CN110146312B - 用于设备的预测性维护的方法、系统、设备和介质 - Google Patents
用于设备的预测性维护的方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN110146312B CN110146312B CN201910029608.XA CN201910029608A CN110146312B CN 110146312 B CN110146312 B CN 110146312B CN 201910029608 A CN201910029608 A CN 201910029608A CN 110146312 B CN110146312 B CN 110146312B
- Authority
- CN
- China
- Prior art keywords
- capability index
- device capability
- physical
- equipment
- calculating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000000053 physical method Methods 0.000 claims abstract description 67
- 238000003466 welding Methods 0.000 claims description 85
- 238000005259 measurement Methods 0.000 claims description 28
- 238000006073 displacement reaction Methods 0.000 claims description 25
- 238000009530 blood pressure measurement Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 7
- 238000000611 regression analysis Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 230000001419 dependent effect Effects 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004070 electrodeposition Methods 0.000 description 7
- 230000003936 working memory Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000007689 inspection Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003825 pressing Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 102100038395 Granzyme K Human genes 0.000 description 1
- 101001033007 Homo sapiens Granzyme K Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010205 computational analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 229910000679 solder Inorganic materials 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
- G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Resistance Welding (AREA)
Abstract
本公开涉及用于设备的预测性维护的方法、系统、设备和介质。提供一种用于设备的预测性维护的方法，包括：获取表征设备的工作状况的至少一个物理测量值集合，其中所述至少一个物理测量值集合各自包括在预定时段内采集的表征对应工作状况的多个物理测量值；基于所述至少一个物理测量值集合来计算设备能力指数，其中所述设备能力指数指示设备是否需要维护；以及基于所述设备能力指数来确定所述设备是否需要维护。
Description
技术领域
本公开涉及数据分析，具体涉及用于设备的预测性维护的方法、系统、设备和介质。
背景技术
汽车生产过程包括冲压、焊装、涂装、总装四个部分。随着生产过程自动化进程的不断推进，车厂引进了大量由机器人手臂操纵的焊枪，例如气动伺服点焊焊枪，对车身各个部位进行焊装加工。
焊枪的非正常工作可能导致焊点质量差，进而影响车身质量，增加返修率，更严重的可能会引发停产。为了保证焊枪正常工作，对焊枪的维护作业成为车间工作的重要组成部分。
目前对于焊枪维护，主要采用按照批次定期检查维护(例如替换零部件)这种方式。这种一刀切的维护方式不能针对每个焊枪的实际工作稳定状态提供精准的维护，造成总体维护工作量大，配件消耗量大等问题。
发明内容
本公开旨在提供改进的用于设备的预测性维护的方法、系统、设备和介质。
