菲尼克斯電氣 AI模型算法讓車(chē)廠預(yù)測(cè)性維護(hù)更接地氣

概述：

汽車(chē)制造行業(yè)是一個(gè)高度復(fù)雜和精細(xì)化的領(lǐng)域，依賴于各種設(shè)備來(lái)完成生產(chǎn)流程。沖壓工藝是汽車(chē)自動(dòng)化生產(chǎn)中的第一道工序，沖壓設(shè)備在汽車(chē)大型覆蓋件自動(dòng)化生產(chǎn)中占據(jù)重要地位，其技術(shù)水平影響、制約著汽車(chē)工業(yè)的發(fā)展。沖壓設(shè)備承擔(dān)著原材料的開(kāi)卷、落料、拉延、切邊等板件任務(wù)，其中最為關(guān)鍵的設(shè)備是機(jī)械壓力機(jī)，具備沖程大力矩大，運(yùn)行效率高的特點(diǎn)，當(dāng)然痛點(diǎn)也很突出就是振動(dòng)和噪音大帶來(lái)的安全隱患。這些壓力機(jī)在長(zhǎng)時(shí)間運(yùn)行中不可避免地會(huì)遇到各種故障，給生產(chǎn)進(jìn)程帶來(lái)延誤和成本增加。如何對(duì)沖壓設(shè)備進(jìn)行科學(xué)的維護(hù)管理，使沖壓設(shè)備在實(shí)際生產(chǎn)過(guò)程中能夠達(dá)到安全穩(wěn)定的生產(chǎn)？為了應(yīng)對(duì)這一挑戰(zhàn)，預(yù)測(cè)性維護(hù)在汽車(chē)制造設(shè)備中得以應(yīng)用，以提前預(yù)測(cè)故障并采取相應(yīng)措施，從而提高生產(chǎn)效率和降低維護(hù)成本。

背景：

在位于西南汽車(chē)重鎮(zhèn)重慶，一家主打小型乘用車(chē)汽車(chē)制造基地沖壓車(chē)間，八臺(tái)來(lái)自國(guó)內(nèi)龍頭機(jī)床企業(yè)的機(jī)械壓力機(jī)井然有序的工作著，這里有500名工人，具備年產(chǎn)25萬(wàn)量的生產(chǎn)能力。

隨著企業(yè)規(guī)模的迅速拓展，傳統(tǒng)的人工設(shè)備巡檢、事后維修的方式已不能匹配后期的生產(chǎn)、管理需求，企業(yè)對(duì)生產(chǎn)、輔助設(shè)備遠(yuǎn)程監(jiān)控、設(shè)備故障預(yù)測(cè)性維護(hù)。在智能化生產(chǎn)制造方面，工廠的自動(dòng)化程度達(dá)到領(lǐng)先水平，但軟件能力沒(méi)能同步到位，現(xiàn)有的生產(chǎn)管理模型和算法機(jī)制老舊，不具備精確的同步分析和預(yù)測(cè)管理能力。

菲尼克斯電氣預(yù)測(cè)性維護(hù)方案由基于MLnext的AI模型打造而成，有效的解決了客戶痛點(diǎn)，靈活采集電機(jī)和生產(chǎn)數(shù)據(jù)，可以實(shí)現(xiàn)對(duì)故障的精準(zhǔn)預(yù)判和定位。

需求分析：

經(jīng)初步調(diào)研，工廠沖壓車(chē)間有八臺(tái)大型機(jī)械壓力設(shè)備，目前的設(shè)備監(jiān)測(cè)手段主要是傳統(tǒng)的人工巡檢模式，設(shè)備維保工作主要采用“事后維修”的方式，存在以下問(wèn)題：壓力機(jī)巡檢維護(hù)成本高，需要高空作業(yè)，不可控；壓力機(jī)故障反饋及時(shí)性差；無(wú)法識(shí)別壓力機(jī)亞健康狀態(tài)；事后維護(hù)方式隱患大。用戶需要壓力機(jī)遠(yuǎn)程運(yùn)維管理，實(shí)時(shí)監(jiān)控運(yùn)行狀態(tài)；實(shí)時(shí)監(jiān)測(cè)、記錄壓力機(jī)的振動(dòng)、溫度、噪聲數(shù)據(jù)；壓力機(jī)實(shí)時(shí)故障預(yù)警、故障提示；通過(guò)預(yù)測(cè)性維護(hù)平臺(tái)減少人工巡檢工作量，提高壓力機(jī)的運(yùn)維管理水平。

