AI工业机器人
🏦 场景与客户
一家汽车零部件厂，产线上有 40 台六轴机器人做焊接与搬运。痛点是停机不可预测：一次非计划停机平均影响 2 小时产能，而故障往往是「突然不动了」才发现——减速机磨损、焊枪偏移、气路泄漏这些渐变问题，靠人工点检发现不了。
客户要的是从「坏了再修」转向「快坏了先修」。
📅 实施节奏
- 第 1–2 周：梳理关键设备的可采集信号（电流、振动、温度、节拍、报警码）
- 第 3–4 周：接入 PLC 与机器人控制器数据，建立基线
- 第 5–6 周：上线异常检测与预警，先在 8 台设备试点
- 第 7 周起：与维修工单联动，预警自动生成待办并跟踪准确率
🗝️ 方案要点
- 先做异常检测，再做寿命预测：寿命预测要标注失败样本，工业现场这类样本很少；异常检测用正常运行数据就能起
- 按设备建基线：每台设备的正常振动幅度不同，不能用统一阈值
- 预警要带证据：告诉维修工「哪个轴、哪一段电流异常」，而不是只报一个分数
- 闭环校准：预警后是否真的故障，必须回填结果，否则模型永远不准
⚖️ 选型与权衡
| 选择点 | 方案 | 权衡 |
|---|---|---|
| 数据采集 | PLC + 控制器 + 外置传感器 | 信号全；加装传感器有改造成本与停机窗口 |
| 建模方式 | 无监督异常检测 | 冷启动可行；误报率需要现场调 |
| 预警方式 | 分级告警 + 工单联动 | 可执行；告警泛滥会失去信任，必须控量 |
| 部署位置 | 厂内边缘服务器 | 数据不出厂、延迟低；需要本地运维 |
🚧 实施难点与排查
- 误报太多：初期每天几十条告警，维修班组直接忽略。做法是提高阈值并加持续时间条件，只报「持续偏离」
- 数据取不全：老设备控制器协议封闭，部分信号取不到。先做能取到的，用电流与节拍推断
- 换型后基线失效：产品切换导致节拍变化，被误判为异常。按产品型号分别建基线
- 修了但没回填：模型不知道预警是否准确。把回填做成工单关闭的必填项
💵 成本与收益
- 成本：数据采集改造 + 平台与建模，试点阶段投入可控
- 收益：非计划停机时长下降、备件按需采购减少库存；这类收益通常几个月就能覆盖投入
- 可量化：盯「非计划停机时长」与「预警准确率」两个核心指标
🛡️ 风险与保障
- 生产安全：任何预警不得触发设备动作，只做提示，避免误动作造成事故
- 网络隔离：产线网络与办公网隔离，数据单向流出
- 责任边界：系统给出建议，维修决策仍由设备工程师做
♾️ 可复用与演进
- 可复用到注塑机、空压机、数控机床等关键设备
- 演进方向：积累故障样本后做剩余寿命预测，把备件与排产提前安排
- 再进一步：与 MES 联动，按设备健康度动态调整排产