根据本公开的一方面，提供一种用于设备的预测性维护的方法，包括：获取表征设备的工作状况的至少一个物理测量值集合，其中所述至少一个物理测量值集合各自包括在预定时段内采集的表征对应工作状况的多个物理测量值；基于所述至少一个物理测量值集合来计算设备能力指数，其中所述设备能力指数指示设备是否需要维护；以及基于所述设备能力指数来确定所述设备是否需要维护。
在一些实施例中，所述至少一个物理测量值集合包括以下中的至少一者：焊枪的电极位移测量值集合；焊枪的气缸压力测量值集合；焊枪的电极压力测量值集合；和焊枪的主气缸的压差测量值集合。
在一些实施例中，基于所述至少一个物理测量值集合来计算设备能力指数的步骤包括：针对所述至少一个物理测量值集合中的每一个，根据以下公式计算对应的设备能力指数Cmk：
其中，
是该物理测量值集合中的多个物理测量值的均值，USL和LSL分别是针对该物理测量值集合给定的上下公差值，s是该物理测量值集合中的多个物理测量值的标准差。
在一些实施例中，基于所述至少一个物理测量值集合来计算设备能力指数的步骤还包括：将针对所述至少一个物理测量值集合计算出的至少一个设备能力指数中最小的设备能力指数作为最终的设备能力指数；或者将针对所述至少一个物理测量值集合计算出的至少一个设备能力指数的加权平均值作为最终的设备能力指数。
在一些实施例中，针对所述至少一个物理测量值集合中的每一个计算对应的设备能力指数的步骤还包括：从该物理测量值集合中随机取多个物理测量值子集；基于所述多个物理测量值子集分别计算对应的多个设备能力指数；和计算所述多个设备能力指数的平均值，作为与该物理测量值集合对应的设备能力指数。
在一些实施例中，在针对所述至少一个物理测量值集合中的每一个计算对应的设备能力指数之前，还包括以下步骤中的一者或多者：去掉该物理测量值集合中的多个物理测量值中重复的值；和去掉该物理测量值集合中的多个物理测量值中无效的值。
在一些实施例中，基于所述设备能力指数来确定所述设备是否需要维护包括：当所述设备能力指数小于预定阈值时，确定设备需要维护；和当所述设备能力指数大于等于预定阈值时，确定设备不需要维护。
在一些实施例中，该方法还可以包括：计算多个设备的相应多个设备能力指数；和基于所述多个设备能力指数和所述多个设备各自的对设备能力指数具有显著影响的参数通过回归分析来建立回归模型，所述回归模型表征设备能力指数与设备使用时间之间的回归关系，所述对设备能力指数具有显著影响的参数包含与设备使用时间相关联的参数。
在一些实施例中，该方法还可以包括：使用回归模型来预测设备的剩余使用时间。
在一些实施例中，所述设备是焊枪，所述回归模型的因变量是设备能力指数，自变量至少包括：更换控制器之后的累计焊点数和更换控制器之前的历史累计焊点数。
在一些实施例中，该方法还可以包括：利用所述回归模型，计算预测总焊点数；和基于预测总焊点数与更换控制器之后的累计焊点数的差和焊枪的日平均工作焊点数，计算焊枪的剩余使用时间。
在一些实施例中，所述设备是焊枪，所述回归模型的因变量是设备能力指数，自变量至少包括：更换控制器之后的累计气缸行程和更换控制器之前的历史累计气缸行程。
在一些实施例中，该方法还可以包括：利用所述回归模型，计算预测气缸总行程；和基于预测气缸总行程与更换控制器之后的累计气缸行程的差和焊枪的日平均气缸行程，计算焊枪的剩余使用时间。
在一些实施例中，该方法还可以包括：所述回归模型的自变量还包括：设备的类型，和/或设备所处的区域。
在一些实施例中，该方法还可以包括：响应于基于所述设备能力指数确定所述设备需要维护，发出提示需要维护的警报。
在一些实施例中，该方法还可以包括：基于所预测的设备的剩余使用时间，提示是否需要进行维护准备。
根据本公开的另一方面，提供一种计算机系统，包括：处理器，和与处理器耦接的存储器，所述存储器存储计算机可读程序指令，所述指令在被所述处理器执行时执行如上所述的方法。
根据本公开的另一方面，提供一种计算机可读存储介质，其上存储计算机可读程序指令，所述指令在被所述处理器执行时执行如上所述的方法。
根据本公开的另一方面，提供一种用于设备的预测性维护的设备，包括用于实现如上所述的方法的步骤的装置。
附图说明
图1是示出根据本公开实施例的用于设备的预测性维护的方法的流程图。
图2是根据本公开实施例的用于分析设备的剩余使用时间的模型的示意图。
图3示出根据本公开实施例的根据设备能力指数来预测设备的剩余使用时间的方法的流程图。
图4是示出根据本公开实施例的表征设备能力指数与设备使用时间之间的回归关系的回归模型的示意图。
图5是示出可以实现根据本公开实施例的设备的一般硬件环境。
具体实施方式
提供以下描述以使得本领域的技术人员能够实现和使用所述实施例，并且以下描述是以特定应用程序及其要求的上下文提供的。各种修改形式对于本领域的技术人员而言将是显而易见的，并且本文中所限定的一般性原则可应用于其他实施例和应用程序，而不脱离所述实施例的实质和范围。因此，所述实施例不限于所示出的实施例，而是要被赋予符合本文所公开的原理和特征的最宽泛的范围。
图1是示出根据本公开实施例的用于设备的预测性维护的方法100的流程图。如图1所示，方法100例如包括：S101，获取表征设备的工作状况的至少一个物理测量值集合，其中所述至少一个物理测量值集合各自包括在预定时段内采集的表征对应工作状况的多个物理测量值；S102，基于所述至少一个物理测量值集合来计算设备能力指数，其中所述设备能力指数指示设备是否需要维护；以及S103，基于所述设备能力指数来确定所述设备是否需要维护。