為此需要建立一套壓力機(jī)電機(jī)的預(yù)測(cè)性維護(hù)平臺(tái)，用電機(jī)的歷史數(shù)據(jù)建模，實(shí)際部署時(shí)以歷史數(shù)據(jù)為健康模型基準(zhǔn)進(jìn)行實(shí)施檢測(cè)，如果實(shí)際運(yùn)行數(shù)據(jù)和模型有偏差就證明有潛在異常出現(xiàn)，根據(jù)偏差的大小就可以反正設(shè)備的異常程度。 

菲尼克斯電氣基于MLnext的AI模型介紹：

傳統(tǒng)的機(jī)理模型都是針對(duì)同類設(shè)備的通用模型，它是通過(guò)高頻的振動(dòng)信號(hào)去判斷振動(dòng)，所以定義的故障點(diǎn)局限于軸承、零部件或者不對(duì)中之類的振動(dòng)相關(guān)故障，而且通常的做法是不把振動(dòng)溫度電流放在一個(gè)算法里，各自單獨(dú)判斷，另外針對(duì)高頻數(shù)據(jù)的演算也是漸進(jìn)式的。

菲尼克斯基于AI的模型算法靈活，可以每個(gè)設(shè)備單獨(dú)建模，和設(shè)備更加貼合，而且針對(duì)復(fù)雜工況，AI可以采用工況工藝和生產(chǎn)的數(shù)據(jù)一起預(yù)測(cè)，最終給出異常相關(guān)的變量給使用者參考，生成異常的記錄和可追溯歷史數(shù)據(jù)的頁(yè)面，區(qū)別于傳統(tǒng)漸進(jìn)式的演算，AI模型的演算是不間斷，所以對(duì)平臺(tái)的算力也提出了更高的要求。

項(xiàng)目實(shí)施：

方案以Combination成套柜的方式呈現(xiàn)，一套柜體控制四臺(tái)壓力機(jī)電機(jī)，選用EPC 1522控制器和MLnext擴(kuò)展模塊運(yùn)行預(yù)測(cè)性維護(hù)算法，根據(jù)現(xiàn)場(chǎng)電機(jī)的功率選擇電流互感器和電表采集電機(jī)的電信號(hào)，通過(guò)WLAN無(wú)線模塊接收電機(jī)的無(wú)線信號(hào)，自定義上位畫(huà)面，電機(jī)裝配振動(dòng)和溫度傳感器采集數(shù)據(jù)，除此之外也提取了電機(jī)的電流電壓、加工模具的編號(hào)和生產(chǎn)狀態(tài)（包括電機(jī)啟動(dòng)信號(hào)，模具切換信號(hào)，恢復(fù)生產(chǎn)信號(hào)、壓力機(jī)PLC報(bào)警信號(hào)等）。

推廣意義：

好的預(yù)測(cè)性維護(hù)方案就是能提前發(fā)現(xiàn)潛在問(wèn)題，這樣就不用等到設(shè)備問(wèn)題真正暴露的時(shí)候再停機(jī)大修，只需要小小的調(diào)整就可以恢復(fù)到正常的生產(chǎn)狀態(tài)。菲尼克斯這套方案的妙處就在于和AI算法的無(wú)縫結(jié)合，讓預(yù)測(cè)性維護(hù)更加智能，不僅在壓力機(jī)，車(chē)廠內(nèi)各工藝各個(gè)帶電機(jī)的重點(diǎn)設(shè)備或者類似的昂貴設(shè)備都有普遍意義上的推廣價(jià)值。