背景介紹

在工業(yè)生產(chǎn)制造環(huán)境下，機械設備在不停的高強度使用下性能會隨著時間衰退甚至發(fā)生故障。據(jù)統(tǒng)計，在當前大批量生產(chǎn)制造中，平均生產(chǎn)率不足60%[1]，主要原因在于設備的故障和不可靠的生產(chǎn)過程控制，例如，一汽車制造工廠的1分鐘停機會造成2萬美金的損失[2]。為了實現(xiàn)對工廠的在線監(jiān)測，當前已經(jīng)有非常多的工業(yè)物聯(lián)網(wǎng)（IIoT）解決方案，而且預計到2020年，IoT連接大約300億臺設備[3]，將會帶來大量的數(shù)據(jù)。然而，這些大量的數(shù)據(jù)究竟能做什么？IoT連接了這些設備的目的是什么？最關鍵的問題是如何能夠把這些數(shù)據(jù)轉(zhuǎn)化成生產(chǎn)力。

圖片來源：IDC, 麥肯錫全球研究院分析

生產(chǎn)制造的核心是提高生產(chǎn)效率和滿足市場對產(chǎn)品的多樣性、實效性和高質(zhì)量的需求。為此，持續(xù)保證加工精度是提高生產(chǎn)效率的關鍵，這包括對設備、生產(chǎn)工藝的控制，而不可避免的設備性能衰退將直接影響到精度從而導致產(chǎn)品良率的下降，嚴重情況下宕機。要最小化設備衰退對生產(chǎn)效率造成的不良影響，最必要的手段之一是預測設備衰退狀態(tài)，支持運維決策者做出敏捷正確的決策，進而優(yōu)化生產(chǎn)計劃、節(jié)省維護成本，并盡量避免非計劃停機，實現(xiàn)近似零宕機 (near-zero breakdown)。

旋轉(zhuǎn)機械部件是工業(yè)機械和精密加工中最重要的元件之一。對設備加工精度和效率起著至關重要的作用。然而，其性能衰退會直接導致進給軸系統(tǒng)的精度下降進而導致次品率上升。因此，根據(jù)得出，旋轉(zhuǎn)機械的關鍵部件主要有軸承，滾珠絲桿，主軸刀具，齒輪箱，馬達。以下特別以軸承，滾珠絲桿，主軸刀具為例，介紹其狀態(tài)監(jiān)測、故障預診和壽命預測的解決方案。

目標

生產(chǎn)制造研究重點從零部件級入手，通過采集加裝傳感器信號、控制信號、事件信號等，用預測與健康管理（PHM）策略和技術方法，對原始數(shù)據(jù)做分析處理，提取特征，并通過機器學習或統(tǒng)計方法建模，從而得出與狀態(tài)相關的置信度值來表示部件的健康狀態(tài)，及時讓用戶發(fā)現(xiàn)不可見的部件衰退并預測剩余使用壽命。

核心技術

為了了解單個部件的衰退過程以及其故障機理，通過高應力加速劣化試驗可以在短時間內(nèi)獲取全生命周期的衰退過程，與此同時，多方面、全周期的數(shù)據(jù)采集能夠從不同的角度更全面地描述其衰退形態(tài)。因此一般情況下，在多傳感器的環(huán)境下學習，對不同類型的信號進行預處理和特征提取，來自每個傳感器或者控制器信號所能反映出的特征只能反映本體的特定片面的信息，因此通過信息融合的方式則能更加全面的去詮釋本體的整體健康狀態(tài)和故障模式。

隨著機械設計復雜性的提高，外加傳感器變的越來越困難，好在復雜機械的控制系統(tǒng)能夠提供更加豐富的信號，如GE的發(fā)動機在設計時就提供了大量的在線數(shù)據(jù)。因此，我們將從多傳感器逐步轉(zhuǎn)向無傳感器的戰(zhàn)略，直到能夠通過控制器提供的數(shù)據(jù)找出與設備健康狀態(tài)相關的信號，通過“最少傳感器”的分析策略，來建立能夠有效預診設備狀態(tài)的模型，一個精簡的無傳感器下故障診斷模型如下圖：