在这里，为了方便描述，以焊枪，更具体地，以气动伺服点焊焊枪为例来详细说明本公开的实施例以帮助本领域技术人员更好地理解本公开的基本原理。然而，本领域技术人员可以理解，本公开实施例的基本原理适用任何其它焊枪，例如电动伺服点焊焊枪。实际上，本文中的设备可以是表征其工作状况的物理量符合正态分布的任何设备。
气动伺服点焊焊枪的气动部分主要由两个气动回路和一个伺服控制器组成，其中主要回路包括主气缸(集成了位置传感器和压力传感器)、比例流量阀和截止阀等。辅助回路是包括平衡缸和比例压力阀的焊枪重力平衡回路。伺服控制器为各执行元件提供电源并负责信号的收集、来自机器人控制器的指令的传达等。
在一些实施例中，例如可以通过安装在焊枪上的数据采集设备来采集焊枪实时数据。例如针对多把焊枪以预定的数据采集频率(例如1Hz)采集与表征焊枪的工作状况的物理参数有关的数据。所述采集例如由伺服控制器执行，并且所采集的数据被实时读取，或者被实时有线/无线地传送到数据处理中心以便进行后续分析计算。
这些物理参数例如包括但不不限于电极位移、气缸压力、电极压力和主气缸的压差等。其中，焊枪工作时通过两个电极对两个钢板施加压力来将两个钢板焊接到一起，此时施加在电极上的压力称为电极压力。电极在执行焊接工作即按压钢板时产生的位移，称为电极位移。电极位移的设定值一般是开口张开到最大时的位移，常见的设定值有150mm，200mm等等。而焊接受力过程中(开口最小)的电极位移值通常是零或负值。焊枪工作时，主气缸控制电极的移动，焊枪工作时主气缸内部的压力称为气缸压力。气缸内设有活塞，活塞分开的两个部分有不同的压力，这两个压力之间的差称为主气缸的压差。
可以针对预定的时段(例如一天或半天)采集上述数据，并将相应的相同类型的数据作为一个物理测量值集合。例如，在预定时段内采集的多个电极位移测量值组成电极位移测量值集合。类似地，可以获取气缸压力测量值集合、电极压力测量值集合、主气缸的压差的测量值集合等。
基于以上获取的物理测量值集合，可以计算设备能力指数，利用该设备能力指数来指示设备，例如，焊枪，是否需要维护。
在一些实施例中，设备能力指数Cmk的定义如下
其中，
是物理测量值集合中的多个物理测量值的均值，USL和LSL分别是针对该物理测量值集合给定的上下公差值，s是该物理测量值集合中的多个物理测量值的标准差。Cmk的值越大，表示设备越稳定；反之，表示设备越不稳定，甚至出现故障。
以如下表1所示的电极位移测量值集合为例，该集合包含50个电极位移测量值，假设USL和LSL分别设定为5和-5，则利用以上公式(1)，可以计算出
是-0.25506，s为0.639236，Cmk为2.474278。
表1
基于计算出的设备能力指数Cmk的值，可以确定该设备，即该焊枪，的工作状态是否稳定，即，该设备是否需要维护。在一些实施例中，可以将该Cmk的值与预定阈值，例如1，进行比较。如果Cmk的值大于等于1，则认为该设备工作状态稳定，不需要维护，例如不需要检查或更换零部件。如果Cmk的值小于1，则认为该设备工作状态不稳定，需要维护。
在另一些实施例中，可以设置不同的阈值。例如将阈值设置得高于1。也可以将阈值设置得小于1。本领域技术人员可以根据实际需要来调整阈值的设定。
以上实施例考虑基于一个测量值集合例如一个电极位移测量值集合来计算设备能力指数的情况。在一些实施例中，可以针对多个不同的测量值集合分别计算设备能力指数，并基于这多个设备能力指数来确定最终用于判断设备是否需要维护的设备能力指数。
例如在一些实施例中，除了电极位移测量值集合，还可以获取气缸压力测量值集合、电极压力测量值集合和主气缸的压差的测量值集合。针对每个压力测量值集合分别计算对应的设备能力指数，例如与气缸压力测量值集合对应的设备能力指数，与电极压力测量值集合对应的设备能力指数和与主气缸的压差的测量值集合相对应的设备能力指数。在一些实施例中，可以取这些设备能力指数中的最小值作为最终的设备能力指数。在另一些实施例中，可以取这些设备能力指数的加权平均值来作为最终的设备能力指数。
然后，基于最终的设备能力指数来确定设备是否需要维护。
实际中，初步获取的测量值中可能包含一些无效的值或重复的值，可以通过预处理来获得作为计算样本的测量值。此外，一个测量值集合可能包含数百万个测量值或者更多，因此可以利用其包含的若干子集来进行分析。
以下以电极位移测量值集合为例，来详细说明包含数据过滤/去重等预处理并且利用了集合中的子集来进行计算分析的示例性实施例。本领域技术人员可以理解，该具体示例性实施例中的一些步骤可以省略，或者也可以包括更多的其它步骤。
焊枪每打一个焊点，伺服控制器具有一个设定的输入电极位移值(in_Electrode_position)，并且焊枪上集成的位移传感器将实际测量到该焊枪实际工作时的输出电极位移值(out_Electrode_position)。假设针对该焊枪，以1Hz的频率采集了半天或一天的电极位移测量值作为数据样本。希望在每个焊点的焊接过程中，在电极开口最大的时候只取一次有用的数据。可以进行如下操作中的一个或多个：
(1)按照顺序去除相邻重复数据：如果某一条数据的out_Electrode_position取值与相邻的前一条数据的out_Electrode_position取值相等，则视为重复数据并删除，因为此时电极处于停止状态；
