概述：

汽車制造行業是一個高度復雜和精細化的領域，依賴于各種設備來完成生產流程。沖壓工藝是汽車自動化生產中的第一道工序，沖壓設備在汽車大型覆蓋件自動化生產中占據重要地位，其技術水平影響、制約著汽車工業的發展。沖壓設備承擔著原材料的開卷、落料、拉延、切邊等板件任務，其中最為關鍵的設備是機械壓力機，具備沖程大力矩大，運行效率高的特點，當然痛點也很突出就是振動和噪音大帶來的安全隱患。這些壓力機在長時間運行中不可避免地會遇到各種故障，給生產進程帶來延誤和成本增加。如何對沖壓設備進行科學的維護管理，使沖壓設備在實際生產過程中能夠達到安全穩定的生產？為了應對這一挑戰，預測性維護在汽車制造設備中得以應用，以提前預測故障并采取相應措施，從而提高生產效率和降低維護成本。

背景：

在位于西南汽車重鎮重慶，一家主打小型乘用車汽車制造基地沖壓車間，八臺來自國內龍頭機床企業的機械壓力機井然有序的工作著，這里有500名工人，具備年產25萬量的生產能力。

隨著企業規模的迅速拓展，傳統的人工設備巡檢、事后維修的方式已不能匹配后期的生產、管理需求，企業對生產、輔助設備遠程監控、設備故障預測性維護。在智能化生產制造方面，工廠的自動化程度達到領先水平，但軟件能力沒能同步到位，現有的生產管理模型和算法機制老舊，不具備精確的同步分析和預測管理能力。

菲尼克斯電氣預測性維護方案由基于MLnext的AI模型打造而成，有效的解決了客戶痛點，靈活采集電機和生產數據，可以實現對故障的精準預判和定位。

需求分析：

經初步調研，工廠沖壓車間有八臺大型機械壓力設備，目前的設備監測手段主要是傳統的人工巡檢模式，設備維保工作主要采用“事后維修”的方式，存在以下問題：壓力機巡檢維護成本高，需要高空作業，不可控；壓力機故障反饋及時性差；無法識別壓力機亞健康狀態；事后維護方式隱患大。用戶需要壓力機遠程運維管理，實時監控運行狀態；實時監測、記錄壓力機的振動、溫度、噪聲數據；壓力機實時故障預警、故障提示；通過預測性維護平臺減少人工巡檢工作量，提高壓力機的運維管理水平。

為此需要建立一套壓力機電機的預測性維護平臺，用電機的歷史數據建模，實際部署時以歷史數據為健康模型基準進行實施檢測，如果實際運行數據和模型有偏差就證明有潛在異常出現，根據偏差的大小就可以反正設備的異常程度。 

菲尼克斯電氣基于MLnext的AI模型介紹：

傳統的機理模型都是針對同類設備的通用模型，它是通過高頻的振動信號去判斷振動，所以定義的故障點局限于軸承、零部件或者不對中之類的振動相關故障，而且通常的做法是不把振動溫度電流放在一個算法里，各自單獨判斷，另外針對高頻數據的演算也是漸進式的。

菲尼克斯基于AI的模型算法靈活，可以每個設備單獨建模，和設備更加貼合，而且針對復雜工況，AI可以采用工況工藝和生產的數據一起預測，最終給出異常相關的變量給使用者參考，生成異常的記錄和可追溯歷史數據的頁面，區別于傳統漸進式的演算，AI模型的演算是不間斷，所以對平臺的算力也提出了更高的要求。

項目實施：

方案以Combination成套柜的方式呈現，一套柜體控制四臺壓力機電機，選用EPC 1522控制器和MLnext擴展模塊運行預測性維護算法，根據現場電機的功率選擇電流互感器和電表采集電機的電信號，通過WLAN無線模塊接收電機的無線信號，自定義上位畫面，電機裝配振動和溫度傳感器采集數據，除此之外也提取了電機的電流電壓、加工模具的編號和生產狀態（包括電機啟動信號，模具切換信號，恢復生產信號、壓力機PLC報警信號等）。

推廣意義：

好的預測性維護方案就是能提前發現潛在問題，這樣就不用等到設備問題真正暴露的時候再停機大修，只需要小小的調整就可以恢復到正常的生產狀態。菲尼克斯這套方案的妙處就在于和AI算法的無縫結合，讓預測性維護更加智能，不僅在壓力機，車廠內各工藝各個帶電機的重點設備或者類似的昂貴設備都有普遍意義上的推廣價值。