总装车间数字化及智能化初步探索

何森 王钒旭

摘 要：目前，在主流汽车厂总装车间，生产效率达到60JPH以上，节拍紧、停台压力大。提取设备数据、实现设备状态监控，通过机器学习实现智能分析、判断、预测，可降低设备故障率和设备维修人员数量。一汽-大众佛山总装一车间（以下简称“总一车间”）采用“西门子PLC+树莓派4B+Snap7协议库+Python编程语言”方案，成功实现了5处数字化场景。同时基于车间拧紧数据，应用机器学习技术，实现拧紧过程的智能监控、自动故障识别。

关键词：设备状态监控;机器学习;树莓派;Python;PLC

1 方案

1.1 基于树莓派及Snap7的低成本西门子PLC数据采集

总一车间采用“西门子PLC+树莓派4B+Snap7协议库+Python编程语言”的数据采集方案，新增核心硬件树莓派的价格控制在400元以下，涉及的操作系统及开发软件均为开源免费。

确定方案后，需进行Python-Snap7在树莓派硬件中linux环境配置。

正式与PLC通讯前，需对PLC进行配置和权限的设置：给予完全访问权限，开放其自身读写权限。另外需要开启“允许来自远程对象的PUT/GET通信访问”。

用python语言进行Snap7 客户端编程的流程：

（1）脚本文件中添加库;

（2）创建客户端类对象，连接PLC;

（3）连接成功后，开始定时读取操作;

（4）添加Snap7库：import snap7;

（5）创建客户端语句：plc=snap7.client.Client（）;

（6）连接plc：plc.connect（"ip"，rack，solt）。

解析数据：由于使用read_area（）和db_read（）所读出的源数据为二进制数据，即字节数组格式bytearray，故需对其解析，才能转换为目标格式。

1.2 基于大数据机器学习的拧紧质量监控系统

总一车间安装了268套自动拧紧设备，自2012年量产后存储了大量拧紧数量，在此基础上引入机器学习技术，实现拧紧异常的自动判断，及不合格原因的自动分析判别。

自学习系统整体流程如下：

（1）采用K-Means聚类算法，对历史数据螺栓拧紧曲线进行聚类操作，获取异常数据的异常种类;

（2）分场景对历史数据进行边缘检测算法，找出每个场景下螺栓拧紧曲线分布，构建曲线分布区域模型，以诊断曲线是否正常;

（3）采用第一步聚类后，获取的带有异常种类的数据，训练神经网络模型;

（4）对于异常曲线，提取曲线数值特征后，采用训练好的神经网络模型;

（5）每隔一段时间，根据人工验证反馈数据，自动优化和训练螺栓拧紧曲线分布区域模型和神经网络模型;

（6）新螺栓类型扩展：当数据库中出现一种新的螺栓拧紧数据，诊断系统会对数据进行解析匹配，使用一定量的数据生成螺栓拧紧曲线区域检测模型，然后采用通用模型对异常曲线进行异常分类;

（7）新异常类型扩展：如果发现一种新的螺栓异常种类，在数据库中积累一定的該异常类型的数据，重新训练生成一个通用异常分类诊断模型。在诊断系统继续运行过程中，根据反馈和调整，再为每种螺栓类型训练生成专用异常分类诊断模型。

2 成果

2.1 设备运行数据集中采集监控

设备监控主要有两个方面：一是及时准确地获取设备的最新状态，对设备状态进行分析记录，包括电机电流、温度、转速，为后续设备维护保养提供决策，降低停台和维修人员数量。二是及时获取设备上实时储存的与产品相关的数据，用以监控生产过程，分析追溯质量缺陷，提高质量。

总一车间基于上述方案，目前开发了以下5处应用场景。

2.1.1 辊道线及举升机驱动电机电流实时监控

利用SEW变频器预留字实现PLC读取电机电流值存入DB块，再用python-Snap7编程创建客户端，将数据存入MySQL数据库的同时，在中央上位机进行实时可视化。目前成功的预判了多处举升机电流异常，及时处理，避免了重大停台。

2.1.2 车间全车间输送线车辆实时定位

利用python-snap7获取车间各处设备PLC堆栈中存储的车辆kenn码数据后，从fis数据库查找对应的车辆fis数据，还原出大线所有工位对应的实时车辆信息，编写成网页动态显示，一眼就能看到检索车辆的具体位置。该系统预计每年能减少锁定问题车辆所在工位所花费时间15小时/年，同时减少质量成本。

2.1.3 前束检测设备节拍实时显示

总一车间前束检测设备共有5个检测口，每个检测口的检测时间均不一致（检测时间取决于被检测车辆）。总装一车间通过在各检测口增加传感器，利用python-snap7获取传感器数据，编写QT界面程序，并嵌入返修合格率网页，采用低成本的树莓派作为现场嵌入式主机，展示前束检测实时时间车数及合格率展示于现场电视屏幕上。实施后节约单车排队时间约15 s。

2.1.4 车身吊具驱动电机温度实时监控

总一车间共有可升降车身吊具95台。针对电机抱闸损坏、吊具行走轮损坏等问题，借助测量电机温度可以间接地暴露异常。

通过在现场安装测温仪、模拟量模块并进行布线，在线测量车身吊具电机温度并写入PLC，利用python-snap7库获取PLC中的实时温度数据，用PyQT5库制作成可视化界面方便维修人员集中监控，实施后提前发现故障、减少停台45 min/年。

2.1.5 PGD天窗涂胶设备计量泵状态实时监控

总一车间将基于树莓派及Snap7设备数据采集方案运用至工艺涂胶设备核心部件计量泵的运行状态监控，实时采集计量泵的填充进度、压力、电流、转速和温度，及车辆底盘号，啥时候减少停台40 min/年。

2.2 拧紧大数据机器学习质量诊断系统

总一车间开发的拧紧曲线自学习质量监控系统，经过一年多的训练及优化，已经学习了10 w+条数据，聚类出了30种异常类型。目前已有13种螺栓场景异常类型准确率保持在99%以上。螺栓诊断服务的速度在0.15～0.2 s每条。实现拧紧异常原因的自动分析判别，减少经验依赖，减低质量风险，提升拧紧质量问题的分析效率。