(2)取区间最大值：如果一条数据的out_Electrode_position取值比相邻前后两条数据的out_Electrode_position都要大，则保留，这一步是为了去除电极闭合状态时产生的数据记录，否则删除；
(3)点数去重：如果一条数据的W_Welding_point_count(焊点计数值)取值与相邻前一条数据的W_Welding_point_outnt取值相等，则删除，因为这是同一次电极张开时产生的数据记录；
(4)删除所有C_Cylinder_force(主气缸压力)取值为0的数据记录，因为此时气缸没有工作，然后删除所有out_Electrode_force(输出电极压力)不为零的数据记录，因为此时电极处于受力状态，没有张开；
(5)范围筛选：
根据公式(2)针对每个out_Electrode_position进行计算计算，并删除其绝对值超过容忍度的值。例如容忍度为5％，则删除绝对值超过5的值。这些删除的值可能是由于读数频率过低而进入数据库的不规范数据。也就是说，在这些值产生的时候，电极正在张开的过程中，而不是开到最大。
本领域技术人员可以理解，以上操作是对电极位移测量值进行预处理的一些操作的示例，这些操作可以不必按照上面列出的顺序进行，并且可以包括更多或更少的预处理操作。
接着，基于经预处理的电极位移测量值来计算该焊枪的设备能力指数。在一些实施例中，基于电极位移测量值集合中的全部测量值来计算一个设备能力指数，即将所有测量值代入公式(1)进行计算。
在另一些实施例中，可以利用电极位移测量值集合中的多个子集来分别计算多个设备能力指数，对这多个设备能力指数求平均来获得最终的设备能力指数。
例如，如下表2所示，子集1到子集6(n＝6)各自是由从电极位移测量值集合中随机选取50个测量值组成的子集。分别针对每个子集根据公式(3)-(5)计算出6个设备能力指数。然后，根据公式(6)计算最终的设备能力指数。
样本均值
样本标准差
设备能力指数
最终的设备能力指数
如表2中所示，最终的设备能力指数Cmk_FE为2.6164775。类似地，将该最终的设备能力指数Cmk_FE与预定阈值例如1进行比较，来确定设备是否稳定，是否需要维护。
表2
本领域技术人员可以理解，子集的数目以及子集中包含的元素的数量不受限制。
利用多个子集计算的最终的设备能力指数可以具有更高的准确率。
在一些实施例中，响应于基于所述设备能力指数确定所述设备需要维护，还可以发出提示需要维护的警报。
根据本公开的实施例，通过基于在预定时段内获取的表征设备例如焊枪的工作状态的物理测量值来计算设备能力指数，并利用设备能力指数来判断设备的工作状态是否稳定，是否需要进行检查或维护，可以针对每一把焊枪的实际工作情况，提供精准的维护方案。跟目前一刀切的维护方案相比，可以更及时发现焊枪是否有问题，同时大大节省维护的工作量，避免不必要的检查和保养。
图2是根据本公开实施例的用于分析设备的剩余使用时间的模型的示意图。
如图2所示，焊枪的零部件例如主气缸、控制器、平衡缸、阀岛等的工作故障可能造成焊枪不工作，而这些部件的工作状况可能表现为各种报错，例如，没有供气，位移超时，电极压力未达到，漂移等等，这些报错又与表征焊枪的工作状态的各种物理量即测量值紧密关联。发明人认识到，基于这些物理测量值计算出的设备能力指数与设备的剩余使用时间(RUL)之间可能存在密切的关联。即，根据本公开的实施例将通过实际可测的物理测量值来预测不可测的设备剩余使用时间，从而可以为设备维护(例如焊枪维护)提供精准的时间表。
图3是示出根据本公开实施例的根据设备能力指数来预测设备的剩余使用时间的方法300的流程图。
如图3所示，方法300可以包括：S301，计算多个设备的相应多个设备能力指数；S302，基于所述多个设备能力指数和所述多个设备各自的对设备能力指数具有显著影响的参数通过回归分析来建立回归模型，所述回归模型表征设备能力指数与设备使用时间之间的回归关系，所述对设备能力指数具有显著影响的参数包含与设备使用时间相关联的参数；和S303，使用回归模型来预测设备的剩余使用时间。
依然以焊枪为例来详细描述该方法的步骤。
首先建立设备能力指数与设备的使用时间的回归关系的回归模型。
图4是示出根据本公开实施例的表征设备能力指数与设备使用时间之间的回归关系的回归模型的示意图。
模型假设随着设备使用时间的增加，Cmk会逐渐下降，也就是说，设备使用时间越长设备就会变得越不稳定。大部分实际回归结果可以验证这一假设。如上所述，如果Cmk小于1，可以认为设备是不稳定的，由此可以预测大概还需要多久，可以进行下一次设备部件的维护保养。
本领域技术人员可以理解，图4中示出的一元线性回归模型示意图仅仅是一种简单示例。其他的线性的、非线性的、一元的或多元的回归模型都在本公开的范围内。在本公开的教导下，本领域技术人员可以够构想到各种不同的回归模型。
例如，在一些实施例中，可以创建回归模型如下：
其中，WeldingPointCurrent是焊枪更换伺服控制器之后当前积累的总焊点数(单位为百万点)，WeldingPointHistorical是焊枪更换伺服控制器之前的历史总焊点数(单位为百万点)。如果焊枪从来没有更换过伺服控制器，则WeldingPointHistorical取值为0。
其中，
∈为残差。
换而言之，该回归模型考虑了设备能力指数与焊枪点数(与焊枪使用时间紧密关联)、焊枪型号和焊枪所处区域各因素之间的回归关系。
