北京奔驰是北汽集团与戴姆勒股份公司、戴姆勒东北亚投资有限公司组建的整车制造企业，新工厂位于北京经济技术开发区具备年产10万辆汽车的生产能力，目前在产11款梅赛德斯-奔驰车型：EQE、EQE SUV、EQA SUV、EQB SUV、长轴距E级车、长轴距C级车、长轴距GLC SUV、长轴距A级轿车、GLA SUV、GLB SUV以及梅赛德斯- AMG A 35 L 4MATIC。

企业面临的痛点问题

北京奔驰现有43种不同型号的工业机器人共3500台左右，应用在17个车间，涵盖83种工艺。故障诊断与预测方面存在以下问题：

故障类型表现多样，且多为不可再现故障，导致故障样本稀疏，为人工数据分析总结规律带来困难；

针对采集到的故障数据，分析目标繁多，分析工具可复制性较低，理论分析难以覆盖实际遇到的故障类型；

奔驰全球化的运营模式，造成细分领域知识分布碎片化，致使机器人故障诊断与预测领域缺乏知识积累。

场景建设总体框架

以北京奔驰车身工厂针对工业机器人实施故障诊断与预测场景为例，场景建设总体框架如图1所示。首先为解决数据的采集与管理问题，建立“工业机器人大数据平台”，实时采集全厂在用机器人的内部信号数据，并进行初步提取与聚合处理。同时建设“数据信息安全体系”，在防护和监测环节确保积极预防及时发现外部或内部的可疑攻击，保障数据信息安全。然后，开发各项失效预测模型，以此输出预测性维护决策。最后，在场景方案实施过程中通过正向验证、反向验证实现闭环管理，在故障诊断与预测的同时迭代优化失效预测模型。

图1 场景建设总体框架

解决方案

如图2所示，建设工业机器人大数据平台。

图2 工业机器人大数据平台架构

数据采集模块：由机器人的控制系统实现数据采集，通过机器人内置的MQTT客户端将数据上传。

数据提取聚合模块：根据在数据提取引擎中做好的预设处理，过滤掉机器人采集的无效数据，并将其存入HBASE数据库中，用于细节数据展示和短期状态监控算法的计算。同时，聚合引擎将全量数据以5分钟为单位进行聚合，并将聚合后的数据存入HBASE数据库，用于长时间保存和长期状态监控算法的计算。

数据存储模块：系统将HBASE数据库中聚合数据的二级索引存入ORACLE数据库，以方便前端查询和调用。

数据处理模块：用于支持前序的计算模型和算法。

前端展示模块：实现用户与数据平台的交互。在工业机器人大数据平台基础上，依据工业机器人内部传输电机、电流、扭矩数据，对其机理进行分析，筛选处于高负载或长轨迹的特定程序指令进行分析建模。编程建立机器人“体检程序”，在相同且固定的机器人轨迹与姿态下测得数据，并进行标准化或归一化处理，以更好做出诊断。

业务流程

北京奔驰设备故障诊断与预测场景实施的核心在故障诊断的验证过程，采用正向验证和反向验证两个角度同时进行的模式。正向验证是指对预测模型的结果进行现场检查，反向验证是指根据现场实际出现的问题反查模型预测结果。如图3所示以点焊技术为例，正向验证对预测出部件问题的点焊机器人进行相应预测内容的现场检查，反向验证是检查现场实际出现部件损坏的点焊机器人看是否在预测出的设备中。每一个预测条目的正向验证和反向验证同时进行，检查情况填入正向验证和反向验证记录在如图4所示的表中。

图3 点焊技术验证工作流程

图4 验证记录表示例

实施成效

北京奔驰在针对工业机器人开展设备故障诊断与预测场景后，制造运维效益提升明显，表现在成本优化、效率提升、质量稳定三方面。

成本优化：由传统的紧急性维修转为有计划性的开展诊断与预测，有效减少了管理人员配置和人员加班本约55万人时。根据历史记录及知识图谱的预测数据，动态调整备件库存和采购策略，使备件策略更精益和安全，节省库存备件成本约1200万元。

效率提升：预测性维护减少了非计划停机时间，使平均无故障时间(MTBF)提升20%，停机时的平均故障修复时间(MTTR)缩短35%，整体提升设备综合效率5%左右。

质量稳定：提前预测机器人故障并及时介入解决，明显减少因设备异常停机造成的产品返修率与报废率，减少产品一次不合格率约50%。