故障預診模型示例

圖片來源：

P. Li, “Cyber App for BallScrew Health Monitoring,” in IMS Center 32nd Industry Advisory Board Meeting, 2016.

案例分享

零部件級的關鍵組件以旋轉(zhuǎn)機械為主，主要有滾珠絲桿，軸承，主軸刀具等。針對其旋轉(zhuǎn)特性，可以根據(jù)其機理模型推算出旋轉(zhuǎn)頻率相關的特征，常見的有軸承的故障特征頻率，BPFO，BPFI，BSP等。因此可以通過時域、頻域、時頻域等多角度來提取故障頻率相關的特征，然后建立劣化模型，根據(jù)當前狀態(tài)評估計算出潛在的故障模式和剩余壽命。

a.滾珠絲桿故障預診和壽命預測

滾珠絲桿故障模式有多種，如潤滑失效，絲桿／導軌預壓消失，滾珠／牙型磨損等問題。在正常運行狀態(tài)下，可能需要幾年的時間才能全部了解到各種故障模式，因此高應力下加速劣化實驗可以在短時間內(nèi)獲取不同的故障形態(tài)，衰退過程曲線。一方面能夠快速分析出與故障相關的特征，如頻域中的球動頻率，位置跟蹤誤差等，另一方面，根據(jù)對應力與壽命的關系建模，能夠很好的區(qū)分出絲桿壽命、應力、衰退之間的關系，從而可以快速推算出在正常操作條件下的衰退曲線。

圖片來源：

W. Jin, “A Comparative Study ofFault Detection and Health Assessment Techniques for Motion ControlMechanism,” Master's thesis, University of Cincinnati, Aug. 2014.

圖片來源：

P. Li, “Cyber App for Ball Screw Health Monitoring,” in IMS Center 32nd Industry Advisory Board Meeting, 2016.

b.軸承壽命預測

關于軸承的故障診斷方法已經(jīng)有很多研究，該案例主要研究軸承的壽命預測。提出用深度學習從振動信號、電流信號、溫度信號中提取的特征來監(jiān)測軸承的劣化并推算出其剩余壽命。根據(jù)歷史完整劣化數(shù)據(jù)建立訓練集，基于相似性原理預測在運行軸承的剩余壽命，通過加強深度學習使其預測模型更加精準。

圖片來源：

Liao, L., Jin, W., &Pavel, R. (2016). Enhanced restricted boltzmann machine with prognosability regularization for prognostics and health assessment. IEEE Transactions onIndustrial Electronics, 63(11), 7076-7083.

c.刀具磨損預測與診斷

刀具磨損監(jiān)測和預測刀具的剩余使用壽命（RUL）一直是一個研究領域，因為銑刀中的磨損會降低產(chǎn)品的表面質(zhì)量及其尺寸精度。 避免這樣做可以提高成品的質(zhì)量，并使這一過程更有效率。PHM協(xié)會2010年的工業(yè)數(shù)據(jù)競賽是使用測功機和加速度計數(shù)據(jù)的高速數(shù)控銑床銑刀的RUL估計。該競賽提供的數(shù)據(jù)包括收集的力和三個方向的加速度信號以及聲發(fā)射信號。數(shù)據(jù)來自于六個刀具全生命周期切削過程，目的是在切割工件時預估刀具的剩余使用壽命。

圖片來源：https://www.phmsociety.org/competition/phm/10

所使用的方法用到信號去噪、特征提取，用神經(jīng)網(wǎng)絡的方法關聯(lián)特征與刀具磨損，從而估算出刀具剩余壽命。

圖片來源：

H.Davari, “Remaining Useful Life Estimation of a High Speed CNC Milling MachineUsing Dynamometer and Accelerometer Data,” in Prognostics and HealthManagement, 2010. PHM 2010. International Conference on, 2010.”

參考文獻：

[1]http://www.oee.com/world-class-oee.html

[2]Spiewak, S. A., Duggirala, R., et al. (2000). Predictive monitoring and controlof the cold extrusion process. CIRP Annals – Manufacturing Technology, 49(1), 383–386.

[3] C. MacGillivray, V.Turner, and D. Lund, “Worldwide internet of things(iot) 2013

–2020 forecast: Billions of things, trillions of dollars,” IDC. Doc, vol. 243661, no. 3, 2013.