在进行模型参数的确定过程中，首先，需要计算多个设备的设备能力指数。如以上参考方法100所述，可以针对多个设备(例如焊枪)基于多种物理测量值集合计算多个设备能力指数。此外，采集可能对设备能力指数具有显著影响的参数的测量值，例如这多个焊枪的换伺服控制器之后当前积累的总焊点数、焊枪更换伺服控制器之前的历史总焊点数、焊枪型号和焊枪所处区域。其中，更换伺服控制器之后当前积累的总焊点数和焊枪更换伺服控制器之前的历史总焊点数与焊枪的使用时间紧密关联。基于所获得的设备能力指数和所获得的各种参数的测量值，进行回归分析，可以确定哪些参数对设备能力指数确实具有显著影响，并排除对设备能力指数不具有显著影响的参数。
回归分析例如可以用PRSS或R语言自带的回归算法等进行。
例如在该示例性回归模型创建中，通过回归分析，可以确定焊枪所处区域对于设备能力指数不具有显著影响。并且对残差的分析没有发现明显非线性、异方差或者非正态的问题。
以5种型号的焊枪(5102277；5495042；5495045；5495048；5507571)的数据为例，最终确定回归模型可以如下：
ln(Cmk)＝1.24190-0.13383×WeldingPointCurrent-0.10451×WeldingPointHistorical-0.80309×TypeDummy5102277-1.36977×TypeDummy5495042+0.63241×TypeDummy5495045-1.06620×TypeDummy5495048+0.75514×TypeDunmmy5507571 公式(8)
使用该回归模型，可以预测设备例如焊枪的使用时间。
例如，已知一把型号为5102277的焊枪，更换伺服控制器之后当前积累的总焊点数为1379495，更换伺服控制器之前的历史总焊点数为1094863，利用公式(8)所示的回归模型，可以预测该焊枪再工作多久其设备能力指数会降低到1，即会需要维护或者更换。具体地，如下代入数值：
ln(1)＝1.24190-0.13383×WeldingPointCurrent-0.10451×1.094863-0.80309×1-1.36977×0+0.63241×0-1.06620×0+0.75514×0
可以得到WeldingPointCurrent＝2.42。即，预测到该焊枪的总点数是2.42百万点。则剩余点数为2420000-1379495＝1040505点。假设这把焊枪大概每天工作6851.2点，由此可以推断它还能工作约152天。
即，利用该回归模型，可以计算预测总焊点数。并且，基于预测总焊点数与更换控制器之后的累计焊点数的差和焊枪的日平均工作焊点数，可以计算焊枪的剩余使用时间。
以上实施例创建的回归模型与焊枪的焊点数相关联。在另一些实施例中，可以创建与焊枪的气缸行程相关联的回归模型。例如将公式(7)中的WeldingPointCurrent和WeldingPointHistorical更换为表征更换控制器之后的累计气缸行程和更换控制器之前的历史累计气缸行程这样的参数。与以上相似地，获取多把焊枪的与更换控制器之后的累计气缸行程和更换控制器之前的历史累计气缸行程相关联的数据，进行回归分析，确定适用的回归模型。利用该回归模型，可以计算预测气缸总行程。基于预测气缸总行程与更换控制器之后的累计气缸行程的差和焊枪的日平均气缸行程，可以计算焊枪的剩余使用时间。
本领域技术人员可以理解，以上回归模型仅仅是示例性的。可以考虑更少或更多的与对设备能力指数具有显著影响的参数来建立不同的回归模型。也可以考虑其它对设备能力指数具有显著影响的参数来建立不同的回归模型。这些变形都在本公开的范围内。
在一些实施例中，基于所预测的设备的剩余使用时间，可以提示是否需要进行维护准备。例如，准备更换的零件，安排检查的人员等。
本公开的以上实施例可以根据每把焊枪的实际工作状态预测其剩余使用时间，从而提供精准的维护时间表。这可以提供诸多优势，例如大大降低维护成本，减少不必要的零件更换。也可以通过预测性的维护减少因为焊枪故障引起的质量问题。此外，预测性的维护还可以很好地辅助维修部件的库存管理。
图5是示出可以实现根据本公开实施例的设备的一般硬件环境600。
参考图5，现将描述作为本公开的各方面可应用到其的硬件设备的例子的计算设备600。计算设备600可以是被配置成执行处理和/或计算的任何机器，其可以是但不限于是工作站、服务器、桌上型计算机、膝上型计算机、平板计算机、个人数字助理、智能手机、车载计算机或者其任意组合。
计算设备600可以包括与总线602连接的或者与之通信的元件，该连接或者通信可能是经由一个或多个接口实现。例如，计算设备600可以包括总线602、一个或多个处理器604、一个或多个输入设备606及一个或多个输出设备608。一个或多个处理器604可以是任何种类的处理器，并且可以包括但不限于一个或多个通用处理器和/或一个或多个专用处理器(比如专用处理芯片)。输入设备606可以是能够将信息输入到计算设备的任何种类的设备，并且可以包括但不限于鼠标、键盘、触摸屏、麦克风和/或遥控器。输出设备608可以是能够呈现信息的任何种类的设备，并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。计算设备600还可以包括非瞬态存储设备610或者与非瞬态存储设备610连接，该非瞬态存储设备610可以是非瞬态的且能实现数据存储的任何存储设备，并且可包括但不限于磁盘驱动器、光学存储设备、固态存储器、软盘、软磁盘、硬盘、磁带或者任何其他磁介质、光盘或者任何其他光学介质、ROM(只读存储器)、RAM(随机存取存储器)、高速缓存存储器和/或任何其他存储器芯片或盒和/或计算机可以从其读取数据、指令和/或代码的任何其他介质。非瞬态存储设备610可以具有用于实现上述的方法和步骤的数据/指令/代码。计算设备还可以包括通信设备612。通信设备612可以是能实现与外部装置和/或与网络的通信的任何种类的设备，并且可以包括但不限于调制解调器、网络卡、红外通信设备、无线通信设备和/或芯片集，比如蓝牙TM设备、1302.11设备、WiFi设备、WiMax设备、蜂窝通信设施等。
