基于數據分析的工業機器人換油策略研究

王欣，王樸，趙帥，李魯輝，張明

（北京奔馳汽車有限公司，北京 100176）

北京奔馳焊裝車間采用高度柔性及自動化的生產線，依賴于大量的工業機器人設備與技術。北京奔馳裝焊車間總計約2000臺工業機器人運行，隨著多個新項目的開展即將擁有更多的工業機器人。在自動化程度越來越高、機器人設備越來越多的背景下，如何統籌、高效、準確地管理機器人并且及時掌握機器人的運行狀態對于北京奔馳的生產運營有著十分重要的意義。

機器人長期運行，由于減速機內齒輪磨損產生一定量的金屬屑，流入的空氣塵埃及其他硬質顆粒，齒輪潤滑油在冷卻過程中產生的水分等因素均會造成齒輪油變質，需要維護人員定期進行機器人齒輪油的更換，工業機器人原換油策略為每五年更換機器人齒輪油，每臺需花費約10000元。但該策略存在諸多缺點，例如成本高昂、大量停產工時及人員需求、無法精準維護。

為降低運營成本及提升人員效率，重新規劃制定機器人換油策略：基于每臺機器人的實時數據判斷機器人狀態，通過采集機器人運行數據，包括實時數據如電機溫度、扭矩、電流、運行時間等，抽取不同工況的95個齒輪箱油樣送至專業油品分析實驗室，得到油品成分分析結果，建立了油品質量評估模型，通過線性回歸、CART樹、KNN模型對比，選擇線性回歸算法和LR算法參數進行調優，使用模型計算出了現場所有機器人油品質量，進行排序并制定換油計劃。僅通過機器人換油方案的優化，節省換油成本費用約300萬元。

1 機器人運行數據采集

基于物聯網MQTT協議（Message Queuing Telemetry Transport），將開發好的客戶端安裝到KUKA機器人操作系統內，并搭建可以接收數據的服務器，數據以訂閱的方式進行發送。機器人定期將打包好的數據發送到服務器，就可以從服務器側實時獲得機器人內部各種資產信息和運行數據，例如機器人型號，位置，電機運行速度、時間、扭矩、電流、運行日志等信息，從而實現對機器人的狀態監控。

圖1 機器人換油策略概念模型建立

圖2 基于MQTT協議數據采集流程

基于MQTT傳輸，Elastic Search數據存儲，Kibana數據展示的高效平臺。實時監控收集電機溫度、扭矩、電流、運行時間等指標值，進行數據分析。采集的部分數據結果如下：

（1）Robot:機器人功能代號；AVG_torque:平均扭矩。

（2）Axis：機器人軸號；MAX_torque:最大扭矩。

（3）full_axis_name：機器人軸型號；AVG_temp：平均軸溫度；Runtime:運行時間。

2 機器人齒輪油品成分分析

抽取不同工況的95個機器人齒輪箱油樣送至專業油品分析實驗室，得到油品成分分析結果，通過SPSS對油品分析結果進行統計分析，得到標準差、均值、百分位數等結果如圖3。

圖3 基于SPSS進行油品數據統計分析

基于標準差對各元素進行排序，排序結果如表2。

表1 基于Kibana采集機器人運行數據

表2 油品特征因素標準差排序

由于MO元素，Fe元素，PQ指數，P元素，Ca元素及Zn元素的標準差較大，對油品質量的衡量相關性較大，利用SPSS對如上元素進行相關性分析，分析確定各元素變量之間的相關性。

根據油品分析結果各元素的標準差及相關性分析，Fe元素及MO元素為主要影響因素，從相關性分析得出隨著機器人運行時間的增加MO元素含量降低，且Mo元素為潤滑油中本體包含的元素，因此干擾項不作為本次分析結果的影響因素。

潤滑油配方中不應含有Fe元素，從相關性圖中分析得出隨著運行時間的增加Fe元素含量會相應的增加，結合齒輪箱及齒輪制作原材料分析，隨著齒輪的磨損產生了鐵屑，導致潤滑油Fe元素升高，因此算法將Fe元素作為衡量油品質量評價的主要因素。

