能工廠起到非常重要的作用。工業大數據挖掘和分析的結果，可以廣泛應用于制造企業的研發設計、生產過程、產品需求預測、供應鏈優化等。參照智能工廠相關架構規范，設計出滿足智能工廠需求的功能和應用，實現智能設計、智能研發、智能生產等智能化服務，降低產品不良率，降低運營成本，縮短產品研制周期，推進智能制造2025 的實現。