计算设备600还可以包括工作存储器614，其可以是存储用于处理器604的工作的指令和/或数据的任何类型的工作存储器，工作存储器614可以包括但不限于随机存取存储器和/或只读存储设备。
软件元件可以位于工作存储器614中，包括但不限于操作系统616、一个或多个应用程序618、驱动和/或其它数据和代码。用于执行以上描述的方法和步骤的指令可以包括在一个或多个应用程序618中。软件要素的指令的可执行代码或源代码可以存储在非瞬态计算机可读存储介质中，比如上述的(一个或多个)存储设备610，并且可以被读取到工作存储器614中并可能被编译和/或安装。软件要素的指令的可执行代码或源代码也可以从远程位置下载。
总线602可以包括但不限于工业标准架构(ISA)总线、微通道架构(MCA)总线、增强ISA(EISA)总线、视频电子标准协会(VESA)局部总线及外围设备互连(PCI)总线。
计算设备600还可以包括工作存储器614，其可以是可存储对于处理器604的工作有用的指令和/或数据的任何种类的工作存储器，并且可以包括但不限于随机存取存储器和/或只读存储器设备。
可以理解，可以根据具体的需求进行各种变化。例如，还可以使用定制的硬件，并且/或者可以以硬件、软件、固件、中间件、微代码、硬件描述语言或其任意组合来实现特定元件。此外，可以采用到其它计算设备的连接，诸如网络输入/输出设备。例如，所公开的方法中的一些或全部可以通过使用根据本公开的逻辑和算法用汇编语言或硬件编程语言(诸如VERILOG，VHDL，C++)对硬件(诸如，包括线程可编程门阵列(FPGA)和/或可编程逻辑阵列(PLA)的可编程逻辑电路)进行编程来实现。
还可以理解，计算设备600的组件可以分布在网络上。例如，一些处理可以使用一个处理器执行，而其它处理可以由远离该处理器的另一处理器执行。计算设备600的其它组件也可以被类似地分布。这一，计算设备600可以解释为在多个位置执行处理的分布式计算系统。
应注意，本公开还提供了使指令存储于其上的非瞬态计算机可读介质，所述指令在被处理器执行时使得处理器执行上述方法中的每一种方法的步骤。
能够以许多种方式来实现本公开的方法和装置。例如，可以通过软件、硬件、固件或其任意组合来实现本公开的方法和装置。方法步骤的如上所述的次序仅仅意欲是说明性的，并且除非另有特别说明，否则本公开的方法的步骤不限于以上具体描述的次序。此外，在一些实施例中，本公开也可以实现为记录在记录介质中的程序，该程序包括用于实现根据本公开的方法的机器可读指令。因此，本公开还覆盖存储有用于实现根据本公开的方法的程序的记录介质。
虽然已经用例子详细描述了本公开的一些具体实施例，但是本领域的技术人员应理解，上述例子仅意欲是说明性的而不限制本公开的范围。本领域的技术人员应理解，可以在不背离本公开的精神和范围的情况下修改上述实施例。本公开的范围由随附的权利要求来限定。
Claims (18)
1.一种用于设备的预测性维护的方法，包括：
获取表征设备的工作状况的至少一个物理测量值集合，其中所述至少一个物理测量值集合各自包括在预定时段内采集的表征对应工作状况的多个物理测量值；
基于所述至少一个物理测量值集合来计算设备能力指数，其中所述设备能力指数指示设备是否需要维护；以及
基于所述设备能力指数来确定所述设备是否需要维护,
其中，基于所述至少一个物理测量值集合来计算设备能力指数的步骤包括：
针对所述至少一个物理测量值集合中的每一个，根据以下公式计算对应的设备能力指数Cmk：
其中，
是该物理测量值集合中的多个物理测量值的均值，USL和LSL分别是针对该物理测量值集合给定的上下公差值，s是该物理测量值集合中的多个物理测量值的标准差。
2.如权利要求1所述的方法，其中，所述至少一个物理测量值集合包括以下中的至少一者：
焊枪的电极位移测量值集合；
焊枪的气缸压力测量值集合；
焊枪的电极压力测量值集合；和
焊枪的主气缸的压差测量值集合。
3.如权利要求1所述的方法，其中，基于所述至少一个物理测量值集合来计算设备能力指数的步骤还包括：
将针对所述至少一个物理测量值集合计算出的至少一个设备能力指数中最小的设备能力指数作为最终的设备能力指数；或者
将针对所述至少一个物理测量值集合计算出的至少一个设备能力指数的加权平均值作为最终的设备能力指数。
4.如权利要求1所述的方法，针对所述至少一个物理测量值集合中的每一个计算对应的设备能力指数的步骤还包括：
从该物理测量值集合中随机取多个物理测量值子集；
基于所述多个物理测量值子集分别计算对应的多个设备能力指数；和
计算所述多个设备能力指数的平均值，作为与该物理测量值集合对应的设备能力指数。