3 建立油品質量評估模型

3.1 分析機器人數據與Fe元素之間的關系

利用Python建立機器人電機平均扭矩，最大扭矩，平均溫度，運行時間等因素和油品質量影響因素Fe元素之間的結構性關系，由于隨著機器人運行時間的增加，Fe元素含量也會相應的增加，大于200點為統計學異常數據，剔除異常數據后進行各特征之間的相關性計算，確認特征對結果的貢獻值。

通過相關性分析得出各特征與Fe元素線性相關程度為：平均力矩>最大力矩>平均溫度>運行時間>軸號。

3.2 質量評估模型建立

如下圖例為機器學習的黑箱，應用機器學習可以不用關系內部計算細節邏輯。

圖4 油品特征因素相關性分析

圖5 MO元素與運行時間散點圖

圖6 Fe元素與運行時間散點圖

圖7 各特征相關性圖

數據上，多個維度的特征作為一組輸入數據，一個維度作為匹配的輸出數據。只需要根據選擇的智能算法調整學習的參數，通過模型的訓練即可觀測結果的準確度。本例采用了SVM支持向量機的回歸方法，將機器人的軸數據、運行時間、溫度、電流 扭矩、負載等7個維度作為一組輸入特征，對應Fe含量作為目標值，進行模型的訓練。由于SVM支持向量機算法本身具備了相關性篩選能力，可以使機器人發送更多的維度特征數據，進行模型訓練。

圖8 各特征相關性散點圖

圖9 機器學習訓練模型

圖10 訓練集模型與Fe元素結果對比

4 結果及分析

目前主流的機器學習回歸方法主要包含線性回歸、CART樹、KNN算法3種。

線性回歸中的“線性”指的是系數的線性，而通過對特征的非線性變換，以及廣義線性模型的推廣，輸出和特征之間的函數關系可以是高度非線性的。

CART樹種算法即可以用于分類，也可以用于回歸問題，測試數據集時，運行速度比較快，在相對短的時間內能夠對大型數據源做出可行且效果良好的結果，但容易發生過擬合及容易忽略數據集中屬性的相互關聯。

圖11 三種模型測試結果對比

KNN算法在確定分類決策上只依據最鄰近的一個或者幾個樣本的類別來決定待分樣本所屬的類別，KNN是一種在線技術，新數據可以直接加入數據集而不必進行重新訓練，理論簡單，容易實現，但在樣本不平衡時，預測偏差比較大。

本章節對三種算法模型進行相關測試。

4.1 質量評估模型測試

4.1.1 用線性回歸、CART樹、KNN模型測試結果

4.1.2 去除共線性特征測試

去除共線性特征，誤差值增加：

4.1.3 使用高次時間函數測試

使用高次時間函數，LR誤差有所增加：

監測結果發現去除共線性特征及使用高次時間函數，誤差值隨之增加，綜上，線性回歸算法誤差值受影響較小，因此選取最優的線性回歸算法。

4.2 LR數算法調參

基于線性回歸算法已經完成模型創建，但輸出結果與實際結果存在一定的偏離，需使用LR數算法調參。

調參完成后最終輸出結果與Fe元素實際含量進行數據對比，相當于預測樣本，預測總體趨勢相當，經驗證準確率為75%。

5 結語

圖12 檢測模型結果輸出

本案例基于工業物聯網技術，對機器人各項運行參數進行數據采集，結合現場油品特征因素提取分析，利用Python建立油品質量評估模型，通過對線性回歸、CART樹、KNN模型對比，選取最優的線性回歸算法，最后利用LR算法參數調優，實現油品質量評估模型的建立，經過測試集檢驗，模型的準確率達75%。后續設備維護保養過程中，可使用模型計算出現場所有機器人油品質量并進行排序，工程師可在后端計算算法每周按相關信號進行計算，相關計算結果會被用來做觸發更換機油的報警，并制定換油計劃。

圖13 測試模型結果與Fe元素真實值對比

根據供應商指導手冊，每五年更換機器人齒輪油，每臺需花費大約10000元。根據實際計算的Fe含量進行油液更換，一個產品生命周期結束，以MRA1480臺機器人計算，可以節省300萬元的潤滑油更換費用，大幅度降低設備運營維護成本。

奔馳裝焊維護團隊在基于物聯網技術獲取底層設備信息及相關數據采集后，將機器學習等大數據分析方法引入并應用于設備預測性維護中，能夠更加有效精準的指導機器人的維護保養及設備預測性維修，我們將不斷推動技術創新與數據挖掘。