5.如权利要求1所述的方法，其中，在针对所述至少一个物理测量值集合中的每一个计算对应的设备能力指数之前，还包括以下步骤中的一者或多者：
去掉该物理测量值集合中的多个物理测量值中重复的值；和
去掉该物理测量值集合中的多个物理测量值中无效的值。
6.如权利要求1所述的方法，其中，基于所述设备能力指数来确定所述设备是否需要维护包括：
当所述设备能力指数小于预定阈值时，确定设备需要维护；和
当所述设备能力指数大于等于预定阈值时，确定设备不需要维护。
7.如权利要求1所述的方法，还包括：
计算多个设备的相应多个设备能力指数；和
基于所述多个设备能力指数和所述多个设备各自的对设备能力指数具有显著影响的参数通过回归分析来建立回归模型，所述回归模型表征设备能力指数与设备使用时间之间的回归关系，所述对设备能力指数具有显著影响的参数包含与设备使用时间相关联的参数。
8.如权利要求7所述的方法，还包括：
使用回归模型来预测设备的剩余使用时间。
9.如权利要求8所述的方法，其中，所述设备是焊枪，所述回归模型的因变量是设备能力指数，自变量至少包括：更换控制器之后的累计焊点数和更换控制器之前的历史累计焊点数。
10.如权利要求9所述的方法，还包括：
利用所述回归模型，计算预测总焊点数；和
基于预测总焊点数与更换控制器之后的累计焊点数的差和焊枪的日平均工作焊点数，计算焊枪的剩余使用时间。
11.如权利要求8所述的方法，其中，所述设备是焊枪，所述回归模型的因变量是设备能力指数，自变量至少包括：更换控制器之后的累计气缸行程和更换控制器之前的历史累计气缸行程。
12.如权利要求11所述的方法，还包括：
利用所述回归模型，计算预测气缸总行程；和
基于预测气缸总行程与更换控制器之后的累计气缸行程的差和焊枪的日平均气缸行程，计算焊枪的剩余使用时间。
13.如权利要求10或12所述的方法，其中，所述回归模型的自变量还包括：
设备的类型，和/或
设备所处的区域。
14.如权利要求1所述的方法，还包括：
响应于基于所述设备能力指数确定所述设备需要维护，发出提示需要维护的警报。
15.如权利要求7所述的方法，还包括：
基于所预测的设备的剩余使用时间，提示是否需要进行维护准备。
16.一种计算机系统，包括：
处理器，和
与处理器耦接的存储器，所述存储器存储计算机可读程序指令，所述指令在被所述处理器执行时执行如权利要求1-15中任一项所述的方法。
17.一种计算机可读存储介质，其上存储计算机可读程序指令，所述指令在被处理器执行时执行如权利要求1-15中任一项所述的方法。
18.一种用于设备的预测性维护的设备，包括用于实现如权利要求1-15中任一项所述的方法的步骤的装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910029608.XA CN110146312B (zh) | 2019-01-14 | 2019-01-14 | 用于设备的预测性维护的方法、系统、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910029608.XA CN110146312B (zh) | 2019-01-14 | 2019-01-14 | 用于设备的预测性维护的方法、系统、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110146312A CN110146312A (zh) | 2019-08-20 |
| CN110146312B true CN110146312B (zh) | 2021-06-29 |
Family
ID=67589481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910029608.XA Active CN110146312B (zh) | 2019-01-14 | 2019-01-14 | 用于设备的预测性维护的方法、系统、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110146312B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580903A (zh) * | 2019-09-27 | 2021-03-30 | 华晨宝马汽车有限公司 | 用于评估发动机质量稳定性的方法和装置及存储介质 |
| CN113673072A (zh) * | 2020-05-15 | 2021-11-19 | 华晨宝马汽车有限公司 | 用于确定机器人的运行状况的方法、系统、设备和介质 |
| CN113867262B (zh) * | 2020-06-30 | 2023-07-14 | 华晨宝马汽车有限公司 | 用于监测主轴设备的运行状态的装置、方法以及介质 |
| CN114077937A (zh) * | 2020-08-12 | 2022-02-22 | 华晨宝马汽车有限公司 | 停产需求收集和管理方法及装置以及存储介质 |
| CN115616994A (zh) * | 2022-09-30 | 2023-01-17 | 广州明珞装备股份有限公司 | 一种设备稳定性分析方法及系统、设备、存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5133490B2 (ja) * | 2000-09-21 | 2013-01-30 | マサチューセッツ インスティテュート オブ テクノロジー | リアル・タイムにおいて溶接条件を検知するためのスポット溶接装置および方法 |
| US9862051B2 (en) * | 2011-09-27 | 2018-01-09 | Illinois Tool Works Inc. | Welding system and method utilizing cloud computing and data storage |
| KR101986400B1 (ko) * | 2012-04-23 | 2019-06-05 | 링컨 글로벌, 인크. | 용접 품질을 모니터링하는 시스템 및 방법 |
| CN106843129A (zh) * | 2017-03-15 | 2017-06-13 | 重庆长安汽车股份有限公司 | 汽车焊接生产线点焊数据管理应用方法 |
| CN108280543B (zh) * | 2018-01-17 | 2020-11-17 | 杭州安脉盛智能技术有限公司 | 基于分类回归模式的工况自适应的设备健康度评估方法 |
-
2019
- 2019-01-14 CN CN201910029608.XA patent/CN110146312B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110146312A (zh) | 2019-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110146312B (zh) | 用于设备的预测性维护的方法、系统、设备和介质 | |
| CN116308211B (zh) | 一种基于大数据的企业智能化管理系统及方法 | |
| KR20180061769A (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
| US10963797B2 (en) | System for analyzing machine data | |
| KR102343752B1 (ko) | 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템 | |
| CN110864795A (zh) | 一种称重异常报警系统 | |
| CN107544457A (zh) | 基于可靠性分析的炼化装置运行周期专家决策系统及方法 | |
| CN111950577A (zh) | 一种点检方法及装置 | |
| CN117094605B (zh) | 一种铸件质量控制方法及系统 | |
| EP1186980B1 (en) | Method for supporting maintenance of facility and system | |
| CN103069441A (zh) | 用于查验加工过程的对话系统和方法 | |
| CN115049260B (zh) | 认知智能连铸钢包质量预判模型的应用方法及系统 | |
| CN112183919A (zh) | 质量预测系统和质量预测方法 | |
| CN111390647A (zh) | 刀具寿命预测系统及其方法 | |
| CN114757407A (zh) | 一种lng接收站能耗优化大数据分析方法及系统 | |
| CN202472351U (zh) | 轮胎厂硫化机集中监控装置 | |
| AU2022440628B2 (en) | Assessment and control method, system and device for time-energy efficiency of cnc machine tools | |
| CN116595732A (zh) | 设备数字孪生模型构建、设备内部温度监控方法及装置 | |
| CN113569970B (zh) | 量化特征指标对标签影响的分析方法、系统、介质和终端 | |
| KR100558348B1 (ko) | 생산라인의 품질관리를 위한 통계적 공정관리 시스템 및방법 | |
| US20040039560A1 (en) | Method computer program product and computer system for maintenance | |
| Mares et al. | Artificial intelligence-based control system for the analysis of metal casting properties | |
| CN111774929B (zh) | 刀具磨损补偿方法、装置、计算机设备和存储介质 | |
| KR20190053035A (ko) | 결함 예측 방법 | |
| RU2735296C1 (ru) | Способ многопараметрического контроля состояния сложных электротехнических объектов |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |